Erwin Rizki Ariyanto. Fakultas Ilmu Komputer, Teknik Informatika, Universitas Dian Nuswantoro Semarang

Ukuran: px
Mulai penontonan dengan halaman:

Download "Erwin Rizki Ariyanto. Fakultas Ilmu Komputer, Teknik Informatika, Universitas Dian Nuswantoro Semarang"

Transkripsi

1 Implementasi Deteksi Citra Pornografi Berbasis Model Warna YCbCr dengan Metode Perbaikan C4.5 dan Shape Descriptor Untuk Filter Upload Foto di Media Sosial ABSTRAK Erwin Rizki Ariyanto Fakultas Ilmu Komputer, Teknik Informatika, Universitas Dian Nuswantoro Semarang Salah satu kerugian dari internet adalah masalah pornografi. Media sosial yang digunakan sebagai media komunikasi di dunia maya sering disalahgunakan dalam masalah pornografi. Para pelaku kejahatan seksual menggunakan media sosial untuk melakukan aksinya seperti melakukan penculikan terhadap remaja. Anak anak di bawah umur harus dicegah untuk mendapatkan informasi yang mengandung konten pornografi. Metode yang digunakan dalam melakukan deteksi citra pornografi ini adalah skin detection, shape descriptor, dan klasifikasi C4.5. Metode Klasifikasi digunakan untuk mengklasifikasikan apakah suatu citra mengandung konten pornografi atau tidak. Dengan adanya library untuk deteksi citra pornografi ini diharapkan berkurangnya penyebaran foto foto yang mengandung konten pornografi di media sosial dan kasus kasus pornografi yang melibatkan anak anak di bawah umur. Kata kunci: deteksi pornografi, skin detection, shape descriptor, library 1 I. PENDAHULUAN Internet diakui telah memberikan banyak sekali keuntungan dan kemudahan bagi penggunanya. Namun, dari semua keuntungan yang didapatkan, ada juga kerugian yang perlu dihindari, salah satunya adalah pornografi di dunia maya. Pornografi di internet bisa meliputi konten konten dewasa sampai dengan jebakan pornografi yang ditujukan kepada anak anak di bawah umur [1]. Survey Komnas Perlindungan Anak tahun 010 mengungkapkan bahwa 9% remaja pernah menonton atau mengakses materi pornografi, 93% remaja pernah berciuman, 6,% remaja pernah berhubungan badan dan 1% remaja Indonesia telah melakukan aborsi. Pornografi memang sudah menyebar luas di Indonesia, tidak hanya remaja, anak anak pun sudah banyak mengaksesnya. Secara umum, pornografi berpengaruh negatif terhadap perilaku belajar siswa. Pengaruh signifikan terjadi pada kedisiplinan siswa, sedangkan untuk motivasi belajar dan nilai akademik hanya sedikit mempengaruhi []. Teknologi internet telah membawa materi pornografi yang dulu hanya bisa diakses melalui buku maupun video ke dalam dunia cyber yang luas. Semua orang, tanpa melihat usia, bisa mengakses materi pornografi dari rumahnya asalkan ada komputer atau handphone dan akses internet [3]. Media sosial yang telah berkembang dengan cepat sebagai media baru yang digunakan orang untuk sarana komunikasi sering disalahgunakan, salah satunya adalah masalah pornografi. Para pelaku kejahatan seksual yang menggunakan situs media sosial untuk menarget para remaja telah beredar di beberapa media, pelaku mungkin menggunakan informasi pribadi dari situs media sosial tersebut untuk menculik remaja [4]. Anak anak dibawah umur harus dicegah untuk mendapatkan akses yang berisi informasi dewasa seperti gambar porno, sehingga perlu dikembangkan suatu teknologi untuk mengenali citra pornografi [5]. Ada beberapa penelitian yang telah dilakukan untuk mendeteksi citra pornografi. Pedro dan Luis [6] telah melakukan penelitian deteksi citra pornografi untuk membuat suatu software yang mempunyai kemampuan untuk mendeteksi gambar porno pada citra digital. Sotiris dan Nikos [] mengusulkan suatu algoritma untuk mengidentifikasi gambar porno untuk project Safer Internet Access (POESIA. Basilio dan Torres [5] membuat suatu metode deteksi citra pornografi pada media penyimpanan seperti hard disk, memori USB, dan lain lain. Liu [8] menggunakan dua metode untuk mendeteksi gambar porno, dan Lee [9] mengusulkan suatu sistem deteksi gambar porno dengan menggunakan tiga tahap utama. Salah satu algoritma untuk deteksi citra pornografi adalah dengan menggunakan model warna YCbCr. Algoritma ini berbasis pengolahan citra, skin detector, dan teknik pengenalan pola. Model warna YCbCr dapat mengurangi semua masalah pencahayaan yang dimiliki oleh suatu citra [5]. II. METODE YANG DIUSULKAN Penulis menerapkan beberapa metode dan prosedur penyelesaian yang bertujuan untuk menyelesaikan masalah yang ada dalam penelitian.

2 Prosedur penyelesaian sebagai berikut: yang dilakukan adalah B Shape Descriptor Gambar 3: Proses shape descriptor Gambar 1: Prosedur penyelesaian Metode yang diusulkan dalam penelitian ada tiga metode yaitu sebagai berikut: A Skin Detection Hasil citra dari proses skin detection akan diproses kembali dalam metode shape descriptor. Shape merupakan karakter penting pada suatu obyek. Tujuan dari shape descriptor ini adalah untuk mengambil obyek yang ada pada suatu citra [15]. Shape descriptor yang digunakan adalah seven normal moment invariants. Langkah pertama dalam shape descriptor menurut [16] adalah menentukan nilai moment of order (p+q yang didefinisikan sebagai berikut: = (, (3 Gambar : Proses skin detection Citra asal (C merupakan citra dengan model warna RGB, pada tahap awal citra ini ditransformasikan ke model warna YCbCr menjadi citra C. Menurut [14] rumus transformasi model warna RGB ke model warna YCbCr adalah sebagai berikut: 16 65,481 18,553 4,966 (1 = ,9 4, 11, ,000 93,86 18,14 Setelah teknik transformasi dilakukan, langkah selanjutnya yang dilakukan adalah skin threshold untuk segmentasi orang dalam gambar tanpa memperhatikan warna kulit sehingga citra C berubah menjadi citra C. Range untuk skin threshold yang optimal menurut [5] adalah: Nilai m pq merupakan hasil dari moment order (p+q dimana p,q = 1,,3,... Menurut [16] central moment didefinisikan sebagai berikut: p q µ = ( x x ( y y f ( x, y (4 pq x y dimana = dan = Normalized central moment dinotasikan sebagai η pq, didefinisikan sebagai berikut: µ η = (5 pq µ pq γ 00 p+ q = + 1 γ dimana dan p+q =,3,.. Langkah berikutnya, seven moment invariants dapat dihitung dengan persamaan berikut: 1 dan (

3 3 φ = η + η 1 + (3η φ = (3η η ( η [( η ( η ] 1 ( η ( η + (3η ( η C Klasifikasi C4.5 3η + ( η 3η ( η + 4η ( η (3η η 1 1 [( η+ η1 3( η1+ η ] [ 3( η ( η ] + η 1 [( η+ η1 3( η1+ η ] [ 3( η ( η ] (6 (, = ( ( ( S sebagai himpunan kasus, A merupakan atribut, n merupakan jumlah partisi atribut A, S i adalah jumlah kasus pada partisi ke i, dan S adalah jumlah kasus dalam S. Sedangkan untuk menghitung Entropy dapat dilihat pada rumus berikut [1]: ( = (8 Gambar 4: Proses klasifikasi C4.5 Setelah melewati tahap shape descriptor, hasil perhitungan seven moment invariant digunakan untuk proses klasifikasi apakah citra tersebut mengandung konten pornografi atau tidak. Algoritma yang digunakan untuk klasifikasi adalah algoritma C4.5. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: pilih atribut sebagai akar, buat cabang untuk masing masing nilai, bagi kasus dalam cabang, dan ulangi proses untuk masing masing cabang sampai semua kasus pada cabang memiliki kelas yang sama [1]. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut atribut yang ada. Untuk menghitung gain digunakan rumus berikut [1]: A S merupakan himpunan kasus, n adalah jumlah partisi S, dan p i adalah proporsi dari S i terhadap S dengan S i merupakan jumlah kasus pada partisi ke i. Setelah semua perhitungan selesai maka didapatkan suatu pohon keputusan yang bisa digunakan untuk mengklasifikasikan citra apakah mengandung konten pornografi atau tidak berdasarkan rules yang dibentuk oleh pohon keputusan. III. IMPLEMENTASI Analisis Data Training Data training ini digunakan untuk pelatihan algoritma klasifikasi C4.5 dalam mengklasifikasikan suatu citra apakah termasuk dalam kategori porno atau tidak porno. Dalam pelatihan ini digunakan data 0 citra yang dibagi menjadi 4 kategori yaitu 5 citra porno, 5 citra bikini, 5 citra mug shots, dan 5 citra bukan porno. Sebelum dilakukan klasifikasi menggunakan algoritma C4.5, data citra tersebut akan ditransformasi menjadi citra YCbCr dan melakukan perhitungan seven moment invariant sesuai dengan yang dijelaskan di bab sebelumnya. Setelah melalui tahap transformasi dan perhitungan seven moment invariant, langkah berikutnya adalah klasifikasi menggunakan algoritma C4.5. Atribut yang digunakan dalam klasifikasi adalah hasil perhitungan seven

4 moment invariant, sedangkan label yang digunakan adalah hipotesis porno yang merupakan dugaan sementara penulis untuk mengkategorikan suatu citra apakah termasuk kategori porno atau bukan porno. Outpu yang dihasilkan dari algoritma klasifikasi C4.5 adalah suatu pohon keputusan. Pohon keputusan ini menunjukkan aturan untuk mengklasifikasikan apakah suatu citra mengandung kontenn pornografi atau tidak. Berikut merupakan rincian dari pohon keputusan yang terbentuk setelah melakukan klasifikasi data training: Tabel 1: Tabel hasil pohon keputusan No Variabel 1. Akar. Jumlah Node 3. Jumlah Daun 4. Level Nilaii Moment C 4 menunjukkan bahwaa hasil klasifikasi tidak sama dengan hipotesis. Implementasi Hasil Penelitian Gambar 5: Halaman data training Halaman ini berisi data dataa training yang digunakan dalam penelitian. Dalam halaman ini user bisa menambahkan data training, menghapus data training, mengklasifikasi data training, dan membuat rules hasil klasifikasi. B Analisis Data Testing Testing merupakan suatu proses untuk melakukan validasi terhadap dataa training. Data testing yang digunakan dalam penelitian ini berjumlah 40 citra yang dibagi menjadi 4 kategori seperti dalam data training. Testing dalam algoritma klasifikasi C4..5 berdasarkan pada pohon keputusan yang terbentuk dari data training. Atribut dan label yang digunakan dalam data testing sama dengan atribut dan label yang digunakan dalam data training. Dalam tahap testing ini, suatuu citra harus melalui tahap transformasi dan perhitungan seven moment invariant terlebih dahulu. Setelah melalui tahap klasifikasi terhadap pohon keputusan yang terbentuk dari data training, berikut hasil dari klasifikasi data testing: Tabel : Tabel hasil klasifikasi dataa testing Gambar 6: Halaman data testing Halaman ini berisi data data testing, isi dari halaman ini sama dengan halaman data training. Gambar : Halaman hasil klasifikasi No Kategori Total Jumlah klasifikasi benar 1. Bikini Porno Mug shots Bukan porno 10 Jumlah klasifikasi salah 3 Halaman ini menampilkan decision tree hasil dari klasifikasi data training menggunakan algoritmaa C4.5 dan hasil pengujian metode yang mencakup accuracy dan error rate. Tabel diatas menunjukkan jumlah klasifikasi benar dan jumlah klasifikasi salah untuk masing masing kategori yang diuji. Klasifikasi benar berarti hasil klasifikasi sama dengan hipotesis, sedangkan klasifikasi salah Gambar 8: Halaman hasil pengujian

5 5 A B Halaman ini menampilkan decision tree hasil klasifikasi C4.5 dan hasil pengujian terhadap data testing. IV. HASIL DAN PEMBAHASAN Pengujian Data Training Pengujian metode menggunakan tabel confusion matrix untuk menghitung akurasi, error rate, precision, dan recall. Dari data training diperoleh tabel confusion matrix berikut: Tabel 3: Tabel hasil pengujian confusion matrix data training No. Variabel Jumlah 1. True Positives (TP 140. False Positives (FP False Negatives (FN True Negatives (TN 95 Dari hasil tabel confusion matrix tersebut diperoleh nilai akurasi, error rate, precision, dan recall sebagai berikut: = %=8,33 % 0 = %=1,6 % 140 = =0, = =0,93 Pengujian Data Testing Pengujian ini juga menggunakan tabel confusion matrix untuk menentukan akurasi, error rate, precision, dan recall. Dalam pengujian ini juga akan dihitung nilai Root Mean Squared Error (RMSE. Dari 40 data testing diperoleh hasil confusion matrix berikut: Tabel 4: Tabel hasil pengujian confusion matrix data testing No. Variabel Jumlah 1. True Positives (TP 16. False Positives (FP False Negatives (FN 4 4. True Negatives (TN 10 Dari hasil confusion matrix tersebut, diperoleh nilai akurasi, error rate, precision, dan recall sebagai berikut: = %=65% 40 = %=35% 16 = =0,615 = =0,8 Untuk mendapatkan nilai RMSE, label diinisialisasi sebagai 1 dan 0. Angka 1 menunjukkan kasus Ya, sedangkan angka 0 menunjukkan kasus Tidak. Nilai RMSE yang didapatkan adalah sebagai berikut: = = 0,35=0,59 Hasil akurasi dan RMSE yang diperoleh diatas menggunakan data training yang berjumlah 0 gambar. Pengujian juga dilakukan menggunakan 100 data training dan 40 data testing untuk mengetahui apakah ada perbedaan akurasi terhadap banyaknya data training yang digunakan. Berikut hasil yang diperoleh dari pengujian tersebut: Tabel 5: Tabel perbandingan akurasi No Jumlah data Jumlah data Akurasi training testing % % V. PENUTUP Kesimpulan yang diperoleh setelah melakukan penelitian adalah sebagai berikut: 1. Hasil penelitian menunjukkan bahwa metode yang digunakan dalam penelitian kurang bisa mengenali citra mug shots. Hal ini ditunjukkan dengan jumlah klasifikasi benar 3 dan jumlah klasifikasi salah dari total 10 data citra mug shots yang digunakan dalam data testing.. Dari 40 data testing yang dibagi menjadi 4 kategori yaitu citra porno, citra wanita memakai bikini, citra mug shots, dan citra bukan porno didapatkan True Positives (TP 16, False Positives (FP 10, False Negatives (FN 4, True Negatives (TN 10 dengan akurasi 65%, error rate 35%, precision 0,615, recall 0,8 serta nilai Root Mean Squared Error (RMSE 0, Banyaknya data yang digunakan dalam pelatihan berpengaruh terhadap keakuratan metode. Semakin banyak data yang digunakan dalam pelatihan, maka semakin akurat metode dalam melakukan deteksi citra pornografi. Pelatihan dengan 100 data mendapatkan akurasi 60% sedangkan pelatihan dengan 0 data mendapatkan akurasi 65% dari 40 data yang digunakan untuk testing.

6 6 Morphological Features," 013. DAFTAR PUSTAKA [1] Ridwan Sanjaya, Parenting untuk Pornografi di Internet. Jakarta, Indonesia: Elex Media Komputindo, 010. [] Tri Suyatno, "Pengaruh Pornografi Terhadap Perilaku Belajar Siswa," Jurnal Pendidikan Dompet Dhuafa, vol. I, 011. [3] Ventje Jeremias Lewi Engel, "Upaya Melindungi Anak-Anak Dari Pornografi di Internet," Jurnal Sosioteknologi, pp. 5-6, April 01. [4] Kimberly J. Mitchell, David Finkelhor, M. Lisa Jones, and Janis Wolak, "Use of Social Networking Sites in Online Sex Crimes Against Minors: An Examination of National Incidence and Means of Utilization," Journal of Adolescent Health, pp. 1-8, 010. [5] Jorge Alberto Marcial Basilio, Gualberto Aguilar Torres, Gabriel Sanchez Perez, L. Karina Toscano Medina, and Hector M. Perez Meana, "Explicit Image Detection Using YCbCr Space Color Model as Skin Detection," 011. [6] Pedro Ivan Tello Flores, Luis Enrique Colmenares Guillen, and Omar Ariosto Nino Prieto, "Approach of RSOR Algorithm Using HSV Color Model for Nude Detection in Digital Images," Journal Computer and Information Science, vol. 4, pp. 9-45, July 011. [] Sotiris Karavarsamis, Nikos Ntarmos, Kostantinos Blekas, and Ioannis Pitas, "Detecting Pornographic Images by Localizing Skin ROIs," International Journal of Digital Crime and Forensics, 013. [8] Bei-Bei Liu, Jing-yong Su, Zhe-ming Lu, and Zhen Li, "Pornographic Images Detection Based on CBIR and Skin Analysis," 008. [10] T. Sutojo, Edy Mulyanto, Vincent Suhartono, Oky Dwi Nurhayati, and Wijanarto, Teori Pengolahan Citra Digital. Yogyakarta, Indonesia: ANDI, 009. [11] Rinaldi Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik. Jakarta, Indonesia: Informatika, 004. [1] Darma, Jarot S., and Shenia A., Buku Pintar Menguasai Internet.: MediaKita, 009. [13] Wahana Komputer, Seri Belajar Sekejap : Cara Mudah Kelola Banyak Akun Jejaring Sosial dengan Web Agregator.: ANDI, 010. [14] Charles Poynton, Digital Video and HDTV Algorithms and Interfaces. San Fransisco, United States of America: Morgan Kaufmann, 0. [15] Qing-Fang Zheng, Wei Zeng, Gao Wen, and Wei-Qiang Wang, "Shape-based Adult Images Detection," 004. [16] Rafael C. Gonzalez and Richard E. Woods, Digital Image Processing Second Edition.: Prentice Hall, 00. [1] Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining. Yogyakarta: Andi Offset, 009. [18] Daniel T. Larose, Discovering Knowledge In Data.: A John Wiley & Sons, 005. [19] Jiawei Han, Micheline Kamber, and Jian Pei, Data Mining Concepts and Techniques.: Morgan Kaufmann, 01. [0] K. Pratheep Moses, "An Approach To Reduce Root Mean Square Error in Toposheets," European Journal of Scientific Research, vol. 91, pp. 68-4, November 01. [9] Jiann-Shu Lee, Feng-Shuo Yu, and Kai-Yang Huang, "Pornography Detection Based on

KLASIFIKASI CITRA PORNO DENGAN ALGORITMA C 4.5 BERBASIS MODEL WARNA YCbCr DAN SHAPE DETECTOR

KLASIFIKASI CITRA PORNO DENGAN ALGORITMA C 4.5 BERBASIS MODEL WARNA YCbCr DAN SHAPE DETECTOR Techno.COM, Vol. 15, No., Mei 016: 9-98 KLASIFIKASI CITRA PORNO DENGAN ALGORITMA C 4.5 BERBASIS MODEL WARNA YCbCr DAN SHAPE DETECTOR Erwin Rizki Ariyanto 1, Wijanarto, Sudaryanto 3 1, Teknik Informatika,

Lebih terperinci

DETEKSI CITRA PORNOGRAFI MENGGUNAKAN ALGORITMA LVQ (LEARNING VECTOR QUANTIZATION) Putra Pramadhyka Kusuma 1, Setia Astuti 2

DETEKSI CITRA PORNOGRAFI MENGGUNAKAN ALGORITMA LVQ (LEARNING VECTOR QUANTIZATION) Putra Pramadhyka Kusuma 1, Setia Astuti 2 DETEKSI CITRA PORNOGRAFI MENGGUNAKAN ALGORITMA LVQ (LEARNING VECTOR QUANTIZATION) Putra Pramadhyka Kusuma 1, Setia Astuti 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian

Lebih terperinci

PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5

PENERAPAN 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 terperinci

KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)

KLASIFIKASI 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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB 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 terperinci

KLASIFIKASI 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) 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 terperinci

SISTEM 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 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 terperinci

Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif

Analisis 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 terperinci

Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree

Model 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 terperinci

PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI

PENERAPAN 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 terperinci

PEMBENTUKAN 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 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 terperinci

PENERAPAN 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 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 terperinci

Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien

Penerapan 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 terperinci

PERBANDINGAN DECISION TREE

PERBANDINGAN 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 terperinci

PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA

PERANCANGAN 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 terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

Pemanfaatan Educational Data Mining (EDM)...

Pemanfaatan 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 terperinci

PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO

PENERAPAN 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi internet berkembang dengan sangat pesat dan sangat mudah sekali untuk mengaksesnya. Akan tetapi, didalamnya terdapat banyak konten yang

Lebih terperinci

PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA

PENERAPAN 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 terperinci

PENERAPAN ALGORITMA KLASIFIKASI DATA MINING C4.5 PADA DATASET CUACA WILAYAH BEKASI

PENERAPAN 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 terperinci

PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL

PENERAPAN 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 terperinci

KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION

KLASIFIKASI 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 terperinci

PENGEMBANGAN 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 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 terperinci

PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0

PENENTUAN 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 terperinci

PENGAMBILAN 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 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 terperinci

PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU

PENERAPAN 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 terperinci

BAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana

BAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian

Lebih terperinci

Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi

Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan

Lebih terperinci

Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa

Penerapan 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 terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

JURNAL 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 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 terperinci

Educational Data Mining (EDM) untuk Memprediksi Keterlambatan Masa Studi Mahasiswa Menggunakan Algoritma C4.5

Educational Data Mining (EDM) untuk Memprediksi Keterlambatan Masa Studi Mahasiswa Menggunakan Algoritma C4.5 Prosiding Seminar Nasional Masif II Tahun 2016 285 Educational Data Mining (EDM) untuk Memprediksi Keterlambatan Masa Studi Mahasiswa Menggunakan Algoritma C4.5 Defri Kurniawan 1), Wibowo Wicaksono 2),

Lebih terperinci

Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015

Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 JUDUL ARTIKEL Identifikasi Kualitas Beras dengan Citra Digital Arissa

Lebih terperinci

JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA

JURNAL 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 terperinci

Algoritma C4.5. Untuk memudahkan penjelasan mengenai algoritma C4.5 berikut ini disertakan contoh kasus yang dituangkan dalam Tabel 1.

Algoritma C4.5. Untuk memudahkan penjelasan mengenai algoritma C4.5 berikut ini disertakan contoh kasus yang dituangkan dalam Tabel 1. Algoritma C4.5 1 Kusrini, 2 Emha Taufiq Luthfi 1 Jurusan Sistem Informasi, 2 Jurusan Teknik Informatika 1, 2 STMIK AMIKOM Yogykakarta 1,2 Jl. Ringroad Utara Condong Catur Sleman Yogyakarta Untuk memudahkan

Lebih terperinci

Manfaat Pohon Keputusan

Manfaat Pohon Keputusan DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah

Lebih terperinci

SKRIPSI TI S1 FIK UDINUS 1

SKRIPSI TI S1 FIK UDINUS 1 SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB I PENDAHULUAN. d) suku, agama, ras dan antargolongan (SARA), dan/ atau,

BAB I PENDAHULUAN. d) suku, agama, ras dan antargolongan (SARA), dan/ atau, BAB I PENDAHULUAN 1.1 Latar Belakang Seiring dengan berkembangnya teknologi berkembang berbagai macam konten beserta berbagai macam pemanfaatannya. Tidak semua konten bernilai positif, namun banyak berkembang

Lebih terperinci

Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree

Klasifikasi 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 terperinci

EKSPLORA INFORMATIKA 127

EKSPLORA INFORMATIKA 127 EKSPLORA INFORMATIKA 127 Implementasi Algoritma C4.5 untuk Analisa Performa Pelayanan Bank Terhadap Nasabah Implementation of C4.5 Algorithm for Bank Service Performance Analysis To Customer Fandi Ramadhan

Lebih terperinci

SISTEM 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 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 terperinci

Versi Online tersedia di : JURNAL TECH-E (Online)

Versi 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 terperinci

Penerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi

Penerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi Penerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi Adhika Novandya 1, Isni Oktria 2 Program Studi Manajemen Informatika, AMIK Bina Sarana Informatika 1 Jurusan Teknik Informatika,

Lebih terperinci

Kerusakan Barang Jadi

Kerusakan Barang Jadi Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,

Lebih terperinci

IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)

IMPLEMENTASI 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 terperinci

1. BAB I PENDAHULUAN

1. BAB I PENDAHULUAN 1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based

Lebih terperinci

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN:

Jurnal 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 terperinci

DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL

DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL Ari Sutrisna Permana 1, Koredianto Usman 2, M. Ary Murti 3 Jurusan Teknik Elektro - Institut Teknologi Telkom - Bandung

Lebih terperinci

Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson

Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Veronica Lusiana Program Studi Teknik Informatika, Universitas Stikubank email: verolusiana@yahoo.com Abstrak Segmentasi citra sebagai

Lebih terperinci

SNIPTEK 2014 ISBN:

SNIPTEK 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 terperinci

BAB III METODOLOGI PENELITIAN. Dataset

BAB 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 terperinci

PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION

PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan

Lebih terperinci

Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal

Analisis 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 terperinci

ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE

ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE HANANTO DHEWANGKORO A11.2009.04783 Universitas Dian Nuswantoro. Semarang, Indonesia Email: hanantodhewangkoro@gmail.com

Lebih terperinci

PENERAPAN DATA MINING KLASIFIKASI DENGAN MENGGUNAKAN ALGORITNMA C 4.5 PADA DATA NASABAH KREDIT KOPERASI SIMPAN PINJAM GRAHA MANDIRI TEGAL

PENERAPAN DATA MINING KLASIFIKASI DENGAN MENGGUNAKAN ALGORITNMA C 4.5 PADA DATA NASABAH KREDIT KOPERASI SIMPAN PINJAM GRAHA MANDIRI TEGAL PENERAPAN DATA MINING KLASIFIKASI DENGAN MENGGUNAKAN ALGORITNMA C 4.5 PADA DATA NASABAH KREDIT KOPERASI SIMPAN PINJAM GRAHA MANDIRI TEGAL Yunita Handayani Utoyo 1, Yuniarsi Rahayu 2 Univeritas Dian Nuswantoro,

Lebih terperinci

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN

Jurnal 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 terperinci

BAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah

BAB 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 terperinci

Triuli Novianti 1) Abdul Aziz 2) Program Studi D3 Teknik Komputer UMSurabaya, Surabaya ),

Triuli Novianti 1) Abdul Aziz 2) Program Studi D3 Teknik Komputer UMSurabaya, Surabaya ), Jurnal Ilmiah NERO Vol. 1 No. 15 APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK MENAMPILKAN LAPORAN HASIL NILAI AKHIR MAHASISWA (STUDI KASUS DI FAKULTAS TEKNIK UMSURABAYA) Triuli Novianti

Lebih terperinci

PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE

PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE 1 Fitroh Rizky Muwardah, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro,

Lebih terperinci

TINJAUAN PUSTAKA. Definisi Data Mining

TINJAUAN 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 terperinci

PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR

PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas

Lebih terperinci

Pengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data

Pengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG

Lebih terperinci

Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram

Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini

Lebih terperinci

Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA

Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Chandra Purnamaningsih Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami No 36 A Surakarta cpurnamaningsih@gmail.com

Lebih terperinci

Navigasi Perangkat Lunak ebook Reader Berbasis Mobile Menggunakan Fitur Face Tracking

Navigasi Perangkat Lunak ebook Reader Berbasis Mobile Menggunakan Fitur Face Tracking Navigasi Perangkat Lunak ebook Reader Berbasis Mobile Menggunakan Fitur Face Tracking Rikza Azriyan, Saparudin, dan Reza Firsandaya Malik Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas

Lebih terperinci

BAB III METODELOGI PENELITIAN

BAB III METODELOGI PENELITIAN BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa

Penerapan 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 terperinci

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan

BAB 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 terperinci

Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree

Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah

Lebih terperinci

Model Penentuan Potensi Status Gizi Bermasalah Menggunakan Decision Tree

Model Penentuan Potensi Status Gizi Bermasalah Menggunakan Decision Tree Model Penentuan Potensi Status Gizi Bermasalah Menggunakan Decision Tree Liliana Swastina, Bambang Lareno Teknik Informatika STMIK Indonesia Banjarmasin Banjarmasin, Indonesia lilisera@gmail.com blareno@gmail.com

Lebih terperinci

PENERAPAN ALGORITMA C4.5 UNTUK MENGETAHUI POLA MINAT KERJA DAN BAKAT MAHASISWA DI STMIK LPKIA BANDUNG

PENERAPAN ALGORITMA C4.5 UNTUK MENGETAHUI POLA MINAT KERJA DAN BAKAT MAHASISWA DI STMIK LPKIA BANDUNG PENERAPAN ALGORITMA C4.5 UNTUK MENGETAHUI POLA MINAT KERJA DAN BAKAT MAHASISWA DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Yogi Widia Ramdhan 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program

Lebih terperinci

Penerapan Data Mining dalam Memprediksi Pembelian cat

Penerapan 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 terperinci

Application Determination Of Credit Feasibility in Sharia Cooperative

Application 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 terperinci

IMPLEMENTASI 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 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 terperinci

DATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom

DATA 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 terperinci

ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR

ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: RIDHO ARY SUMARNO 13.1.03.02.0092 Dibimbing oleh : 1. Hermin Istiasih M.T., M.M. 2. Mochammad Bilal S.kom.,

Lebih terperinci

PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES

PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES Ahmad Subhan 1, Ahmad Zainul Fanani 2 1,2 Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro

Lebih terperinci

PENERAPAN 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 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 terperinci

Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical Agglomerative Clustering

Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical Agglomerative Clustering 2015 International Conference on Information, Communication Technology and System Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical

Lebih terperinci

JURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE

JURNAL 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 terperinci

ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN

ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email

Lebih terperinci

Kata kunci : citra, pendeteksian warna kulit, YCbCr, look up table

Kata kunci : citra, pendeteksian warna kulit, YCbCr, look up table Pendeteksian Warna Kulit berdasarkan Distribusi Warna YCbCr Elrica Pranata / 0422002 Email : cha_nyo2@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Marantha Jalan Prof. Suria Sumantri

Lebih terperinci

ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA

ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA 53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data

Lebih terperinci

APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT

APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT Harry Dhika 1, Fitriana Destiawati 2 1,2 Teknik Informatika Fakultas Teknik, Matematika dan IPA, Universitas Indraprasta PGRI

Lebih terperinci

Implementasi Rocchio s Classification dalam Mengkategorikan Renungan Harian Kristen

Implementasi Rocchio s Classification dalam Mengkategorikan Renungan Harian Kristen Implementasi Rocchio s Classification dalam Mengkategorikan Renungan Harian Kristen Elisabeth Adelia Widjojo, Antonius Rachmat C, R. Gunawan Santosa Program Studi Teknik Informatika, Fakultas Teknologi

Lebih terperinci

Klasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah

Klasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah Klasifikasi Berbasis Algoritma C4.5 untuk Deteksi Kenaikan Case Fatality Rate Demam Berdarah Anik Andriani Manajemen Informatika, AMIK BSI, Yogyakarta, Indonesia anik.aai@bsi.ac.id Abstract Extraordinary

Lebih terperinci

Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes: Studi Kasus UIN Syarif Hidayatullah Jakarta

Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes: Studi Kasus UIN Syarif Hidayatullah Jakarta Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes: Studi Kasus UIN Syarif Hidayatullah Jakarta Prediction of Timeliness Graduation of Students Using Naïve Bayes: A Case Study at

Lebih terperinci

DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5

DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION

Lebih terperinci

IMPLEMENTASI ALGORITMA C4.5 TERHADAP KEPUASAN PELANGGAN

IMPLEMENTASI ALGORITMA C4.5 TERHADAP KEPUASAN PELANGGAN Prosiding SNaPP2016 Sains dan Teknologi ISSN 2089-3582 EISSN 2303-2480 IMPLEMENTASI ALGORITMA C4.5 TERHADAP KEPUASAN PELANGGAN 1 Harry Dhika, 2 Fitriana Destiawati, 3 Aswin Fitriansyah 1,2,3 Fakultas MIPA,

Lebih terperinci

APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK

APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan

Lebih terperinci

Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram

Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik

Lebih terperinci

PREDIKSI 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) 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 terperinci

ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN

ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN Dwiaji Nuraryudha 1, Shaufiah 2, Hetti Hidayati 3 1,2,3 Fakultas

Lebih terperinci

Gambar 6 Kenampakan pada citra Google Earth.

Gambar 6 Kenampakan pada citra Google Earth. menggunakan data latih kedua band citra berbasis rona (tone, sehingga didapatkan pohon keputusan untuk citra berbasis rona. Pembentukan rule kedua menggunakan data latih citra berbasis rona ditambah dengan

Lebih terperinci

SOLUSI 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 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 terperinci