ALGORITMA DECISION TREE-J48, K-NEAREST, DAN ZERO-R PADA KINERJA AKADEMIK
|
|
- Yanti Gunawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ALGORITMA DECISION TREE-J48, K-NEAREST, DAN ZERO-R PADA KINERJA AKADEMIK Nurfaizah 1) Mohammad Imron 2) Linda Perdanawanti 3) 1),2),3) Sistem Informasi, STMIK AMIKOM Purwokerto Jl. Letjend. Pol. Sumarto, Purwokerto, Indonesia 1) 2) 3) ABSTRACT The student's academic performance becomes one of the benchmarks of the quality of Higher Education, in this study to know the students who have poor academic performance in the learning process in order to be known. One solution that researchers do is to detect the timeliness of graduation students with data mining techniques in order to note the problems that occur in the students. The purpose of this study compared decision-j48, k- nearest neighbor, and zero-r algorithms with a combination of CFS to measure the best accuracy of each algorithm for the evaluation of student academic performance. From the result of comparison obtained from testing decision algorithm j48, k-nearest neighbor, and zero-r with combination of CFS can be known result of comparation from each experiment. From the same dataset, the use of feature selection turns out to have better results from the decision tree-j48 and zero-r algorithms with 86.38% accuracy value while the feature selection has an accuracy of 87.88%, while from the test result with k- Nearest neighbor has the highest accuracy value without selection or with feature selection that is with accuracy 89.04%. Key words Student academic performance, Decision Tree-J48, K- Nearest, Zero-R, CFS 1. Pendahuluan Sebagai lembaga pendidikan, STMIK AMIKOM Purwokerto tentunya mengharapkan regenerasi yang berkualitas dan dapat bersaing dengan Perguruan Tinggi lainnya. Sehingga kualitas dari Perguruan Tinggi selain dilihat dari rata-rata masa lulusnya mendapatkan pekerjaan juga dapat dilihat dari rata-rata masa studi dari mahasiswanya. Sehingga Perguruan Tinggi kini dituntut untuk memiliki keunggulan dalam bersaing dengan memanfaatkan semua sumber daya yang dimiliki, sesuai dengan buku pedoman akademik STMIK AMIKOM Purwokerto tahun 2011/2012, pada Bab I dengan pengertian umum Pasal 1 ayat (2) disebutkan bahwa: Program Sarjana (S-1) reguler adalah program pendidikan akademik setelah pendidikan menengah yang memiliki beban studi sekurang-kurangnya 144 sks dan sebanyakbanyaknya 160 sks yang dijadwalkan untuk 8 semester dan dapat ditempuh dalam waktu kurang dari 8 semester, paling lama 12 semester [1]. Untuk mengolah data yang begitu besar dan kompleks maka dibutuhkan proses penggalian data atau dikenal dengan istilah data mining. Tingkat kelulusan mahasiswa tepat waktu sangat penting dibahas, dikarenakan berpengaruh terhadap kualitas suatu Perguruan Tinggi [2]. Data Mining juga didefinisikan sebagai rangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual [3]. Beberapa penelitian terkait dengan topik penelitian yang pernah dilakukan [4] monitoring dan evaluasi kinerja akademik mahasiswa menggunakan teknik data mining. [5] evaluasi kinerja akademik mahasiswa menggunakan algoritma naive bayes, dan [6] prediksi kinerja mahasiswa menggunakan algoritma klasifikasi data mining dengan menggunakan algoritma decision tree classifier, neural network,dan nearest neighbor. Tujuan dari penelitian ini adalah untuk mendapatkan hasil komparasi metode klasifikasi DC Tree-J48, K- Nearest Neighbor, dan Zero-R berbasis CFS untuk mengevaluasi kinerja akademik mahasiswa, serta membangun sebuah sistem pendukung keputusan. 12
2 2. Landasan Teori 2.1 Data Mining Penambangan data (data mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini tersembunyi dibalik data atau tidak diketahui secara manual [3]. Data Mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Data Mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar, dimana data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database [7]. Masalah-masalah yang sesuai untuk diselesaikan dengan teknik data mining dapat dirincikan dengan [8]: 1. Memerlukan keputusan yang bersifat knowledgebased 2. Mempunyai lingkungan yang berubah 3. Metode yang ada sekarang bersifat sub-optimal 4. Tersedia data yang bisa diakses, cukup dan relevan 5. Memberikan keuntungan yang tinggi jika keputusan yang diambil tepat. 2.2 Klasifikasi Klasifikasi adalah proses penemuan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep yang bertujuan agar bisa digunakan untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui [9]. Klasifikasi data terdiri dari 2 langkah proses, yang Pertama adalah learning (fase training), dimana algoritma klasifikasi dibuat untuk menganalisa data training, lalu direprestasikan dalam bentuk rule klasifikasi. Proses yang Kedua adalah klasifikasi, dimana data tes digunakan untuk memprediksi atau memperkirakan akurasi dari rule klasifikasi [9]. 2.3 Algoritma Decision Tree J48 Decision Tree J48 merupakan implementasi algoritma C4.5 (berbasis Java) pada Weka [10]. Algoritma C4.5 digunakan untuk pemisah obyek [11]. Tree atau pohon keputusan banyak dikenal sebagai bagian dari Graph, yang termasuk dalam irisan bidang ilmu otomata dan teori bahasa serta matematika diskrit. Tree sendiri merupakan graf tak-berarah yang terhubung, serta tidak mengandung sirkuit [12]. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut [13]: 1. Pilih atribut sebagai akar 2. Buat cabang untuk tiap-tiap nilai 3. Bagi kasus dalam cabang 4. Ulangi proses untuksetiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan persamaan sebagai berikut:.(1) Keterangan: S = himpunan kasus A = atribut n = jumlah partisi atribut A Si = jumlah kasus pada partisi ke-i S = jumlah kasus dalam S Rumus dasar dari entropy tersebut adalah sebagai berikut: Keterangan: S = himpunan kasus A = fitur n = jumlah partisi S pi = proporsi dari Si terhadap S 2.4 Algoritma K-Nearest Neighbor..(2) Algoritma k-nearest neighbor merupakan sebuah metode untuk melakukan klasifikasi terhadap obyek baru berdasarkan (k) tetangga terdekatnya [14]. KKN termasuk algoritma supervised learning, dimana hasil query instance yang baru, diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Kleas yang paling banyak muncul yang akan menjadi kelas hasil klasifikasi [14]. Algoritma k-nearest neighbor merupakan metode klasifikasi yang mengelompokkan data baru berdasarkan jarak data baru itu kebeberapa data atau tetangga (neighbor) terdekat. Teknik knn dengan melakukan langkah-langkah yaitu, mulai input : data training, label, data training, dan data testing. 2.5 Algoritma Zero-R Algoritma Zero-R secara sederhana memprediksi mayoritas kelas dalam training data [3], meskipun algoritma Zero-R memiliki sedikit akal untuk digunakan sebagai prediktor, algoritma Zero-R bermanfaat untuk 13
3 menentukan performance dasar sebagai benchmark untuk skema pembelajaran yang lain. 2.6 Seleksi Fitur Metode pemilihan fitur yang digunakan adalah correlation based feature selection (CFS) subset evaluation [15]. Metode CFS subset evaluation memilih fitur terbaik dari fitur yang ada. Dengan kata lain ada fitur yang harus dibuang karena memiliki nilai korelasi yang rendah terhadap hasil prediksi kategori. Sebagai inti dalam CFS adalah teknik heuristic untuk mengevaluasi nilai atau harga subset fitur [13]. Teknik ini mempertimbangkan kegunaan fitur individual bagi prakiraan label kelas dengan level interkorelasi di antara fitur-fitur. Fitur secara individual menguji mana ukuran yang berkaitan dengan variable yang diamati (sebagai kelas target). Sebagai inti dalam CFS adalah teknik heuristic untuk mengevaluasi nilai atau harga subset fitur [14]. Teknik ini mempertimbangkan kegunaan fitur individual bagi prakiraan label kelas dengan level interkorelasi di antara fitur-fitur. Fitur secara individual menguji mana ukuran yang berkaitan dengan variable yang diamati (sebagai kelas target). Persamaan berikut adalah formalisasi nilai harga heuristic yang dimaksud: konsorsium perusahaan yang didirikan oleh Komisi Eropa pada tahun 1996 dan telah ditetapkan sebagai proses standar dala data mining yang dapat diaplikasikan diberbagai sektor industri. Gambar 3.1 menjelaskan tentang siklus hidup pengembangan data mining yang telah ditetapkan dalam CRISP-DM. Menurut Larose, data mining memeliki enam fase CRISP-DM ( Cross Industry Standard Process for Data Mining ) [18]. a. Fase Pemahaman Bisnis (Business Understanding Phase) b. Fase Pemahaman Data (Data Understanding Phase ) c. Fase Pengolahan Data (Data Preparation Phase ) d. Fase Pemodelan (Modeling Phase ) e. Fase Evaluasi (Evaluation Phase ) f. Fase Penyebaran (Deployme nt Phase).(3) Dimana Merits merupakan harga heuristic subset fitur S yang berisi k fitur rcf yang merupakan rata-rata korelasi fitur-kelas, rff adalah rata-rata interkorelasi fitur ke fitur. Pada kenyataannya semua variable distandardisasi sesuai rumus korelasi Pearson. Numerator dianggap telah dipahami sebagai indikasi bagaimana sifat prediksi suatu fitur kelompok, sedangkan denominator menunjukkan bagaimana redundansi data antara fitur. Gambar 1 Enam Tahap Proses CRISP-DM dalam Data Mining[16] 3.2 Alur Penelitian Alur penelitian ini mengacu pada kerangka penelitian, seperti pada gambar dibawah ini Metode Penelitian Penelitian ini didesain dengan merujuk pada model CRISP-DM (Cross-Industry Satndard Process for Data Mining). Dimana penelitian ini melakukan pengujian tingkat akurasi terbaik antara algoritma J48, KNN, dan Zero-R Kombinasi CFS. Data eksperimen diambil dari data mahasiswa STMIK AMIKOM Purwokerto. 3.1 Metode Analisis Data Metode analisis data dalam penelitian ini mengacu pada tahapan proses CRISP-DM, yang merupakan suatu Gambar 2 Alur Penelitian 14
4 4. Hasil dan Pembahasan Tabel 1 Format Atribut Yang Sudah Disesuaikan 4.1 Penentuan Dataset Mahasiswa Pada penelitian ini peneliti mengkaji dan melakukan proses klasifikasi penentuan dataset yang disimpan dalam format excel, seperti terlihat pada gambar dibawah ini: Setelah atribut disesuaikan melalui tahap transformasi data dapat terlihat tabel keterangan atribut yang menjelaskan masing-masing atribut yang akan digunakan sebagai atribut dataset dibawah ini: Tabel 2 Dataset Setelah Penyesuain Atribut Gambar 3 Dataset setelah Pembersihan Atribut Setelah melewati tahap pembersihan dan integrasi data, dataset yang dihasilkanpun tidak langsung dapat digunakan karena masih terdapat beberapa data yang memiliki tipe data yang inkonsisten sehingga perlu dilakukan beberapa perubahan tipe data. Tahap ini dilakukan dalam tahap transformasi data. 4.2 Transformasi Data Pada tahap ini dilakukan perubahan tipe data pada atribut jenis kelamin, program studi, dan IP. Format dataset yang akan digunakan sebagai sumber data pemodelan klasifikasi adalah sebagai berikut: Data yang digunakan berasal dari data mahasiswa, data nilai mahasiswa dan data kelulusan mahasiswa tahun angkatan dengan jumlah total record. Dataset setelah pembersihan data yaitu data training sebanyak 667 record yang merupakan data mahasiswa tahun yang lulus tepat waktu dan tidak tepat waktu, kemudian data testing 867 record yang merupakan data mahasiswa tahun yang belum lulus. 15
5 Setelah melewati tahap pembersihan dan integrasi data, dataset yang dihasilkan pun tidak langsung dapat digunakan karena masih terdapat beberapa data yang memiliki tipe data yang inkonsisten sehingga perlu dilakukan beberapa perubahan tipe data. Tahap ini dilakukan dalam tahap transformasi data. Setelah dilakukan proses transformasi data, langkah terakhir dari preprocessing data adalah mengubah dataset dari file excel menjadi format CSV atau ARFF agar dapat dikenali sebagai sumber data pada WEKA. Namun sebelum disimpan menjadi format file ARFF, diketahui bahwa dataset yang ada masih merupakan dataset asli yang masih tercampur sehingga perlu dilakukan pembagian dataset menjadi 2 yaitu data yang akan digunakan sebagai data sampel (data training) dan data yang akan digunakan sebagai data uji/prediksi (data testing). 4.3 Pengujian Algoritma Pada tahap ini bertujuan untuk mengetahui akurasi dari algoritma Decision Tree J48, k-nn, dan Zero-R dalam mengklasifikasikan data ke dalam kelas yang telah ditentukan untuk mengetahui nilai akurasi dari masingmasing algoritma yang diujikan berdasarkan dataset yang telah ditentukan Algoritma Decision Tree J48 Dari hasil pengujian dengan menggunakan algoritma DC Tree J48 yang telah dilakukan terhadap dataset, dengan menunjukkan hasil evaluasi tingkat akurasi klasifikasi algoritma DC Tree J48 yang memiliki nilai akurasi sebesar 86.38%, tingkat akurasi dari tabel tersebut diperoleh dari hasil perhitungan confusion matrix, yaitu: Algoritma K-Nearest Neighbor Sedangkan dari hasil pengujian dengan menggunakan algoritma K-NN yang telah dilakukan memiliki nilai akurasi paling tinggi yaitu sebesar 89.04%, tingkat akurasi dari tabel tersebut diperoleh dari hasil perhitungan confusion matrix, yaitu: Algoritma Zero-R = = 89,04% Dan pengujian berikutnya dengan menggunakan algoritma Zero-R, dari hasil pengujian tersebut untuk memiliki nilai akurasi sebesar 86.38%, dan tingkat akurasi dari tabel tersebut diperoleh dari hasil perhitungan confusion matrix, yaitu: = = 86,38% = = 86,38 % Seleksi Atribut Sedangkan dengan pengujian seleksi atribut dari tiga algoritma diatas dengan menggunakan 7 atribut yang telah diseleksi memiliki nilai akurasi sebesar 87,88%. Dari hasil pengujian dapat disimpulkan bahwa seleksi atribut lebih unggul dari dua algoritma J48 dan Zero-R, dibandingkan 16
6 dengan algoritma K-NN yang memilki nilai akurasi lebih baik tanpa seleksi atribut ataupun dengan seleksi atribut. 4.4 Analisis Hasil Dari hasil pengujian dapat diketahui setiap percoban dari algoritma decision tree j48, k-nn, dan zero-r dengan kombinasi seleksi atribut, sehingga dapat diketahui hasil dari komparasi setiap percobaan. Percobaan dilakukan untuk mengetahui tingkat akurasi dari 3 algoritma yang telah dilakukan dengan kombinasi seleksi atribut. Tabel 3 Hasil Komparasi Algoritma Decision Tree J48, K-Naerest Neighbor, dan Zero-R dengan kombinasi CFS. Metode Akurasi Decision Tree J48 86,38 % K-Naerest Neighbor 89,04% Zero-R 86,38% CFS 87,88% Penambahan seleksi atribut menghasilkan tingkat akurasi yang lebih baik dari kedua algoritma decision tree j48 dan Zero-R yang memilki nilai akurasi hampir sama yaitu 86,38%, sedangkan dengan seleksi atribut sendiri memiliki nilai akurasi lebih baik dibandingkan kedua akurasi diatas yaitu sebesar 87,88%. Dan dari hasil komparasi algoritma diatas yang lebih baik menggunakan algoritma K-Naerest Neighbor baik dengan seleksi atribut ataupun tidak dengan seleksi atribut memilki nilai akurasi lebih baik yaitu sebesar 89,04%. Gambar 4 Grafik Hasil Komparasi Algoritma Decision Tree J48, K- Naerest Neighbor, dan Zero-R dengan kombinasi CFS 5. Kesimpulan Berdasarkan hasil implementasi algoritma Decision Tree J48, K-Naerest Neighbor, dan Zero-R dengan kombinasi CFS pada kasus kinerja akademik mahasiswa dapat diambil beberapa kesimpulan sebagai berikut: 1. Dengan dataset yang sama, penggunaan seleksi fitur pada algoritma Decision Tree J48, K-Naerest Neighbor, dan Zero-R, pada kasus kinerja akademik mahasiswa lebih baik dibandingkan algoritma decision tree j48 dan zero-r, dimana algoritma tersebut hanya memilki nilai akurasi 86,38% dibandingan dengan menggunakan seleksi fitur yaitu 87,88%. Sedangkan untuk algoritma K-Naerest Neighbor lebih baik dengan seleksi atribut ataupun tidak memiliki nilai akurasi lebih tinggi yaitu 89,04%. 2. Penentuan data training pada pengujian tersebut memiliki pengaruh terhadap hasil pengujian, dimana pola data training tersebut dijadikan rule untuk menentukan class pada data testing. Dari hasil pengujian bahwa data akademik setiap angkatan memiliki pola yang berbeda-beda yang ditunjukan oleh tingkat akurasi dari setiap data testing yang diujicoba. 3. Hasil dari komparasi yang telah diimplementasikan bahwa algoritma K-Naerest Neighbor lebih baik dengan nilai akurasi nilai tertinggi sebesar 89,04%. REFERENSI [1] STMIK AMIKOM Purwokerto, Buku Panduan Akademik Mahasiswa Tahun Ajaran Purwokerto, Jawa Tengah: STMIK AMIKOM Purwokerto, [2] Hastuti, Khafiizh Analisis Komparasi Algoritma Klasifikasi Data Mining untuk Prediksi Mahasiswa Non Aktif. Seminar Naisonal Informasi dan Komunikasi Terapan 2012 (Semantik 2012) Semarang, 23 Juni [3] Han, J., & Kamber, M. (2006). Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman. ISBN 13: [4] Ogor, E.N Student Academic Performance Monitoring and Evaluation Using Data Mining Techniques. IEEE Computer Society. [5] Nasution, dkk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak). Jurnal Teknologi Informasi & Komunikasi Digital Zone, Volume 6, Nomor 2 [6] Kabakchieva, D Student Performance Prediction by Using Data Mining Classification Algorithms. IJCSMR. Vol 1 Issue 4: [7] Witten, I. H., Frank, E., Hall, M. A., 2011, Data Mining: Practical Machine Learning Tools and Techniques 3rd Edition, Morgan Kaufmann Publishers, San Fransisco. [8] Herera, francisco, Data Mining and Soft Computing, Dept. of Computer Science and A.I. University of Granada, Spain. [9] Tan, P.N., Steinbach, M., Kumar, V. (2006), Introduction to Data Mining, 1st Ed, Pearson Education: Boston San Fransisco New York. [10] (diakses terakhir 18 Nopember 2013). [11] W. Nor Haizan W. Mohamed, Mohd Najib Mohd Salleh, Abdul Halim Omar, A Comparative Study of Reduced Error Pruning Method in Decision Tree Algorithms,IEEE International Conference on Control System, Computing and Engineering, 23 -Penang, Malaysia, 25 Nov [12] Munir, R. (2010). Matematika Diskrit. Bandung: Informatika Bandung. 17
7 [13] Kusrini dan Taufiq Lutfi, Emha. (2009). Algoritma Data Mining. Yogyakarta: Andi. [14] Hall, M.A.: Correlation-based feature selection for discrete and numeric class machine learning. In Proceedings of the 17th Intl. Conf. Machine Learning (2000) [15] Susanto & Suryadi Pengantar Data Mining Menggali Pengetahuan dari Bongkahan Data.CV Andi Offset.Yogyakarta. [16] Larose, Daniel T, Data Mining Methods and Models. Hoboken New Jersey: Jhon iley & Sons, Inc, 2006 Nurfaizah, memperoleh gelar S.Kom dan M.Kom dari STMIK AMIKOM Purwokerto dan STMIK AMIKOM Yogyakarta pada tahun 2011 dan Saat ini sebagai Staf Pengajar program studi Sistem Informasi STMIK AMIKOM Purwokerto. Linda Perdanawanti, memperoleh gelar S.Kom dan M.Kom dari STMIK AMIKOM Purwokerto dan STMIK AMIKOM Yogyakarta pada tahun 2010 dan Saat ini sebagai Staf Pengajar program studi Teknik Informatika STMIK AMIKOM Purwokerto. Mohammad Imron, memperoleh gelar S.Kom dan M.Kom dari STMIK AMIKOM Purwokerto dan Universitas Dian NuswantoroSemarang pada tahun 2010 dan Saat ini sebagai Staf Pengajar program studi Teknik Informatika STMIK AMIKOM Purwokerto. 18
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 terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA. Abstrak
PERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA Wiwit Supriyanti 1), Kusrini 2), Armadyah Amborowati 3) STMIK AMIKOM Yogyakarta 1),2),3) Email : wiwitsupriyanti13@gmail.com
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciEvaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak)
n 1 Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak) Nurliana Nasution 1, Khairani Djahara 2, Ahmad Zamsuri 3 1,2,3 Program Studi Teknik Informatika
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih terperinciDATA 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 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
Lebih terperinciJurnal Komputer Terapan Vol. 3, No. 2, November 2017, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 3, No. 2, November 2017, 233-240 233 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k- Nearest Neighbor dan Naïve Bayes
Lebih terperinciPenerapan Algoritma 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 terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciAnalisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif
Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif Khafiizh Hastuti 1, Erwin Yudi Hidayat 2 1, 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 E-mail : 1 afis@dsn.dinus.ac.id,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciDATA 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 terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciKLASIFIKASI 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 terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciSKRIPSI 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 terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciBAB 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 terperinciProsiding SNATIF Ke-1 Tahun 2014 ISBN:
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES Diana Laily Fithri, Eko Darmanto Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus
Lebih terperinciKerusakan 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 terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK KLASIFIKASI NASABAH KREDIT BANK"X" MENGGUNAKAN CLASSIFICATION RULE
IMPLEMENTASI DATA MINING UNTUK KLASIFIKASI NASABAH KREDIT BANK"X" MENGGUNAKAN CLASSIFICATION RULE Hendra Marcos 1,2), Indriana Hidayah 1) 1) Jurusan Teknik Elektro Dan Teknik Informatika, Universitas Gadjah
Lebih terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciPREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO)
PREDIKSI KETEPATAN KELULUSAN MAHASISWA MENGGUNAKAN METODE DECISION TREE BERBASIS PARTICLE SWARM OPTIMATION (PSO) Arif Rakhman Email : arif@limamedia.net D III Teknik Komputer Politeknik Harapan Bersama
Lebih terperinciPrediksi 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 terperinciAPPLICATION 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 terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciKONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.
KONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.1 Muhammad Syahril Program Studi Sistem Informasi, STMIK Triguna
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciPenerapan 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 terperinciSISTEM REKOMENDASI PROSES KELULUSAN MAHASISWA BERBASIS ALGORITMA KLASIFIKASI C4.5
SISTEM REKOMENDASI PROSES KELULUSAN MAHASISWA BERBASIS ALGORITMA KLASIFIKASI C4.5 Mujib Ridwan 1) 1 Program Studi Sistem Informasi, Universitas Islam Negeri (UIN) Sunan Ampel Surabaya email: mujibrw@uinsby.ac.id
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA
ISSN : 2338-4018 PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA Agus Panoto ( ragilpanoto@gmail.com ) Yustina Retno Wahyu Utami ( yustina.retno@gmail.com
Lebih terperinciSILABUS MATAKULIAH. Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran
SILABUS MATAKULIAH Revisi : - Tanggal Berlaku : Maret 2015 A. Identitas 1. Nama Matakuliah : A11.54606 / Data 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot sks : 3 SKS 5.
Lebih terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciIMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA
IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA Betha Nurina Sari 1) 1) Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPenerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa
ISSN: 2089-3787 1215 Penerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa Muhammad Faisal Amin Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru Faisal.indonesia@gmail.com
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN DENGAN ALGORITMA DECISION TREE Putri Kurnia Handayani Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box
Lebih terperinciALGORITMA 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 terperinciMODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN BERBASIS DECISION TREE
MODEL KLASIFIKASI KELAYAKAN KREDIT KOPERASI KARYAWAN BERBASIS DECISION TREE Rina Fiati 1, Putri Kurnia Handayani 2 1 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Muria Kudus Gondangmanis,
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciIMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG
IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri 1), Yesi Novaria Kunang 2), Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciDATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION)
DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) Steffi Budi Fauziah¹, Shaufiah², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom
Lebih terperinciPERBANDINGAN KINERJA METODE KLASIFIKASI DATA MINING MENGGUNAKAN NAÏVE BAYES DAN ALGORITMA C4.5 UNTUK PREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA
PERBANDINGAN KINERJA METODE KLASIFIKASI DATA MINING MENGGUNAKAN NAÏVE BAYES DAN ALGORITMA C4.5 UNTUK PREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA Gian Fiastantyo A11.2009.04932 Program Studi Teknik Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciKETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI
KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI Disusun Oleh : ATIKA ELSADINING TYAS 24010211120013 JURUSAN STATISTIKA
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciPENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO
PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciIMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5
Technologia Vol 8, No.1, Januari Maret 2017 15 IMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5 M. Edya Rosadi (edya@fti.uniska-bjm.ac.id) Nur Alamsyah (alam@fti.uniska-bjm.ac.id)
Lebih terperinciPERBANDINGAN AKURASI KLASIFIKASI TINGKAT KEMISKINAN ANTARA ALGORITMA C 4.5 DAN NAÏVE BAYES
PERBANDINGAN AKURASI KLASIFIKASI TINGKAT KEMISKINAN ANTARA ALGORITMA C 4.5 DAN NAÏVE BAYES Derick Iskandar 1), Yoyon K Suprapto 2) Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi
Lebih terperinciANALISIS PENENTUAN METODE DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA SEBAGAI PENUNJANG ANGKA EFISIENSI EDUKASI
ANALISIS PENENTUAN METODE DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA SEBAGAI PENUNJANG ANGKA EFISIENSI EDUKASI Valentinus Roby Hananto 1) 1) Program Studi Sistem Informasi, Institut Bisnis dan Informatika
Lebih terperinciPenentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang
1 Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang Ari Sulistiyo 1 1,3 Jurusan Teknik Informatika, FASILKOM UDINUS Jln. Nakula 1 No.5-11 Semarang
Lebih terperinciDATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE
Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika
Lebih terperinciPenentuan Pemenang Tender Menggunakan Kombinasi K- Nearest Neighbor dan Cosine Similarity (Studi Kasus PT. Unichem Candi Indonesia)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1986-1990 http://j-ptiik.ub.ac.id Penentuan Pemenang Tender Menggunakan Kombinasi K- Nearest Neighbor
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinciImplementasi Data Mining Menggunakan Algoritma C4.5 Untuk Klasifikasi Penjurusan Siswa Pada SMA Negeri 2 Pemalang
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Klasifikasi Penjurusan Siswa Pada SMA Negeri 2 Pemalang IMPLEMENTATION OF DATA MINING USING
Lebih terperinciKLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 255-668 22 KLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR Erna Daniati Program Studi
Lebih terperinciKAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA
KAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA LAKSANA PRIYO ABADI laksanarioabadi@gmail.com Program Studi Teknik Informatika
Lebih terperinciPenggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah
Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah Selly Artaty Zega Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknik Informatika, Politeknik
Lebih terperinciSILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 04 September Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran
SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 04 September 2015 A. Identitas 1. Nama Matakuliah : Data 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen : MKB 6.
Lebih terperinci