Identifikasi Diagnosis Gangguan Autisme Pada Anak Menggunakan Metode Modified K-Nearest Neighbor (MKNN)
|
|
- Inge Hermanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 9, Juni 2017, hlm Identifikasi Diagnosis Gangguan Autisme Pada Anak Menggunakan Metode Modified K-Nearest Neighbor (MKNN) Jojor Jennifer Sianipar 1, M.Tanzil Furqon 2, Putra Pandu Adikara 3 Program Studi Teknik Informatika, : 1 jojorjennifer@gmail.com, 2 m.tanzil.furqon@gmail.com, 3 hikaru.yuuki@gmail.com Abstrak Autisme adalah suatu gangguan neurologis yang secara signifikan mengakibatkan kurangnya kemampuan membentuk hubungan sosial, komunikasi yang normal, dan juga perilaku pada anak. Gejala autisme ini pada umumnya timbul sebelum anak mencapai usia 3 tahun. Autisme bukan penyakit kejiwaan karena autisme adalah suatu gangguan yang terjadi pada otak sehingga menyebabkan otak anak tersebut tidak dapat berfungsi normal dan hal tersebut termanifestasi pada perilaku anak autisme. Ada beberapa penelitian yang mengatakan bahwa penyebab autisme yaitu gangguan saraf pusat yang menyebabkan pada kelainan struktur otak anak. Ahli yang berbeda menyebutkan bahwa autisme salah satu penyebabnya adalah jenis makanan yang dikonsumsi salah atau dikarenakan berada dalam lingkungan yang banyak zat-zat berbahaya yang menyebabkan masalah dalam sikap ataupun tingkah laku anak. Untuk menangani gangguan autisme maka dibuat sistem untuk identifikasi gangguan autisme pada anak menggunakan metode Modified K-Nearest Neighbor (MKNN). Metode ini adalah salah satu metode klasifikasi berdasarkan kemunculan kelas terbanyak pada nilai data latih. Terdapat 14 gejala dari 4 aspek yang digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang dihasilkan sistem merupakan mengalami gangguan autisme atau tidak pada anak. Berdasarkan pengujian yang telah dilakukan sistem yang menggunakan metode Modified K-Nearest Neighbor (MKNN) memperoleh hasil akurasi maksimum % serta akurasi minimum 92%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Modified K- Nearest Neighbor (MKNN) dapat diimplementasikan dalam kehidupan sehari-hari. Kata kunci: autisme, klasifikasi, Modified K-Nearest Neighbor (MKNN). Abstract Autism is a neurological disorder that shows significant result as a lack of ability to form social relationships, normal communication, and behavior in children. This symptoms generally appear before children reach the age of 3 years. It is not classified as a psychiatric disease because autism is a disorder that occurs malfunction of children s brain and it is manifested on children s behaviour. Some research states that autism causes as the neurodevelopmental disorder that causes abnormalities in children s brain structure. Different experts mentioned that autism in children caused by the kind of food they consumed or they living environment that contain many harmful substances that shows in children s behaviour. Therefore, the system for the identification of autism disorders in children will be create to help identifies autism disorder by using the method of Modified K-Nearest Neighbor (MKNN). It is one of classification method based on the appearance of largest classes in data training. There are 14 symptoms from 4 aspects that are used as parameters in the development of the system. The output of the system is showing whether a child is autistic individuals or not. Based on the testing that has been done on the system that using Modified K-Nearest Neighbor (MKNN), maximum accuracy shows % accuracy while minimum accuracy is 92%. Based on those results, the uses of Modified K-Nearest Neighbor (MKNN) method can be implemented in our daily life. Keywords: autism, classification, Modified K-Nearest Neighbor (MKNN) Fakultas Ilmu Komputer Universitas Brawijaya 825
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer PENDAHULUAN Autisme merupakan salah satu jenis gangguan tumbuh kembang, yang serupa dengan kumpulan gejala yang mengakibatkan adanya kelainan saraf tertentu yang menyebabkan fungsi otak tidak bekerja secara normal sehingga mempengaruhi tumbuh kembang, kemampuan komunikasi, dan kemampuan interaksi sosial seseorang. Gejalagejala autisme dapat diketahui dari adanya penyimpangan dari ciri-ciri tumbuh kembang anak secara normal (Sunu,2012). Semakin banyak jumlah anak yang menderita autisme dengan banyak gejala yang berbeda-beda patut diwaspadai terlebih dengan peningkatan jumlah penderitanya setiap tahunnya. Hal inilah seharusnya orang tua mengetahui untuk penanganan pada anak yang mengalami gangguan autisme. Dengan kekurangan pengetahuan orang tua mengenai autisme juga menyebabkan keterlambatan orang tua untuk segera memeriksa anaknya pada psikolog anak. Selain dari faktor orang tua, psikolog anak jarang ditemukan di kota-kota kecil sehingga untuk mendukung faktor ini dibangun suatu sistem yang dapat mengidentifikasi autisme sejak dini (Kusumadewi 2003). Penelitian lain yang pernah dilakukan dengan metode Modified K-Nearest Neighbor (MKNN) oleh Andhina (2016) membahas bagaimana menerapkan metode Modified K- Nearest Neighbor dalam mendiagnosis penyakit pada tanaman jagung. Penelitian ini menggunakan 5 jenis penyakit dengan 16 gejala penyakit tanaman jagung. Pengujian dengan nilai yang berbeda maka diperoleh nilai ratarata akurasi yang berbeda juga pada masingmasing data latih. Data latih yang digunakan dalam pengujian adalah data latih 346 data data uji 90 data. Nilai akurasi terbesar terdapat pada nilai k=1 dengan rata rata akurasi sebesar 98,89%. Sedangkan dengan jumlah data latih berbeda dan jumlah data uji tetap menghasilkan nilai akurasi 97,5% pada jumlah data latih sebanyak 125 data dengan data uji 80 data (Andhina, 2016). Berdasarkan penelitian-penelitian tersebut maka pada penelitian ini digunakan metode Modified K-Nearest Neighbor (MKNN) untuk diterapkan ke dalam sistem yang akan dibangun. Kemudian, dibangunlah sebuah sistem identifikasi untuk mendiagnosis gangguan autisme pada anak dengan judul Identifikasi Diagnosis Gangguan Autisme Pada Anak Menggunakan Metode Modified K- Nearest Neighbor (MKNN). Sistem ini menggunakan data gejala Childhood Autism Rating Scale (CARS) yang menjadi acuan psikolog dalam mendiagnosis autisme pada anak. Demikian dengan adanya penelitian ini diharapkan dapat membantu dalam menyelesaikan permasalahan diagnosis gangguan autisme pada anak. 2. LANDASAN KEPUSTAKAAN 2.1 Autisme Autisme berasal dari kata auto yang artinya sendiri. Istilah tersebut dipakai karena mereka yang mengidap gejala autisme seringkali memang kelihatan seperti seorang yang memiliki hidup sendiri. Mereka seolaholah hidup di dunianya sendiri dan terlepas dari kontak sosial yang ada di sekitarnya (Sunu, 2012). Anak autisme juga memiliki perilakuperilaku yang khas dalam kesehariaannya. Berikut bentuk perilaku yang unik dan sering terlihat pada anak-anak autis yaitu (Sunu, 2012): 1. Kurangnya motivasi, anak autis biasanya terlihat menarik diri dari lingkungan sosial dan sibuk dengan dunianya sendiri. Beberapa anak autis biasanya tidak memiliki keinginan untuk ingin tahu dunia yang ada di sekitarnya. Mereka tidak memiliki keinginan untuk memberitahu lingkungan dan memperluas ruang lingkup mereka. 2.Selektif terhadap stimulasi rangsang dari lingkungan sekitarnya, sehingga seringkali kesulitan menangkap informasi secara maksimal dan sekitarnya. Sikap ini sering membuat anak autis menjadi kurang peka jika ada bahaya di sekelilingnya. Misalnya saat anak tersebut berada di kolam renang atau di jalan raya. 3. Motivasi untuk stimulasi diri tinggi. Anak autis sering terlihat sibuk menghabiskan waktunya untuk menstimulasi diri sendiri dengan banyak cara, seperti mengibasngibaskan tangan (flapping) atau menggerak-gerakkan jarinya dan memandanginya sendiri.
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Merespon imbalan secara langsung. Hal ini akhirnya menjadi salah satu cara yang dipakai dalam terapi perilaku, seperti dengan memanfaatkan respon langsung anak autis pada imbalan sebagai sarana untuk mengetahui perilaku baru yang diinginkan. 2.2 Data Mining Data mining adalah sebuah proses eksplorasi dan analisis secara otomatis atau semi-otomatis dengan kuantitas data cukup besar untuk menemukan pola dan aturan (rule). Data mining melibatkan proses komputasi degan data set besar. Tujuan dari analisis ini adalah proses ekstraksi informasi dari kumpulan data dan mentransformasikan data tersebut menjadi struktur data yang mudah untuk dipahami serta dapat digunakan lebih lanjut. Data mining merupakan sebuah cara untuk memecahkan masalah dengan menganalisis data yang sudah ada dalam database. Terdapat 5 elemen utama data mining, yaitu (Nikita, 2013): 1. Extract, transform (mengubah) dan transaksi data ke sistem data warehouse. 2. Menyimpan dan mengola data dalam multidimensi sistem database. 3. Memberikan akses data analisis bisnis dan professional teknologi informasi. 4. Menganalisis data dengan aplikasi perangkat lunak. 5. Menyajikan data dalam format yang berguna seperti grafik. Data mining menjadi popular di bidang kesehatan karena mengefesiensikan kebutuhan dalam menganalisis untuk mendeteksi informasi yang tidak diketahui dan berharga dalam data kesehatan. Data mining memberikan solusi bagi para peneliti kesehatan untuk membuat kebijakan kesehatan yang efisien, membangun sistem sistem yang lain (Divya, 2013). 2.3 K-Nearest Neighbor K-Nearest Neighbor (KNN) adalah suatu metode yang biasa digunakan untuk klasifikasi data. Algoritme KNN adalah sebuah metode untuk mengklasifikasikan objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tertentu. KNN merupakan suatu metode yang menggunakan algoritma supervised. Supervised learning bertujuan untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Tujuan dari algoritme ini adalah mengklasifikasikan objek baru berdasarkan atribut dan training sample (Aktivia, 2012) Algoritme K-Nearest Neighbor Proses algoritme K-Nearest Neighbor untuk mengklasifikasikan data adalah (Chen, 2010): 1. Tentukan parameter K 2. Hitung jarak antara data yang akan dievaluasi dengan semua data latih. 3. Urutkan jarak yang terbentuk dan tentukan k tetangga terdekat berdasarkan nilai k terdekat. 4. Pasang kelas yang bersesuaian. 5. Tentukan kategori berdasarkan kelas yang mayoritas dari kelas tetangga terdekat sebagai nilai prediksi data baru Euclidean Distance Interval scarled variabel adalah ukuranukuran continue dari skala linier. Ukuranukuran tersebut berupa ukuran jarak, yang biasanya digunakan adalah jarak Euclidean. Persamaan perhitungan untuk mencari Euclidean dengan d adalah jarak dan p adalah dimensi data dengan rumus sebagai berikut: d (x,y) = p i=1 (x i y i ) 2 (1) dengan x i sampel data latih, y i data uji, d (x,y) jarak antara titik pada data latih x dan titik data uji y dan p adalah dimensi data 2.4 Modified K-Nearest Neighbor Metode MKNN adalah memasukkan label kelas dari data berdasarkan data poin pada data data latih yang sudah divalidasi dengan nilai k. Pertama yang dilakukan adalah perhitungan validitas untuk semua data yang terdapat pada data latih, selanjutnya dilakukan perhitungan weight voting untuk semua data ini menggunakan validatas data (Parvin,et all., 2010). Berikut langkah-langkah pada metode Modified K-Nearest Neighbor adalah: 1. menentukan nilai k 2. Menghitung jarak antar data latih menggunakan rumus Euclidean Distance pada Persamaan 1.
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Validitas data latih Validitas dari tiap data dihitung berdasarkan tetangganya. Validitas data hanya dilakukan sekali pada semua data latih. Kemudian dilakukan validasi data, berikutnya data tersebut digunakan sebagai informasi tambahan (Parvin,et all., 2010). Cara menghitung validitas data pada data training, tetangga terdekat harus dipertimbangkan. Di antara tetangga terdekat dengan data, validitas digunakan untuk menghitung jumlah titik dengan label yang sama untuk data. Persamaan yang digunakan untuk menghitung validitas pada data training pada Persamaan 2 (Parvin,et all., 2010). Validitas(x) = 1 H k S (lbl(x), lbl(n i(x))) (2) i=1 dengan: k : jumlah titik terdekat Lbl(x) : kelas x Ni(x) : label kelas titik terdekat x Fungsi S digunakan untuk menghitung kesamaan antara titik a dan data ke-b tetangga terdekat. Persamaan untuk mendefinisikan fungsi S terdapat dalam Persamaan dibawah ini: S(a, b) = { 1 a = b (3) 0 a b ning b = kelas lain selain a pada data training S bernilai 1, jika label kategori a sama dengan label kategori b. S akan bernilai 0, jika label kategori a tidak sama dengan label kategori b. 4. Menghitung jarak data latih dengan data uji menggunakan Persamaan 1. Perhitungan dilakukan untuk seluruh data latih. 5. Weight Voting (pembobotan) Weight voting KNN merupakan salah satu jenis metode KNN yang menggunakan tetangga terdekat, terlepas dari kelas data, tetapi menggunakan weight voting dari tiap-tiap data pada data training. Setiap masing-masing data diberikan weight voting yang biasanya sama dengan beberapa fungsi jarak dari data yang diketahui. Pada metode MKNN ini weight voting tiap tetangga dihitung menggunakan Persamaan 4 (Parvin,et all., 2010). 1 W(x) = Validitas (x) (4) dengan: d e +α W(i): perhitungan weight voting Validitas (x): nilai validasi d e : jarak Euclidean 6. Menentukan kelas dari data uji yang memiliki bobot terbesar sesuai dengan nilai k. 3. PENGUMPULAN DATA Lokasi peneitian ini adalah klinik House of Fatima Jl. Sumbing Malang. Kasus ini dianalisis melalui pengumpulan data dengan cara wawancara secara langsung. Variabel penelitan ini adalah gejala-gejala pada anak yang memiliki gangguan autisme berdasarkan perhitungan metode Modified K-Nearest Neighbor. Pengumpulan data pada penelitian ini menggunakan metode data sekunder dengan gejala-gejala gangguan autisme adalah: 1. Pergaulan dengan orang lain 2. Peniruan 3. Tanggapan emosi 4. Koordinasi keselarasan tubuh 5. Perhatian dan penggunaan benda 6. Penyesuaian diri pada perubahan 7. Tanggapan penglihatan 8. Tanggapan pendengaran 9. Tanggapan penggunaan rasa,cium dan raba 10. Takut dan cemas 11. Komunikasi verbal 12. Komunikasi non-verbal 13. Derajat aktivitas 14. Derajat dan stabilitas fungsi intelektual Dari 14 gejala yang ada, masing masing gejala memiliki 4 aspek tertentu yaitu: 1. Komunikasi Sosial 2. Perilaku 3. Indera 4. Proses Informasi Masukkan dalam sistem ini memiliki 14 pertanyaan gejala-gejala gangguan. Dari masukkan ini akan diklasifikasikan menggunakan metode Modified K-Nearest Neighbor. Data yang digunakan dalam penelitan ini 155 data. 4. PENGUJIAN Pada pengujian ini dilakukan untuk mengetahui hasil akurasi yang didapatkan dari implementasi sistem yang sudah dilakukan. Ada beberapa skenario pengujian yang dilakukan, yaitu pengujian pengaruh nilai k, pengujian pengaruh jumlah data latih, pengujian pengaruh jumlah data uji, pengujian confusion matrix.
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Pengujian Pengaruh Nilai K Pengujian menggunakan nilai k dari k=1 sampai k=10 dengan 70 data latih dan 30 data uji. Kemudian masing-masing nilai k dicoba pada kombinasi data uji dan data latih dengan total dengan pengambilan data secara acak. Hasil pengujian ditujukan pada Gambar 1. Dari Gambar 1 dapat dilihat bahwa grafik mengalami penurunan pada rentang nilai k=1 sampai k=2 dan mengalami kenaikan di k=3 kemudian mengalami penurunan hingga k=7 dan mengalami kenaikan di k=8 dan mengalami penurunan di k=9 hingga k=10. Penurunan ratarata akurasi dikarenakan semakin banyaknya nilai k maka semakin banyak juga kemungkinan tetangga dengan pola yang berbeda dalam proses klasifikasi. Ketidakstabilan tingkat akurasi yang dihasilkan disebabkan adanya pola dari data latih yang sangat berdekatan dengan tetangga terdekatnya, sehingga nilai validitas menjadi besar dan memperbesar nilai weight voting yang menjadi dasar prediksi. Hasil akurasi tidak hanya dipengaruhi oleh besarnya atau kecilnya nilai k tetapi juga dipengaruhi oleh sebaran data dari masing-masing kelas dan jumlah data latih yang digunakan ,66 Pengaruh nilai k 91,33 88,66 87, ,33 87,33 86,66 85,33 Nilai K Gambar 1. Pengujian Pengaruh Nilai K 4.2 Pengujian Pengaruh Jumlah Data Latih Proses pengujian pada penambahan data latih dengan data uji tetap dilakukan dengan mengubah jumlah data latih sebanyak 5 kali dengan cara menghitung nilai akurasi pada data latih yang digunakan dimulai dari 20 hingga 60 dalam rentang data latih adalah 20. Jumlah data uji yang digunakan tetap yaitu 30 dan nilai k yang digunakan dari pengujian sebelumnya k=1. Proses pengujian adalah melakukan perhitungan terhadap jumlah data latih berbeda dengan jumlah data uji sama sehingga menghasilkan nilai akurasi untuk melihat pengaruh dari perubahan jumlah data latih. Hasil pengujian ditujukan pada Gambar data latih 97, data latih Gambar 2 Jumlah Data Latih Pada Gambar 2 dapat dilihat pengujian yang dilakukan terlihat bahwa jumlah data latih sangat mempengaruhi nilai akurasi karena akurasi memiliki peningkatan saat penambahan jumlah data latih. Pengaruh penambahan jumlah data latih juga memiliki pengaruh terhadap jarak, semakin banyak jumlah data latih maka semakin banyak juga jumlah jarak yang mendekati kelas data uji yang akan diklasifikasikan. Kemudian dihasilkan jumlah data latih 60 memiliki akurasi % dengan nilai k=1. Hal ini dikarenakan semakin banyak data latih yang digunakan pada proses perhitungan maka proses perhitungan yang digunakan semakin baik. 4.3 Pengujian Jumlah Data Uji Proses pengujian pada jumlah data uji ini menggunakan jumlah data uji sebanyak tiga kali uji coba pada masing masing jumlah data latih yang berbeda. Nilai k yang digunakan dihasilkan dari pengujian sebelumnya yaitu k=1. Jumlah data uji yang digunakan adalah 10 hingga 30 dengan rentang jumlah data uji 10. Untuk data latih yang digunakan adalah data latih dengan akurasi yaitu 40 dan 60 data latih menggunakan sebaran data dengan kelas yang seimbang dan tidak seimbang. Berikut ini hasil pengujian ditujukan pada Gambar 3.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Pengujian terhadap jumlah data uji data latih seimbang 40 data latih tidak seimbang 60 data latih seimbang 60 data latih tidaks eimbang Tabel 1 Pengujian Confusion Matric Truth Autisme Non Autisme Test Result Autisme 17 0 Non Autisme 0 13 Sensitivity(%) Specificity(%) Gambar 3 Pengujian Jumlah Data Uji Dari Gambar 3 hasil dari perhitungan pengujian jumlah data uji dengan sebaran data latih seimbang dan tidak seimbang memiliki akurasi %. Dari pengujian data latih seimbang dan tidak seimbang terhadap akurasi. Pada jenis data latih seimbang terlihat bahwa grafik tetap di % seiring bertambahnya jumlah data latih. Hal ini dikarenakan pada data seimbang menggunakan jumlah gangguan yang sama pada masing-masing data latih yang digunakan. Sedangkan pada jenis data latih tidak seimbang kurang stabil dikarenakan data latih tidak seimbang ini terdapat dominasi gangguan tertentu yang menyebabkan hasil tidak akurat dalam proses klasifikasi karena dipengaruhi oleh gangguan dominasi. 4.4 Pengujian Confusion Matrix Pada pengujian ini menggunakan jumlah data latih dan data uji terbaik dari pengujian sebelumnya yaitu 60 data latih seimbang dan 30 data uji. Pada pengujian ini menggunakan nilai k=2. Pengujian ini melakukan uji coba sebanyak 3 kali dimana akan menghasilkan rata rata nilai sensitivity dan specificity. Berikut ini hasil pengujian ditunjukkan pada persamaan dibawah ini dan Tabel sensitivity = % = % specificity = % = % Dari uji coba yang sudah dilakukan dengan menggunakan parameter terbaik dan jumlah data latih dan data uji yang menghasilkan akurasi terbaik, makan nilai didapatkan untuk sensitivity dan specificity yang tinggi. 5. KESIMPULAN Metode Modified K-Nearest Neighbor untuk mengidentifikasi gangguan autisme yang diimplementasikan dengan menggunakan 14 parameter yaitu gejala-gejala gangguan autisme yang dialami oleh anak. Penelitian ini dapat mengklasifikasikan apakah anak tersebut mengalami gangguan autisme atau tidak dengan cara menghitung jarak antar data latih, menghitung nilai validitas data latih, menghitung jarak antar data latih dan data uji, dan menghitung weight voting. Dari hasil pengujian yang telah dilakukan didapatkan akurasi terbaik sebesar %. Adapun parameter yang diperoleh melalui proses percobaan dengan berbagai macam kombinasi nilai. Nilai terbaik untuk nilai k adalah 1 jumlah data latih sebanyak 60 data dan 30 data uji. 6. DAFTAR PUSTAKA Andhina, K Pemodelan Sistem Pakar Untuk Diagnosa Penyakit Tanaman Jagung Menggunakan Metode Modified K-Nearest Neighbor (MKNN). S1. Universitas Brawijaya. Aktivia, R Pengenalan Iris Mata Menggunakan Algoritma K-Nearest Neighbor Berbasis Histogram. S1. Institut Pertanian Bogor. Chen, Yu How KNN works?. Indiana University. USA.
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 831 Divya T., Sonali A Survey on Data Mining Approcahers for Healthcare. International Journal of Bio-Bcience and Bio Technology. Kusumadewi S Artifical Intelligence (teknik dan Aplikasi). Yogyakarta: Graha Ilmu. Nikita J., Vishal S Data Mining Techinique. A Survey Paper International Journal of Research in engineering and Technology. Parvin H., Hoseinali., & Behrouz M Modification on K-Nearest Neighbor Classification. Global Journal of Computer Science and Technology Vol.10 Issue 14 (Ver.1.0). Sunu, Christopher Panduan Memecahkan Masalah Autisme: Unclocking Autisme, Yogyakarta: Lintang Terbing
Diagnosis Penyakit Kulit Pada Kucing Menggunakan Metode Modified K- Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1797-1803 http://j-ptiik.ub.ac.id Diagnosis Penyakit Kulit Pada Kucing Menggunakan Metode
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciDeteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest Neighbor Teroptimasi (Studi Kasus: Puskeswan Klinik Hewan dan Satwa Sehat Kota Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1295-1301 http://j-ptiik.ub.ac.id Deteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest
Lebih terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciPenerapan Algoritme Modified K-Nearest Neighbour Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3957-3961 http://j-ptiik.ub.ac.id Penerapan Algoritme Modified K-Nearest Neighbour Pada Pengklasifikasian
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciDeteksi Autisme pada Anak Menggunakan Metode Modified K-Nearest Neighbor (MKNN)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 3, Maret 2017, hlm. 241-248 http://j-ptiik.ub.ac.i8 Deteksi Autisme pada Anak Menggunakan Metode Modified K-Nearest
Lebih terperinciImplementasi Modified K-Nearest Neighbor Dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 75-79 http://j-ptiik.ub.ac.id Implementasi Modified K-Nearest Neighbor Dengan Otomatisasi
Lebih terperinciSKRIPSI SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN ANAK PENDERITA AUTIS BERBASIS EXPERT SYSTEM DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW)
SKRIPSI SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN ANAK PENDERITA AUTIS BERBASIS EXPERT SYSTEM DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Oleh: JOHAN SUPRIYANTO 2010-51-162 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciIdentifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K- Nearest Neighbor (MKNN)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 6, Juni 2017, hlm. 507-513 http://j-ptiik.ub.ac.id Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified
Lebih terperinciImplementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan Lulus Tepat Waktu (Studi Kasus : Fakultas Ilmu Komputer Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1726-1732 http://j-ptiik.ub.ac.id Implementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciSistem Rekomendasi Psikotes untuk Penjurusan Siswa SMA menggunakan Metode Modified K-Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 282-287 http://j-ptiik.ub.ac.id Sistem Rekomendasi Psikotes untuk Penjurusan Siswa SMA menggunakan
Lebih terperinciSTUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR
STUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR Erik Hardiyanto 1), Faisal Rahutomo 1) 1 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-534
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-534 Rancang Bangun Sistem Navigasi Indoor Berbasis Integrasi Symbolik Location Model dan Wifi Based Positioning System Untuk
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciIDENTIFIKASI JAMUR MENGGUNAKAN METODE K-NEAREST NEIGHBOR DENGAN EKSTRAKSI CIRI MORFOLOGI
IDENTIFIKASI JAMUR MENGGUNAKAN METODE K-NEAREST NEIGHBOR DENGAN EKSTRAKSI CIRI MORFOLOGI Anis Zubair 1), Ahmad Rofiqul Muslikh 2) 1,2) Fakultas Teknologi Informasi, Universitas Merdeka Malang Email: anis.zubair@unmer.ac.id
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciPERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB)
JIMT Vol. 12 No. 2 Desember 2016 (Hal 115-124) ISSN : 2450 766X PERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB) Nurfajri 1,
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan
Lebih terperinciANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO
ANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO Olha Musa 1 dan Alang 2 1 0lh4mu54@gmail.com, 2 virus.stimik@gmail.com 12 STMIK Ichsan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
Lebih terperinciKOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA
TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Hasil Segmentasi Dari beberapa kombinasi scale parameter yang digunakan untuk mendapatkan segmentasi terbaik, untuk mengklasifikasikan citra pada penelitian ini hanya mengambil
Lebih terperinciSistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis Menggunakan Metode Fuzzy K-Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 7, Juni 2017, hlm. 602-610 http://j-ptiik.ub.ac.id Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis Menggunakan
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciAplikasi Sistem Pakar untuk Mendiagnosa Gangguan Pernafasan pada Anak Menggunakan Metode CF (Certainty Factor)
Jurnal Komputer Terapan Vol. 2, No. 2, November 2016, 159-168 159 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Aplikasi Sistem Pakar untuk Mendiagnosa Gangguan Pernafasan pada Anak Menggunakan
Lebih terperinciJurnal Komputer Terapan Vol. 3, No. 2, November 2017, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 3, No. 2, November 2017, 233-240 233 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k- Nearest Neighbor dan Naïve Bayes
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciPENERAPAN METODE PROBABILITAS BAYESIAN DAN NEAREST NEIGHBOUR DALAM SISTEM PAKAR BERBASIS CASE BASED REASONING (CBR) KOMPETENSI KOMPUTASI SKRIPSI
PENERAPAN METODE PROBABILITAS BAYESIAN DAN NEAREST NEIGHBOUR DALAM SISTEM PAKAR BERBASIS CASE BASED REASONING (CBR) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN RIRIN PUSPITA DEWI NIM. 1108605045 PROGRAM STUDI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Defenisi Sistem Menurut (Marimin, 2004) yang dikutip oleh (Febrealty, 2011) sistem adalah suatu kesatuan usaha yang terdiri dari bagian-bagian yang berkaitan satu sama lain yang
Lebih terperinciSistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid Menggunakan Metode K-Nearest Neighbor Certainty Factor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 5, Mei 2017, hlm. 426-435 http://j-ptiik.ub.ac.id Sistem Pakar Diagnosis Penyakit Demam: DBD, Malaria dan Tifoid
Lebih terperinciKlasifikasi Kelompok Varietas Unggul Padi Menggunakan Modified K- Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 292-299 http://j-ptiik.ub.ac.id Klasifikasi Kelompok Varietas Unggul Padi Menggunakan Modified
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciKLASIFIKASI RUMAH TANGGA UNTUK PENENTUAN PENERIMA KPS (KARTU PERLINDUNGAN SOSIAL) DENGAN MENGGUNAKAN METODE MODIFIED K-NEAREST NEIGHBOR (MKNN) SKRIPSI
KLASIFIKASI RUMAH TANGGA UNTUK PENENTUAN PENERIMA KPS (KARTU PERLINDUNGAN SOSIAL) DENGAN MENGGUNAKAN METODE MODIFIED K-NEAREST NEIGHBOR (MKNN) SKRIPSI NI WAYAN EKA AYUNINGSIH 1208605001 PROGRAM STUDI TEKNIK
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
Lebih terperinciKLASIFIKASI PENYAKIT CACAR AIR DAN CAMPAK BERDASARKAN KARAKTERISTIK DIAGNOSA PENYAKIT MENGGUNAKAN METODE K-MEANS CLUSTERING
KLASIFIKASI PENYAKIT CACAR AIR DAN CAMPAK BERDASARKAN KARAKTERISTIK DIAGNOSA PENYAKIT MENGGUNAKAN METODE K-MEANS CLUSTERING HALAMAN JUDUL KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI LUH PRIMA MEGA YANTI
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.
Lebih terperinciProsiding SNaPP2014Sains, Teknologi, dan Kesehatan ISSN EISSN
Prosiding SNaPP2014Sains, Teknologi, dan Kesehatan ISSN2089-3582 EISSN 2303-2480 DETEKSI DINI AUTISME MENGGUNAKAN FUZZY TSUKAMOTO 1 Arie Qur ania, 2 Prita Dhyani S., 3 M. Iqbal Suriansyah, dan 4 Suhenti
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciBAB I PENDAHULUAN. Hasil studi kasus seorang psikolog perkembangan Deni Nasri,mengemukakan bahwa empat dari lima orang dewasa yang krisis kepribadian
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang pembuatan dari sistem klasifikasi tipe pola asuh orang tua pada anak menggunakan k- nearest neighbor (KNN), rumusan masalah, tujuan, batasan
Lebih terperinciImplementasi Algoritme Modified K-Nearest Neighbor (MK-NN) Untuk Diagnosis Penyakit Anjing
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4340-4346 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified K-Nearest Neighbor (MK-NN)
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciModel Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan
ISSN: 2089-3787 579 Model Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan Bahar, Nidia Rosmawanti STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru bahararahman@gmail.com,
Lebih terperinci1. PENDAHULUAN 1.1. Latar Belakang
1. PENDAHULUAN 1.1. Latar Belakang Kanker merupakan salah satu penyakit yang dapat beresiko pada kematian atau lebih dikenal dengan penyakit pembunuh. Salah satu penyakit pembunuh diantaranya kanker prostat
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciSandu Siyoto* *Progam Studi Pendidikan Ners STIKES Surya Mitra Husada Kediri Jl. Manila Sumberece No. 37 Kediri
VISUAL SCHEDULE TERHADAP PENURUNAN BEHAVIOR PROBLEM SAAT AKTIVITAS MAKAN DAN BUANG AIR PADA ANAK AUTIS (Visual Schedule towards the Decline of Behavioral Problems in Feeding Activities and Defecation in
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciJurnal Pendidikan Fisika Indonesia 7 (2011) RANCANG BANGUN SISTEM PENGENALAN POLA SIDIK JARI MENGGUNAKAN METODE MINUTIAE
ISSN: 1693-1246 Januari 2011 Jurnal Pendidikan Fisika Indonesia 7 (2011) 47-51 J P F I http://journal.unnes.ac.id RANCANG BANGUN SISTEM PENGENALAN POLA SIDIK JARI MENGGUNAKAN METODE MINUTIAE Sudartono*,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Salah satu penemuan dalam psikologi untuk mengenali karakter dan kepribadian manusia yaitu metode Myers-Briggs Type Indicator (MBTI). Metode MBTI dikembangkan pada
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciAKUISISI PENGETAHUAN MENGGUNAKAN MULTIPLE CLASSIFICATION RIPPLE DOWN RULES (MCRDR)
AKUISISI PENGETAHUAN MENGGUNAKAN MULTIPLE CLASSIFICATION RIPPLE DOWN RULES (MCRDR) Diana Pratiwi¹, Ririn Dwi Agustin², Agung Toto Wibowo³ ¹Teknik Informatika,, Universitas Telkom Abstrak Proses ekstraksi
Lebih terperinciHayyan Ahmad Ulul Albab
PROBLEMATIKA PEMBELAJARAN PENDIDIKAN AGAMA ISLAM BAGI SISWA AUTIS (STUDI KASUS DI SMA GALUH HANDAYANI SURABAYA) Hayyan Ahmad Ulul Albab I Pendidikan mempunyai tanggung jawab besar untuk mencerdaskan masyarakat
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciOleh TIM TERAPIS BALAI PENGEMBANGAN PENDIDIKAN KHUSUS DINAS PENDIDIKAN PROVINSI JAWA TENGAH
Oleh TIM TERAPIS BALAI PENGEMBANGAN PENDIDIKAN KHUSUS DINAS PENDIDIKAN PROVINSI JAWA TENGAH Pendahuluan Tidak ada anak manusia yang diciptakan sama satu dengan lainnya Tidak ada satupun manusia tidak memiliki
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciKLASIFIKASI STATUS GIZI MENGGUNAKAN K-NEAREST NEIGHBOR INTISARI
KLASIFIKASI STATUS GIZI MENGGUNAKAN K-NEAREST NEIGHBOR Sumarni Arifin Hasani¹, Sitti Suhada², Lillyan Hadjaratie³ ¹Program Studi Sistem Informasi, Fakultas Teknik, Universitas Negeri Gorontalo Email: sumarni.hasani@gmail.com
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB I PENDAHULUAN. Anak merupakan salah satu elemen yang penting untuk menentukan maju
BAB I PENDAHULUAN A. Latar Belakang Anak merupakan salah satu elemen yang penting untuk menentukan maju atau tidaknya suatu bangsa. Karena pada suatu hari, mereka akan menjadi generasi penerus yang akan
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR
ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: RIDHO ARY SUMARNO 13.1.03.02.0092 Dibimbing oleh : 1. Hermin Istiasih M.T., M.M. 2. Mochammad Bilal S.kom.,
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciABSTRAK Program Magister Psikologi Universitas Kristen Marnatha
ABSTRAK Penelitian ini berjudul Peningkatan Komunikasi Ekspresif melalui PECS (Picture Exchange Communication System) pada Anak dengan Autisme di SLB X Bandung. Tujuan penelitian ini adalah untuk mengetahui
Lebih terperinciPENENTUAN RUTE PENDISTRIBUSIAN GAS LPG DENGAN METODE ALGORITMA NEAREST NEIGHBOUR (Studi Kasus Pada PT. Graha Gas Niaga Klaten)
PENENTUAN RUTE PENDISTRIBUSIAN GAS LPG DENGAN METODE ALGORITMA NEAREST NEIGHBOUR (Studi Kasus Pada PT. Graha Gas Niaga Klaten) Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata II pada
Lebih terperinciPENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING
PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciKLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR
Powered by TCPDF (www.tcpdf.org) KLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR Bertha Yulizar¹, Bambang Hidayat², Tody Ariefianto Wibowo³ ¹Teknik Telekomunikasi,,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Diabetic retinopathy merupakan komplikasi mikrovaskular penyakit diabetes melitus yang menyerang pembuluh darah di retina yang menyebabkan penurunan fungsi penglihatan
Lebih terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciImplementasi Metode K-Nearest Neighbor Pada Aplikasi Data Penjualan PT. Multitek Mitra Sejati
ISSN 2356-4393 Implementasi Metode K-Nearest Neighbor Pada Aplikasi Data Penjualan PT. Multitek Mitra Sejati Ferry Hermawan 1), Halim Agung 2) # Teknik Informatika, Fakultas Teknologi dan Desain, Universitas
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE Daniel Halomoan (0822056) Jurusan Teknik Elektro Universitas Kristen Maranatha email: daniel170390@gmail.com
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciKLASIFIKASI KELOMPOK RUMAH TANGGA DI KABUPATEN BLORA MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) DAN FUZZY K-NEAREST NEIGHBOR (FK-NN)
KLASIFIKASI KELOMPOK RUMAH TANGGA DI KABUPATEN BLORA MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) DAN FUZZY K-NEAREST NEIGHBOR (FK-NN) SKRIPSI Oleh : YANI PUSPITA KRISTIANI 24010211120018
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN PERCEPTRON DALAM MEMPREDIKSI PENYAKIT JANTUNG KORONER
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN PERCEPTRON DALAM MEMPREDIKSI PENYAKIT JANTUNG KORONER Abstract Ryan Mas Aryo Brilliant - NIM : A11.2009.04675 Program Studi Teknik
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciAplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan
119 Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan Fitri, Onny Setyawati, dan Didik Rahadi S Abstrak -Status gizi balita dapat ditentukan
Lebih terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciDesain Model Fuzzy Gejala Penyakit Untuk Sistem Pakar Pendiagnosa Penyakit Anak
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Desain Model Fuzzy Gejala Penyakit Untuk Sistem Pakar Pendiagnosa Penyakit Anak Natalia 1, Bella Halim 2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciSISTEM INFORMASI MONITORING PERKEMBANGAN TERAPI AUTISME PADA SEKOLAH INKLUSI
SISTEM INFORMASI MONITORING PERKEMBANGAN TERAPI AUTISME PADA SEKOLAH INKLUSI Tan Amelia 1, M.J. Dewiyani Sunarto 2, Tony Soebijono 3 1 Institut Bisnis dan Informatika Stikom Surabaya, Jl. Raya Kedung Baruk
Lebih terperinci