Enigma Journal of Infotmatic (ENJOI 2016) ISSN :
|
|
- Hamdani Salim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 b 1
2 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12 Prodi Sistem Informasi, FTI USN Kolaka, Sulawesi Tenggara 1 mr.iyes@yahoo.co.id, 2 foleta.21@gmail.com Abstrak Salah satu kebijakan pemerintah untuk membuktikan bahwa pendidikan itu sangat terbuka bagi setiap warga negara Indonesia adalah keringanan pembayaran biaya kuliah. Kebijakan tersebut bernama Uang Kuliah Tunggal yang sering disingkat UKT. Untuk menerapkan Uang Kuliah Tunggal hal tersebut, Universitas Sembilanbelas November Kolaka memerlukan gambaran latar belakang kondisi sosial ekonomi orangtua mahasiswa. Dalam menentukan kelompok UKT dibagi menjadi 5 (lima) kelompok dengan jumlah kelompok 1 dan kelompok 2 sebanyak 5% dari jumlah mahasiswa baru. Sehingga dibutuhkan suatu metode yang dapat membantu dalam menentukan kelompok UKT tersebut. Metode tersebut adalah Fuzzy C- Means dan MADM Model Yager. Berdasarkan hasil penelitian, sistem untuk menentukan kelompok UKT dengan kombinasi Fuzzy C-Means dan MADM Model Yager dapat menampilkan status tiap kelompok maupun secara keseluruhan. Selain itu, hasil perhitungan uji validitas clustering dengan Partition Coeffecient (PC) diperoleh nilai serta rata-rata tingkat ketepatan data hasil prediksi diperoleh 0.79 (79%). Sehingga hasil perhitungan dan pengujian sistem tergolong dalam kategori baik dan efektif. Kata kunci Fuzzy C-Means, MADM Model Yager, UKT 1. PENDAHULUAN Dunia pendidikan, khususnya Pendidikan Tinggi mendapat sorotan dari publik. Salah satu sorotan yang dimaksud yaitu: belum meratanya sistem pendidikan tinggi di Jawa dengan luar Jawa. Dimana Angka Partisipasi Kasar (APK) untuk jenjang pendidikan di Perguruan Tinggi masih minim jika dibandingkan jumlah penduduk Indonesia sekitar ± 250 juta. Untuk membuktikan bahwa pendidikan itu sangat terbuka bagi setiap warga negara Indonesia dan sebagai realisasi dari Pasal 31 UUD 1945 yang menyatakan bahwa setiap warga negara Indonesia berhak atas pendidikan. Pemerintah melalui Kementrian Pendidikan Nasional mengeluarkan suatu kebijakan yang diberi nama Uang Kuliah Tunggal (UKT). Hakekat dari UKT adalah guna meringankan beban mahasiswa terhadap pembiayaan pendidikan. Oleh karena itu pemerintah melalui Menteri Pendidikan dan Kebudayaan (Mendikbud) pada tanggal 23 Mei 2013 telah mengeluarkan ketetapan mengenai besarnya Biaya Kuliah Tunggal (BKT) dan Uang Kuliah Tunggal (UKT) pada PerguruanTinggi Negeri (PTN) di lingkungan Kementerian Pendidikan dan Kebudayaan[1]. Universitas Sembilanbelas November Kolaka merupakan salah satu Perguruan Tinggi Negeri dari 2 (dua) Perguruan Tinggi Negeri yang ada di Sulawesi Tenggara dan pada tahun ajaran baru 2014/2015 menerapkan Uang Kuliah Tunggal (UKT). Dalam menerapkan Uang Kuliah Tunggal, Universitas Sembilanbelas November Kolaka membagi kedalam 5 (lima) kategori kelompok UKT. Hal tersebut berdasarkan surat edaran DIKTI Nomor 272/E1.1/KU/2013 yang menjelaskan bahwa sebaiknya tarif Uang Kuliah Tunggal dibagi atas 5 kelompok, dari yang paling rendah (kelompok 1) sampai kelompok paling tinggi (kelompok 29
3 5)[2]. Dalam menerapkan Uang Kuliah Tunggal, Universitas Sembilanbelas November Kolaka memerlukan gambaran latar belakang kondisi sosial ekonomi orangtua setiap mahasiswa dengan kelompok UKT dibagi menjadi 5 (lima) kelompok dengan jumlah kelompok 1 dan kelompok 2 sebanyak 5% dari jumlah mahasiswa baru. Sedangkan kriteria-kriteria yang digunakan untuk menentukan kelompok UKT ditetapkan oleh pemimpin Perguruan Tinggi (PT). Hal ini berdasarkan Peraturan Menteri Pendidikan dan Kebudayaan Nomor 73 Tahun 2014 tentang Perubahan Atas Aturan Menteri Pendidikan dan Kebudayaan Nomor 55 Tahun 2013 Pasal 4 Ayat 4[3]. Pihak Universitas Sembilanbelas November Kolaka akan kesulitan apabila menggunakan metode tradisional dalam melakukan identifikasi terhadap setiap mahasiswa. Apalagi dengan jumlah data yang besar, analisa data tidak mungkin dilakukan secara manual oleh manusia. Menyikapi hal tersebut, pada penelitian ini penyusun membantu pihak Universitas Sembilanbelas November Kolaka dalam menentukan kelompok Uang Kuliah Tunggal (UKT). Upaya tersebut melalui dengan pemanfaatan teknologi komputer. Pembuatan alat bantu aplikasi dengan menggunakan metode Fuzzy C-Means (FCM) Clustering dan Multi Attribute Decision Making (MADM) Model Yager. Metode Fuzzy C-Means digunakan untuk mengelompokan data. Fungsi clustering adalah untuk menentukan data yang sama menjadi dalam satu kelompok, dimana sebelumnya data tersebut belum diketahui akan berada di kelompok yang mana. Sedangkan Multi Attribute Decision Making (MADM) Model Yager digunakan untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang dibandingkan. Telah banyak penelitian mengenai Fuzzy C-Means dan penelitian yang berfokus pada MADM. Penelitian [4] dengan menerapkan Fuzzy C-Means yang digunakan untuk pengenalan pola sebagai informasi data saham dan kualitas perusahaan emiten pada bursa efek Jakarta. Penelitian [5], menerapkan Fuzzy C-Means dan TSK untuk penentuan cluster rawan pangan di Kabupaten Cirebon. Pengelompokkan tersebut dikelompokkan dalam 6 golongan, yaitu sangat tahan pangan, tahan pangan, cukup tahan pangan, cukup rawan pangan, rawan pangan, dan sangat rawan pangan. Penelitian [6] menerapkan metode Fuzzy Multi-Attribute Decision Making berbasis Web dalam pemilihan calon Kepala Daerah di Indonesia. Penelitian [7] menerapkan Fuzzy MADM untuk menangani resiko dalam berinvestasi. Dalam penelitian tersebut, pengambilan keputusan atribut masalah untuk menangani risiko investasi dengan informasi diketahui sepenuhnya pada bobot atribut yang nilai atribut yang diberikan dalam bentuk bilangan fuzzy. Sedangkan pada penelitian ini mengkombinasikan kedua metode tersebut, yaitu Fuzzy C-Means Clustering dan MADM Model Yager dalam menentukan kelompok Uang Kuliah Tunggal (UKT) di Universitas Sembilanbelas November Kolaka. 2. METODE PENELITIAN 2.1 Fuzzy C-Means Fuzzy C-Means digunakan untuk mengelompokan data yang sama menjadi dalam satu kelompok, dimana sebelumnya data tersebut belum diketahui akan berada di kelompok yang mana. Algoritma Fuzzy C-Means sebagai berikut[8]. 1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). Xij = data sampel ke-i (i = 1,2,...,n), atribut ke-j (j = 1,2,...,m). 2. Tentukan: a. Jumlah cluster = c b. Pangkat = w c. Maksimum iterasi = MaxIter d. Error terkecil yang diharapkan = e. Fungsi obyektif = P0 = 0 30
4 Enigma Journal of Infotmatic (ENJOI 2016) ISSN : f. Iterasi awal = t = 1 3. Bangkitkan nilai secara random ik, i 1, 2,..., n; k 1, 2,..., c sebagai elemen-elemen matriks partisi awal U. Matriks partisi pada pengelompokkan fuzzy memenuhi kondisi uik [0;1] 1 i n; 1 k c (1) ik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data n ik w * X ij 4. Hitung pusat cluster bisa menjadi anggota kedalam suatu cluster. Pada awal posisi matriks partisi U masih belum akurat begitu juga pusat clusternya. ke-k: V kj, dengan k = 1,2,...,c; dan j = 1,2,...,m. V kj i 1 n ik w i 1 5. Hitung fungsi obyektif pada iterasi ke-t, Pt: nc m P 2 t X ij V kj ik w i 1 k 1 j 1 6. Hitung perubahan matriks partisi: (2) ik m X ij 1 V kj w 1 j 1 1 X ij Vkj c m w 1 (3) (4) k 1 j 1 dengan: i = 1,2,...,n; dan k = 1,2,...,c 7. Cek kondisi berhenti: a. Jika: ( Pt Pt-1 < ) atau (t > MaxIter) maka berhenti. b. Jika tidak: t = t+1, ulangi langkah ke-4. Sedangkan untuk menguji validitas hasil clustering dengan pendekatan Fuzzy Clustering, digunakan perhitungan koefesien partisi atau Partition Coeffecient (PC). Pengujian Partition Coeffecient (PC) sebagai evaluasi data pada setiap cluster, dimana nilai Partition Coeffecient (PC) hanya mengevaluasi nilai derajat keanggotaan dan tanpa memandang nilai data yang mengandung informasi[9]. Rumus yang digunakan untuk menghitung validitas Partition Coeffecient (PC) adalah nc PC (u ik ) 2 / n (5) k 1 i 1 dimana n merupakan jumlah data, c jumlah cluster, dan uik menyatakan nilai keanggotaan dari data ke-k pada cluster ke-i. Nilai hasil uji validitas dalam rentang [0, 1], nilai yang semakin besar (mendekati 1) mempunyai arti bahwa kualitas cluster yang didapat semakin baik. 2.2 MADM Model Yager MADM Model Yager digunakan untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang dibandingkan. MADM Model Yager adalah suatu bentuk model pendukung keputusan yang memperhatikan bahwa suatu alternatif terbaik adalah memiliki nilai diatas rata-rata dari alternatif yang dibandingkan[10]. Langkah-langkah penyelesaian untuk Model Yager ini adalah sebagai berikut[8]: a. Tetapkan matriks perbandingan berpasangan antar atribut (M) berdasarkan prosedur hirarki Saaty sebagai berikut: 31
5 1 1 2 M 1... n dengan i j n n (6) 2 n n... 2 n adalah kepentingan relatif atribut ai terhadap atribut aj. b. Tentukan bobot wj yang konsisten untuk setiap atribut berdasarkan metode eigenvector dari Saaty. c. Hitung nilai yang dihasilkan dengan cara mempangkatkan bobot wj yang konsisten G j ( xi) wj (7) Gj = nilai kualitas kriteria ke-j dari objek wj = nilai bobot vektor masing-masing kriteria xi = nilai objek wj sebagai wi d. Tentukan interseksi dari semua G j ( xi) ( xi ) (8) j Cj D xi, min i 1,..., n; j 1,..., m D = objek = elemen matriks D ~ e. Pilih xi dengan derajat keanggotaan terbesar dalam D dan tetapkan sebagai alternatif optimal. 2.3 Normalisasi Perbedaan rentang data yang ada pada data sampel untuk menentukan kelompok UKT, bisa menyebabkan proses identifikasi memiliki akurasi yang lebih rendah. Karena bisa menyebabkan satu dimensi data tidak mempengaruhi nilai distance atau similarity pada suatu identifikasi. Sedangkan dalam menentukan inputan nilai pada MADM Model Yager, nilai input yang diterima berupa bilangan dengan range antara 0 sampai dengan 1. Karena itu, diperlukan sebuah proses terlebih dahulu untuk menyesuaikan data yang sesungguhnya dengan range tersebut. Rumus yang digunakan untuk menormalisasi Min-max Normalization[11], dengan persamaan seperti berikut. v ' vi min A (new_max A new_min A ) new_min i max min A A A (9) dimana v = nilai baru data hasil Min-Max Normalization; v = nilai data yang akan dinormalisasi; mina = nilai minimum dari field data yang sama; maxa = nilai maksimum dari field data yang sama; new_mina = nilai minimum data yang diinginkan; dan new_maxa = nilai maksimum data yang diinginkan. 2.4 Pengujian Evaluasi Dalam membuat sebuah sistem, pengukuran yang digunakan untuk informasi retreival adalah Precision dan Recall. Precision adalah tingkat ketepatan antara data hasil prediksi Title of manuscript is short and clear, implies research results (First Author) 32
6 dengan data yang diberikan sistem. Sedangkan Recall adalah tingkat keberhasilan sistem dalam menemukan kembali antara data hasil prediksi dengan data yang diberikan sistem. Proses evaluasi ini bekerja dengan membandingkan hasil temuan sistem dan data asli sehingga diperoleh tingkat kesamaan. Apabila sebuah sistem memiliki tingkat kesamaan yang sangat mirip, maka nilai Precision dan Recall adalah 1. Data yang diperoleh terbagi menjadi dua kelompok, yaitu data yang ditemukan sama dan data yang ditemukan tidak sama. Pengukuran Precision dan Recall menurut Han dan Kamber [11] TP Precision TP FP (10) Recall TP TP (11) TP FN P 2.5 Deskripsi Sistem Penelitian ini berfokus pada penentuan kelompok Uang Kuliah Tunggal (UKT). Dimana Bagian akademik akan bertanggung jawab dan membantu Rektor dalam merencanakan, merumuskan dan mengkoordinasikan kebijakan teknik Uang Kuliah Tunggal. Dengan sistem ini diharapkan akan memudahkan Bagian Akademik untuk menentukan kelompok Uang Kuliah Tunggal (UKT). Mula-mula mahasiswa Universitas Sembilanbelas November Kolaka didata oleh Bagian Akademik berdasarkan kriteria yang tertera pada Tabel 1. Kriteria Jenis Kelamin Umur Jumlah Tanggungan Pendapatan Aset Pendidikan Pekerjaan Tabel 1. Kriteria Uang Kuliah Tunggal Keterangan Jenis kelamin dimaksud adalah jenis kelamin Kepala Keluarga atau Wali mahasiswa Umur dimaksud adalah umur Kepala Keluarga atau Wali mahasiswa dengan kategori muda, parobaya, atau tua Jumlah tanggungan adalah jumlah anggota keluarga yang menjadi tanggungan kepala keluarga, apakah sedikit atau banyak Pendapatan adalah jumlah uang yang diterima orang tua atau wali mahasiswa dengan kategori rendah, sedang atau tinggi Aset adalah barang atau benda baik tidak bergerak dan bergerak yang dinilaikan dalam bentuk rupiah (Rp) dengan kategori sedikit atau banyak Pendidikan yang dimaksud adalah tingkat pendidikan kepala keluarga, yaitu SD, SMP, SMP, Diploma/Sarjana, atau Pascasarjana Pekerjaan yang dimaksud adalah kegiatan atau aktivitas kepala keluarga, yaitu: Buruh, Petani, Wiraswasta, Pegawai Swasta, Pegawai Negeri atau Profesional Nilai untuk kriteria pendapatan dan jumlah tanggungan dihitung dengan menggunakan metode Fuzzy C-Means Clustering. Keluaran dari hasil perhitungan Fuzzy C-Means Clustering ini adalah mahasiswa yang masuk dalam kelompok Uang Kuliah Tunggal, dimana pengelompokan tersebut di kelompokkan dalam 5 (lima) kelompok. Apabila hasil dari pengelompokkan, khususnya pada kelompok 1 dan kelompok 2 lebih besar 5% dari jumlah mahasiswa baru, maka dilakukan perhitungan dengan menggunakan MADM model Yager untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata (kurang mampu) 33
7 2.6 Tahapan Proses Dalam penerapannya, sistem ini menggunakan 2 metode yaitu: Fuzzy C-Means Clustering untuk mengelompokkan status ekonomi orangtua mahasiswa dan MADM Model Yager untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang dibandingkan. Adapun langkah-langkah yang dilakukan adalah sebagai berikut. 1. Bagian Akademik akan menginputkan data mahasiswa. 2. Langkah selanjutnya adalah kelompokan data yang telah diinput dengan menggunakan metode Fuzzy C-Means. 3. Output dari hasil pengelompokkan adalah daftar nama-nama mahasiswa dengan status kelompok UKT (UKT 1, UKT 2, UKT 3, UKT 4, dan UKT 5). 4. Jika hasil pengelompokkan jumlah mahasiswa UKT 1 dan UKT 2 lebih besar 5% langkah selanjutnya yaitu menentukan mahasiswa yang akan direkomendasikan untuk tetap berada di UKT1 dan UKT 2 dengan menggunakan MADM Model Yager. 5. Output dari hasil perhitungan dengan menggunakan MADM Model Yager adalah daftar nama-nama mahasiswa yang tetap berada di UKT1 dan UKT 2. Tahapan penerapan metode Fuzzy C-Means Clustering dan MADM Model Yager disajikan seperti Gambar 1. Gambar 1. Tahapan Penerapan Fuzzy C-Means dan MADM Model Yager 34
8 2.7 Perancangan Sistem Gambar 2 menunjukkan gambaran umum dari sistem yang memiliki 6 proses, yaitu proses pengolahan data Program Studi, data mahasiswa, prose Clustering, penentuan bobot, proses perhitungan, dan cetak laporan. User yang terlibat dari sistem ini adalah bagian adakademik yang bertugas melakukan pendataan kondisi mahasiswa berdasarkan masing-masing indikatornya Title of manuscript is short and clear, implies research results (First Author). Gambar 2. DFD Level 1 35
9 2.8 Implementasi Sistem Proses perhitungan FCM Clustering dan MADM Model Yager mengacu pada proses 3 dan 5 Gambar 2. Pada awal proses FCM, sistem akan membangkitkan bilangan random, menghitung pusat cluster, menghitung nilai fungsi objektif, menghitung nilai derajat keanggotaan baru, dan menghitung nilai validitas hasil clustering. Gambar 3. Hasil Perhitungan FCM Clustering Informasi yang dapat diperoleh dari hasi proses clustering kelima pusat cluster adalah: (1) Kelompok pertama (cluster ke-1), berisi pendapatan rata-rata sekitar Rp. 442, dan memiliki rata-rata jumlah tanggungan 4 orang. (2) Kelompok kedua (cluster ke-2), berisi pendapatan rata-rata sekitar Rp. 985, dan memiliki rata-rata jumlah tanggungan 4 orang. (3) Kelompok ketiga (cluster ke-3), berisi pendapatan rata-rata sekitar Rp. 1,649, dan memiliki rata-rata jumlah tanggungan 3 orang. (4) Kelompok keempat (cluster ke-4), berisi pendapatan rata-rata sekitar Rp. 3,315, dan memiliki rata-rata jumlah tanggungan 3 orang. (5) Kelompok kelima (cluster ke-5), berisi pendapatan rata-rata sekitar Rp. 3,871, dan memiliki rata-rata jumlah tanggungan 3 orang. Karena jumlah masing-masing kelompok 1 dan kelompok 2 lebih besar 5%, maka langkah selanjutnya dilakukan proses penyeleksian dengan menggunakan MADM Model Yager. Sebelum proses perhitungan MADM Model Yager, tentukan dahulu nilai bobot konsisten. Setelah nilai bobot diperoleh, langkah selanjutnya sistem akan menormalisasi data untuk menyetarakan rentang nilai antar dimensi pada data yang akan identifikasi. Hasil dari normalisasi kemudian dipangkatkan dengan nilai bobot yang telah diperoleh. 3. HASIL DAN PEMBAHASAN Sistem kombinasi Fuzzy C-Means Clustering dan MADM Model Yager diuji melalui dua tahap. Pengujian Fuzzy C-Means Clustering dengan tujuan untuk mengetahui performa dari Fuzzy C-Means dalam mengkluster. Jumlah data yang di gunakan untuk pengujian Fuzzy C- Means sebanyak 1414 mahasiswa. Untuk proses Fuzzy C-Means Clustering nilai paramater sebagai berikut. Jumlah cluster = 5 Maksimum iterasi =
10 Error terkecil = 10-5 Pangkat = 2 Iterasi awal = 1 Dengan nilai matriks awal U dibentuk secara random (acak). Kriteria yang digunakan untuk mengelompokkan dengan metode Fuzzy C-Means Clustering adalah jumlah pendapatan dan jumlah tanggungan. Dimana data diperoleh dari Bagian Akademik Universitas Sembilanbelas November Kolaka yang berjumlah 1414 orang mahasiswa. Dari hasil proses pengclusteran menggunakan metode Fuzzy C-Means Clustering dengan jumlah iterasi sebanyak 32 kali iterasi terbentuk kelompok 1 sebanyak 427 orang (30.19%), kelompok 2 sebanyak 329 orang (23.26%), kelompok 3 sebanyak 252 orang (17.82%), kelompok 4 sebanyak 237 orang (16.76%), dan kelompok 5 sebanyak 169 orang (11.95%). Sesuai ketetapan di Universitas Sembilanbelas November Kolaka bahwa jumlah mahasiswa yang tetap berada pada kelompok 1 dan kelompok 2 adalah 5% dari jumlah keseluruhan mahasiswa, yaitu 70 orang. Karena hasil clustering melebihi ketetapan, maka data pada kelompok 1 dan kelompok 2 dilakukan perhitungan untuk menentukan siapa sajakah mahasiswa yang akan tetap berada pada kelompok 1 dan kelompok 2. Sedangkan mahasiswa yang tidak masuk pada kelompok 1 dan kelompok 2 akan di pindahkan pada kelompok 3. Metode yang digunakan untuk menentukan siapa sajakah mahasiswa yang tetap berada pada kelompok 1 dan kelompok 2 dengan menggunakan MADM Model Yager. Contoh hasil perhitungan dengan MADM Model Yager pada kelompok 1 dan kelompok 2 disajikan seperti Gambar 4. Gambar 4 Contoh Hasil Perhitungan MADM Model Yager Evaluasi pengujian dilakukan dengan menggunakan precision dan recall. Nilai precision digunakan untuk menunjukkan ketepatan rekomendasi yang dihasilkan oleh recommendation system. Recall merupakan nilai yang digunakan sebagai ukuran jumlah item relevan yang dihasilkan recommendation system. Data untuk pengujian diperoleh dengan membandingkan data asli dengan data yang dihasilkan sistem. Hasil pengujian precision dan recall disajikan pada Tabel 2 37
11 Tabel 2 Hasil Pengujian Precision dan Recall Kelompok Hasil Prediksi TP FN FP Precision Recall UKT ,54 0,54 UKT ,60 0,60 UKT ,92 0,95 UKT ,92 0,91 UKT ,95 0,81 Rata-rata 0,79 0,76 4. KESIMPULAN Berdasarkan hasil penelitian terhadap sistem untuk menentukan kelompok UKT dengan kombinasi Fuzzy C-Means dan MADM Model Yager, maka dapat disimpulkan: 1. Kombinasi Fuzzy C-Means dan MADM Model Yager dapat diimplementasikan untuk menentukan kelompok UKT yang sesuai. Dari hasil pengclusteran dengan Fuzzy C-Means dengan iterasi sebanyak 32 kali iterasi terbentuk kelompok 1 sebanyak 427 orang (30.19%), kelompok 2 sebanyak 329 orang (23.26%), kelompok 3 sebanyak 252 orang (17.82%), kelompok 4 sebanyak 237 orang (16.76%), dan kelompok 5 sebanyak 169 orang (11.95%). Dimana uji validitas clustering dengan Partition Coeffecient (PC) diperoleh nilai PC = 0,791 tergolong dalam kategori baik karena nilai uji validitas mendekati angka 1. Karena kelompok 1 dan kelompok 2 lebih dari 5%, maka dilanjutkan dengan perhitungan MADM Model Yager untuk menyeleksi mahasiswa yang akan tetap berada pada kelompok 1 dan kelompok Rata-rata hasil pengujian precision diperoleh sebesar 0.79 dan hasil pengujian diperoleh recall sebesar 0,76. Sehingga diketahui bahwa tingkat keefektifan dari sistem dalam menentukan kelompok UKT dapat dikatakan efektif. Dari hasil pengujian terlihat ada 46% (32) orang mahasiswa yang seharusnya tidak berada pada kelompok 1 dan 40% (28) orang mahasiswa yang seharusnya tidak berada pada kelompok 2. Secara umum berdasarkan hasil pengujian tersebut dapat dinyatakan bahwa kombinasi Fuzzy C-Means dan MADM Model Yager lebih baik diterapkan untuk menentukan kelompok UKT karena dapat menentukan sesuai dengan target aslinya. DAFTAR PUSTAKA [1] Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 55 Tahun 2013 tentang Biaya Kuliah Tunggal Dan Uang Kuliah Tunggal Pada Perguruan Tinggi Negeri Di Lingkungan Kementerian Pendidikan Dan Kebudayaan. [2] Surat Edaran Nomor 272/E1.1/KU/2013 Tanggal 3 April 2013 Hal Uang Kuliah Tunggal.Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 73 Tahun 2014 tentang 38
12 Perubahan Atas Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 55 Tahun 2013 tentang Biaya Kuliah Tunggal Dan Uang Kuliah Tunggal Pada Perguruan Tinggi Negeri Di Lingkungan Kementerian Pendidikan Dan Kebudayaan. [4] Sumarauw, SJA. dan Subanar., 2007, Fuzzy C-Means Clustering Model Data Mining for Recognizing Stock Data Sampling Pattern, Indonesian Journal of Computing and Cybernetics Systems, Vol.1, No.2, Juni 2007, pp [5] Harliana dan Azhari., 2012, Penerapan FCM dan TSK Untuk Penentuan Cluster Rawan Pangan di Kabupaten Cirebon. Indonesian Journal of Computing and Cybernetics Systems Vol. 6, No. 2, Juli 2012 ISSN: , pp [6] Yusro, MM. dan Wardoyo, R., 2013, Aplikasi Metode Fuzzy Multi-Attribute Decision Making Berbasis Web dalam Pemilihan Calon Kepala Daerah di Indonesia, Indonesian Journal of Computing and Cybernetics Systems, Vol.7, No.1, Januari 2013 ISSN: , pp [7] Gu, X. Wang, Y. dan Yang, B., A Method for Hesitant Fuzzy Multiple Attribute Decision Making and Its Application to Risk Investment, Journal of Convergence Information Technology, Volume 6, Number 6, June [8] Zimmermann., 2001, Fuzzy Set Theory and Its Applications, Fourth Edition. Kluwer Academic Publishers. [9] Bezdek, J., 1981, Pattern Recognition With Fuzzy Objective Function Algorithms, New York, Plenum Press. [10] Kusumadewi, S., Hartati, S., Harjoko, A. dan Wardoyo, R., 2006, Fuzzy Multi-Attribute Decision Making, Graha Ilmu Yogyakarta. {11} Han, J. dan Kamber, M., 2006, Data Mining: Concepts and Techniques. Second Edition, Morgan Kaufmann Publishers. ar, implies research results (First Author) 39
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia pendidikan, khususnya Pendidikan Tinggi mendapat sorotan dari publik. Salah satu sorotan yang dimaksud yaitu: belum meratanya sistem pendidikan tinggi di Jawa
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Lebih terperinciCASE BASED REASONING MENENTUKAN KELOMPOK UKT (STUDI UNIVERSITAS SEMBILANBELAS NOVEMBER KOLAKA)
CASE BASED REASONING MENENTUKAN KELOMPOK UKT (STUDI UNIVERSITAS SEMBILANBELAS NOVEMBER KOLAKA) Muh. Nurtanzis Sutoyo 1), Andi Tenri Sumpala 2) 1)2) Sistem Informasi, Fakultas Teknologi Informasi, USN Kolaka
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
Lebih terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciBAB I PENDAHULUAN. dinyatakan diterima di di universitas, institut atau akademi, yang masuk dari berbagai
BAB I PENDAHULUAN 1.1 Latar Belakang Mahasiswa baru adalah peserta seleksi penerimaan mahasiswa baru yang telah dinyatakan diterima di di universitas, institut atau akademi, yang masuk dari berbagai jalur
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
Lebih terperinciJurnal Informasi Volume VII No.1 / Februari / 2015
SISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA KOPERTIS DI FAKULTAS TEKNIK UNSUR CIANJUR MENGGUNAKAN FUZZY MADM DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Ai Musrifah Ela Sopiyillah ABSTRAK Fakultas Teknik
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 1 Mahasiswa Program Studi Matematika FSM
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN KELULUSAN UJIAN SARINGAN MASUK JALUR PMDK BERDASARKAN NILAI RATA-RATA MATEMATIKA DAN BAHASA INGGRIS
SISTEM PENDUKUNG KEPUTUSAN KELULUSAN UJIAN SARINGAN MASUK JALUR PMDK BERDASARKAN NILAI RATA-RATA MATEMATIKA DAN BAHASA INGGRIS Fitrah Rumaisa, S.T., Tanti Nurafianti Universitas Widyatama, Jl. Cikutra
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciKLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS
JURNAL LOGIC. VOL.15. NO.1 MARET 015 51 KLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS Putu Manik Prihatini Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit Jimbaran, P.O.Box 1064 Tuban
Lebih terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih terperinciANALISIS KOMPARASI SIMPLE ADDITIVE WEIGHTING DAN WEIGHTED PRODUCT DALAM PENENTUAN PENERIMA BEASISWA
ANALISIS KOMPARASI SIMPLE ADDITIVE WEIGHTING DAN WEIGHTED PRODUCT DALAM PENENTUAN PENERIMA BEASISWA Siti Nurhayati Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN: Yogyakarta, 20 Juni 2009
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA BANK BRI MENGGUNAKAN FMADM (STUDI KASUS: MAHASISWA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA) Henry Wibowo S 1), Riska Amalia
Lebih terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem Informasi OLEH :
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMA BERAS MISKIN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING ( STUDI KASUS KEL. JAMSAREN KOTA KEDIRI) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat
Lebih terperinciSistem Pendukung Keputusan Dalam Menentukan Dosen Pembimbing Skripsi
E-journal Teknik Informatika, Volume 9, No 1 (2016), ISSN : 1 Sistem Pendukung Keputusan Dalam Menentukan Dosen Pembimbing Skripsi Iwan Laengge, Hans F. Wowor, Muhamad D. Putro Teknik Informatika Universitas
Lebih terperinciKata Kunci: Guru, Decision support systems, MADM, SAW. 1. Pendahuluan
RANCANG BANGUN DECISION SUPPORT SYSTEM PEMILIHAN GURU TERBAIK MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) (STUDI KASUS : SMA BHAKTI PERTIWI KOTA TANGERANG) Taufik Hidayat, S.Kom., M.Kom 1, Fajar
Lebih terperinciIMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU
PROYEK TUGAS AKHIR IMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU (Studi Kasus : SMK Pembangunan Nasional Purwodadi) Disusun oleh: Novian Hari Pratama 10411 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciKata Kunci : Fuzzy MADM, SAW, kriteria, beasiswa.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA MENGGUNAKAN SIMPLE ADDITIVE WEIGHTING (SAW) (STUDI KASUS : SISWA SMK MUHAMMADIYAH PRINGSEWU) Andra Setiawan Jurusan Sistem Informasi STMIK
Lebih terperinciBAB III PERANCANGAN SISTEM. pengetahuannya melalui buku-buku yang ada. Pihak perpustakaan harus. sesuai dengan kebutuhan dan anggaran yang disediakan.
BAB III PERANCANGAN SISTEM 3.1 Analisis Permasalahan Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat bagi para
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih terperinciSistem Pendukung Keputusan Kelayakan Kredit Usaha Menggunakan Fuzzy Multiple Attribute Decision Making (FMADM) Pada Bank BPD Sulteng
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Sistem Pendukung Keputusan Kelayakan Kredit Usaha Menggunakan Fuzzy Multiple Attribute Decision Making (FMADM) Pada Bank
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciPEMILIHAN PEGAWAI BERPRESTASI BERDASAR EVALUASI KINERJA PEGAWAI DENGAN METODE SAW
ISSN : 2302-305 STMIK AMIKOM Yogyakarta, - Februari 2015 PEMILIHAN PEGAWAI BERPRESTASI BERDASAR EVALUASI KINERJA PEGAWAI DENGAN METODE SAW Lili Tanti1) 1) Sistem Informasi Universitas Potensi Utama Jl
Lebih terperinciSistem Pendukung Keputusan Penentuan Kontrak Kerja Agent Call Center Menggunakan Metode Saw
JURNAL INFORMATIKA, Vol.4 No.1 April 2017, pp. 76~81 ISSN: 2355-6579 E-ISSN: 2528-2247 76 Sistem Pendukung Keputusan Penentuan Kontrak Kerja Agent Call Center Menggunakan Metode Saw Sheyla Feby Liesdiana
Lebih terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih terperinciPemanfaatan 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 terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
Lebih terperinciPENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PENERIMA JAMKESMAS MENGGUNKANA METODE FMADM SAW
PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PENERIMA JAMKESMAS MENGGUNKANA METODE FMADM SAW Lusiana Dwi Wardani 1, Dwi Puspitasari 2, Yuri Ariyanto 3 1,2,3 Program Studi Teknik Informatika, Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas teori mengenai Sistem Pendukung Keputusan, penelitan lain yang berhubungan dengan sistem pendukung keputusan, Simple Additve Weighting (SAW), dan Weighted
Lebih terperinciSistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting
Jurnal Sistem Bisnis 03(2011) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 153 Sistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting Tri Sandhika
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENGELOMPOKAN PERSENTASE PENDUDUK BERUMUR 15 TAHUN KE ATAS MENURUT KABUPATEN/KOTA DAN PENDIDIKAN TERTINGGI
Lebih terperinciSISTEM PEMBERIAN BEASISWA DENGAN MENERAPKAN FMADM (FUZZY MULTIPLE ATTRIBUTE DECISION MAKING) DAN SAW (SIMPLE ADDITIVE WEIGHTING) Delpiah Wahyuningsih
SISTEM PEMBERIAN BEASISWA DENGAN MENERAPKAN FMADM (FUZZY MULTIPLE ATTRIBUTE DECISION MAKING) DAN SAW (SIMPLE ADDITIVE WEIGHTING) Delpiah Wahyuningsih Dosen Teknik Informatika STMIK Atma Luhur Pangkalpinang
Lebih terperinciIMPLEMENTASI SISTEM REKOMENDASIAN PENERIMAAN BEASISWA DENGAN MENGGUNAKAN FMADM
IMPLEMENTASI SISTEM REKOMENDASIAN PENERIMAAN BEASISWA DENGAN MENGGUNAKAN FMADM Anis Yusrotun Nadhiroh Jurusan Teknik Informatika - STT Nurul Jadid Paiton ayusrotun@gmail.com ABSTRAK Sesuai dengan peraturan
Lebih terperinciCLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM)
CLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM) Idni Irsalina 1*, Endang Supriyati 2, Tutik Khotimah 3 Program Studi Teknik Informatika, Fakultas Teknik,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciAPLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN
APLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN Abdul Aziz, S.Si, M.Si. Abstrak Teknik Fuzzy c-means clustering termasuk dalam salah satu keluarga clustering. Seperti teknik clustering
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) ARTIKEL SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer ( S.Kom ) Pada
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1. Penyusunan Hirarki Dari identifikasi dan subatribut yang dominan, dapat disusun struktur hirarki sebagai berikut: Gambar 4.1 Struktur Hirarki Penerima Beasiswa
Lebih terperinciMulti-Attribute Decision Making
Materi Kuliah [05] SPK & Business Intelligence Multi-Attribute Decision Making Dr. Sri Kusumadewi Lizda Iswari Magister Teknik Informatika Program Pascasarjana Fakultas Teknologi Industri Universitas Islam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian yang dilaksanakan adalah penelitian eksperimen, yaitu melakukan implementasi algoritma Fuzzy C-Means dalam pengelompokan berdasarkan data
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciBAB V PENUTUP. Menggunakan Metode Fuzzy C-Means Clustering, dapat diambil kesimpulan
BAB V PENUTUP 5.1. Kesimpulan Dari serangkaian uji coba dan analisa yang telah dilakukan pada aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciSistem Pendukung Keputusan Penentuan Lokasi Gudang di Perusahaan dengan Metode Weighted Product
Sistem Pendukung Keputusan Penentuan Lokasi Gudang di Perusahaan dengan Metode Weighted Product Indah Kumala Sari 1, Yohana Dewi Lulu W 2, Kartina Diah K 3 1,2 Jurusan Sistem Informasi,.3 Jurusan Teknik
Lebih terperinciPERANCANGAN DAN PEMBUATAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KEBUTUHAN RESEPSI PERNIKAHAN MENGGUNAKAN METODE SAW PADA PORTAL WEBSITE PERNIKAHAN
PERANCANGAN DAN PEMBUATAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KEBUTUHAN RESEPSI PERNIKAHAN MENGGUNAKAN METODE SAW PADA PORTAL WEBSITE PERNIKAHAN Chamam Anwarul 1, Imam Fahrur Rozi 2, Ely Setyo Astuti
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN SISWA BARU PADA SMA THERESIANA WELERI KENDAL MENGGUNAKAN METODE SAW
SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN SISWA BARU PADA SMA THERESIANA WELERI KENDAL MENGGUNAKAN METODE SAW Ade Krismelan, A12.2009.03616 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciSISTEM PENGAMBILAN KEPUTUSAN KREDIT RUMAH DENGAN METODE FUZZY SAW MADM
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 SISTEM PENGAMBILAN KEPUTUSAN KREDIT RUMAH DENGAN METODE FUZZY SAW MADM Marganda Simarmata [1], Dahlan Abdullah [2] 1.Program Studi Teknik Informatika
Lebih terperinciPemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means
ISSN: 2089-3787 527 Pemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means Yulia Yudihartanti, Sudiyanur Hidayatullah STMIK Banjarbaru Jl. A. Yani Km. 33 Banjarbaru, 0511(4782881) e-mail: yuliaydh@yahoo.co.id,
Lebih terperinciPEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS
PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS Sri Redjeki Teknik Informatika STMIK AKAKOM Jl. Raya Janti No 143 Yogyakarta e-mail: dzeky@akakom.ac.id ABSTRAK Sebuah perguruan
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang telah dilakukan
Lebih terperinciSistem Pendukung Keputusan Mahasiswa Berprestasi Menggunakan Metode TOPSIS
Sistem Pendukung Keputusan Mahasiswa Berprestasi Menggunakan Metode TOPSIS Sri Rahmawati Fitriatien Universitas PGRI Adi Buana Surabaya (Fakultas Keguruan dan Ilmu Pendidikan, Program Studi Pendidikan
Lebih terperinciPENENTUAN PRODUK KERAJINAN UNGGULAN DENGAN MENGGUNAKAN MADM-SAW. Fera Tri Wulandari 1*, Setiya Nugroho 1
PENENTUAN PRODUK KERAJINAN UNGGULAN DENGAN MENGGUNAKAN MADM-SAW Fera Tri Wulandari 1*, Setiya Nugroho 1 1 Program Studi Manajemen Informatika, Fakultas Ilmu Komputer, Universitas Widya Dharma Klaten Jl
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) DI MA MA ARIF 8 BANGUNREJO.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) DI MA MA ARIF 8 BANGUNREJO Afrianto Jurusan Sistem Informasi STMIK Pringsewu Lampung Jl. Wisma
Lebih terperinciPenerapan Metode Simple Additive Weighting Pada Aplikasi Penilaian Kinerja Dosen Fakultas Ilmu Komputer Unversitas Muslim Indonesia
Penerapan Metode Simple Additive Weighting Pada Aplikasi Penilaian Kinerja Dosen Fakultas Ilmu Komputer Unversitas Muslim Indonesia St. Hajrah Mansyur 1 Fakultas Ilmu Komputer Universitas Muslim Indonesia
Lebih terperinciPENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS. Abstrak
1 PENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS Nila Yuliani 1) Mardhiah Fadli 2) Warnia Nengsih 3) Program Studi Sistem Informasi Politeknik Caltex
Lebih terperinciSISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING
SISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING Ati Suci Dian Martha, S.Kom., M.T. 1, Dena Jatnika Kusumah 1, Program Studi Sistem Informasi, STMIK LPKIA, Bandung Jln. Soekarno Hatta No.
Lebih terperinciSISTEM SELEKSI BEASISWA SMA NEGERI 2 BAE KUDUS DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) ABSTRAK
SISTEM SELEKSI BEASISWA SMA NEGERI 2 BAE KUDUS DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Herdi widyatmoko Jurusan teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jln Nakula
Lebih terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
Lebih terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkebunan kelapa sawit di Indonesia terus berkembang dalam tiga dekade terakhir. Di Asia Tenggara negara seperti Malaysia, Thailand dan Indonesia merupakan penghasil
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA DI SMAN5 KEDIRI DENGAN METODE WEIGHTED PRODUCT (WP) SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA DI SMAN5 KEDIRI DENGAN METODE WEIGHTED PRODUCT (WP) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA BEASISWA BERPRESTASI MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE DECISION MAKING (FMADM) DENGAN METODE SAW
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA BEASISWA BERPRESTASI MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI SMK KRISTEN TOMOHON MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI SMK KRISTEN TOMOHON MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciSISTEM REKOMENDASI PEMBERHENTIAN HUBUNGAN KERJA MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE DECISION MAKING METODE SIMPLE ADDTIVE WEIGHTING (SAW) SKRIPSI
SISTEM REKOMENDASI PEMBERHENTIAN HUBUNGAN KERJA MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE DECISION MAKING METODE SIMPLE ADDTIVE WEIGHTING (SAW) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN SISWA BARU DI SMA NEGERI 2 PEMALANG DENGAN METODE SIMPLE ADDITIVE WEIGHTING
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN SISWA BARU DI SMA NEGERI 2 PEMALANG DENGAN METODE SIMPLE ADDITIVE WEIGHTING DIDIK PAMBUDI A11.2009.04833 Program Studi Teknik Informatika-S1,Fakultas Ilmu Komputer,Universitas
Lebih terperinciKeywords - Rekrutmen, SAW (Simple Additive Weighting) 12 JURNAL TRANSFORMATIKA, Volume 14, Nomor 1, Juli 2016
ANALISA PENERIMAAN DOSEN BARU DENGAN MENGGUNAKAN SAW (SIMPLE ADDITIVE WEIGHTING) Nurtriana Hidayati anna@usm.ac.id Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract - Penerimaan
Lebih terperinciKeywords - Rekrutmen, SAW (Simple Additive Weighting) 12 JURNAL TRANSFORMATIKA, Volume 14, Nomor 1, Juli 2016
ANALISA PENERIMAAN DOSEN BARU DENGAN MENGGUNAKAN SAW (SIMPLE ADDITIVE WEIGHTING) Nurtriana Hidayati anna@usm.ac.id Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract - Penerimaan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA DENGAN MENGGUNAKAN METODE SAW DI SDN IV TUBUMURI
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA DENGAN MENGGUNAKAN METODE SAW DI SDN IV TUBUMURI Petrus Wolo 1), Nicolaus Nggere Dary 2), dan Angelina Tai 3) Program Studi Teknik Informatika Universitas
Lebih terperinciLAPORAN SISTEM PENUJANG KEPUTUSAN UNTUK MENENTUKAN PENERIMAAN BEASIWA BAGI MAHASISWA
LAPORAN SISTEM PENUJANG KEPUTUSAN UNTUK MENENTUKAN PENERIMAAN BEASIWA BAGI MAHASISWA Disusun Oleh: ANDY WIJAYA [14121020] ASIDIK THAIB [14121028] ADRIANUS NOLA PALI [14121049] PROGRAM STUDI SISTEM INFORMASI
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA DI SMA NEGERI 6 PANDEGLANG
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA DI SMA NEGERI 6 PANDEGLANG Heri Sulistiyo Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonrsia Jln.
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW)
SISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Zainollah Effendy Jurusan Teknik Informatika Fakultas Teknik, Universitas Madura zainollah.effendy@unira.ac.id
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PRESTASI SISWA MENGGUNAKAN METODE TOPSIS
ISSN : 2302-380 SISTEM PENDUKUNG KEPUTUSAN PRESTASI SISWA MENGGUNAKAN METODE TOPSIS Ewaldus Ambrosius Tukan1), Janero Kennedy2) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring Road Utara, Condongcatur,
Lebih terperinciP13 Fuzzy MCDM. A. Sidiq P.
P13 Fuzzy MCDM A. Sidiq P. http://sidiq.mercubuana-yogya.ac.id Program Studi Teknik Informatika Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta Tujuan Mahasiswa
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa adalah suatupemahaman terhadap permasalahan sebelum mengambil suatu tindakan atau keputusan yang akan dilakukan. Disini akan dianalisa tentang sistem
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS DALAM MENGANALISA KEMISKINAN DESA
IMPLEMENTASI FUZZY C-MEANS DALAM MENGANALISA KEMISKINAN DESA Harliana Teknik Informatika STIKOM POLTEK Cirebon Jl Brigjend Darsono Bypass No3 3, Cirebon 45153 Email : harliana.merdiharto@gmail.com Abstrak
Lebih terperinciSISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC
SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC ( STUDY KASUS : KARANG TARUNA DESA PUHJARAK ) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih terperinciSELEKSI PENERIMAAN CALON KARYAWAN MENGGUNAKAN METODE TOPSIS
SELEKSI PENERIMAAN CALON KARYAWAN MENGGUNAKAN METODE TOPSIS Sri Lestari IBI Darmajaya t4ry09@yahoo.com ABSTRACT One factor supporting human resource development is qualification. The selection of employees
Lebih terperinci