BAB II TINJAUAN PUSTAKA
|
|
- Susanti Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Teoritis Autisme Monks dkk., mengungkapkan bahwa autisme berasal dari kata autos yang berarti aku. Pada pengertian nonilmiah kata tersebut dapat ditafsirkan bahwa semua anak yang mengarah pada dirinya sendiri disebut dengan autisme. Sementara itu, Berk mengartikan autisme dengan istilah absorbed in the self atau keasyikan dalam dirinya sendiri. Sementara Wall mengartikan autisme sebagai aloof atau withdrawn, yang mana anak-anak dengan gangguan autisme ini tidak tertarik dengan dunia di sekelilingnya. Kemudian, Tilton mengungkapkan bahwa pemberian nama autisme karena hal ini diyakini dari keasyikan yang berlebihan dalam dirinya sendiri. (Novan Ardy, 2014) Autisme adalah suatu gangguan perkembangan secara menyeluruh yang mengakibatkan hambatan dalam kemampuan sosialisasi, komunikasi, dan juga perilaku. Gejala autis ini pada umumnya muncul sebelum mencapai usia 3 tahun. Pada umumnya penyandang autis mengacuhkan suara, pengelihatan ataupun kejadian yang melibatkan mereka, dan mereka menghindari atau tidak merespon kontak sosial misalnya pandangan mata, sentuhan kasih sayang, bermain dengan anak.(sri Muji, 2014) Sejarah Autisme Deskripsi klinis pertama kali tentang kondisi khusus anak-anak muncul tahun 1800-an yang jika dikaji kondisi tersebut disebut autisme. Di tahun 1943, Leo Karner, psikiater pertama yang diakui sebagai psikiater anak, menerbitkan sebuah investigasi tentang autisme. Artikelnya Autistic Disturbances of Affective Contact begitu berpengaruh untuk sejumlah waktu, namun ia mengkategorikannya ke dalam sindrom Kanner. Dalam artikelnya Kanner meyakinkan kondisi ini berkaitan 10
2 11 dengan kurangnya kehangatan ibu dan kemelekatan pada anak, menghasilkan teori ibu pendingin untuk autisme namun sekarang sudah ditinggalkan. (Anjali Sastri, 2012) Di tahun 1964 psikolog Bernard Rimland, memiliki anak dengan autisme, menentang penjelasan Kanner di bukunya Infantille Autism: The Syndrom and Its Implications for a Neursl Theory of Behavior. Untuk pertama kalinya autisme dilihat berbasiskan neurologis, disebabkan perbedaan di dalam otak dan bukannya pola pengasuhan. (Anjali Sastri, 2012) Pandangan modern muncul di tahun 1979 di Inggris ketika seorang dokter, Lorna Wing, dan seorang psikiater, Judith Gould, meneliti banyak sampel anak-anak dengan kelemahan interaksi sosial timbal balik. Dari sampel yang sama mereka juga menemukan kalau anak-anak ini juga mengalami kesulitan dalam berkomunikasi dan berimajinasi. Setelah penelitian ini kemudian dikenal konsep triadik yang menjadi landasan dalam melihat autisme sampai saat ini. (Anjali Sastri, 2012) Data Mining Data mining dapat didefinisikan sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar yang membantu dalam pengambilan keputusan. Teknik data mining menelusuri data yang ada untuk membangun sebuah model dan menggunakan model tersebut agar dapat mengenali pola data yang lain yang tidak berada dalam data yang tersimpan. Pengelompokan data juga dapat dilakukan menggunakan data mining untuk mengetahui pola keseluruhan data-data yang dapat diambil. (Eko Prasetyo, 2012) Posisi Data Mining dalam Berbagai Disiplin Ilmu Terdapat kesamaan antara sebagian bahasan dalam data mining dengan bahasan di bidang ilmu yang lain. Kesamaan bidang data mining dengan statistic adalah penyampelan, estimasi, dan pengujian hipotesa. Kesamaan dengan kecerdasan buatan adalah pengenalan pola dan mesin pembelajaran adalah algoritma pencarian, teknik pemodelan, dan teori pembelajaran. (Eko Prasetyo, 2012)
3 Pekerjaan dalam Data Mining Terdapat empat kelompok pekerjaan yang berkaitan dengan data mining, yaitu : (Eko Prasetyo, 2012) 1. Model prediksi Model prediksi berkaitan dengan pembuatan sebuah model yang dapat melakukan pemetaan dari setiap himpunan variable ke setiap targetnya, kemudian menggunakan model tersebut untuk memberikan nilai target pada himpunan baru yang didapat. Terdapat dua jenis model prediksi, yaitu klasifikasi dan regresi. Klasifikasi digunakan untuk variable target diskret, sedangkan regresi untuk variable target kontinu. 2. Analisis Kelompok Analisis kelompok melakukan pengelompokan data-data ke dalam sejumlah kelompok berdasarkan keamanan karakteristik masing-masing data pada kelompokkelompok yang ada. Data-data yang masuk dalam batas kesamaan dengan kelompoknya akan bergabung dalam kelompok tersebut, dan akan terpisah dalam kelompok yang berbeda jika keluar dari batas kesamaan dengan kelompok tersebut. 3. Analisis Asosiasi Analisis asosiasi digunakan untuk menemukan pola yang menggambarkan kekuatan hubungan fitur dalam data. Pola yang ditemukan biasanya merepresentasikan bentuk aturan implikasi atau subset fitur. Tujuannya adalah untuk menemukan pola yang menarik dengan cara yang efisien. 4. Deteksi Anomali Pekerjaan deteksi anomaly berkaitan dengan pengamatan sebuah data dari sejumlah data secara signifikan mempunyai karakteristik yang berbeda dari sisa data yang lain. Data data yang karakteristiknya menyimpang dari data yang lain disebut outlier. Algoritma deteksi anomali yang baik harus mempunyai laju deteksi yang tinggi dan laju error yang rendah.
4 Konsep Klasifikasi Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Terdapat dua pekerjaan utama dalam klasifikasi, yaitu pembangunan model sebagai prototype untuk disimpan sebagai memori dan penggunaan model tersebut untuk melakukan pengenalan/klasifikasi/prediksi pada suatu objek data lain agar diketahui di kelas mana objek data tersebut dalam model yang sudah disimpannya. (Eko Prasetyo, 2012) Algoritma Naïve Bayes Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naïve dimana diasumsikan kondisi antar atribut independen.(eko Prasetyo, 2012) Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada teorema Bayes dengan asumsi independensi yang kuat (naif). Naïve Bayes menggunakan model fitur independen. Maksud independensi yang kuat (terutama Naïve Bayes) pada fitur adalah bahwa sebuah fitur pada suatu data tidak berkaitan dengan ada atau tidaknya suatu fitur lain pada data yang sama (Eko Prasetyo, 2012). Formula umum teorema Bayes sebagai berikut : P(H E) = Keterangan : P(H E) P(E H). P(H).. (2.1) P(E) bukti (evidence) E terjadi P(E H) hipotesis H : probabilitas akhir bersyarat suatu hipotesis H terjadi jika diberikan : probabilitas munculnya bukti (evidence) E terjadi akan mempengaruhi
5 14 P(H) : probabilitas awal (priori) hipotesis H terjadi tanpa memandang evidence apapun P(E) : probabilitas awal (priori) evidence E terjadi Terdapat beberapa hal penting dari aturan Bayes, yaitu 1. Sebuah probabilitas awal (priori) H atau P(H) adalah probabilitas dari suatu hipotesis sebelum evidence diamati. 2. Sebuah probabilitas akhir H atau P(H E) adalah probabilitas dari suatu hipotesis setelah evidence diamati Naïve Bayes untuk Klasifikasi Kaitan antara Naïve Bayes dengan klasifikasi, korelasi hipotesis, dan evidence dengan klasifikasi adalah hipotesis dalam teorema Bayes merupakan label kelas yang menjadi target pemetaan dalam klasifikasi, sedangkan evidence merupakan fitur-fitur yang menjadi masukan dalam model klasifikasi. Jika X adalah vector masukan yang berisi fitur dan Y adalah label kelas, Naïve Bayes ditulis dengan notasi P(X Y) yang artinya probabilitas label kelas Y didapatkan jika fitur-fitur X yang diamati merupakan kelas Y. Notasi ini dapat juga disebut probabilitas akhir (posterior probability) untuk Y, sedangkan P(Y) disebut probabilitas awal (prior probability) Y (Eko Prasetyo, 2012). Formulasi Naïve Bayes untuk klasifikasi adalah P(Y X) = P(Y). q i=1 P(X i Y)... (2.2) P(X) Keterangan : P(Y X) : probabilitas data dengan vector X pada kelas Y. q i=1 P(X i Y) : probabilitas independen kelas Y dari semua fitur dalam vector X. P(X) : probabilitas awal (priori) vector fitur P(Y) : probabilitas awal (priori) kelas Y
6 15 Persamaan (2.2) merupakan model dari Naïve Bayesian yang akan digunakan untuk proses klasifikasi. Untuk fitur tipe numeric (kontinu) terdapat perhitungan khusus sebelum dimasukan ke dalam Naïve Bayes dengan menggunakan Densitas Gauss. (Eko Prasetyo, 2012) Peningkatan Performa Algoritma Naïve Bayes dengan Korelasi Algoritma naïve bayes merupakan salah satu algoritma klasifikasi yang terkenal dan menghasilkan akurasi yang bagus. Pengklasifikasian dengan naïve bayes dapat dengan mudah diinduksi dari data set. Namun jika kekuatan independen atribut yang kurang dan hanya menggunakan distribusi probabilitas untuk mendapatkan hasil klasifikasi akan membuat akurasi naïve bayes menjadi buruk. (Nurnberger, 1999) Untuk itu dibutuhkan satu parameter tambahan untuk menentukan posterior probability dengan analisis korelasi setiap atribut terhadap suatu kelas. Analisis korelasi merupakan alat statistik yang digunakan untuk mengetahui derajat hubungan linier suatu variable dengan variable lainnya. Tujuan analisis korelasi adalah untuk mencari hubungan variable bebas (X) dengan variable terikat (Y). Berikut adalah persamaan untuk menentukan korelasi : (Harinaldi, 2005) r xy = Keterangan: NΣx ( x)( y) (NΣx 2 ( x) 2 )(NΣy 2 (Σy) 2 ) r xy =Koefisien korelasi antara variabel X dan variabel Y N = jumlah data Σxy = Jumlah perkalian antara variabel x dan Y x 2 = Jumlah dari kuadrat nilai X y 2 = Jumlah dari kuadrat nilai Y ( x) 2 = Jumlah nilai X kemudian dikuadratkan ( y) 2 = Jumlah nilai Y kemudian dikuadratkan. (2.3)
7 Metode Pembobotan Nilai Parameter Pembobotan parameter mewakilkan seberapa besar pengaruh suatu parameter terhadap parameter yang lainnya. Salah satu metode pembobotan yaitu metode ranking. Dalam metode ranking setiap parameter akan disusun berdasarkan ranking. Penentuan ranking bersifat subjektif dari yang paling penting ke yang kurang atau sebaliknya. Setelah ranking ditetapkan, maka penentuan bobot dilakukan dengan pendekatan jumlah ranking dengan persaman berikut : (Muhammad Banda, 2002) w j = ( n r j + 1 ) Σ ( n r p + 1 )... (2.4) w j = bobot normal untuk parameter ke j n = banyak parameter yang sedang dikaji p = parameter r j = posisi ranking suatu parameter Setiap parameter diberi bobot senilai ( n r j + 1 ) dan dinormalisasi dengan Σ ( n r p + 1 ) Metode Pengembangan Waterfall Metode pengembangan perangkat lunak Waterfall merupakan salah satu model proses perangkat lunak yang mengambil kegiatan proses dasar seperti spesifikasi, pengembangan, validasi, dan evolusi. Model ini kemudian merepresentasikannya ke dalam bentuk fase-fase proses yang berbeda seperti analisis dan pendefinisian kebutuhan, perancangan perangkat lunak, implementasi, pengujian unit, integrasi sistem, pengujian sistem, serta operasi dan pemeliharaan (Sommerville, 2011).
8 17 Gambar 2. 1 Model Proses Waterfall (Sumber : Sommerville, 2011) Adapun penjelasan tahapan-tahapan dari model waterfall yang ditunjukkan pada gambar 2.1 menurut Sommerville (2011) adalah sebagai berikut : 1. Analisis dan Penentuan Kebutuhan Merupakan tahap pengumpulan informasi mengenai kebutuhan sistem yang didapat dari pengguna (user). Proses ini mendefinisikan secara rinci mengenai fungsi-fungsi, batasan dan tujuan dari perangkat lunak sebagai spesifikasi sistem. 2. Desain Sistem dan Perangkat Lunak Tahap desain merupakan tahap yang melibatkan proses perancangan sistem yang difokuskan pada empat atribut, yaitu struktur data, arsitektur perangkat lunak, representasi antarmuka, dan detail (algoritma) prosedural. Yang dimaksud struktur data adalah representasi dari hubungan logis antara elemen-elemen data individual. 3. Implementasi dan Pengujian Pada tahap ini, perancangan perangkat lunak direalisasikan sebagai serangkaian program atau unit program. Kemudian proses pengujian melibatkan verifikasi bahwa setiap unit program telah memenuhi kebutuhan yang telah didefinisikan pada tahap pertama.
9 18 4. Integrasi dan Uji Coba Sistem Unit program/program individual diintegrasikan menjadi sebuah kesatuan sistem dan kemudian dilakukan pengujian. Dengan kata lain, pengujian ini ditujukan untuk menguji keterhubungan dari tiap-tiap fungsi perangkat lunak sudah memenuhi kebutuhan. Setelah pengujian sistem selesai dilakukan, perangkat lunak dikirim kepada pelanggan/user. 5. Operasi dan Pemeliharaan Sistem Tahap ini biasanya memerlukan waktu yang paling lama, di mana sistem diterapkan dan digunakan. Pemeliharaan mencakup proses pengoreksian beberapa kesalahan yang tidak ditemukan pada tahap-tahap sebelumnya ataupun penambahan kebutuhan-kebuthan baru yang diperlukan. 2.2 Tinjauan Empiris Pada penelitian ini, peneliti menggunakan beberapa penelitian terkait yang pernah dilakukan oleh peneliti lain sebagai tinjauan studi, yaitu sebagai berikut : 1. Komparasi Algoritma Klasifikasi Data Mining Untuk Memprediksi Penyakit Tuberulosis Studi Kasus Puskesmas Karawang Sukabumi. (Saputra, Rizal. 2014). Pada penelitian ini penulis melakukan komparasi algoritma klasifikasi data mining untuk memprediksi penyakit tuberculosis dengan empat metode data mining yaitu algoritma C4.5, naïve bayes classifier, neural network, dan logistic regression. Hasil evaluasi dan validasi, diketahui bahwa naïve bayes classifier memiliki nilai akurasi tertinggi sebesar 91,61%. 2. Klasifikasi Status Gizi Menggunakan Naïve Bayes Classification. (Sri Kusumadewi, 2009) Pada penelitian yang dilakuakn Sri Kusumadewi mengatakan bahwa dalam metode naïve bayes classifier semua atribut memberikan kontribusi dalam pengambilan keputusan dengan bobot yang sama pentingnya untuk setiap atribut.
10 19 3. Pembobotan Korelasi Pada Naïve Bayes Classifier. (Burhan Alfironi, 2015) Pada penelitian ini dilakukan sebuah pengembangan algoritma naïve bayes dengan memperhitungkan nilai korelasi dari masing-masing attribute vector X terhadap kelas Y. Sehingga yang menjadi parameter penentuan pemetaan suatu vector X yang belum diketahui kelasnya terhadap kelas yang sudah ditentukan menjadi dua hal, yaitu : a. Probabilitas : frekuensi kemunculan data dari setiap fitur vector X dalam data training b. Korelasi : besar kecilnya pengaruh setiap fitur vector X terhadap kelas 4. Penerapan Forward Chaining Pada Program Diagnosa Anak Penderita Autis. (Gusti Ayu Kadek, 2009) Pada penelitian ini dilakukan diagnosa anak penderita autis dengan melakukan penarikan kesimpulan berdasarkan pada fakta yang ada dengan metode forward chaining. Penelusuran dimulai dari fakta-fakta yang ada baru kesimpulan diperoleh, aturan yang ada ditelusuri satu persatu hingga penelusuran dihentikan karena kondisi terakhir telah terpenuhi. Penelitian dengan penerapan forward chaining ini menghasil akurasi sebesar 72,73%. 5. Sistem Pakar Deteksi Autisme Pada Anak Menggunakan Metode Fuzzy Tsukomoto. (Melifa Gardenia, 2016) Berdasarkan pengujian yang dilakukan terhadap sistem diketahui bahwa sistem pakar yang dibangun valid dengan tingkat akurasi sebesar 73,33% dalam hasil deteksi yang sesuai dengan pakar.
BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
Lebih terperinciPEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Resep Elektronik Sistem resep elektronik adalah pemanfaatan sistem elektronik untuk menfasilitasi dan meningkatkan komunikasi urutan resep atau obat, membantu pilihan, administrasi
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH :
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN PADA PENDAFTARAN SISWA BARU JALUR PRESTASI MENGGUNAKAN METODE NAÏVE BAYES (Studi Kasus di SMKN 1 Boyolangu Tulungagung) SKRIPSI Diajukan Untuk Memenuhi Sebagian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Rumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Diagnosis penyakit yang diderita oleh seorang penderita harus dapat dilakukan dengan tepat dan akurat, karena kesalahan diagnosis berakibat fatal dan bisa membahayakan
Lebih terperinciMateri 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Di bidang kedokteran, saat ini sudah memanfaatkan teknologi komputer yaitu sistem pakar untuk meningkatkan pelayanan yang lebih baik pada masyarakat. Sistem
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Masalah Analisis masalah bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Penunjang Keputusan Untuk Menentukan Kualitas Ekspor
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciBAB I PENDAHULUAN. sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik
BAB I PENDAHULUAN BAB I PENDAHULUAN I.1. Latar Belakang Sistem pakar adalah sistem yang mempekerjakan pengetahuan manusia yang ditangkap dalam komputer untuk memecahkan masalah yang biasanya membutuhkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Dalam era yang semakin berkembang ini, penggunaan data mining semakin banyak dalam berbagai bidang dan menjadi bagian dari perkembangan teknologi informasi
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciPERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN NAIVE BAYES PADA STATUS PENGGUNA KB DI KOTA TEGAL TAHUN 2014
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 365-374 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN NAIVE
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciBAB I PENDAHULUAN. Hal ini dibuktikan dengan adanya fakta yang diungkap oleh World Health
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Manusia dapat mendeteksi rangsangan dari luar tubuh dengan adanya alat tubuh yang dinamakan indera. Indera yang digunakan untuk mendeteksi adanya rangsangan
Lebih terperinciBAB I PENDAHULUAN. sesungguhnya bukanlah penyakit tetapi berupa sindroma (kumpulan gejala) dimana
BAB I PENDAHULUAN 1.1 Latar Belakang Autisme adalah suatu kondisi mengenai seorang yang sejak lahir ataupun saat masa balita, yang membuat dirinya tidak dapat membentuk hubungan social atau komunikasi
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES Nama : Muhammad Rizki NPM : 54410806 Jurusan Pembimbing
Lebih terperinciSistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2666-2671 http://j-ptiik.ub.ac.id Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Semakin pesatnya pertumbuhan teknologi informasi di dunia, sehingga semakin hari semakin banyak pula orang yang memanfaatkan kemajuan teknologi informasi. Tidak
Lebih terperinciBAB I PENDAHULUAN. Dari hari ke hari istilah autisme semakin banyak diperbincangkan di
BAB I PENDAHULUAN 1.1 Latar Belakang Dari hari ke hari istilah autisme semakin banyak diperbincangkan di mana-mana. Hal ini mengindikasikan bahwa perkembangan autisme semakin lama semakin meningkat. Namun,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom)
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 terperinciAplikasi Inferensi Bayes pada Data Mining terutama Pattern Recognition
Aplikasi Inferensi Bayes pada Data Mining terutama Pattern Recognition Trilaksono Aribowo (18209015) Program Studi Sistem dan Teknologi Informasi Sekolah Teknik Elektro dan Informatika Institut Teknologi
Lebih terperinciBAB I PENDAHULUAN. seperti layaknya seorang pakar (human exspert). Seorang pakar atau ahli (human
BAB I PENDAHULUAN I.1. Latar Belakang Sistem pakar atau exspert system merupakan sebuah program komputer yang dirancang untuk memodelkan serta kemampuan menyelesaikan masalah seperti layaknya seorang pakar
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
Lebih terperinciANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER. Abstrak
ANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER Burhan Alfironi Muktamar Program Studi Teknik Informatika STMIK Jenderal Achmad Yani burhanalfironimuktamar@gmail.com Abstrak Naïve Bayes Classifier
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Sistem yang Berjalan Analisa sistem pada yang berjalan bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Pendukung Keputusan Pemberian
Lebih terperinciKLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DAN NAIVE BAYES
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 99-111 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait Penelitian terkait dengan topik analisis sentimen cukup banyak, berikut beberapa penelitian yang tekait dengan analisa sentimen yang menggunakan seleksi
Lebih terperinciANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER
ANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Adapun alur metodologi penelitian yang akan dipakai dalam menyelesaikan penelitian tugas akhir ini adalah sebagai berikut: Gambar 3.1 Alur Metodologi
Lebih terperinciSISTEM INFORMASI MONITORING BARANG LAUNDRY MENGGUNAKAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI WAKTU PENGERJAAN BARANG LAUNDRY DI CV BENAYA
SISTEM INFORMASI MONITORING BARANG LAUNDRY MENGGUNAKAN ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI WAKTU PENGERJAAN BARANG LAUNDRY DI CV BENAYA 1 Wahyu Nurjaya W.K, 2 Irfan Hadirianto 2 Program Studi Teknik
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Masalah Analisa sistem pada yang berjalan bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Pendukung Keputusan Pemberian Kredit
Lebih terperinciBAB I PENDAHULUAN. membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali
1 BAB I PENDAHULUAN 1.1 Latar Belakang Gejala penyakit merupakan awal timbulnya sebuah penyakit yang dapat membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali diabaikan sehingga membuat
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1.Analisis Masalah Analisis masalah bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Perbandingan Sistem Pendukung Keputusan Standar Mutu Jagung
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam penelitian ini diambil beberapa tinjauan untuk dijadikan landasan teori dalan proses pengklasifikasian sudhi wadani dengan metode categorical naïve bayes classifier menggunakan
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Autis merupakan gangguan perkembangan fungsi otak yang mencakup bidang sosial, komunikasi verbal (bahasa) dan non-verbal, imajinasi, fleksibilitas, lingkup minat, kognisi
Lebih terperinciSISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR)
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR) 1 Jatmika, S.Si, M.Kom 2 Lilis Anggraeni 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains
Lebih terperinciMetoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen
Metoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen Samuel Natalius / 18209031 Program Studi Sistem dan Teknologi Informasi Sekolah Teknik Elektro dan Informatika Institut Teknologi
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH :
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN DANA SIMPAN PINJAM PEREMPUAN (SPP) PNPM-MPd MENGGUNAKAN METODE NAÏVE BAYES DI DS. BANDAR KEDUNG MULYO KAB. JOMBANG SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer dan smartphones semakin hari pesat baik hardware maupun software, sehingga menjadi motivasi untuk mencoba mengembangkan suatu aplikasi
Lebih terperinciDIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Pada penelitian Sistem Pakar Diagnosa Awal Kanker Serviks Menggunakan Metode Naive Bayes Berbasis Android Dalam penelitian ini, untuk mengidentifikasi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Abnormal Psychology merupakan salah satu cabang dalam ilmu psikologi yang berupaya untuk memahami pola perilaku abnormal dan cara menolong orang-orang
Lebih terperinciPERBANDINGAN K-SUPPORT VECTOR NEAREST NEIGHBOR TERHADAP DECISION TREE DAN NAIVE BAYES
PERBANDINGAN K-SUPPORT VECTOR NEAREST NEIGHBOR TERHADAP DECISION TREE DAN NAIVE BAYES Eko Prasetyo 1), Rr Ani Dijah Rahajoe 2), Arif Arizal 3) 1), 2), 3) Teknik Informatika Universitas Bhayangkara Surabaya
Lebih terperinciIMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI
IMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciBAB I PENDAHULUAN. dinding sistem pencernaan, mulai dari mulut hingga ke anus. Tapi kondisi ini
BAB I PENDAHULUAN I.1. Latar Belakang Penyakit crohn adalah salah satu penyakit radang usus dan merupakan kondisi jangka panjang yang mana peradangan bisa terjadi pada seluruh lapisan dinding sistem pencernaan,
Lebih terperinciANALISIS INFORMATION GAIN ATTRIBUTE EVALUATION UNTUK KLASIFIKASI SERANGAN INTRUSI
ANALISIS INFORMATION GAIN ATTRIBUTE EVALUATION UNTUK KLASIFIKASI SERANGAN INTRUSI Aulia Essra (1), Rahmadani (2), Safriadi (3) Magister Teknik Informatika, Universitas Sumatera Utara Jl. Universitas No.24A
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 terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
Lebih terperinciBAB I PENDAHULUAN. Sistem pakar atau exspert system merupakan sebuah program komputer
BAB I PENDAHULUAN I.1. Latar Belakang Sistem pakar atau exspert system merupakan sebuah program komputer yang dirancang untuk memodelkan serta kemampuan menyelesaikan masalah seperti layaknya seorang pakar
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 terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciBAB I PENDAHULUAN. sistem peredaran darah orang lain. Sebelum ditransfusikan, periksa kembali sifat
BAB I PENDAHULUAN 1.1 Latar Belakang Donor darah adalah proses pengambilan darah dari seseorang secara sukarela untuk disimpan di bank darah untuk kemudian dipakai pada transfusi darah [1]. Seleksi donor
Lebih terperinciBAB IV GAMBARAN UMUM METODOLOGI DATA MINING
BAB IV GAMBARAN UMUM METODOLOGI DATA MINING A. Metodologi Data Mining Metodologi Data Mining Komponen data mining pada proses KDD seringkali merupakan aplikasi iteratif yang berulang dari metodologi data
Lebih terperinciKeoptimalan Naïve Bayes Dalam Klasifikasi
Keoptimalan Naïve Bayes Dalam Klasifikasi M. Ammar Shadiq Program Ilmu Komputer FPMIPA Universitas Pendidikan Indonesia ammar.shadiq@gmail.com Abstrak Naïve Bayes adalah salah satu algoritma pembelajaran
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Data Mining Data mining merupakan disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data (Han and Kamber, 2006). Data mining sering
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang Masalah
12 BAB 1 PENDAHULUAN 1. 1 Latar Belakang Masalah Komputer telah berkembang sebagai alat pengolah data, penghasil informasi dan turut berperan dalam pengambilan keputusan. Bahkan para ahli komputer masih
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Sistem Pendukung Keputusan Pemberiaan Beasiswa PPA dan BBM Bagi Mahasiswa STMIK AKAKOM Yogyakarta Menggunakan Metode Naive Bayes dibuat oleh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Basis Data 2.1.1 Pengertian Data Menurut Turban (2003, p2), data ialah fakta yang belum diolah atau gambaran dari transaksi yang ditangkap, direkam, disimpan dan diklasifikasikan.
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciALGORITMA KLASIFIKASI NAÏVE BAYES UNTUK MENILAI KELAYAKAN KREDIT (Studi Kasus : Bank Mandiri Kredit Mikro)
ALGORITMA KLASIFIKASI NAÏVE BAYES UNTUK MENILAI KELAYAKAN KREDIT (Studi Kasus : Bank Mandiri Kredit Mikro) Fachry Husaini Program Studi Teknik Informatika Universitas Muhammadiyah Jember Email: fachry.gambleiss@gmail.com
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 terperinciKLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER
KLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER Zillan Taufiq Budiman 1), Wina Witanti 2), Dian Nursantika 3) 1), 2), 3) Informatika Universitas
Lebih terperinciOleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Lebih terperinciBAB I PENDAHULUAN I.1. Latar Belakang
BAB I PENDAHULUAN I.1. Latar Belakang Gangguan perkembangan pervasif (Pervasive Developmental Disorder) merupakan kelompok kondisi serius yang berasal dari masa kecil yang mempengaruhi perkembangan fisik,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 651-659 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI TINGKAT KELANCARAN NASABAH DALAM MEMBAYAR PREMI
Lebih terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciIDENTIFIKASI GANGGUAN USUS BESAR (COLON) BERDASARKAN CITRA IRIS MATA MENGGUNAKAN METODE NAÏVE BAYES
IDENTIFIKASI GANGGUAN USUS BESAR (COLON) BERDASARKAN CITRA IRIS MATA MENGGUNAKAN METODE NAÏVE BAYES Erwin 1, Muhammad Fachrurrozi 2, Rossi Passarella 3 dan Annisa Darmawahyuni 4 1,3 Jurusan Sistem Komputer,
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilakukan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BPJS MENGGUNAKAN METODE NAÏVE BAYES DI KABUPATEN NGANJUK
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BPJS MENGGUNAKAN METODE NAÏVE BAYES DI KABUPATEN NGANJUK SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom) Pada Program
Lebih terperinciBAB II KAJIAN PUSTAKA. pola seperti teknik statistic dan matematika (Larose, 2005).
BAB II KAJIAN PUSTAKA A. Data Minning Data minning adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan
Lebih terperinciPENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY)
(UNCERTAINITY) KETIDAKPASTIAN (UNCERTAINTY) Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu permasalahan karena
Lebih terperinciRANCANG BANGUN SISTEM IDENTIFIKASI KELAINAN CONDUCT DISORDER PADA ANAK MENGGUNAKAN METODE TEOREMA BAYES
RANCANG BANGUN SISTEM IDENTIFIKASI KELAINAN CONDUCT DISORDER PADA ANAK MENGGUNAKAN METODE TEOREMA BAYES 242 Galih Satrio Cahyo P.D.* 1, Septilia Arfida 2 1,2 Teknik Informatika, Institut Informatika dan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi perangkat lunak pada masa sekarang ini sangatlah
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan teknologi perangkat lunak pada masa sekarang ini sangatlah pesat, ini dapat dilihat dari kemunculan berbagai aplikasi-aplikasi yang dapat memudahkan user
Lebih terperinciLANDASAN TEORI. Universitas Indonesia. Klasifikasi topik menggunakan..., Dyta Anggraeni
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dari pekerjaan dan metode yang digunakan dalam tugas akhir untuk melakukan klasifiksi topik. Pembahasan ini dimulai dengan penjelasan klasifikasi
Lebih terperinciTeknik Pengklasifikasi : Bayesian, JST (ANN) Bertalya Universitas Gunadarma 2009
Teknik Pengklasifikasi : Bayesian, JST (ANN) Bertalya Universitas Gunadarma 2009 Masalah Pengklasifikasian Klas suatu record yg diuji tidak selalu dapat diprediksi disebabkan oleh faktor2 penentu tidak
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus : Calon Pendonor Darah di Kota Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 193-200 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES
Lebih terperinci2016 SISTEM PAKAR DIAGNOSA AWAL KANKER KULIT MELANOMA MALIGNA BERBASIS WEB MENGGUNAKAN METODE FUZZY RULE BASED CLASSIFICATION SYSTEMS
DAFTAR ISI KATA PENGANTAR... i UCAPAN TERIMA KASIH... ii ABSTRAK... i ABSTRACT...v DAFTAR ISI... vii DAFTAR GAMBAR... viii DAFTAR TABEL... ix BAB I PENDAHULUAN...1 1.1. Latar Belakang...1 1.2. Rumusan
Lebih terperinciBAB I PENDAHULUAN. beroperasi seperti otak manusia, sistem ini dapat mengambil keputusan layaknya
BAB I PENDAHULUAN I. Latar Belakang Sistem pakar (Expert system) adalah suatu sistem yang dapat bekerja atau beroperasi seperti otak manusia, sistem ini dapat mengambil keputusan layaknya seorang pakar
Lebih terperinciBAB I PENDAHULUAN. pesat terutama pada dunia komputer memberikan kita wawasan yang luas
BAB I PENDAHULUAN I.1 Latar Belakang Seiring perkembangan teknologi dan informasi yang semakin cepat dan pesat terutama pada dunia komputer memberikan kita wawasan yang luas sehingga kita dapat memperoleh
Lebih terperinciAPLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER
APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER Aprilia Sulistyohati, Taufiq Hidayat Laboratorium Sistem Informasi dan Perangkat Lunak Jurusan Teknik Informatika Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersediaan teknologi dewasa ini mempengaruhi pada proses pertukaran informasi menjadi mudah dan bebas. Kemajuan yang cukup besar di bidang komputer dan dunia internet
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciKLASIFIKASI TEKS MENGGUNAKAN CHI SQUARE FEATURE SELECTION UNTUK MENENTUKAN KOMIK BERDASARKAN PERIODE, MATERI DAN FISIKDENGAN ALGORITMA NAIVEBAYES
K LA S IF IK A S I TEKS M ENG G UNAKAN CHI SUUARE FEATURE SELECT/UNU NTUK M ENEN TU KAN K O M IK B E R D A S A R K A N PERIO DE, M ATERI DAN FIS IK D E N G A N A LG O R ITM A NANEBAYES KLASIFIKASI TEKS
Lebih terperinciSISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER 1 Yasidah Nur Istiqomah (07018047), 2 Abdul Fadlil (0510076701) 1 Program Studi Teknik Informatika 2 Program
Lebih terperinci