Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
|
|
- Yanti Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 2 : Jl Ds. Mojoroto Gang 1 1,2 Kediri, swanjayadaniel@yahoo.com, 2 aza.syaifa@gmail.com Abstrak Educational Data Mining adalah disiplin ilmu yang berkaitan dengan pengembangan metode untuk mempelajari data yang berasal dari dunia pendidikan sehingga dapat lebih memahami karakter siswa maupun mahasiswa. Dalam hal ini, EDM digunakan untuk memprediksi minat dan bakat kerja yang dimiliki oleh mahasiswa. Sejatinya masa perkuliahan sangat mencerminkan minat pekerjaan mahasiswa. Namun dalam kenyataannya masih banyak mahasiswa yang tidak memahami secara persis minat dan bakatnya meski sudah sampai pada tingkat akhir perkuliahan. Di sisi lain, secara tidak langsung minat dan bakat mahasiswa tercermin pada nilai akademik yang diperoleh. Oleh karena itu, paper ini mencoba menemukan pola minat dan bakat mahasiswa terhadap dunia kerja dengan menggunakan Decision Tree. Data yang digunakan dalam paper ini adalah data nilai 8 mata kuliah wajib dari 42 alumni jurusan S1 Matematika. Sedangkan lapangan kerja yang tersedia meliputi Pengajar, Pegawai, dan Enterpreuner. Hasil percobaan menunjukkan bahwa Decision Tree dapat membentuk sebuah pola minat dan bakat mahasiswa terhadap dunia kerja. Hasil evaluasi classifier ini menunjukkan nilai AUC diatas 0.9 untuk masing-masing profesi. Kata kunci: Decision Tree, Educational Data Mining, Minat Kerja, Prediksi Pendahuluan Dalam pengembangannya, konsep dan metode Data Mining dapat diterapkan dalam berbagai bidang, misalnya pemasaran, pasar saham, manajemen, teknik, kedokteran, pendidikan, dll. Salah satu cabang Data Mining di bidang pendidikan yang sering disebut dengan Educational Data Mining (EDM). EDM merupakan teknik yang dapat diterapkan pada semua data yang terkait dengan bidang pendidikan. EDM merupakan proses transformasi data mentah yang tersimpan di sistem informasi pendidikan yang dapat digunakan untuk mengambil sebuah keputusan atau informasi[1]. EDM ditujukan untuk mempelajari data yang tersedia di bidang pendidikan dan menerjemahkan knowledge tersembunyi dari data tersebut. Metode klasifikasi seperti Decision Tree, Association Rule, atau Naïve Bayes dapat diterapkan pada saat menggali data pendidikan[2]. Beberapa kasus pendidikan yang dapat diselesaikan menggunakan EDM antara lain memprediksi nilai yang akan diperoleh siswa[2][3], memprediksi penerima beasiswa[4], memprediksi kemungkinan drop out[5], atau memprediksi jumlah mahasiswa pengikut mata kuliah[6]. Kemampuan prediksi ini akan membantu dosen maupun guru untuk mengidentifikasi siswa yang lemah dan pada akhirnya akan membantu mereka memecahkan masalah yang mungkin dihadapi[2]. Pemodelan masalah dalam EDM layaknya masalah penggalian data umumnya yang terdiri dari sejumlah record yang memiliki beberapa fitur. Misalnya pada kasus prediksi penerima beasiswa, fitur yang digunakan antara lain nilai semester, peringkat kelas, prestasi akademik non akademik, jumlah SKS yang diambil atau keterlibatan dengan kegiatan kurikulum[4]. Data EDM sering kali dikaitkan dengan nilai di bidang akademik dan non akademik. Namun masih sedikit yang mengaitkan prestasi akademik tersebut dengan keberhasilannya memasuki dunia kerja. Di sisi lain, sejatinya nilai akademik di saat perkuliahan sangat mencerminkan minat pekerjaan mahasiswa. Namun dalam kenyataannya masih banyak mahasiswa yang tidak memahami secara persis minat dan bakatnya meski sudah sampai pada tingkat akhir perkuliahan. Oleh karena itu, paper ini mencoba memanfaatkan EDM untuk menemukan pola minat dan bakat mahasiswa terhadap dunia kerja. Metode yang akan digunakan adalah Decision Tree. Data yang digunakan dalam paper ini SENTRA 1
2 adalah data nilai 8 mata kuliah wajib dari 42 alumni jurusan S1 Matematika Universitas Airlangga. Sedangkan lapangan kerja yang tersedia meliputi Pengajar, Pegawai, dan Enterpreuner. Dengan demikian, diharapkan dengan mengetahui kemampuan mahasiswa di bidang akademik, profesi yang cocok untuk mahasiswa tersebut dapat diprediksi. Metode Penelitian Proses penggalian data dimulai dari pengumpulan data. Data diambil dari 42 alumni jurusan S1 Matematika Universitas Airlangga yang telah lulus & bekerja. Lapangan pekerjaan yang umum bagi sarjana sains di bidang matematika antara lain pegawai bank, pegawai perusahaan swasta, PNS, pengusaha, pedagang, guru, tentor, dan dosen. Dalam paper ini, lapangan pekerjaan tersebut dikelompokkan menjadi tiga kategori yakni Enterpreuner, Pegawai, dan Pengajar. Lebih lanjut pembagian lapangan pekerjaan dapat dilihat pada Tabel 1. Kategori Enterpreuner Pegawai Pengajar Tabel 1 Profesi Sarjana Matematika Jenis Pekerjaan Pengusaha, Pedagang Pegawai Bank, Pegawai Perusahaan Swasta, PNS Guru, Tentor, Dosen Data alumni tersebut dilengkapi dengan data nilai akademik yang diperoleh saat masih kuliah. Mata kuliah yang dijadikan pertimbangan antara lain mata kuliah Kalkulus 1, Analisis Real (Anreal) 1, Aljabar Linear Elementer (ALE), Aljabar Linear (Alin), Statistika 1, Statistika Komputasi (Statkom), Algoritma Pemrograman (Alpro), dan Ilmu Sosial Budaya Dasar (ISBD). Mata kuliah tersebut merupakan beberapa mata kuliah dasar di tingkat dasar dan beberapa mata kuliah lanjutan di masingmasing konsentrasi bidang yang ditempuh di tingkat atas. Pembagian konsentrasi bidang tersebut dapat dilihat di Tabel 2. Delapan fitur mata kuliah ini dipilih karena mata kuliah tersebut merupakan mata kuliah wajib yang pasti ditempuh oleh seluruh mahasiswa Jurusan S1 Matematika. Dengan demikian, diharapkan dengan mengetahui kemampuan mahasiswa di bidang akademik, profesi yang cocok untuk mahasiswa tersebut dapat diprediksi. Bobot fitur yang dipakai berupa data ordinal yakni, A, AB, B, BC, C, D, dan E yang memiliki bobot nilai indeks prestasi 0 s.d 4 dalam skala IPK 4. Tabel 2 Bidang Konsentrasi Mata Kuliah Bidang Konsentrasi Mata Kuliah Matematika Murni Kalkulus 1, Analisis Real (Anreal) 1, Aljabar Linear Elementer (ALE), Aljabar Linear (Alin) Matematika Terapan Ilmu Sosial Statistika 1, Statistika Komputasi (Statkom), Algoritma Pemrograman (Alpro) Ilmu Sosial Budaya Dasar (ISBD) Pembuatan pola dilakukan menggunakan metode Decision Tree. Dalam Decision tree, model direpresentasikan sebagai struktur pohon (tree) yang terdiri dari node. Setiap node merepresentasikan fitur, setiap cabang merepresentasikan nilai dari fitur, dan setiap daun merepresentasikan kelas atau keputusan (Gorunescu, 2011). Decision Tree merupakan pendekatan divide-and-conquer dengan konsep klasifikasi. Metode ini bekerja dari atas ke bawah dengan membagi fitur ke dalam bagian kelas. Pembagian secara bertahap ini diproses secara rekursif submasalah sehingga dihasilkan fitur terakhir yang dapat menentukan kelas. Strategi ini menghasilkan sebuah tree yang kemudian dapat diubah menjadi suatu rules (Witten et all, 2011). Pada decision tree terdapat 3 jenis node, yaitu Root, Node Internal, dan Leaf node. Root merupakan node paling atas. Node ini tidak terdapat input di atasnya. Pada node ini mungkin bisa tidak terdapat output atau bisa mempunyai output lebih dari satu. Selanjutnya Internal Node yakni node percabangan. Pada node ini hanya terdapat satu input dan mempunyai output minimal dua. SENTRA 2
3 Dalam kasus ini Root dan Node Internal berupa mata kuliah. Yang terakhir adalah Leaf node yang merupakan node akhir. Pada node ini hanya terdapat satu input dan tidak mempunyai output. Dalam kasus ini leaf node adalah profesi (Gorunescu, 2011). Model dibangun dengan Decision Tree menggunakan Algoritma C4.5. Tahap ini diawali dengan menghitung nilai entropy yang akan digunakan untuk menghitung nilai gain masing-masing fitur. Fitur dengan nilai gain yang tertinggi, selanjutnya akan ditetapkan menjadi root. Rumus menghitung entropy dan gain ditunjukkan dalam persamaan (1) dan (2). c Entropy ( S) p 2 i log p i (1) n 1 Sv Gain ( S, A) Entropy ( S) Entropy ( Sv) (2) S v Values( A) Langkah perhitungan entropy dan gain pada tiap fitur ini diulang secara terus menerus hingga semua mata kuliah terpartisi. Proses dari Decision Tree ini akan berhenti jika semua mata kuliah dalam simpul N sudah mendapat kategori pekerjaan, tidak ada fitur mata kuliah di dalam record yang dipartisi lagi, dan tidak ada record di dalam cabang yang kosong (Gorunescu, 2011). Hasil Penelitian dan Pembahasan Sebuah Decision Tree dibentuk dari 42 record dengan 8 fitur berupa nilai mata kuliah. Gambar 1 menunjukkan tree yang terbentuk. Pada Decision Tree tersebut, mata kuliah Aljabar Linear terpilih sebagai root dimana mata kuliah tersebut adalah mata kuliah konsentrasi matematika murni. Percabangan nilai Aljabar Linear dibatasi oleh nilai AB. Jika mahasiswa memperoleh nilai Aljabar Linear AB, maka besar kemungkinan dia memang berminat pada ilmu-ilmu eksak sehingga memilih berprofesi sebagai pengajar. Selanjutnya, untuk leaf kedua dan ketiga terpilih Analisis Real I dan Statistika I. Dari percabangan node ini dapat diketahui bahwa jika nilai dua mata kuliah tersebut < BC, maka mahasiswa yang bersangkutan lebih berminat dengan dunia industri atau kewirausahaan (enterpreuner). Selebihnya mahasiswa akan memilih sebagai wiraswasta (pegawai). Gambar 1 Tree yang terbentuk 0 = Enterpreuner, 1 = Pegawai, dan 2 = Pengajar SENTRA 3
4 Menurut pola yang dihasilkan tersebut, lima mata kuliah yang lain, yakni kuliah Kalkulus 1, ALE, Statkom, Alpro, dan ISBD tidak begitu mempengaruhi peminatan kerja mahasiswa. Dari Decision Tree tersebut, terbentuklah beberapa rule sebagai berikut: Rule (1) Rule (2) Rule (3) : IF Aljabar Linear AB THEN Minat Kerja = Pengajar : IF Aljabar Linear < AB AND Analisis Real < C AND Statistika < BC THEN Minat Kerja = Enterpreuner : IF Aljabar Linear < AB AND Analisis Real < C AND Statistika > BC THEN Minat Kerja = Pegawai Evaluasi Decision Tree dilakukan dengan menghitung luasan Area Under Curves (AUC) pada kurva Receiver Operating Characteristics (ROC). Kurva ROC adalah gambaran dua dimensi dari kinerja suatu classifier. Kurva ROC sering digunakan untuk mengevaluasi sebuah classifier karena mempunyai kemampuan evaluasi yang cukup baik. Analisis ROC telah diperkenalkan pada bidang machine learning dan data mining. Kurva ROC merupakan grafik perbandingan antara sensitivitas (sumbu vertikal) dan spesifisitas (sumbu horizontal). Sensitivitas yaitu proporsi data positif yang teridentifikasi dengan benar sedangkan spesifisitas adalah proporsi data negatif yang teridentifikasi salah sebagai positif (Fawcett, 2006). Metode yang digunakan untuk menghitung nilai kinerja classifier adalah dengan menghitung luas daerah dibawah kurva ROC, yang disebut dengan AUC. Jika nilai AUC semakin besar, maka classifier semakin baik. Pada paper ini dihitung luasan AUC pada masing-masing kurva ROC kelompok enterpreuner (Gambar 2), kelompok pegawai (Gambar 3), dan kelompok pengajar (Gambar 4). Nilai AUC untuk masing-masing kurva ROC kelompok Enterpreuner, Pegawai, dan Pengajar adalah 0.938, 0.985, dan Dari ketiga hasil yang diberikan menunjukkan bahwa Decision Tree yang terbentuk merupakan classifier yang baik karena nilai AUC yang diperoleh mendekati 1. Gambar 2 Kurva ROC untuk Enterpreuner SENTRA 4
5 Gambar 3 Kurva ROC untuk Pegawai Gambar 4 Kurva ROC untuk Pengajar Kesimpulan Paper ini memanfaatkan EDM untuk menemukan pola minat dan bakat mahasiswa terhadap dunia kerja. Metode yang digunakan adalah Decision Tree. Dari Tree yang terbentuk, mata kuliah Aljabar Linear terpilih sebagai root. Percabangan nilai Aljabar Linear dibatasi oleh nilai AB. Artinya besar kemungkinan mahasiswa akan memilih berprofesi sebagai pengajar jika memperoleh nilai Aljabar Linear AB. Mata kuliah lain yang terpilih sebagai node adalah Analisis Real I dan Statistika I. Menurut pola ini lima mata kuliah yang lain, yakni kuliah Kalkulus 1, ALE, Statkom, Alpro, dan ISBD tidak begitu mempengaruhi peminatan kerja mahasiswa. Evaluasi dilakukan dengan menghitung luasan AUC dari tiga kurva ROC. Nilai AUC yang diperoleh dari kurva ROC kelompok Enterpreuner, SENTRA 5
6 Pegawai, dan Pengajar masing-masing adalah 0.938, 0.985, dan Hal ini menunjukkan bahwa Decision Tree yang terbentuk merupakan classifier yang baik karena nilai AUC yang diperoleh mendekati 1. Penelitian ini masih menggunakan data sampel 8 nilai akademik dari 42 mahasiswa. Lebih lanjut dapat dikembangkan dengan memperhitungkan mata kuliah ilmu sosial yang lebih banyak antara lain PPKn, Etika, komunikasi, dll Karena mata kuliah sosial banyak mempengaruhi kemampuan mahasiswa dalam berkomunikasi dan berinteraksi di dunia kerja. Selain itu, perhitungan kemampuan non akademik juga belum dilibatkan dalam paper ini. Contohnya kemampuan akademik dapat dilihat dari keikutsertaannya di Unit kegiatan Mahasiswa (UKM). Daftar Notasi S : Himpunan kasus A : Fitur p : proporsi kasus i n : Jumlah partisi atribut A S v : Proporsi S v terhadap S S : Jumlah kasus dalam S Referensi [1] Cecily H, Ryan B, Kalina Y. Proceedings of the Workshop on Educational Data Mining at the 8th International Conference on Intelligent Tutoring Systems Jhongli, Taiwan [2] Anupama K, Vijayalakshmi. Efficiency Of Decision Trees In Predicting Student s Academic Performance. Computer Science & Information Technology (CS & IT). 2011; 2: [3] Brijesh K, Saurabh P. Mining Educational Data to Analyze Students Performance. International Journal of Advanced Computer Science and Applications. 2011; 2(6) : [4] Irfan A, Jin T. An Application of Educational Data Mining (EDM) Technique for Scholarship Prediction. International Journal of Software Engineering and Its Applications. 2014; 8(12): [5] Mohammad M, Hari G, Diana P. Analisis Kemungkinan Drop Out Berdasarkan Perilaku Sosial Mahasiswa Dalam Educational Data Mining Menggunakan Jaringan Syaraf Tiruan Sebagai Classifier. Thesis. Surabaya: Postgraduate ITS; [6] Donny M dan Imam M. Aplikasi Association Rule Mining Untuk menemukan Pola Pada Data Nilai Mahasiswa Matematika ITS. Jurnal Sains dan Seni POMITS. 2013; 1(1):1-6 [7] Gorunescu, F. Data Mining Concept Model and Techniques. Berlin: Springer [8] Witten I. Frank E., and Hall M. Data Mining: Practical Machine Learning Tools and Techniques 3rd Edition, Morgan Kaufmann Publishers [9] Tom F. ROC Graphs : Notes and Practical Considerations for Data Mining Researchers, Pattern Recognition Letters. 2006; 27: SENTRA 6
60 Register: Jurnal Ilmiah Teknologi Sistem Informasi, Juli 2016, Volume 2, Nomor 2
Prediksi Kelulusan Mata Kuliah Menggunakan Hybrid Fuzzy Inference System Abidatul Izzah 1 dan Ratna Widyastuti 2 1,2 Teknik Informatika Politeknik Kediri, Kediri E-mail: 1 abidatul.izzah90@gmail.com, 2
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 terperinciAnalisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif
Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif Khafiizh Hastuti 1, Erwin Yudi Hidayat 2 1, 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 E-mail : 1 afis@dsn.dinus.ac.id,
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 terperinciPENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO
PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
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 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 terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
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 terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
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 terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih 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 terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih terperinciPREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO)
PREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO) Arif Rakhman Email : arif@limamedia.net D III Teknik Komputer Politeknik Harapan Bersama
Lebih terperinciPenerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa
Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa Liliana Swastina Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Indonesia Banjarmasin, Indonesia lilisera@gmail.com
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 terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciPENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok,
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 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 terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG
IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciBAB 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 terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciBAB 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 terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih 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 terperinciIDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA MENGGUNAKAN ALGORITMA C4.5
IDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (Studi Kasus Lulusan Fakultas Sains dan Matematika Universitas Diponegoro Tahun 2013/2014) asa M arga ro) C ng Semara
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE
IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
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 terperinciSISTEM PENDUKUNG KEPUTUSANPENERIMAAN SISWA BARU SMK MA ARIF NU BANYUMAS
SISTEM PENDUKUNG KEPUTUSANPENERIMAAN SISWA BARU SMK MA ARIF NU BANYUMAS Farida Jurusan Sistem Informasi STMIK Pringsewu Lampung Jl.Wisma Rini No.09 Pringsewu Lampung Telp.(0729)22240 website: www.stmikpringsewu.ac.id
Lebih terperinciPREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 2-4 Nopember 2015 PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING Paramita Mayadewi 1), Ely Rosely 2) 1,2 D3 Manajemen Informatika,
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 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 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 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 terperinciAPLIKASI ASSOCIATION RULE MINING UNTUK MENEMUKAN POLA PADA DATA NILAI MAHASISWA MATEMATIKA ITS
APLIKASI ASSOCIATION RULE MINING UNTUK MENEMUKAN POLA PADA DATA NILAI MAHASISWA MATEMATIKA ITS DONNY MITRA VIRGIAWAN 1209100035 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE
IMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE Asmah 1), Mussallimah 2), Indrianti 3) 1,2,3) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos Sudarso rt. 06
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 terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 595-604 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih 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 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 terperinciPengolahan 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 terperinciAnalisis Pola Pemilihan Konsentrasi Ilmu Jurusan Sistem Informasi Di STMIK TIME
Volume VI No 2, Desember 2017 pissn : 2337 3601 eissn : 2549 015X Tersedia online di http://ejournal.stmik-time.ac.id Analisis Pola Pemilihan Konsentrasi Ilmu Jurusan Sistem Informasi Di STMIK TIME Herman
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih 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 terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciPENCARIAM JURUSAN SUBANG DENGAN ALGORITMA C 4.5 DAN DATA MINING STMIK SUBANG Timbo Faritcan Parlaungan Siallagan
PENCARIAM JURUSAN SUBANG DENGAN ALGORITMA C 4.5 DAN DATA MINING STMIK SUBANG Timbo Faritcan Parlaungan Siallagan Program Studi Teknik Informatika, STMIK Subang Jl. Marsinu No. 5 - Subang, Tlp. 0206-417853
Lebih terperinciKLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION TREE. Yuli Hastuti
Jurnal Dinamika, September 2016, halaman 34-41 P-ISSN: 2087 7889 E-ISSN: 2503 4863 Vol. 07. No.2 KLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION
Lebih terperinciPREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN ALGORITMA KLASIFIKASI DATA MINING Paramita Mayadewi 1), Ely Rosely 2) 1,2 D3 Manajemen Informatika,
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciIMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA
IMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA Sudirman 1,2 Departement of Information Science, Faculty of Computer Science and
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Studi Sebelum menyusun tugas akhir ini dilakukan tinjauan pustaka terlebih dahulu terhadap penelitian-penelitian terkait sebagai bahan referensi. Penelitian tentang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Mahasiswa merupakan bagian terpenting dalam menentukan kualitas suatu perguruan tinggi. Kualitas perguruan tinggi dapat dinilai dari mutu dosen dan tenaga kependidikan,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
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 terperinciJURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI
JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI C4.5 ALGORITHM IMPLEMENTATION IN DETERMINING THE DEPARTMENT OF SMK PEMUDA PAPAR KEDIRI Oleh: MARISA FITRI FATMAWATI
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Implementasi Algoritma C4.5 dalam Memprediksi Masa Studi Mahasiswa STMIK Dumai. Asparizal Jurusan Teknik Informatika,
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN
116 IMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN Rismayanti 1 1 Dosen Tetap Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jl. H.M Joni No.70
Lebih terperinciPEMANFAATAN ALGORITMA ID3 UNTUK KLASIFIKASI IPK MAHASISWA PROGRAM STUDI PENDIDIKAN MATEMATIKA UN PGRI KEDIRI
PEMANFAATAN ALGORITMA ID3 UNTUK KLASIFIKASI IPK MAHASISWA PROGRAM STUDI PENDIDIKAN MATEMATIKA UN PGRI KEDIRI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Pendidikan ( S.Pd
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 terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih 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 terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih 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 1 PENDAHULUAN Latar Belakang. Mahasiswa sebagai produk universitas dapat memberikan gambaran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Mahasiswa sebagai produk universitas dapat memberikan gambaran keberhasilan pendidikan dan manajemen pendidikan yang berlangsung di dalamnya. Banyak hal dilakukan
Lebih terperinciRayendra AMIK Kosgoro Solok
TEKNIK KLASIFIKASI PENYUSUTAN VOLUME PUPUK TERHADAP PENYIMPANAN DI GUDANG MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : GUDANG PERSEDIAAN PUPUK PT. PUSRI KOTA SOLOK) Rayendra AMIK Kosgoro Solok Email : rayzha1206@gmail.com
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA
PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA (Studi Kasus Nilai Mata Pelajaran Pokok di SMA Negeri 1 Jepara) SKRIPSI
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciAPLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI )
Artikel Skripsi APLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciPerancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI I Made Darma Susila 1), Ida Bagus Suradarma
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 terperinciPENERAPAN ALGORITMA DECISION TREE PADA PENENTUAN KEBERHASILAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA DECISION TREE PADA PENENTUAN KEBERHASILAN AKADEMIK MAHASISWA Ratih Kumalasari Niswatin 1), Resty Wulanningrum 2) 1), 2) Teknik Informatika Universitas Nusantara PGRI Kediri Kampus 2
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
6 BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
Lebih terperinciKAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA
KAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA LAKSANA PRIYO ABADI laksanarioabadi@gmail.com Program Studi Teknik Informatika
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih terperinciKLASIFIKASI TINGKAT PENGETAHUAN IBU DALAM PEMBERIAN ASI EKSLUSIF DENGAN METODE DECISION TREE
KLASIFIKASI TINGKAT PENGETAHUAN IBU DALAM PEMBERIAN ASI EKSLUSIF DENGAN METODE DECISION TREE Finki Dona Marlenny 1) 1), Sistem Informasi STMIK Indonesia Banjarmasin Jl Pangeran Hidayatullah, Banjarmasin
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 terperinci1. Model Prediksi Ini Menggunakan Tools RapidMiner
1. Model Prediksi Ini Menggunakan Tools RapidMiner RapidMiner memiliki keunggulan tersendiri, RapidMiner merupakan aplikasi data mining berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia
Lebih terperinciDwi Anggih Yosepta 1), Tria Aprilianto 2) 1. STMIK Asia Malang, 1 2
ANALISA POLA KELULUSAN MAHASISWA PADA SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER ASIA MALANG DENGAN MENGGUNAKAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) Dwi Anggih Yosepta 1), Tria Aprilianto 2) 1
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 terperinciSISTEM REKOMENDASI PENENTUAN JURUSAN KULIAH BERBASIS PROFIL DAN MINAT SISWA UNTUK MENGANTISIPASI KESALAHAN PEMILIHAN JURUSAN CALON MAHASISWA BARU
Kode/Nama Rumpun Ilmu: 463/Teknik Perangkat Lunak LAPORAN KEMAJUAN PENELITIAN DOSEN PEMULA SISTEM REKOMENDASI PENENTUAN JURUSAN KULIAH BERBASIS PROFIL DAN MINAT SISWA UNTUK MENGANTISIPASI KESALAHAN PEMILIHAN
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 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 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 terperinciANALISA TEKNIK PENENTUAN ATRIBUT DALAM MEMBUAT POHON KEPUTUSAN PADA PENAMBANGAN DATA
ISSN : 1978-6603 ANALISA TEKNIK PENENTUAN ATRIBUT DALAM MEMBUAT POHON KEPUTUSAN PADA PENAMBANGAN DATA Dian Wirdasari Program Studi Ilmu Komputer, Universitas Sumatera Utara Jl. Alumni No. 9 Kampus USU
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 terperinciDecision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan)
Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan) Rismayanti Program Studi Teknik Informatika Universitas Harapan
Lebih terperinci