PREDIKSI PENYAKIT DIABETES MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA
|
|
- Surya Hermawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 71~76 71 PREDIKSI PENYAKIT DIABETES MENGGUNAKAN NAIVE BAYES DENGAN OPTIMASI PARAMETER MENGGUNAKAN ALGORITMA GENETIKA Frisma Handayanna 1, Rinawati 2, Ester Arisawati 3, Linda Sari Dewi 4 1 STMIK Nusa Mandiri Jakarta frisma.fha@nusamandiri.ac.id 2 STMIK Nusa Mandiri Jakarta rinawati.riw@nusamandiri.ac.id 3 STMIK Nusa Mandiri Jakarta esterarisawati@yahoo.com 4 STMIK Nusa Mandiri Jakarta linda.lrw@nusamandiri.ac.id Abstrak Penyakit diabetes merupakan salah satu penyakit yang jumlahnya semakin meningkat dan bisa menyebabkan kematian. Penyakit diabetes merupakan penyakit sosial yang serius dan orang bisa terkena dalam jumlah besar, serta menyebabkan komplikasi dan melibatkan biaya yang tinggi. Untuk mengatasi permasalahan yang ada diperlukan suatu model yang mampu mengklasifikasikan dan memprediksi penyakit diabetes Type 3. Dalam penelitian ini dilakukan pengujian yaitu algoritma Naive Bayes dan algoritma Naive Bayes berbasis Algoritma Genetika mendapatkan rule dalam memprediksi penyakit diabetes dengan memberikan nilai akurasi yang lebih akurat. Dikarenakan masih banyak penelitian yang menggunakan metode Naive Bayes dalam memprediksi penyakit diabetes, tetapi nilai akurasi yang dihasilkan masih kurang akurat. Diharapkan penelitian ini dapat membantu masyarakat karena dengan adanya atribut yang menjelaskan penyebab dari penyakit diabetes type 3 sehingga mengetahui lebih dini apa yg menyebabkan penyakit diabetes type 3. Untuk dunia kesehatan, sebagai second opinion untuk tindakan atau langkah yang akan dilakukan oleh dokter untuk mendeteksi penyakit diabetes type 3. Dan bagi pengembangan keilmuan adalah penerapan algoritma Naive Bayes berbasis Algoritma Genetika dapat digunakan untuk prediksi penyakit diabetes type 3 dengan lebih cepat dan akurat. Dengan dilakukannya pengujian dengan dua model yaitu Algoritma Naive Bayes dan Naive Bayes berbasis Algoritma Genetika. Hasil yang didapat adalah pengujian dengan menggunakan Naive Bayes didapatkan nilai accuracy adalah 72.00% sedangkan pengujian dengan menggunakan Naive Bayes berbasis Algoritma Genetika didapatkan nilai accuracy 74.74% dan Sehingga dapat disimpulkan bahwa penerapan model Naive Bayes dengan Algoritma Genetika untuk seleksi fitur dan optimalisasi parameter terbukti dapat meningkatkan akurasi dalam prediksi penyakit diabetes type 3. Keywords: Diabetes, Naive Bayes, Algoritma Genetika 1. Pendahuluan Diabetes adalah penyakit di mana tubuh tidak mampu untuk menggunakan gula (atau glukosa) yang mengakibatkan terlalu banyak gula dalam darah (hiperglikemia). Ada tiga jenis diabetes: tipe 1 (insulin dependent), tipe 2 (non-insulin dependent diabetes mellitus (NIDDM) atau "onset dewasa"), dan diabetes mellitus gestasional (GDM). Jenis ketiga diabetes ada yang hanya mempengaruhi perempuan dan disebut gestational diabetes mellitus (GDM) (Okatiranti, 2016). GDM adalah jenis sementara diabetes yang terjadi selama kehamilan. Kebanyakan wanita dengan GDM akan kembali ke kadar glukosa yang normal setelah melahirkan bayi (Gestational Diabetes & First Nations Women, 2009). Klasifikasi Naive Bayes sering bekerja jauh lebih baik di banyak situasi dunia nyata yang kompleks dari mengharapkan satu kekuatan. Dimana variabel independen Diterima 23 Januari 2017; Revisi 12 Februari 2017; Disetujui 15 Maret, 2017
2 dianggap untuk tujuan prediksi atau terjadinya peristiwa (Pattekari & Parveen, 2012). Algoritma Genetika adalah metode pencarian umum stokastik, mampuefektif menjelajahi ruang pencarian besar (Karegowda, Manjunath & Jayaram, 2011). Algoritma yang paling efektif keputusan besar perhitungan pengurangan sistem dalam praktek adalah Algoritma Genetika (Mahmud, Agiza & Radwan, 2009). 2. Metode Penelitian Dalam penelitian ini dilakukan beberapa langkah yangdilakukan dalam proses penelitian. 1. Pengumpulan data Pada tahap ini dicari data yang tersedia, memperolehdata tambahan yang dibutuhkan, mengintegrasikansemua data kedalam data set, termasuk variabel yangdiperlukan dalam proses. Ditahap ini dilakukan penyeleksian data, datadibersihkan dan ditransformasikan kebentuk yangdiinginkan sehingga dapat dilakukan persiapan dalampembuatan model. 3. Metode yang diusulkan Pada tahap ini data dianalisis, dikelompokan variabelmana yang berhubungan dengan satu sama lainnya. Setelah data dianalisis lalu diterapkan model-model yang sesuai dengan jenis data. Pembagian data kedalam data latihan (training data) dan data uji (testing data)juga diperlukan untuk pembuatan model. 4. Eksperimen dan pengujian metode Pada tahap ini model yang diusulkan akan diuji untukmelihat hasil berupa rule yang akan dimanfaatkan dalampengambilan keputusan. 5. Evaluasi dan validasi Pada tahap ini dilakukan evaluasi terhadap model yangditetapkan untuk mengetahui tingkat keakurasian model. 2. Pengolahan data awal Tabel 1. Atribut Dan Data Penyakit Diabetes Type 3 Berapa Kali Hamil Konsentrasi Glukosa Tekanan Darah Lipatan Kulit Serum Insulin Massa Tubuh Diabetes type 3 Silsilah Fungsi Umur Kelas Ya Tidak Ya Tidak Ya Tidak Ya Tidak Ya Ya Sumber: (UCI Repository) Teknik pengumpulan data Teknik pengumpulan datayang diperoleh adalah data sekunder karena diperoleh dari Pima Indian diabetes Type 3 database dalam UCI (singkatan dari Pima Diabetes). Masalah yang harus dipecahkan di sini adalah prediksi terjadinya diabetes type 3 melitustype 3 dalam waktu 5 tahun dengan menggunakan Pima yang berisi 786 orang yang diperiksa dan sebanyak 500 pasien tidak terdeteksi terkena penyakit diabetes, sehingga 268 pasien terdeteksi penyakit diabetes. Data pasien penyakit diabetes type 3 bisa di lihat pada Tabel 1. Pengolahan data awal Jumlah data awal yang diperoleh dari pengumpulan data yaitu sebanyak 768 data, namun tidak semua data dapat digunakan dan tidak semua atribut digunakan karena harus melalui beberapa tahap pengolahan awal data (preparation data). Tabel 2. Atribut Diabetes Type 3 KNiST, 30 Maret
3 yang digunakan No Atribut Nilai Berapa Kali Hamil Konsentrasi Glukosa Tekanan Darah Lipatan Kulit Serum Insulin Masssa Tubuh Diabetes type 3 Silsilah Fungsi Berapa kali wanita hamil Konsentrasi glukosa plasma 2 jam dalam tes toleransi glukosa oral Tekanan Darah diastolik (mmhg) Triceps ketebalan lipatan kulit (mm) 2-Jam serum insulin (mu U / ml) Indeks massa tubuh (berat dalam kg / (tinggi dalam m) ^ 2) Diabetes type 3 silsilah fungsi 8 Umur Umur (tahun) Sumber: (UCI Repository) Metode yang diusulkan Pada tahap modeling ini dilakukan pemprosesan data traning sehingga akan membahas metode algoritma yang diuji dengan memasukan data penyakit diabetes type 3 kemudian di analisa dan dikomparasi. Genetic Algorithm Given a population of particles with random positions and velocities 1. Naive Bayesyaitu suatu metode sebuah metode seleksi fitur, dan mengambilsalah satu yang memilikiakurasiklasifikasiterbaik. 2.Algoritma Genetikayaitu Model yang diusulkan pada penelitian tentang prediksi penyakit diabetes type 3 adalah dengan menerapkan Naive Bayes dan Naive Bayes berbasis Algoritma Genetika. Evaluasi dan Validasi Hasil Model yang diusulkan pada penelitian tentang prediksi penyakit diabetes type 3 adalah dengan menerapkan Naive Bayes dan naive bayesnaive Bayes berbasis Algoritma Genetika 3. Pembahasan Hasil Eksperimen dan Metode 3.1 Evaluasi dan validasi hasil Naive Bayes Hasil dari pengujian model yang dilakukan memprediksi penyakit diabetes type 3 dengan Naive Bayes untuk menentukan nilai accuracy dan AUC. Dalammenentukan nilai tingkat keakurasian dalam model dengan Naive Bayes. Metode pengujiannya menggunakan cross validation dengan desain modelnya sebagai berikut. A particle in the population Atrbute Weight represented by this particle Traning Naïve Bayes Model No Update particle velocitiy and global position Is stop condition satisfied? Yes Optimal Naïve Bayes Atribute obtined Optimal Naïve Bayes classification model obtined Gambar 3. Desain Model Validasi Pada penelitian penentuan hasil penyakit diabetes type 3 menggunakan algoritma Naive Bayes berbasis pada framework RapidMiner sebagai berikut: Gambar 2. Metode yang diusulkan Eksperimen dan Pengujian Metode Tahap modeling untuk menyelesaikan prediksi penyakit diabetes type 3 dengan menggunakan dua metode yaitu algoritma naive bayesdan algoritma algoritma genetika. Gambar 4. Model Pengujian Validasi Naive Bayes KNiST, 30 Maret
4 Nilai accuracy, precision, dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Naive Bayes didapatkan hasil pada tabel 3 1. Confusion Matrix Tabel 4 diketahui dari 768 data, 115 diklasifikasikan ya sesuai dengan prediksi yang dilakukan dengan metode naïve bayes, lalu 62 data diprediksi ya tetapi ternyata hasilnya prediksi tidak, 438data class tidak diprediksi sesuai, dan 153 data diprediksi tidak ternyata hasil prediksinya ya. Tabel 4. Model Confusion Matrix untuk Metode Naive Bayes accuracy:72.00% +/-5.12% (mikro: 72.01%) Ya Tidak Class precission pred. Ya % pred. Tidak % class recall 44.03% 90.04% Gambar 5. Kurva ROC dengan Metode Naïve Bayes Dari Gambar 3 terdapat grafik ROC dengan nilai AUC (Area Under Curve) sebesar dimana diagnosa hasilnya Fair classification. Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah prediksi hasil prediksi penyakit diabetes type 3, dapat disimpulkan bahwa hasil eksperiment menggunakan metode Naive Bayes mempunyai tingkat akurasi sebesar % dan mempunyai nilai AUC sebesar Evaluasi dan validasi hasil Naive Bayes Berbasis Genetika Algoritma Pada penelitian penentuan hasil penyakit diabetes type 3 menggunakan Naive Bayes berbasis Genetika Algoritma pada framework RapidMiner sebagaiberikut Berdasarkan Tabel 4tersebut menunjukan bahwa, tingkat akurasi dengan menggunakan algoritma Naive Bayes adalah sebesar 72,00%, 2. Kurva ROC Hasil perhitungan divisualisasikan dengan kurva ROC. Perbandingan kedua metode komparasi bisa dilihat pada Gambar 3 yang merupakan kurva ROC untuk algoritma Naive Bayes. Kurva ROC pada gambar 3 mengekspresikan confusion matrix dari Tabel 4. Garis horizontal adalah false positives dan garis vertikal true positives. Gambar 6. Model pengujian validasi Naive Bayes berbasis Genetika Algoritma Nilai accuracy, precision, dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Naive Bayes berbasis Genetika Algoritmadidapatkan hasil pada tabel 5 1. Confusion Matrix Tabel 5 diketahui dari 768 data, 116 diklasifikasikan ya sesuai dengan prediksi yang dilakukan dengan validasi Naive Bayes berbasis Genetika Algoritma, lalu 42 data diprediksi ya tetapi ternyata hasilnya prediksi KNiST, 30 Maret
5 tidak, 458 data class tidak diprediksi sesuai, dan 152 data diprediksi tidak ternyata hasil prediksinya ya. Tabel 5. Model Confusion Matrix untuk Metode validasi Naive Bayes berbasis Genetika Algoritma accuracy:74.74% +/-2.90% (mikro: 74.74%) Ya Tidak Class precission pred. Ya % pred. Tidak % class recall 43.28% 91.60% Berdasarkan Tabel 5 tersebut menunjukan bahwa, tingkat akurasi dengan menggunakan algoritma Naive Bayes berbasis Algoritma Genetika adalah sebesar 74,74%. 3. Kurva ROC Hasil perhitungan divisualisasikan dengan kurva ROC. Perbandingan kedua metode komparasi bisa dilihat pada Gambar 3 yang merupakan kurva ROC untuk algoritma Naive Bayes. Kurva ROC pada gambar 3 mengekspresikan confusion matrix dari Tabel 4. Garis horizontal adalah false positives dan garis vertikal true positives. Gambar 7. Kurva ROC dengan Metode Naïve Bayesberbasis Algoritma Genetika Dari Gambar 7 terdapat grafik ROC dengan nilai AUC (Area Under Curve) sebesar dimana diagnosa hasilnya Fair classification. Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah prediksi hasil prediksi penyakit diabetes type 3, dapat disimpulkan bahwa hasil eksperiment menggunakan metode Naive Bayesberbasis Algoritma Genetikamempunyai tingkat akurasi sebesar 74.74% dan mempunyai nilai AUC sebesar Tabel 6. Pengujian algoritma Naive Bayes dan Naïve Bayes Berbasis Algoritma Genetika Accuracy AUC Naive Bayes 72.00% Naive Bayes Berbasis Algoritma Genetika 74.74% Simpulan Berikut ini kesimpulan yang penulis ambil setelah melakukan penelitian. Hasil eksperimen pengujian data penyakit diabetes UCI data set dengan menggunakan Naive Bayes sebelum dan sesudah dilakukan seleksi atribut dengan optimasi parameter dengan Algoritma Genetika, menunjukkan bahwa adanya perbedaan yang signifikan pada akurasinya. Dan penerapan model Naive Bayes Algoritma Genetika untuk seleksi fitur dan optimasi parameter terbukti meningkatkan akurasi dalam prediksi penyakit diabetes type 3. Pada penelitian ini penerapan model Naïve Bayes berbasis Algoritma Genetika dapat meningkatkan akurasi prediksi penyakit diabetes type 3, akan tetapi karena keterbatasan mengenai penelitian yang dilakukan ini disarankan untuk melakukan penelitian selanjutnya yang berkaitam dengan prediksi untuk mendapatkan akurasi yang lebih baik. Adapun saran yang diberikan yaitu: 1. Data Prediksi penyakit diabetes type 3 merupakan data yang diambil dari UCI Repository dimana atribut disesuaikan dengan kondisi penyakit diabates type 3, penelitian ini dapat dijadikan acuan bagi penentuan penyakit diabetes yang datanya bermanfaat bagi dunia kesehatan. 2. Parameter yang digunakan untuk penentuan penyakit diabetes type 3 mungkin akan bertambah dengan perubahan lingkungan. 3. Penelitian ini dapat dikembangkan dengan metode klasifikasi data mining lainnya seperti Decision tree, Neural Network, KNN dan lainnya serta melakukan optimasi dengan Ant Colony KNiST, 30 Maret
6 Optimization (ACO), Adaboost, dan lainnya. Referensi Iancu, E., Iancu, I., & Sfredel, V. (2010). Predictive Control Of Blood Glucose In Diabetes Mellitus Patients. International Conference On Automation, Quality And Testing, Robotics, 1-6. Karegowda, A.G. Manjunath, A.S. Jayaram, M.A. (2011). Application Of Genetic Algorithm Optimized Neural Network Connection Weights For Medical Diagnosis Of Pima Indians Diabetes. International Journal On Soft Computing (Ijsc ) Mahmud,W.M. Agiza, H N. & Radwan, E. (2009). Intrusion Detection Using Rough Sets Based Parallel Genetic Algorithm Hybrid Model. Proceedings Of The World Congress On Engineering And Computer Science. Mason, R. (2005). The Natural Diabetes Cure. Usa: 4th Printing Spring Okatiranti, O. (2016). PENGETAHUAN PASIEN DIABETES MELITUS TIPE II TENTANG PERAWATAN KAKI DI WILAYAH KERJA PUSKESMAS CIKUTRA BARU KECAMATAN CIBEUNYING KALER BANDUNG. KEPERAWATAN, 1(1). Pattekari, S.A. Parveen, A. (2012). Prediction System For Heart Disease Using Naive Bayes. International Journal of Advanced Computer and Mathematical Sciences, Akutansi AMIK BSI Jakarta. Tahun 2010 lulus dari Program Strata Satu (S1) Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta lulus dari Program Strata Dua (S2) Prodi Imu Komputer STMIK Nusa Mandiri Jakarta Tahun Aktif mengajar di STMIK Nusa Mandiri Jakarta. Telah melakukan penulisan paper di Jurnal STMIK Antarbangsa Jurnal Sistem Informasi ISSN Vol. IV No.1 Februari 2015, Jurnal STMIK Antarbangsa Jurnal Teknik Informatika Vol. I No. 2 Agustus 2015 ISSN Jurnal STMIK Antarbangsa Jurnal Teknik Informatika Vol. II No. 1 Februari 2016 ISSN Ester Arisawati, M.Kom. lulus Tahun 2007 Diploma Tiga (DIII) Jurusan Komputer Akutansi AMIK BSI Jakarta. Tahun 2010 lulus dari Program StrataSatu (S1) Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta lulus dari Program Strata Dua (S2) Prodi Imu Komputer STMIK Nusa Mandiri Jakarta Tahun Aktif mengajar di STMIK Nusa Mandiri Jakarta. Rinawati, M.Kom. lulus Tahun 2005 Diploma Tiga (DIII) Jurusan Komputer Akutansi AMIK BSI Jakarta. Tahun 2008 lulus dari Program StrataSatu (S1) Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta lulus dari Program Strata Dua (S2) Prodi Imu Komputer STMIK Nusa Mandiri Jakarta Tahun Aktif mengajar di STMIK Nusa Mandiri Jakarta. Linda Sari Dewi, M.Kom. lulus Tahun 2009Diploma Tiga (DIII) Jurusan Komputer Akutansi AMIK BSI Jakarta. Tahun 2010 lulus dari Program StrataSatu (S1) Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta lulus dari Program Strata Dua (S2) Prodi Imu Komputer STMIK Nusa Mandiri Jakarta Tahun Aktif mengajar di STMIK Nusa Mandiri Jakarta. Biodata Penulis Frisma Handayanna, M.Kom. Lulus Tahun 2006 Diploma Tiga (DIII) Jurusan Komputer KNiST, 30 Maret
DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciPREDIKSI PENYAKIT DIA BETES MELLITUS DENGAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION
VOL. II NO. 1 FEBRUARI 2016 JURNAL PREDIKSI PENYAKIT DIA BETES MELLITUS DENGAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION Frisma Handayanna Abstract Diabetes at this time has increased
Lebih terperinciPENENTUAN PENILAIAN KREDIT MENGGUNAKAN METODE NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION
PENENTUAN PENILAIAN KREDIT MENGGUNAKAN METODE NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION Rinawati Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri) Jl. Kramat Raya
Lebih terperinciPENERAPANK-NEAREST NEIGHBOR BERBASIS GENETIC ALGORITHM UNTUKPENENTUAN PEMBERIAN KREDIT
PENERAPANK-NEAREST NEIGHBOR BERBASIS GENETIC ALGORITHM UNTUKPENENTUAN PEMBERIAN KREDIT Ester Arisawati Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri) Jl. Kramat Raya
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
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 III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciPenerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode
Lebih terperinciARTIKEL TUGAS AKHIR PENENTUAN BESAR AKURASI METODE KLASIFIKASI MENGGUNAKAN ALGORITMA C4
ARTIKEL TUGAS AKHIR PENENTUAN BESAR AKURASI METODE KLASIFIKASI MENGGUNAKAN ALGORITMA C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION PADA PREDIKSI PENYAKIT DIABETES Di Susun Oleh : Nama NIM Fakultas Program
Lebih terperinciApplication Determination Of Credit Feasibility in Sharia Cooperative
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 555~560 Application Determination Of Credit Feasibility in Sharia Cooperative 555 Dibjo Marginato AMIK BSI Tangerang Email: dibjomgo@gmail.com
Lebih terperinciDETEKSI PENYAKIT DIABETES TYPE II DENGAN NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION
DETEKSI PENYAKIT DIABETES TYPE II DENGAN NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION Parida Purnana dan Catur Supriyanto Pascasarjana Teknik Informatika Universitas Dian Nuswantoro ABSTRAK Menurut
Lebih terperinciPARTICLE SWARM OPTIMIZATION UNTUK MENINGKATKAN AKURASI PREDIKSI PEMASARAN BANK
Jurnal PILAR Nusa Mandiri Vol 14 No. 1, Maret 2018 83 PARTICLE SWARM OPTIMIZATION UNTUK MENINGKATKAN AKURASI PREDIKSI PEMASARAN BANK Ridwansyah 1 ; Esty Purwaningsih 2 1 Program Studi Teknik Informatika
Lebih terperinciPERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES
PERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES Hendra Marcos 1, Hengky Setiawan Utomo 2 1,2 Program Studi Teknik Informatika, STMIK Amikom Purwokerto Jl. Pol. Soemarto
Lebih terperinciPENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG
PENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG Abdul Rohman ) Abstrak Penyakit jantung adalah terjadinya penyumbatan sebagian atau total dari suatu lebih pembuluh darah, akibatnya
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 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 terperinciPENERAPAN MODEL PERCEPTRON PADA NAIVE BAYES DALAM BENTUK MODEL HYBRID UNTUK PREDIKSI UNTUNG RUGI PERUSAHAAN STUDI KASUS DI PT. INTI (PERSERO) BANDUNG
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER VOL. 2. NO. 1 AGUSTUS 2016 E-ISSN: 2527-4864 PENERAPAN MODEL PERCEPTRON PADA NAIVE BAYES DALAM BENTUK MODEL HYBRID UNTUK PREDIKSI UNTUNG RUGI PERUSAHAAN STUDI
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA
PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B
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 terperinciii
KLASIFIKASI PENDAFTAR BEASISWA BIDIKMISI UNIVERSITAS SEBELAS MARET MENGGUNAKAN ALGORITMA C4.5 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Program Studi Informatika Disusun
Lebih terperinciKLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID
KLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID Muhammad Maulana Ramadhan 1, Irwan Budiman 2, Heru Kartika Chandra 3 1,2,3Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani
Lebih terperinciPerbandingan Kinerja Algoritme CART dan Naïve Bayesian Untuk Mendiagnosa Penyakit Diabetes Mellitus
Perbandingan Kinerja Algoritme CART dan Naïve Bayesian Untuk Mendiagnosa Penyakit Diabetes Mellitus Pungkas Subarkah 1, Irfan Santiko 2, Tri Astuti 3 1 Informatics Technopreneurship, Universitas Amikom
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 terperinciKLASIFIKASI METODE NAIVE BAYES UNTUK KELANCARAN PEMBAYARAN KREDIT LEASING SEPEDA MOTOR
Technologia Vol 8, No.3, Juli September 2017 146 KLASIFIKASI METODE NAIVE BAYES UNTUK KELANCARAN PEMBAYARAN KREDIT LEASING SEPEDA MOTOR Fakultas Teknologi Informasi Universitas Islam Kalimantan Muhammad
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Menurut [6] penelitian tentang Decision Tree untuk diagnosis Diabetes Type II dengan algoritma C4.5 menghasilkan akurasi 78, 176% dengan melakukan teknik
Lebih terperinciAnalisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal
234 Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal Comparative Analysis Of ID3 And C4.5 Algorithm For Classification Of Grant
Lebih terperinciKOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS
Faktor Exacta 10 (1): 4049, 2017 pissn: 1979276X e ISSN: 2502339X KOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS SURANTO SAPUTRA surantosaputra@yahoo.com Program Studi
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 terperinciPENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG
PENERAPAN ALGORITMA C4.5 BERBASIS ADABOOST UNTUK PREDIKSI PENYAKIT JANTUNG Abdul Rohman 1, Vincent Suhartono 2, Catur Supriyanto 3 123 Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro ABSTRACT
Lebih terperinciPERBANDINGAN ALGORITMA DATA MINING NAIVE BAYES DAN BAYES NETWORK UNTUK MENGIDENTIFIKASI PENYAKIT TIROID
Jurnal PILAR Nusa Mandiri Vol.14, No. 1 Maret 2018 21 PERBANDINGAN ALGORITMA DATA MINING NAIVE BAYES DAN BAYES NETWORK UNTUK MENGIDENTIFIKASI PENYAKIT TIROID Bambang Wijonarko Teknik Komputer AMIK BSI
Lebih terperinciPenerapan Algoritma Neural Network Untuk Klasifikasi Kardiotokografi
JURNAL INFORMATIKA, Vol.5 No.1 April 2018, pp. 43~49 ISSN: 2355-6579 E-ISSN: 2528-2247 43 Penerapan Algoritma Neural Network Untuk Klasifikasi Kardiotokografi Yudi Ramdhani 1, Sari Susanti 2, Miftah Farid
Lebih terperinciKLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN)
JURNAL INFORMATIKA VOL.11.NO1, JAN 2017 KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN) M.Fadly Rahman 1, M.Ilham Darmawidjadja 2, Dion Alamsah 3 Teknik
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 ALGORTIMA C4.5 UNTUK PENENTUAN KELAYAKAN KREDIT
Jurnal Techno Nusa Mandiri Vol. XIV, No. 1 Maret 2017 9 PENERAPAN ALGORTIMA C4.5 UNTUK PENENTUAN KELAYAKAN KREDIT Siti Nur Khasanah Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No 8 Warung Jati
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 terperinciPenerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa
ISSN: 2089-3787 1215 Penerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa Muhammad Faisal Amin Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru Faisal.indonesia@gmail.com
Lebih terperinciKomparasi Algoritma Support Vector Machine, Naïve Bayes Dan C4.5 Untuk Klasifikasi SMS
Vol.2 No.2, November 2017, pp. 7~13 ISSN: 2527-449X E-ISSN: 2549-7421 7 Komparasi Algoritma Support Machine, Naïve Dan C4.5 Untuk Klasifikasi SMS Retno Sari STMIK Nusa Mandiri e-mail: bee.retno@gmail.com
Lebih terperinciJurnal MIPA 39 (2) (2016): Jurnal MIPA.
Jurnal MIPA 39 (2) (2016): 150-158 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm PENERAPAN ALGORITMA BAYESIAN REGULARIZATION BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT DIABETES Suwarno 1 AA Abdillah
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSIS DIABETES MENGGUNAKAN C4.5
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSIS DIABETES MENGGUNAKAN C4.5 Muhammad Fakhrurrifqi 1,Anifuddin Aziz 2 Program Diploma Komsi Sekolah Vokasi UGM 1,2 mfrifqi@gmail.com 1 anifudin@ugm.ac.id 2 ABSTRAK
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 terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciPENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS
PENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS I Putu Dody Lesmana Jurusan Teknologi Informasi, Politeknik Negeri Jember, PO Box 164, Jember 68101 E-mail : dody@polije.ac.id
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 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 terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciKLASIFIKASI C4.5, NEURAL NETWORK, PSO DALAM PENENTUAN KELAYAKAN BANTUAN DANA BERGULIR
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 119~124 119 KLASIFIKASI C4.5, NEURAL NETWORK, PSO DALAM PENENTUAN KELAYAKAN BANTUAN DANA BERGULIR Anggi Oktaviani 1, Dahlia Sarkawi 2
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih 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 terperinciIMPLEMENTASI WEB SERVICE DAN ANALISIS KINERJA ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI DIABETES MELLITUS
IMPLEMENTASI WEB SERVICE DAN ANALISIS KINERJA ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI DIABETES MELLITUS Doni Setyawan Fakultas Ilmu Komputer, Program Studi Teknik Informatika Universitas Widya
Lebih terperinciKAJIAN ALGORITMA NAÏVE BAYES DALAM PEMILIHAN PENERIMAAN BEASISWA TINGKAT SMA
KAJIAN ALGORITMA NAÏVE BAYES DALAM PEMILIHAN PENERIMAAN BEASISWA TINGKAT SMA Virgana 1), Ulfa Pauziah 2) dan Michael Sonny 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58
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 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciSELEKSI MOBIL BERDASARKAN FITUR DENGAN KOMPARASI METODE KLASIFIKASI NEURAL NETWORK, SUPPORT VECTOR MACHINE, DAN ALGORITMA C4.5
Jurnal Pilar Nusa Mandiri Vol.XII, No.2 September 2016 153 SELEKSI MOBIL BERDASARKAN FITUR DENGAN KOMPARASI METODE KLASIFIKASI NEURAL NETWORK, SUPPORT VECTOR MACHINE, DAN ALGORITMA C4.5 Esty Purwaningsih
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 terperinciKajian Algoritma Jaringan Syaraf Tiruan untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi
Kajian Algoritma Jaringan Syaraf Tiruan untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi Tatang Rohana Sekolah Tinggi Manajemen Informatika dan Komputer Cikarang cctatang@gmail.com Muh
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciPREDIKSI KEMACETAN ANGSURAN LEASING MOTOR MENGGUNAKAN ALGORITMA BACKPRPAGATION NEURAL NETWORK BERBASIS PARTICLE SWARM OPTOMIZATION
Technologia Vol 8, No.4, Oktober Desember 2017 243 PREDIKSI KEMACETAN ANGSURAN LEASING MOTOR MENGGUNAKAN ALGORITMA BACKPRPAGATION NEURAL NETWORK BERBASIS PARTICLE SWARM OPTOMIZATION Aulia Rizky Muhammad
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 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 ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 368~372 368 PENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI Adhika Novandya AMIK BSI Bekasi e-mail:
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 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 terperinciPENILAIAN AGUNAN PROPERTY PENGAJUAN KREDIT MENGGUNAKAN OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION
Technologia Vol 7, No.1, Januari Maret 2016 40 PENILAIAN AGUNAN PROPERTY PENGAJUAN KREDIT MENGGUNAKAN OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION Ibrahim, S.Kom, M.Kom
Lebih terperinciKOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS
76 Jurnal Pilar Nusa Mandiri Volume 13 No.1, Maret 2017 KOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS Wisti Dwi Septiani Program Studi Manajemen
Lebih terperinciPenerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi Penyakit Kanker Payudara
JURNAL TECH-E - VOL. NO. (207) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 258-96 (Online) Artikel Penerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi
Lebih terperinciALGORITMA NAÏVE BAIYES UNTUK PREDIKSI PROFESI BERDASARKAN SKILL JOB SEEKER
Seminar Nasional Riset Kuantitatif Terapan 2017 Kendari, 8 April 2017 63 ALGORITMA NAÏVE BAIYES UNTUK PREDIKSI PROFESI BERDASARKAN SKILL JOB SEEKER Dewi Hastuti 1, Ayu Sabrina Syair 2, Asih Setiyorini
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 terperinciPREDIKSI HASIL PENJURUSAN SISWA SEKOLAH MENENGAH ATAS DENGAN MENGGUNAKAN ALGORITMA DECISION TREE C.45
PREDIKSI HASIL PENJURUSAN SISWA SEKOLAH MENENGAH ATAS DENGAN MENGGUNAKAN ALGORITMA DECISION TREE C.45 Imam Sujai 1, Purwanto 2, H.Himawan 3 123 Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro
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 terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciMODEL ALGORITMA K-NEAREST NEIGHBOR
MODEL ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI KELULUSAN MAHASISWA Abdul Rohman Dosen Jurusan Elektronika Fakultas Teknik Universitas Pandanaran Semarang Abstrak Dalam sistem pendidikan mahasiswa
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciKLASIFIKASI GANGGUAN MOTORIK KASAR ANAK MENGGUNAKAN NAIVE BAYES SERTA OPTIMASI DENGAN PSO DAN ADABOOST
JURNAL ILMU PENGETAHUAN VOL. 1. NO. 1 AGUSTUS 2015 KLASIFIKASI GANGGUAN MOTORIK KASAR ANAK MENGGUNAKAN NAIVE BAYES SERTA OPTIMASI DENGAN PSO DAN ADABOOST Kadek Wibowo Program Studi Ilmu Komputer STMIK
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciLAPORAN TUGAS AKHIR PENENTUAN KELAYAKAN KREDIT BANK MENGGUNAKAN NAÏVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION.
LAPORAN TUGAS AKHIR PENENTUAN KELAYAKAN KREDIT BANK MENGGUNAKAN NAÏVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION Disusun Oleh : Nama NIM Program Studi : Suamanda Ika Novichasari : A11.2009.04671
Lebih terperinciIdentifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K- Nearest Neighbor (MKNN)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 6, Juni 2017, hlm. 507-513 http://j-ptiik.ub.ac.id Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified
Lebih terperinciKlasifikasi Penerimaan Mahasiswa Baru Menggunakan Algortima C4.5 Dan Adaboost (Studi Kasus : STMIK XYZ)
Yoga, Klasifikasi Penerimaan Mahasiswa Baru 1 Klasifikasi Penerimaan Mahasiswa Baru Menggunakan Algortima C4.5 Dan Adaboost (Studi Kasus : STMIK XYZ) Admission Classification Using algorithms C4.5 And
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciKajian Algoritma Jaringan Syaraf Tiruan Untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi
Kajian Algoritma Jaringan Syaraf Tiruan Untuk Mendeteksi Secara Dini Kepatuhan Wajib Pajak Orang Pribadi Tatang Rohana 1, Muh Arifuddin 2 1 Sekolah Tinggi Manajemen Informatika dan Komputer Cikarang 2
Lebih terperinciBAB I 1 PENDAHULUAN. atas sekelompok vertebra, invertebrate discs, saraf, otot, medulla, dan sendi
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Tulang punggung merupakan bagian dari tulang belakang yang tersusun atas sekelompok vertebra, invertebrate discs, saraf, otot, medulla, dan sendi (Berthonnaud et
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 terperinciSISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), pp. 27 36 SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES Abdul Azis Abdillah 1 dan Suwarno 2 1,2 STKIP Surya, 1 Politeknik
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 terperinciKresna Ramanda Teknik Informatika, STMIK Nusa Mandiri Jalan Kramat raya no 25, Jakarta Pusat
PENINGKATAN KINERJA ALGORITMA NEURAL NETWORK BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK MEMPREDIKSI KELAHIRAN PREMATUR STUDI KASUS RSUPN CIPTO MANGUNKUSUMO JAKARTA Kresna Ramanda Teknik Informatika, STMIK
Lebih terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
33 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengolahan Data Data yang dipergunakan dalam tugas akhir ini merupakan data karyawan PT Perkbunan Nusantara IX Kebun Blimbing pada tahun 2015. Jumlah data yang digunakan
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 terperinciANALISIS SENTIMEN OPINI PUBLIK BERITA KEBAKARAN HUTAN MELALUI KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Pilar Nusa Mandiri Volume 13 No.1, Maret 2017 103 ANALISIS SENTIMEN OPINI PUBLIK BERITA KEBAKARAN HUTAN MELALUI KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR BERBASIS PARTICLE
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciKomparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit
BINA INSANI ICT JOURNAL, Vol.3, No.1, Juni 2016, 187-193 ISSN: 2355-3421 (Print) ISSN: 2527-9777 (Online) 187 Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit Siti Masripah 1,*
Lebih terperinciSNIPTEK 2014 ISBN: PENERAPAN PARTICLE SWARM OPTIMIZATION PADA ALGORITMA C 4.5 UNTUK SELEKSI PENERIMAAN KARYAWAN
PENERAPAN PARTICLE SWARM OPTIMIZATION PADA ALGORITMA C 4.5 UNTUK SELEKSI PENERIMAAN KARYAWAN Agus Wiyatno STMIK Nusa Mandiri Jakarta Agus.agq@nusamandiri.ac.id Abstract The Employees are the most vital
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 terperinciPENDEKATAN METODE FEATURE EXTRACTION DENGAN ALGORITMA NAÏVE BAYES
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 19~24 19 PENDEKATAN METODE FEATURE EXTRACTION DENGAN ALGORITMA NAÏVE BAYES Riski Annisa AMIK BSI Pontianak e-mail: riski.rnc@bsi.ac.id
Lebih terperinciIMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5
Technologia Vol 8, No.1, Januari Maret 2017 15 IMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5 M. Edya Rosadi (edya@fti.uniska-bjm.ac.id) Nur Alamsyah (alam@fti.uniska-bjm.ac.id)
Lebih terperinciAnalisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan
Analisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan Danny Ibrahim 1*) 1 Program Magister Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA. Abstrak
PERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA Wiwit Supriyanti 1), Kusrini 2), Armadyah Amborowati 3) STMIK AMIKOM Yogyakarta 1),2),3) Email : wiwitsupriyanti13@gmail.com
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 terperinciJURNAL KHATULISTIWA INFORMATIKA, VOL. 3, NO. 1 JUNI 2015
ANALISA DATA MINING UNTUK PREDIKSI PENYAKIT HEPATITIS DENGAN MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE Eka Wulansari Fridayanthie Program studi Manajemen Informatika AMIK BSI Jakarta Jl.
Lebih terperinciPENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATIRBUT PADA METODE DECISION TREE C 4.5 UNTUK PERSETUJUAN
KNIT-2 Nusa Mandiri ISBN: 978-602-72850-1-9 PENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATIRBUT PADA METODE DECISION TREE C 4.5 UNTUK PERSETUJUAN Andika Dwi Hadiri Teknik Informatika, STMIK ERESHA
Lebih terperinci