JURNAL ITSMART Vol 3. No 2. Desember 2014 ISSN :
|
|
- Harjanti Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI ALGORITMA ITERATIVE DIHOTOMISER PADA PENYELEKSIAN PROGRAM MAHASISWA WIRAUSAHA UNS Tisna Dedi Utama Sari Widya Sihwi Afrizal Doewes Jurusan Informatika Jurusan Informatika Jurusan Informatika Universitas Sebelas Maret Universitas Sebelas Maret Universitas Sebelas Maret Jl. Ir. Sutami. 6 A Surakarta Jl. Ir. Sutami. 6 A Surakarta Jl. Ir. Sutami. 6 A Surakarta thama.vix@mail.com sari.widya.sihwi@mail.com afrizal.doewes@mail.com ABSTRAT Student Entrepreneur Proram (PMW) is a proram of Sebelas Maret University (UNS) in an effort to train students in the field of entrepreneurship. This proram has a lot of interest which are required to make a start up bussiness. After five years of runnin the proram, the accumulation of bussiness plan participants. This data maybe used to pile to be extracted and processed into useful information usin classification. This classification process is expected to be used to consider the selection process. It is intended that the provision of venture capital funds can be tareted and there was warnin or anticipation to students who could potentially fail or o without after ettin capital funds. The process classification of data later in the minin heap usin iterative dechotomiser (ID) alorithm. The data in this minin process will form to the pattern that can be known linkaes between participants attribute the success cateory. This pattern is expected to be used in the PMW for the selection process. From the test results on the data PMW UNS, averae accuracy percentae owned by 77.49% when tested with the 0% which do random testin of data as much as ten times and 96,% for all trainin data. keyword : Data minin, Decision tree, Iterative Dichotomiser, lassification. ABSTRAK Proram Mahasiswa Wirausaha (PMW) merupakan proram Universitas Sebelas Maret (UNS) dalam upaya melatih mahasiswa dalam bidan wirausaha. Proram ini memiliki banyak peminat yan diharuskan membuat start up bussiness. Setelah lima tahun proram berjalan, terjadi tumpukan data bussiness plan dari para peserta. Padahal tumpukan data ini dapat dimanfaatkan untuk diali dan diolah menjadi informasi yan beruna menunakan klasifikasi. Proses klasifikasi ini diharapkan dapat diunakan untuk mempertimbankan proses penyeleksian. Hal ini bertujuan aar pemberian dana modal usaha dapat tepat sasaran dan ada perinatan dini atau antisipasi kepada mahasiswa yan berpotensi aal atau peri tanpa kabar setelah mendapatkan dana modal. Proses klasifikasi dari tumpukan data kemudian di minin denan menunakan aloritma iterative dechotomiser (ID). Data yan di minin ini akan membentuk pola sehina dapat diketahui keterkaitan antara atribut denan keberhasilan peserta. Pola inilah yan diharapkan dapat diunakan pada PMW untuk mempertimbankan proses penyeleksian. Dari hasil penujian pada data PMW UNS, persentase keakuratan rata-rata yan dimiliki sebesar 77,49% saat diuji denan 0% data testin yan dilakukan random sebanyak sepuluh kali dan 96,% pada seluruh data trainin. Kata kunci : Data minin, Decision tree, Iterative Dichotomiser, Klasifikasi.. PENDAHULUAN Proram Mahasiswa Wirausaha (PMW) diusun sejak tahun 009 oleh Departemen Pendidikan Nasional (DIKNAS). Proram ini bertujuan untuk menumbuhkembankan jiwa wirausaha dan meninkatkan aktivitas kewirausahaan para calon lulusan peruruan tini []. UNS telah memulai PMW melalui Pusat Penembanan Kewirausahaan (PPKwu). PPKwu merupakan pusat penembanan dibawah Lembaa Penelitian dan Penabdian Kepada Masyarakat (LPPM). Lima tahun perekrutan PMW ini, terjadi penempukan data dari business plan dan kateori peserta, padahal dapat dimanfaatkan sebaai informasi yan strateis. Informasi ini dapat diunakan untuk mendukun keputusan atau membantu dalam menentukan kateori mahasiswa. Terbentuk empat kateori peserta dari proram ini. Kateori pertama adalah diterima kemudian menjalankan usahanya. Kedua adalah diterima namun menalami kebankrutan. Ketia diterima namun tidak menjalankan usahanya dan peri tanpa kabar. Sedankan kateori keempat adalah tidak diterima. Salah satu cara untuk menali informasi strateis dari tumpukan data adalah denan menunakan Data Minin. Data Minin merupakan suatu proses di dalam menali informasi berhara yan terpendam atau tersembunyi pada suatu koleksi data (database). Dari proses tersebut ditemukan suatu pola yan menarik yan sebelumnya tidak diketahui[]. Analisa data minin berjalan pada data yan cenderun terus membesar dan teknik terbaik yan diunakan. Kemudian berorientasi kepada data berukuran sanat besar untuk mendapatkan kesimpulan dan keputusan palin layak. Denan penunaan data minin, diharapkan penumpukan data yan selama ini terjadi dapat diperunakan untuk menali informasi yan pentin. Sehina memberikan manfaat dan penetahuan yan sebelumnya tersembunyi. Berdasarkan funsinya data minin memiliki beberapa 74
2 teknik yan dapat diunakan yaitu deskripsi, estimasi, prediksi, klasifikasi, penklusteran, asosiasi []. Salah satu metode dalam klasifikasi Data Minin adalah Decision Tree (pohon keputusan). Klasifikasi tersebut membai data ke kelas kelas yan berbeda menurut model klasifikasi yan ditetapkan. Metode Decision Tree dapat jua dikatakan salah satu metode klasifikasi yan palin popular karena mudah untuk diinterpretasi oleh manusia [4]. Konsep dasar Decision Tree adalah menubah data menjadi pohon keputusan dan aturan-aturan keputusan (rule), di mana setiap node merepresentasikan atribut, cabannya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas. de yan palin atas dari Decision Tree disebut sebaai root. Ada banyak aloritma dari Decision Tree, salah satu diantaranya adalah aloritma ID. Menurut penelitian yan dilakukan oleh S.Archana & Dr. K.Elanovan denan judul Survey of lassification Techniques in Data Minin [5], aloritma ID merupakan aloritma yan lebih akurat dibandinkan aloritma klasifikasi yan lain yaitu 4.5, 5.0, Naïve Bayes, SVM dan KNN. Aloritma ID menunakan nilai atribut dalam klasifikasi tanpa menhilakan value atribut tersebut. Aloritma ID melakukan pencarian secara menyeluruh pada semua kemunkinan karena aloritma ini berusaha membanun Decision Tree secara top-down (dari atas ke bawah), denan menevaluasi semua atribut yan ada denan menunakan suatu ukuran statistik (yan banyak diunakan adalah information ain) untuk menukur efektivitas suatu atribut dalam menklasifikasikan kumpulan sampel data. Penelitian lain yan dilakukan Sofi Defiyanti yan membahas tentan Perbandinan Kinerja Aloritma ID dan.45 dalam Klasifikasi Spam-Mail [6]. Penukuran kinerja kedua aloritma yan dilakukan berdasarkan pada jumlah atribut, yan menunjukkan aloritma ID memiliki kinerja (precision, recall, dan accuracy) yan lebih baik dibandinkan denan aloritma 4.5. Pada penelitian ini akan dilakukan Data Minin untuk memudahkan menklasifikasi kateori peserta PMW. Penklasifikasian kateori peserta diperoleh dari data penilaian business plan mahasiswa yan mendaftar PMW. Penelitian ini menunakan metode Decision Tree aloritma ID.. DASAR TEORI. Data Minin.. Penertian Data Minin Data minin adalah suatu proses menemukan hubunan yan berarti, pola, dan kecenderunan denan memeriksa dalam sekumpulan besar data yan tersimpan dalam penyimpanan denan menunakan teknik penenalan pola seperti teknik statistik dan matematika.[].. Penelompokan Data Minin Data minin dibai menjadi beberapa kelompok berdasarkan tuas yan dapat dilakukan, yaitu [] :. Deskripsi: diunakan untukmenambarkan pola dan kecenderunan yan terdapat dalam data. 75. Estimasi: model menunakan record lenkap yan menyediakan nilai dari variabel taret sebaai nilai prediksi.. Prediksi: prediksi nilai dari hasil akan ada di masa mendatan. 4. Klasifikasi: contoh kasusnya adalah penolonan pendapatan dapat dipisahkan dalam tia kateori, yaitu pendapatan tini, pendapatan sedan, dan pendapatan rendah. 5. Penklusteran: merupakan penelompokan record, penamatan, atau memperhatikan dan membentuk kelas objek-objek yan memiliki kemiripan. 6. Asosiasi: Tuas asosiasi dalam data minin adalah menemukan atribut yan muncul dalan satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjan belanja... Tahap-tahap Data Minin Berikut adalah tahapan dalam data minin [7] :. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional. Data hasil seleksi akan diunakan untuk proses data minin, dan disimpan dalam suatu berkas dan terpisah dari basis data operasional.. leanin Data Proses cleanin dilakukan denan menhilankan noise, membuan duplikasi data, memeriksa data yan tidak konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tiporafi).. Transformasi Data Tahap ini merupakan proses transformasi pada data yan telah dipilih, sehina data tersebut sesuai untuk proses data minin. 4. Data minin Data minin merupakan proses mencari pola atau informasi yan sanat menarik dalam data terpilih denan menunakan teknik atau metode tertentu. 5. Interpretation/Evalution Tahap ini mencakup pemeriksaan apakah pola atau informasi yan ditemukan bertentanan denan fakta atau hipotesis yan ada sebelumnya.. Klasifikasi Klasifikasi merupakan proses penemuan model yan menambarkan dan membedakan kelas data atau konsep yan bertujuan aar bisa diunakan untuk memprediksi kelas dari obyek yan label kelasnya tidak diketahui.[8]. Decision Tree (Pohon Keputusan) Decicion tree merupakan salah satu metode klasifikasi yan sanat menarik yan melibatkan konstruksi pohon keputusan yan terdiri dari node keputusan yan di hubunkan denan caban-caban dari simpul akar sampai ke node daun (akhir). Pada node keputusan atribut akan diuji, dan setiap hasil akan menhasilkan caban. Setiap caban akan diarahkan ke node lain atau ke node akhir untuk menhasilkan suatu keputusan []. Pohon keputusan biasanya diunakan untuk mendapatkan informasi untuk tujuan penambilan sebuah keputusan. Pohon keputusan dimulai denan sebuah root node (titik awal) yan diapakai oleh user untuk
3 menambil tindakan. Dari node root ini, user memecahkan sesuai denan aloritma Decision Tree. Hasil akhirnya adalah sebuah pohon keputusan denan setiap cabannya menunjukkan kemunkinan skenario dari keputusan yan diambil hasilnya..4 Aloritma ID Aloritma ID merupakan aloritma decision tree yan palin dasar. Aloritma ini melakukan pencarian secara rakus/menyeluruh (reedy) pada semua kemunkinan pohon keputusan [9]..4. Entropy Entropy adalah ukuran dari teori informasi yan dapat menetahui karakteristik dari impurity dan homoenity dari kumpulan data. Entropy dapat dirumuskan seperti berikut: () Dimana: S: himpunan kasus n: jumlah partisi S p i : proporsi dari Si terhadap S.4. Information Gain Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat menukur efektivitas suatu atribut dalam menklasifikasikan data. Ukuran efektifitas ini disebut information ain. Secara matematis, infomation ain dari suatu atribut A, dirumuskan sebaai berikut: () Dimana: S: himpunan kasus A: atribut V: menyatakan suatu nilai yan munkin untuk atribut A Si : jumlah kasus pada partisi ke-i S : jumlah kasus dalam S Entropy (Si): entropy untuk sampel-sampel yan memilki nilai i. METODOLOGI PENELITIAN Penelitian akan dilaksanakan berdasarkan tahap penelitian yan ditunjukkan pada Gambar.. Penumpulan Data leanin Data Transformasi Data Implementasi aloritma ID Penujian 76 Gambar. Proses Tahap Penelitian. Penumpulan Data Dalam tahapan ini, terdapa dua teknik yan diunakan:.. Studi literatur Metode ini dilaksanakan denan melakukan studi kepustakaan untuk mendapatkan data literatur tambahan melalui membaca buku-buku, jurnal, karya ilmiah maupun artikel-artikel yan terkait denan data minin, teknik klasifikasi, decision tree dan aloritma ID... Penumpulan Data Penelitian ini menunakan data peserta PMW di PPKWu UNS dari tahun 009 sampai tahun 0 denan jumlah data 68 mahasiswa denan limabelas atribut pada masin-masin mahasiswa. Atribut yan diunakan terdapat pada Tabel.. Tabel. Data Atribut Jenis Atribut Alias keberadaan usaha (lama berjalannya usaha) pansa pasar (potensi pasar untuk direalisasikan) daya sain (banyaknya persainan usaha yan sejenis, Semakin banyak pesain yan sudah eksis, maka perinkat rendah) 4 prediksi keuntunan (prediksi keuntunan yan didapatkan tini maka perinkatnya jua tini) 4 5 omzet yan didapat perbulan 5 6 Back ash (B) ratio 6 7 kebutuhan Sumber Daya Manusia(SDM) (kesesuaian SDM yan dibutuhkan untuk operasional usaha denan omzet yan di dapat) 7 8 kualifikasi SDM 8 9 rasionalisme dana (perbandinan tinkat rasionalisme dana denan jenis usaha yan diusulkan) 9 0 keuletan 0 interitas komitmen hasil dari psikotest, sebaai penilaian derajat keoptimisan 4 jurusan mahasiswa peserta PMW 4 5 lama mahasiswa kuliah di UNS 5. leanin Data Dalam kasus PMW ini, data yan diperunakan adalah data yan telah bersih, sehina data tidak perlu melalui proses cleanin.. Transformasi Data Transformasi data merupakan proses penubahan atau penabunan data ke dalam format yan sesuai untuk diproses dalam data minin.
4 Serinkali data yan akan diunakan dalam proses data minin mempunyai format yan belum lansun bisa diunakan, oleh karena itu perlu dirubah formatnya. Dalam penelitian ini, data yan ditransformasikan yaitu menubah parameter psikotest, fakultas, lama study dan hasil kateori yan dapat dilihat pada tabel., tabel., tabel.4 dan tabel.5. Tabel. Transformasi Data Atribut Psikotest Interval Psikotest () Kateori Nilai alpha<99= Rendah (Tidak Optimis) Nilai 00<alpha<4 = ukup (Optimis) Nilai alpha>5= Tini (Sanat Optimis) Tabel. Transformasi Data Atribut Fakultas Fakultas (4) Kateori F Ekonomi M Mipa H Hukum G Kedokteran I Teknik K KIP SSRS D FISIP F Pertanian Tabel.4 Transformasi Data Atribut Lama Study Interval lama study Kateori (5) tahun ke tahun ke tahun ke 4 tahun ke 4 5 tahun ke 5 Tabel.5 Transformasi Data Hasil Interval Hasil Akhir Kateori diterima menjalankan 4 diterima aal (bankrut) ditrima tidak ada kabar (peri setelah menerima uan) tidak diterima. Implementasi aloritma ID Secara umum lankah aloritmaid untuk membanun pohon keputusan adalah sebaai berikut:. Pilih atribut sebaai akar. Buat caban untuk tiap nilai. Bai kasus dalam caban 4. Ulani proses untuk setiap caban sampai semua kasus pada caban memiliki kelas. Untuk memilih atribut sebaai akar, didasarkan pada nilai ain tertini dari masin-masin atribut yan ada. Untuk menhitun ain diunkan rumus seperti dalam persamaan (). Sedankan perhitunan nilai entropy dapat dilihat pada persamaan ().. Penujian Pada tahap ini akan dilakukan penujiaan data. Penujian dilakukan dua kali,yaitu menunakan data 77 testin denan komposisi adalah 90% data trainin dan 0% data testin. Untuk penujian data testin, dilakukan secara random denan penujian sebanyak sebanyak sepuluh kali, sedanakan penujian data trainin, dilakukan penujian denan seluruh data trainin. Presentase keakurasian hasil output sistem dihitun menunakan rumus sebaai berikut: Akurasi (%) = jumlah data benar jumlah data yan diuji x 00% () Kemudian hasil akurasi dari penujian ini adalah rata-rata akurasi setiap percobaan yan dapat diambarkan pada rumus berikut: Rata rata akurasi (%) = Total akurasi jumlah penujian (4) 4. PEMBAHASAN Pada implementasi aloritma ID ini melalui beberapa tahapan. Dimulai dari Penumpulan Data, Transformasi Data, Implementasi Aloritma ID, dan Penujian. 4. Penumpulan Data Data yan diunakan dalam penelitian ini adalah data seleksi PMW yan sudah dilaksanakan oleh PPKWu dari tahun 009 sampai denan tahun 0. Keseluruhan data yan terkumpul sebanyak 68 data mahasiswa peserta PMW. 4. leanin Data Dalam kasus PMW ini data yan diunakan sudah bersih, sehina tidak memerlukan proses cleanin terhadap data yan terkumpul. 4. Transformasi Data Data yan telah didapatkan kemudian melalui proses transformasi data. Hal ini bertujuan aar data menjadi satu format yan sama untuk mempermudah proses minin. 4.4 Implementasi aloritma ID Untuk menambarkan pembentukan decision tree denan menunakan aloritma ID maka berikut ini diberikan contoh sebaai kasus menunakan lima data PMW UNS. Mahasiswa Tabel 4. ontoh Data PMW UNS M M M M M Tabel 4. ontoh Data PMW UNS (Lanjutan) 4 5 Hasil KIP tahun ke menjalankan usaha 5 4 Mipa tahun ke menjalankan usaha Teknik tahun ke menalami kebankrutan 97 SSRS tahun ke tidak ada
5 kabar Mipa tahun ke 4 tidak ditrima Kemudian data pada Tabel 4. dilakukan transformasi sesuai pada tabel., tabel., tabel.4 dan tabel.5. Hasil transformasi dat ditunjukan pada tabel 4. Tabel 4. Hasil Transformasi Data 7 Nama Mahasiswa M M M M M5 4 4 Tabel 4. Hasil Transformasi Data(Lanjutan) Hasil K M I M 4 4 Dari data-data pada tabel 4. akan dibanun sebuah classifier berdasarkan limabelas atribut denan empat kelas yaitu,,, 4. Penjelasan menenai tiap-tiap lankah dalam pembentukan pohon keputusan denan menunakan aloritma ID dapat dilihat melalui penjelasan berikut: a. Menentukan de Akar Menhitun informasi ain dan entropy dari limabelas atribut data untuk menentukan root/akar awal dari tree. Hasil perhitunan ditunjukkan oleh Table 4.. N o d e 4 Tabel 4. Perhitunan de Jml (S) Entropy Gain Total de Tabel 4. Perhitunan de (Lanjutan) Jml (S) 4 Entropy Gain Total
6 N o d e Tabel 4. Perhitunan de (Lanjutan) Jml (S) 4 Entropy Gain Total F M E G I K D H Baris Total kolom Entropy pada Tabel 4. dihitun denan persamaan () sebaai berikut: Entropy(Total) = ( 5 lo ( 5 )) + ( 5 lo ( 5 )) + Entropy(Total) = ( 5 lo ( 5 )) + ( 5 lo ( 5 )) Sementara itu, nilai Gain pada baris dihitun denan menunakan persamaan () sebaai berikut: n Gain(Total, ) = Entropy(Total) Total Entropy() i= Gain(Total, ) = (( 5 0) + ( 5 0) + ( 5 ) + ( 5 0)) = Untuk nilai Gain atribut yan lain jua dihitun seperti nilai Gain atribut. Dari hasil pada Tabel 4. dapat diketahui bahwa atribut denan Gain tertini adalah (Keberadaan Usaha), yaitu sebesar Denan demikian, dapat menjadi node akar. Ada empat nilai ratin atribut dari, yaitu,, 4, dan 5. Dari keempat ratin atribut tersebut, ratin nilai atribut, 4, dan 5 sudah menklasifikasi kasus menjadi ratin kelas 4, ratin 4 kelas dan ratin 5 kelas. Dari hasil klasifikasi tersebut maka ratin, 4, dan 5 dari atribut tidak perlu dilakukan perhitunan lebih lanjut. Akan tetapi untuk nilai ratin di atribut masih perlu dilakukan perhitunan lai. Dari hasil tersebut diambarkan pohon keputusan sementaranya tampak seperti Gambar 4.. Gambar 4. Pohon Keputusan Perhitunan de b. Menentukan de Daun
7 Setelah mendapatkan atribut sebaai node akar, kemudian dilakukan perhitunan untuk mencari node daun. de daun ini dihitun dari ratin yan samasama mempunyai ratin, namun kateori hasil nya masih berbeda. Hasil perhitunan node ditunjukkan oleh Tabel 4.4. Tabel 4.4 Perhitunan de. de Jml (S) 4 Entropy Gain Tabel 4.4 Perhitunan de. (lanjutan) de Jml (S) 4 Entropy Gain F M E G I K
8 de D H Tabel 4.4 Perhitunan de. (lanjutan) Jml (S) 4 Entropy Gain Dari hasil pada Tabel 4. dapat diketahui bahwa atribut denan Gain tertini bernilai. (pansa pasar) dapat menjadi node caban dari ratin atribut (keberadaan usaha) karena atribut tersebut terletak lebih awal dari atribut lain yan memiliki nilai sama sebesar. Ada dua nilai ratin dari atribut, yaitu dan 4. Dari kedua ratin tersebut, ratin dan 4 sudah menklasifikasikan kasus menjadi ratin kelas dan ratin 4 kelas, sehina tidak perlu dilakukan perhitunan lebih lanjut. Pohon keputusan yan terbentuk dari kasus ini: Gambar 4. Pohon Keputusan Hasil Perhitunan de. Gambar 4. di atas merupakan hasil akhir dari proses pembentukan tree. Setelah pembentukan tree selesai, kemudian dapat dilakukan proses pembuatan aturan berdasarkan tree yan terbentuk. Aturan dari tree yan terbentuk adalah sebaai berikut: - Jika Keberadaan Usaha () lebih dari tahun maka mahasiswa tersebut menjalankan usahanya (). - Jika Keberadaan Usaha (),5 sampai tahun maka mahasiswa tersebut menjalankan usahanya (). - Jika Keberadaan Usaha () belum mulai maka mahasiswa tersebut tidak mendapatkan dana/tidak diterima (4). - Jika Keberadaan Usaha () kuran dari tahun dan pansa pasar () tidak potensial maka mahasiswa tersebut menalami keaalan atau kebankrutan (). - Jika Keberadaan Usaha () kuran dari tahun dan pansa pasar () potensial maka mahasiswa tersebut di indikasikan tidak ada kabar (peri setelah menerima uan) (). Dari lankah-lankah pada tahap tersebut, kemudian akan diimplementasikan ke dalam sistem sehina menhasilkan model pohon keputusan. Gambar 4. adalah tampilan tree yan terbentuk dari sistem setelah menjalankan proses klasifikasi. Gambar 4. Pohon Keputusan sistem 4.5 Penujian Setelah mendapatkan model pohon keputusan dari data trainin, kemudian dilakukan penujian terhadap hasil model pohon keputusan data trainin tersebut. Tabel 4.5 merupakan penujian data testin, dilakukan secara random denan penujian sebanyak sebanyak sepuluh kali, sedanakan Tabel 4.6 penujian data trainin, dilakukan penujian denan seluruh data trainin. Tabel 4.5 Hasil Penujian Menunakan Data Testin denan 0 kali Penujian Percobaan ke- Hasil Akurasi (%) Rata-rata Akurasi = 77,49% 8
9 Tabel 4.6 Hasil Penujian Menunakan Data Trainin Keseluruhan Jenis Data Data Trainin Jumlah Data Klasifika si Benar Klasifika si Salah Akuras i ,% [9] Wahyudin Metode Iterative Dichotomizer (ID) Untuk PenyeleksianPenerimaan Mahasiswa Baru. Jurnal Pendidikan Teknoloi Informasi Dan Komunikasi (Ptik). Vol.,. Dari Tabel 4.5 di atas dapat disimpulkan bahwa denan 0% data testin random porposional yan dilakukan sepuluh kali percobaan hasil rata-rata akurasi adalah 77,49%, Sedankan Tabel 4.6 akurasi penujian menunakan seluruh data trainin sebesar 96,%. 5. KESIMPULAN Berdasarkan hasil penelitian dapat disimpulkan bahwa pohon keputusan denan aloritma ID dapat dipertimbankan untuk diunakan dalam hal penyeleksian penerimaan Proram Mahasiswa Wirausaha. Hal ini ditunjan dari hasil penujian sistem yan menunakan aloritma ID memiliki rata-rata akurasi 77,49% denan 0% data testin random porposional yan dilakukan sepuluh kali dan persentase akurasi 96,% untuk penujian menunakan seluruh data trainin. Saran yan dapat diberikan dari penelitian ini yaitu adanya penambahan aloritma lain untuk membandinkan apakah aloritma ID memiliki keakuratan yan tini dibandinkan aloritma lain dalam kasus penelitian ini. 6. DAFTAR PUSTAKA [] Dikti Pedoman Proram Mahasiswa Wirausaha (PMW). Kementrian Pendidikan Nasional Direktorat Jendral Pendidikan Tini. [] Han, J and Kamber, M Data Minin oncepts and Techniques Second Edition. San Francisco : Moran Kauffman [] Larose, D. T Discoverin Knowlede in Data: An Introduction to Data minin. John Willey and Sons, Inc. [4] Kusrini & Luthfi, E.T Aloritma Data Minin. Andi: Yoyakarta [5] S. Archana & Dr. K.Elanovan. 04. Survey of lassification Techniques in Data Minin. International Journal of omputer Science and Mobile Applications, Vol. Issue., p [6] Sofi Defiyanti Perbandinan Kinerja Aloritma ID dan.45 dalam Klasifikasi Spam- Mail. [7] Fayyad, U Advances in Knowlede Discovery and Data Minin. MIT Press. [8] Hamidah, I. 0. Aplikasi Data Minin Untuk Memprediksi Masa Studi Mahasiswa Menunakan Aloritma 4.5. Bandun. 8
10
JURNAL ITSMART Vol 4. No 2. Desember 2015 ISSN :
IMPLEMENTASI ITERATIVE DICHOTOMISER 3 PADA DATA KELULUSAN MAHASISWA S1 DI UNIVERSITAS SEBELAS MARET Thanh Thi Bi Dan Sari Widya Sihwi Rini Anggrainingsih Jurusan Informatika Jurusan Informatika Jurusan
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai konsep dasar masalah. penjadwalan kuliah, algoritma memetika serta komponen algoritma
BAB II LANDASAN TEORI Pada bab ini akan dibahas menenai konsep dasar masalah penjadwalan kuliah, aloritma memetika serta komponen aloritma memetika. Aoritma memetika diilhami dari proses evolusi makhluk
Lebih terperinciSPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH
Studia Informatika: Jurnal Sistem Informasi, 9(2), 206, 89-20 SPASIAL CLASIFICATION MINING UNTUK MENENTUKAN PRAKIRAAN CURAH HUJAN BERDASARKAN KARAKTERISTIK WILAYAH Eva Khudzaeva Proram Studi Sistem Informasi,
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciAnalisis dan Implementasi Algoritma Graph-based K-Nearest Neighbour untuk Klasifikasi Spam pada Pesan Singkat
Analisis dan Implementasi Aloritma Graph-based K-Nearest Neihbour untuk Klasifikasi Spam pada Pesan Sinkat Gde Surya Pramartha Proram Studi Sarjana Teknik Informatika Fakultas Informatika Telkom University
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciOPTIMASI KLASIFIKASI SEL TUNGGAL PAP SMEAR MENGGUNAKAN CORRELATION BASED FEATURES SELECTION (CFS) BERBASIS C4.5 DAN NAIVE BAYES
INFORMATIKA, Vol.3 September 2016, pp. 148~155 ISSN: 2355-6579 E-ISSN: 2528-2247 148 OPTIMASI KLASIFIKASI SEL TUNGGAL PAP SMEAR MENGGUNAKAN CORRELATION BASED FEATURES SELECTION () BERBASIS C4.5 DAN NAIVE
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciLAMPIRAN. Lampiran 1. Hasil Wawancara
L.1 LAMPIRAN Lampiran 1 Hasil Wawancara Hasil Wawancara denan Kepala Personalia : Apakah Proses perekrutan di perusahaan telah dapat memenuhi permintaan tenaa kerja? Menurut saya, aktivitas perekrutan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciTINJAUAN PUSTAKA. i dari yang terkecil ke yang terbesar. Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola
TINJAUAN PUSTAKA Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yan bertujuan untuk memisahkan beberapa kelompok data yan sudah terkelompokkan
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Tinkat Pertumbuhan Dividen Untuk menetahui tinkat pertumbuhan deviden pada PT Bumi Resources Tbk. dapat dihitun denan metode tinkat pertumbuhan fundamental. Tinkat pertumbuhan
Lebih terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Ruan Linkup Ruan linkup keiatan dalam penulisan tuas akhir ini adalah PT. Tembaa Mulia Semanan Tbk. (Divisi Aluminium) yan berlokasi di Jalan Daan Moot KM. 16, Semanan,
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 terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) adalah sistem komputer yang saling berhubungan dan menjadi alat bantu bagi seorang
Lebih terperinciGambar 1.1 Nilai Ekspor Mebel Indonesia, dan negara-negara pesaing di Asia, 2005
BAB I PENDAHULUAN 1.1 Latar Belakan Funiture merupakan salah satu kebutuhan dalam setiap rumah. Funsinya tak hanya untuk memperindah interior dalam rumah tapi jua untuk sebuah estetika yan mencitrakan
Lebih terperinciD-56. Keyword: Data mining, association rule, FP-Growth, cooperative, package. Oleh karena itu, untuk dapat mengatasi permasalahanpermasalah
D-56 IMPLEMENTASI DATA MINING TERHADAP PENENTUAN PAKET HEMAT SEMBAKO DAN KEBUTUHAN HARIAN MENGGUNAKAN ATURAN ASSOCIATION RULE DI PRIMER KOPERASI KARTIKA BAJA CILEGON DENGAN ALGORITMA FP-GROWTH Shativa
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciKETERAMPILAN BERPIKIR TINGKAT TINGGI PESERTA DIDIK SMA PADA PEMBELAJARAN KONSEPPROTISTAMELALUI PENDEKATAN INKUIRI TERBIMBING. Oleh : Fathul Zannah *
KETERAMPILAN BERPIKIR TINGKAT TINGGI PESERTA DIDIK SMA PADA PEMBELAJARAN KONSEPPROTISTAMELALUI PENDEKATAN INKUIRI TERBIMBING Oleh : Fathul Zannah * Abstrak Keiatan pembelajaran di SMAN 2 Banjarbaru sudah
Lebih terperinciAPLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,
Lebih terperinciSISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE
SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE A Sofalul Khazari 1), Fitri Marisa 2), Indra Dharma Wijaya 3) 1) Mahasiswa Fakultas Teknik, Universitas Widyagama Email: khazari.sofalul@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciPROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3
32 PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 Yo el Pieter Sumihar* 1, Idris Efendi 2 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains dan Komputer,
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA
53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
Lebih terperinciANALISIS KREATIVITAS SISWA DALAM MENYELESAIKAN SOAL MATEMATIKA PADA MATERI BARISAN DAN DERET
ANALISIS KREATIVITAS SISWA DALAM MENYELESAIKAN SOAL MATEMATIKA PADA MATERI BARISAN DAN DERET 1 Dewi Anreini, 2 Nanin Dyah Asmoro 1 Dosen Prodi Pendidikan Matematika STKIP PGRI Tulunaun 2 Mahasiswa Prodi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinciPENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA)
ISSN 1858-4667 JURNAL LINK VOL. 27/No. 1/Februari 2018 PENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA) Hariadi Yutanto 1, Nurcholis Setiawan 2
Lebih terperinciPENGEMBANGAN DAN ANALISIS TES KIMIA BERBASIS OPEN- ENDED PROBLEM UNTUK MENGUKUR KEMAMPUAN BERPIKIR KREATIF SISWA
SEMINAR NASIONAL KIMIA DAN PENDIDIKAN KIMIA VII Penuatan Profesi Bidan Kimia dan Pendidikan Kimia Melalui Riset dan Evaluasi Proram Studi Pendidikan Kimia Jurusan P.MIPA FKIP UNS Surakarta, 18 April 2015
Lebih terperinciEVALUASI KETEPATAN KLASIFIKASI KELULUSAN TES KETERAMPILAN SNMPTN BIDANG OLAHRAGA MENGGUNAKAN ANALISIS DISKRIMINAN KERNEL
EVALUASI KETEPATAN KLASIFIKASI KELULUSAN TES KETERAMPILAN SNMPTN BIDANG OLAHRAGA MENGGUNAKAN ANALISIS DISKRIMINAN KERNEL Yosiana Fitria. W, Bamban Widjanarko Otok Mahasiswa Proram Sarjana, Jurusan Statistika
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciDATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE
Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI PEMBELAJARAN PERKALIAN DAN PEMBAGIAN BILANGAN UNTUK SEKOLAH DASAR KELAS 2
PERANCANGAN DAN IMPLEMENTASI PEMBELAJARAN PERKALIAN DAN PEMBAGIAN BILANGAN UNTUK SEKOLAH DASAR KELAS 2 1 Aun Dwi Hariyanto (05018221), 2 Wahyu Pujiyono (0504116601) 1,2 Proram Studi Teknik Informatika
Lebih terperinciBAB 3 ALGORITMA C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.
BAB 3 ALGORITMA C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. A. Pohon Keputusan Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih terperinci20 SEBATIK STMIK WICIDA
0 SEBATIK STMIK WICIDA SISTEM INFORMASI PENGGAJIAN DAN MONITORING KEHADIRAN PEGAWAI HONORER DAN PADA KANTOR SISTEM ADMINISTRASI MANUNGGAL SATU ATAP (SAMSAT) UNIT PELAKSANAAN TEKNIS DAERAH (UPTD) KABUPATEN
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Sektor layanan kesehatan merupakan sektor yang sangat penting bagi setiap
BAB I PENDAHULUAN 1.1 Latar Belakan Sektor layanan kesehatan merupakan sektor yan sanat pentin bai setiap masyarakat.diantara berbaai jasa layanan kesehatan, rumah sakit memean peranan pentin karena menyediakan
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciKONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.
KONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.1 Muhammad Syahril Program Studi Sistem Informasi, STMIK Triguna
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciAbstrak. Kata Kunci : SPK (Sistem Pendukung Keputusan), Pemberian store of the month, Analytical Hierarchy Process (AHP).
SISTEM PENDUKUNG KEPUTUSAN PENERIMA STORE OF THE MONTH PADA TOKO INDOMARET MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) STUDI KASUS PT. INDOMARCO PRISMATAMA MEDAN Tison Nopember Simanjuntak (12110248)
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciPENERAPAN DECISION TREE UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA BARU
Technologia Vol 7, No.1, Januari Maret 2016 8 PENERAPAN DECISION TREE UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA BARU Andie, S.Kom., M.Kom (andina777@gmail.com) ABSTRAK Siswa adalah
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
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 terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperincipengukuran karakteristik I-V transistor. Kemudian dilanjutkan dengan penyesuaian (fitting) hasil tersebut menggunakan model TOM.
BAB III HASIL DAN DISKUSI Bab ini berisi hasil dan diskusi. Pekerjaan penelitian dimulai denan melakukan penukuran karakteristik I-V transistor. Kemudian dilanjutkan denan penyesuaian (fittin hasil tersebut
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih terperinciPENGEMBANGAN MEDIA PEMBELAJARAN FLIPCHART UNTUK MENINGKATKAN PENGETAHUAN BENCANA GEMPA BUMI PADA SISWA DI SMP N 1 CAWAS
PENGEMBANGAN MEDIA PEMBELAJARAN FLIPCHART UNTUK MENINGKATKAN PENGETAHUAN BENCANA GEMPA BUMI PADA SISWA DI SMP N 1 CAWAS Disusun sebaai salah satu syarat menyelesaikan Proram Studi Strata 1 pada Jurusan
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN
IMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN PUBLIKASI ILMIAH Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Program Studi Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Tinjauan pustaka atau disebut juga kajian pustaka (literature review) merupakan sebuah aktivitas untuk meninjau atau mengkaji kembali berbagai
Lebih terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru Wahyudin Program Studi Ilmu Komputer Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu konsep teori graf
Lebih terperinciMENINGKATKAN KEMAMPUAN MEMBEDAKAN WARNA BENDA MELALUI METODE PEMBERIAN TUGAS PADA ANAK USIA 4-5 TAHUN
MENINGKATKAN KEMAMPUAN MEMBEDAKAN WARNA BENDA MELALUI METODE PEMBERIAN TUGAS PADA ANAK USIA 4- TAHUN Evania Suryaninsih, Indri Astuti, Lukmanulhakim PG-PAUD FKIP Universitas Tanjunpura, Ponti email: Eva_Suryaninsih@mail.com
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PENERIMAAN CALON KARYAWAN PT. TELKOM AKSES AREA LAMPUNG BERBASIS WEBSITE
PENERAPAN ALGORITMA C4.5 DALAM PENERIMAAN CALON KARYAWAN PT. TELKOM AKSES AREA LAMPUNG BERBASIS WEBSITE Tosy Caesar Kurniawan 1,2 Jl. Zainal Abidin Pagar Alam No.93, Kedaton, Bandar Lampung 3 Teknik Informatika,
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK)
IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK) [1] Beti Novianti, [2] Tedy Rismawan [3] Syamsul Bahri [1][2][3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih terperinciPenggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah
Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah Selly Artaty Zega Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknik Informatika, Politeknik
Lebih terperinciImplementasi Pembelajaran Kooperatif Ni Komang Sukertiasih 69
GaneÇ Swara Vol. 4 No. Pebruari 2 IMPLEMENTASI PEMBELAJARAN KOOPERATIF DENGAN METODE SNOWBALL THROWING PADA POKOK BAHASAN LIMIT FUNGSI UNTUK MENINGKATKAN AKTIVITAS DAN PRESTASI BELAJAR SISWA KELAS XI IPA
Lebih terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciKata Kunci: Metode Pembelajaran Two Stay Two Stray (TS-TS), Motivasi, Hasil Belajar.
Penerapan Metode Pembelajaran. (Risa Rusdiana) PENERAPAN METODE PEMBELAJARAN TWO STAY TWO STRAY (TS-TS) UNTUK MENINGKATKAN MOTIVASI DAN HASIL BELAJAR MATA PELAJARAN EKONOMI SISWA KELAS XI IPS SMA NEGERI
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
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 terperinciANALISIS PENGARUH STRATEGI POSITIONING PRODUK TERHADAP CITRA MEREK PADA KONSUMEN SIM Card simpati PT.TELKOMSEL DI KOTA PADANG WELLI MARZENI *)
ANALISIS PENGARUH STRATEGI POSITIONING PRODUK TERHADAP CITRA MEREK PADA KONSUMEN SIM Card simpati PT.TELKOMSEL DI KOTA PADANG WELLI MARZENI *) **)Indra Masrin,SE,MM dan **)Mareta Kemala Sari,SE,MM Staf
Lebih terperinciAlgoritma Iterative Dichotomizer 3 (ID3) Pengambilan Keputusan
Algoritma Iterative Dichotomizer 3 (ID3) Pengambilan Keputusan Decision Making Using Iterative Dichotomizer 3 Algorithm Arief Kelik Nugroho 1, Dadang Iskandar 2 1 ariefkeliknugroho@gmail.com 2 dadangiskandar83@gmail.com
Lebih terperinciDIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP
DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP Endah Rakhmawati 1, Entin Martiana K, M.Kom 2, Nur Rosyid Mubtadai,
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN
116 IMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN Rismayanti 1 1 Dosen Tetap Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jl. H.M Joni No.70
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciAlgoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan
Algoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan Decision Making Using Iterative Dichotomizer 3 Algorithm Arief Kelik Nugroho *1,Dadang Iskandar *2 ariefkeliknugroho@gmail.com dadangiskandar83@gmail.com
Lebih terperinciBAB III METODOLOGI PENELITIAN. digunakan pada proses rekomendasi penjurusan pada jenjang menengah. Merumuskan Masalah
A. Desain Penelitian BAB III METODOLOGI PENELITIAN Gambar 3.1 berikut ini merupakan desain penelitian yang akan digunakan pada proses rekomendasi penjurusan pada jenjang menengah atas. Merumuskan Masalah
Lebih terperinci