JURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
|
|
- Farida Hartono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNA TEKNIK, (2014) AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Indonesia irfan.fahmi703@yahoo.co.id; budi_s@ie.its.ac.id Abstrak Dalam dunia pendidikan sekarang ini tersimpan data dalam sebuah database dengan jumlah yang sangat besar. Data tersebut berisi data mahasiswa, dosen, dan karyawan serta stakeholder kampus yang lain. Besarnya jumlah data dipengaruhi oleh kemudahan proses input dan penyimpanan data tersebut. Sehingga dalam hitungan tiap jam bisa terkumpul ribuan data. Akan tetapi kumpulan data tersebut tidak dapat dimanfaatkan secara baik dan hanya menjadi sekumpulan data yang tidak digunakan. Sehingga perlu digunakan sebuah cara untuk mengetahui informasi yang terdapat dalam kumpulan data tersebut yaitu dengan teknik data mining. enelitian ini mengaplikasikan teknik data mining dengan metode decision tree untuk menentukan kelas IK mahasiswa Teknik Industri ITS. enentuan kelas IK berdasarkan variabel jenis kelamin, jalur masuk, asal daerah, dan gaji orang tua. Dari keempat variabel tersebut diketahui variabel jalur masuk menjadi variabel yang paling berpengaruh terhadap IK. engujian data mahasiswa dengan metode decision tree memiliki tingkat error rata-rata sebesar 42,01%.. Kata Kunci Data Mining, Decision tree, Kelas IK I. ENDAHUUAN Data merupakan sebuah elemen yang tidak bisa terpisahkan dalam suatu obyek. Seiring perkembangan teknologi, proses pengambilan data tersebut semakin mudah serta penyimpanannya semakin aman karena dapat tersimpan dalam sebuah database yang terkomputerisasi. Di dunia pendidikan, data tersebut berupa identitas stakeholder serta berbagai data yang berhubungan dengan universitas itu. Dengan kemudahan setiap universitas dalam meng-input dan menyimpan data tersebut maka jumlah data yang tersimpan dalam sebuah database semakin meningkat. Database tersebut berisi ratusan bahkan ribuan data berkaitan dengan mahasiswa, dosen, karyawan serta data lain yang menyangkut kegiatan kampus. Saat ini database tersebut tidak banyak memberikan keuntungan yang signifikan terhadap universitas. Database tersebut seolah hanya menjadi sekumpulan data yang terabaikan. Data tersebut hanya dibutuhkan saat universitas tersebut mengadakan proses akreditasi atau digunakan untuk mengetahui identitas mahasiswa maupun dosen saat masih belajar maupun mengajar di universitas, sedangkan setelah mahasiswa tersebut lulus kuliah data tersebut akan menjadi tumpukan data yang jarang digunakan. Minimnya manfaat yang diperoleh dari database tersebut seolah-olah membuat pekerjaan mengambil data ini menjadi non added value atau kurang memberikan nilai tambah terhadap pihak universitas. Salah satu cara memanfaatkan data tersebut adalah dengan mengolahnya, sehingga pola atau kecenderungan pada data tersebut dapat ditemukan. Dengan mengetahui pola yang terdapat pada data mahasiswa, maka hal tersebut akan dapat digunakan dalam membantu pengambilan keputusan bagi pihak universitas. Kecenderungan atau pola data mahasiswa ini bisa digunakan untuk memprediksi nilai IK seseorang serta beberapa faktor yang berpengaruh terhadap performansi mahasiswa tersebut. Karena tugas utama suatu universitas adalah menyediakan pendidikan yang baik dan berkualitas. Sehingga mengetahui potensi maupun faktor yang berpengaruh terhadap performansi mahasiswa menjadi hal yang penting. Setelah mengetahui faktor-faktor tersebut, maka pihak universitas dapat menerapkan sistem pembelajaran yang tepat untuk mahasiswa. Selain itu universitas juga dapat mengantisipasi dan segera menangani mahasiswa yang memiliki performansi rendah. engenalan pola atau pattern recognition merupakan salah satu bagian dari data mining. Data mining atau knowledge discovery in database merupakan kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola hubungan dalam set data yang berukuran besar (Santosa, 2007). Salah satu metode yang digunakan dalam data mining adalah klasifikasi. Metode klasifikasi dapat digunakan untuk memprediksi atau meramalkan performansi mahasiswa berdasarkan variabel variabel tertentu. Teknik ini dapat diaplikasikan dalam mencari informasi penting berkaitan dengan IK mahasiswa. Metode klasifikasi yang digunakan pada penelitian ini adalah decision tree. Metode ini sangat banyak digunakan dalam mengatasi kasus yang outputnya bernilai diskrit. Keuntungan decision tree adalah modelnya sederhana dan mudah dipahami karena ditampilkan dalam bentuk pohon yang bercabang sehingga memudahkan dalam interpretasi. Ide dasar dari teknik decision tree bukan berdasarkan vektor jarak seperti pada teknik klasifikasi yang lain, melainkan berdasarkan urutan pertanyaan. Dalam decision tree setiap atribut ditanyakan di simpul, kemudian jawaban dari atribut ini akan dinyatakan dalam cabang sampai akhirnya ditemukan kategori atau kelas dari obyek di simpul terakhir (Santosa, 2007).
2 JURNA TEKNIK, (2014) enelitian ini dilaksanakan pada jurusan Teknik Industri ITS. Jurusan Teknik Industri ITS merupakan salah satu institusi pendidikan yang mempunyai sasaran untuk menghasilkan sarjana-sarjana yang bermutu serta menjadi institusi yang unggul dan memiliki reputasi internasional. Salah satu cara untuk menghasilkan mahasiswa yang berkualitas adalah dengan menciptakan sistem pembelajaran yang tepat terhadap mahasiswa. Sehingga mahasiswa tersebut memiliki performansi yang baik dalam bidangnya. Berdasarkan teknik klasifikasi decision tree ini akan dapat diketahui faktor-faktor yang berpengaruh terhadap performansi mahasiswa serta seberapa besar pengaruhnya tersebut. erformansi mahasiswa dalam hal ini direpresentasikan dengan nilai IK. Hasilnya diharapkan dapat menjadi bahan masukan atau rekomendasi kepada pihak universitas untuk membuat sistem pembelajaran yang tepat dan dapat menangani dengan segera mahasiswa yang memiliki performansi rendah. A. Tahap engumpulan Data II. METODE ENEITIAN ada tahap ini dilakukan pengumpulan data yang akan digunakan sebagai input dalam penelitian ini. Data yang digunakan adalah data mahasiswa Teknik Industri ITS angkatan 2008 sampai 2010 yang sudah lulus. Data tersebut dapat diperoleh dari Badan Akademik Kemahasiswaan dan erencanaan ( BAK ) ITS. Nilai Indeks restasi Komulatif (IK) Mahasiswa merupakan faktor utama dalam mengukur keberhasilan mahasiswa selama menempuh pendidikan di universitas. Nilai IK ini merupakan acuan dasar untuk menilai apakah mahasiswa tersebut mempunyai performansi bagus ditinjau dari sisi softskill yaitu kemampuan di bidang akademik. Sehingga untuk mengetahui performansi mahasiswa digunakan variabel nilai IK sebagai tolok ukurnya. Beberapa variabel yang berpengaruh terhadap IK yang dapat diperoleh dari Badan Akademin Kemahasiswaan dan erencanaan (BAK) ITS yaitu jenis kelamin, asal daerah, jumlah nilai UNAS, jalur masuk, gaji orang tua dan asal SMA. Untuk jumlah nilai UNAS tidak digunakan karena banyak data yang tidak ada nilainya (missing value). Sedangkan asal SMA tidak digunakan karena website untuk mengetahui nilai akreditasi sekolah tidak bisa diakses sehingga tidak dapat mengetahui nilai akreditasi sekolah. Sehingga variabel yang dipertimbangkan dalam penelitian yaitu jenis kelamin, jalur masuk, asal daerah, dan gaji orang tua. B. Tahap Data re rocessing ada tahap ini akan dilakukan data pre processing yang terdiri dari beberapa aktivitas seperti data integration dan data cleaning. Setelah data yang dibutuhkan tersedia, maka selanjutnya data tersebut disatukan dan dipilih sesuai atribut yang telah ditentukan, proses ini disebut integrasi data. Variabel jenis kelamin dibagi menjadi laki-laki dan perempuan. masuk terdiri dari SNMTN, Bidik Misi, S1 Kerjasama, KM Mandiri, dan KM Kemitraan. Alamat rumah terdiri dari, (Non ), Jawa Tengah & Jogja, DKI Jakarta & Jawa Barat, dan uar Jawa. Selanjutnya dilakukan transformasi data terhadap variabel yang bersifat kontinyu seperti penghasilan orang tua, dan nilai IK dirubah ke dalam nilai diskrit. enghasilan orang tua terdiri dari rendah, sedang, tinggi. Sedangkan untuk kelas IK terdiri dari kurang, cukup, dan baik. ada proses pembersihan data (data cleaning), jika ada salah satu data yang hilang (missing value) maka data tersebut dapat diabaikan. Begitu pula ketika ada data yang outlier maka data tersebut dihilangkan. Setelah itu maka akan diseleksi data tersebut sehingga diperoleh data yang relevan yang akan digunakan untuk proses data mining. C. Tahap engolahan Data Tahapan ini merupakan tahap pengolahan data yaitu proses data mining. engolahan data ini bertujuan untuk menemukan pola atau informasi penting dari sekumpulan data. Metode yang digunakan dalam proses data mining ini yaitu decision tree. Decision tree bertujuan untuk melakukan klasifikasi terhadap nilai IK mahasiswa. Nilai IK dijadikan sebagai label atau variabel output. Dalam melakukan klasifikasi nantinya akan diketahui faktor atau variabel input yang berpengaruh terhadap nilai IK dan persentase variabel tersebut. Setelah ditemukan pola atau kecenderungan dari data tersebut kemudian akan dilakukan tahap post processing. D. Tahap Data ost rocessing ada tahap ini akan dilakukan data post processing yaitu terdiri dari proses interpretasi, visualisasi, dan evaluasi terhadap pola atau informasi yang telah dihasilkan dari tahap pengolahan data. roses visualisasi akan ditampilkan dalam bentuk tree sehingga akan mudah dipahami. Setelah dilakukan proses ini maka informasi tersebut dapat dijadikan pengetahuan dan informasi penting terkait hal-hal yang berpengaruh terhadap IK mahasiswa Teknik Industri ITS. E. Tahap Analisis dan Kesimpulan ada tahap ini dilakukan analisis terhadap pengolahan data yang telah dilakukan dalam penelitian ini mulai dari data pre processing, pengolahan data, dan data post processing. Setelah dilakukan analisis dari semua proses tersebut, maka akan dapat ditarik beberapa kesimpulan yang akan menjawab tujuan dari penelitian ini. Kemudian hasil penelitian ini juga dapat dijadikan rekomendasi terhadap pihak Teknik Industri ITS dalam menyusun sistem pembelajaran yang tepat bagi mahasiswa. A. Sebaran Data III. ROSES DATA MINING Setelah data yang digunakan dalam penelitian tersedia. Berikut ini ditunjukkan penyebaran data berkaitan dengan IK berdasarkan tiap-tiap variabel input. a. IK (Variabel Output) ada variabel IK terdiri dari kelas kurang sebanyak 28 data, kelas cukup sebanyak 156 data, dan kelas baik sebanyak 36 data. Sehingga total data adalah 220 data.
3 JURNA TEKNIK, (2014) Sedangkan data kelas IK berdasarkan variabel jalur masuk ditunjukkan pada Gambar 4.5. Gambar 1. Sebaran Data Nilai IK b. Variabel jenis kelamin terdiri dari 2 instance, yaitu instance laki-laki yang terdiri dari 101 data dan instance perempuan yang terdiri dari 119 data. Sehingga total data sebanyak 220 data. Gambar 5. Sebaran Data IK Berdasarkan d. Variabel terdiri dari 5 instance, yaitu sebanyak 94 data, sebanyak 93 data, Jawa Tengah sebanyak 8 data, DKI & Jabar sebanyak 10 data, dan uar Jawa sebanyak 15 data. Sehingga total data adalah 220 data. Gambar 2. Sebaran Data Kemudian data kelas IK berdasarkan varibel jenis kelamin ditunjukkan pada Gambar 4.3. Gambar 6. Sebaran Data Kemudian data kelas IK berdasarkan variabel ditunjukkan pada Gambar 4.7 Gambar 3. Sebaran Data IK Berdasarkan c. Variabel jalur masuk terdiri dari 6 instance yaitu MDK sebanyak 3 data, S1 Kerjasama sebanyak 6 data, Bidik Misi sebanyak 10 data, KM Mandiri sebanyak 62 data, KM Kemitraan sebanyak 37 data, dan SBMTN sebanyak 102 data. Sehingga total seluruh data adalah 220 data. Gambar 7. Sebaran Data IK Berdasarkan e. Gaji Orang tua Variabel Gaji Orang tua terdiri dari 3 instance yaitu rendah sebanyak 85 data, sedang sebanyak 123 data, dan tinggi sebanyak 12 data. Sehingga total data adalah 220 data. Gambar 4. Sebaran Data Gambar 8. Sebaran Data Gaji Orang Tua
4 JURNA TEKNIK, (2014) Adapun sebaran data kelas IK berdasarkan variabel gaji orang tua ditunjukkan pada Gambar 4.9. Information Gain variabel asal daerah sebesar 0,0743 Selanjutnya untuk menentukan node pertama yaitu berdasarkan nilai information gain yang tertinggi. Sehingga variabel jalur masuk yang terpilih karena memiliki nilai information gain tertinggi. Berikut rekapan nilai Information gain setiap variabel. Tabel 5. Rekapan Nilai Information Gain Gambar 9. Sebaran Data IK Berdasarkan Gaji Orang Tua B. erhitungan algoritma C4.5 ada algoritma c4.5, langkah pertama yang dilakukan dalam membuat model tree adalah menghitung nilai entropi dan information gain. Data yang digunakan sebagai data training untuk mendapatkan model tree sebesar 75% dari data keseluruhan yaitu sebesar 220 data. Berikut ini hasil perhitungan entropi dan information gain pada node awal. a. kelamin Nilai Entropi variabel jenis kelamin sebagai berikut. Tabel 1. Nilai Entropi laki-laki perempuan Information Gain variabel jenis kelamin sebesar 0,0296 b. Nilai Entropi variabel jalur masuk sebagai berikut. Tabel 2. Nilai Entropi KM K SBMTN KM M Bidik Misi S1 Kerjasama MDK Information Gain variabel jalur masuk sebesar 0,1253 c. Gaji Orang tua Nilai Entropi variabel Gaji Orang tua sebagai berikut Tabel 3. Nilai Entropi Gaji Orang Tua rendah sedang Tinggi Information Gain variabel gaji orang tua sebesar 0,0455 d. Nilai Entropi variabel asal daerah sebagai berikut. Tabel 4. Nilai Entropi Jawa Timur Jawa Tengah DKI & Jabar uar Jawa Setelah itu kemudian dilakukan perhitungan kembali nilai entropi dan information gain untuk mengetahui node berikutnya. Variabel jalur masuk mempunyai 6 instance. Sehingga perlu dilakukan perhitungan untuk masing-masing instance. ada cabang MDK hanya terdapat 3 data dan semuanya memiliki kelas yang sama yaitu cukup. Sehingga untuk variabel jalur masuk MDK secara langsung dapat diklasifikasi ke dalam kelas cukup. Berikut ini gambar tree yang dihasilkan. MDK Gambar 10. Tree MDK ada cabang S1 Kerjasama dilakukan perhitungan information gain untuk menentukan node berikutnya sampai pada node terakhir. Sehingga tree yang dihasilkan untuk jalur masuk S1 Kerjasama sebagai berikut. S1 Kerjasama Gambar 11. Tree S1 Kerjasama ada cabang Bidik Misi dihasilkan tree sebagai berikut. Tree tersebut juga dihasilkan dengan menghitung entropi dan information gain sampai node terakhir. Bidik Misi Gambar 12. Tree Bidik Misi
5 JURNA TEKNIK, (2014) ada jalur KM Mandiri dihasilkan tree sampai 4 level sebagai berikut. SBMTN uar Jawa KM Mandiri Jawa Tengah uar Jawa rendah Gaji Sedang Tinggi Gambar 13. Tree KM Mandiri ada jalur masuk KM Kemitraan dihasilkan tree yang cukup kompleks. Tree yang dihasilkan mempunyai 4 level sebagai berikut. KM Kemitraan rendah Gaji Sedang tinggi kurang uar Jawa Gambar 14. Tree KM Kemitraan SBMTN memiliki jumlah data paling banyak dibandingkan jalur lain. Dengan menghitung entropi dan information gain pada semua variabel, maka diperoleh tree SBMTN yang terdiri dari 4 level dihasilkan tree sebagai berikut. Gaji Rendah Tinggi Sedang Gambar 15. Tree SBMTN C. erhitungan Akurasi Untuk menghitung akurasi terhadap model decision tree yang telah dihasilkan, maka dilakukan beberapa percobaan untuk mengetahui seberapa besar error yang terjadi. Nilai error dihitung berdasarkan jumlah data testing yang salah dalam klasifikasi dibagi jumlah seluruh data testing. Jumlah data yang tersedia yaitu 293 data. Data training yang digunakan berjumlah 220 data atau sebanyak 75% dari total data dan data testing yang digunakan berjumlah 73 data atau sebanyak 25% dari total data. erhitungan ini dilakukan pada software MATAB. Dilakukan tiga percobaan dengan mengubah data training dan data testing. Dari ketiga percobaan tersebut diperoleh error rata-rata sebesar 42,01%. Berikut ini rekapan error dari ketiga percobaan tersebut. Tabel 6. Rekapan Tingkat Error Error rata-rata yang terjadi dalam proses klasifikasi ini cukup tinggi karena hampir mencapai 50%. Hal ini disebabkan oleh banyaknya data training yang tidak sesuai dengan decision rule. Dengan rule yang sama, data tersebut bisa memiliki kelas yang berbeda. Sehingga akurasi ketepatan prediksi terhadap data baru menjadi rendah. IV. KESIMUAN Dari penelitian dapat disimpulkan bahwa: 1. Kelompok mahasiswa berdasarkan IK terdiri dari 3 kelas yaitu kurang, cukup, dan baik. Variabel yang dipertimbangkan dalam perhitungan yaitu jenis kelamin, jalur masuk,asal daerah, dan gaji orang tua.
6 JURNA TEKNIK, (2014) Variabel yang paling berpengaruh terhadap nilai IK mahasiswa Teknik Industri ITS adalah jalur masuk, kedua yaitu asal daerah. Kemudian untuk jenis kelamin dan gaji orang tua sama besar pengaruhnya. 3. erhitungan decision tree algoritma c4.5 mampu mengelompokkan data ke dalam kategori yang telah ditentukan. 4. Decision rule yang dihasilkan memiliki tingkat error rata-rata sebesar 42,01%. DAFTAR USTAKA Alfina, T. (2012). Analisa erbandingan Metode Hierarchical Clustering, K-Means dan Gabungan Keduanya Dalam Membentuk Cluster Data. : Institut Teknologi Sepuluh Nopember. Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. San Fransisco: Morgan Kaufman ublisher. Kumar, B., & al, S. (2011). Data mining: A prediction for performance improving using classification. IJCSIS, vol 9. Ridwan, M., Suyono, H., & M.Sarosa. (2013). enerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, vol 7. Santosa, B. (2007). Data Mining: Teknik emanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Sembiring, S., M.Zarlis, H, D., S, R., & Wani, E. (2011). rediction of student academic performance by an application of data mining technique. IEDR, vol 6. Sumathi, D. S., & S.N.Sivanandan, D. (2006). Introduction to Data Mining and its applications. Verlag Berlin Heidelberg: Springer. Sunjana. (2010). Aplikasi Mining Data Mahasiswa Dengan Metode Klasifikasi Decision tree. ISSN: T.arose, D. (2005). DISCOVERY KNOWEDGE IN DATA : An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc.
Pengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
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 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 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 DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
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 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 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 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 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 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 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 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 terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
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 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 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 terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
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 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 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 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 terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
Lebih terperinciPERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA
PERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014 ISSN :
ALGORITMA C4.5 DALAM MENGANALISA KELAYAKAN KREDIT(STUDI KASUS DI KOPERASI PEGAWAI REPUBLIK INDONESIA (KP-RI) LENGAYANG PESISIR SELATAN, PAINAN, SUMATERA BARAT) Shary Armonitha Lusinia, S.Kom, M.Kom, Fakultas
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 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 terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
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 terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciBAB I PENDAHULUAN. jurusan ditentukan berdasarkan standar kriteria tiap jurusan.
BAB I PENDAHULUAN 1.1 Latar Belakang Pratiwi (2014) berpendapat Sekolah Menengah Atas (SMA) merupakan suatu instansi pendidikan yang di dalamnya terdapat proses pengambilan keputusan jurusan siswa kelas
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
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 terperinciIMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG
IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri 1), Yesi Novaria Kunang 2), Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciBAB I PENDAHULUAN. waktu mendatang. Perkembangan teknologi informasi membuat pencarian. data data sangat mudah bahkan cenderung berlebihan.
BAB I PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini kebutuhan akan informasi yang akurat sangat dibutuhkan, dikarenakan informasi akan menjadi suatu elemen penting dalam
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
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 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 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 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 terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciSISTEM REKOMENDASI PROSES KELULUSAN MAHASISWA BERBASIS ALGORITMA KLASIFIKASI C4.5
SISTEM REKOMENDASI PROSES KELULUSAN MAHASISWA BERBASIS ALGORITMA KLASIFIKASI C4.5 Mujib Ridwan 1) 1 Program Studi Sistem Informasi, Universitas Islam Negeri (UIN) Sunan Ampel Surabaya email: mujibrw@uinsby.ac.id
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciPROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES
PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES Umi Proboyekti, Djoni Dwiyana Abstrak Barang saniter merupakan salah satu macam barang yang dijual di toko bahan
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciKOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN. Andi Nurhayati 1, Andi Baso Kaswar 2
KOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN Andi Nurhayati 1, Andi Baso Kaswar 2 1),2) Teknik Informatika Universitas Cokroaminoto Palopo Jl Latammacelling
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 terperinciKAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC
KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC Harry Dhika Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI Email: dhikatr@yahoo.com ABSTRAK Penelitian ini membahas tentang cara
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
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 terperinciPENERAPAN ALGORITMA C4.5 UNTUK KLASIFIKASI PREDIKAT KEBERHASILAN MAHASISWA DI AMIK TUNAS BANGSA. Abstrak
JURASIK (Jurn Riset Sistem Informasi & Teknik Informatika) ISSN 2527-5771 PENERAPAN ALGORITMA C4.5 UNTUK KLASIFIKASI PREDIKAT KEBERHASILAN MAHASISWA DI AMIK TUNAS BANGSA Yuni Sara Luvia 1, Dedy Hartama
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih terperinciSISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
SISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Fitri Yunita Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Email:Fitriyun@gmail.com Abstrak Diabetes
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 terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Studi In-Ju Kim, seorang Asisten professor program studi terapan ilmu medis Universitas Dammam, Saudi Arabia pada penelitiannya tahun 2015 yang berjudul Knowledge Gaps
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
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 terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ yudi@upi.edu / Okt 2012 Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
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 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 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 terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciMETODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
Techno.COM, Vol. 15, No. 3, Agustus 216: 195-2 METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu
Lebih terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
Lebih terperinciPEMILIHAN JENIS ASURANSI BERDASARKAN DEMOGRAFI CALON PEMEGANG POLIS DENGAN METODE NAÏVE BAYES CLASSIFIER
J. Math. and Its Appl. ISSN: 1829-605X Vol. 13, No. 2, Nopember 2016, 11-20 PEMILIHAN JENIS ASURANSI BERDASARKAN DEMOGRAFI CALON PEMEGANG POLIS DENGAN METODE NAÏVE BAYES CLASSIFIER Lailatul M. Chaira 1,
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 terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pasar modal merupakan salah satu bagian dari pasar keuangan, di samping pasar uang, yang sangat penting peranannya bagi pembangunan nasional pada umumnya dan bagi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciKlasifikasi Penerima Bantuan Kredit Koperasi Dengan Metode ID3
JURNAL SISTEM DAN INFORMATIKA 67 Klasifikasi Penerima Bantuan Kredit Koperasi Dengan Metode ID3 Ida Bagus Suradarma, I Komang Dharmendra STMIK STIKOM BALI Jln. Raya Puputan Renon No. 86 Telp. (0361) 244445
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciKerusakan Barang Jadi
Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di
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 terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciPerkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes
Perkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes Lestari Handayani 1, Eka Lona Maulida 2 Teknik Informatika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciJOIN Volume 2 No. 1 Juni 2017 ISSN
Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT.Arupadhatu Adisesanti Erlin Elisa 1 1 Sistem Informasi, Universitas Putera
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya. dimanfaatkan dan dikelola dengan baik.
BAB IV HASIL DAN PEMBAHASAN 4.1. Identifikasi Masalah Dalam menentukan status calon dosen dan dosen tetap terdapat masalahmasalah dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya sebagai
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI penelitian. Pada bab ini akan dibahas literatur dan landasan teori yang relevan dengan 2.1 Tinjauan Pustaka Kombinasi metode telah dilakukan oleh beberapa peneliti
Lebih terperinciPenerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier
59 Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier Mujib Ridwan, Hadi Suyono, dan M. Sarosa Abstrak -Penelitian ini difokuskan untuk mengevaluasi
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
Lebih terperinci