HASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
|
|
- Indra Hadiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika untuk selanjutnya dievaluasi hasil pengetahuan yang didapatkan. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel. Lingkungan Pengembangan Penelitian ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: 1 Perangkat keras a Intel Core i3 GHz. b Memori DDR 1 GB. c Harddisk 30 GB. d Keyboard dan mouse. Perangkat lunak a Windows 7 Professional Edition. b XAMPP versi c Microsoft Office 007. d PHP e Notepad++. HASIL DAN PEMBAHASAN Pembersihan Data Data pada penelitian ini merupakan nilai kuantitatif faktor-faktor cuaca pada daerah Tjilik Riwut, Palangkaraya, Kalimantan Selatan. Pencatatan dilakukan pada tahun oleh Balai Besar Meteorologi dan Geofisika Wilayah III, Stasiun Meteorologi Tjilik Riwut. Pembersihan data diawali dengan memilih atribut apa saja yang akan dipakai sebagai alat untuk mengklasifikasikan data. Dari data, didapatkan enam atribut, yaitu: temperatur ( C), curah hujan (mm), penyinaran (%), kelembaban udara (%), tekanan udara (mb), dan kecepatan angin. Namun, untuk proses klasifikasi pada penelitian ini, atribut tekanan udara dan kecepatan angin tidak diikutsertakan. Hal ini dikarenakan interval antara nilai minimum dan maksimum pada kedua atribut tersebut sangat pendek. Pada atribut kelembaban udara dan temperatur, diambillah nilai rata-ratanya. Hal ini sebagai representasi keteraturan dari kejadian yang menyangkut kedua atribut tersebut. Pada tahap ini juga, dipilih record data dengan mempertimbangkan jumlah kelas. Hal ini penting untuk membuat model sistem yang baik dalam proses klasifikasi. Karena jika terjadi ketidakseimbangan jumlah record kelas target, pemodelan yang dihasilkan akan kurang baik. Selanjutnya, pembersihan data dilakukan terhadap data yang memiliki nilai kosong dan / atau duplikat. Setelah dilakukan pembersihan terhadap record yang mengandung nilai kosong dan / atau duplikat diperoleh data siap pakai sebanyak 50 record. Contoh hasil dari proses pembersihan data dapat dilihat pada Lampiran. Transformasi Data Penelitian ini menerapkan salah satu teknik data mining, yaitu fuzzy decision tree. Oleh karena itu, data yang digunakan harus direpresentasikan ke dalam bentuk fuzzy. Proses diawali dengan membuat fungsi nilai keanggotaan (membership function) pada masing-masing atribut yang dipakai. Hal ini adalah bagian dari penerapan prinsip fuzzy yang menjadi pedoman penelitian. Pada kasus-kasus tertentu yang menggunakan konsep fuzzy, tidak ditemukan referensi atau pakar yang mampu menjelaskan range nilai setiap atribut sebagai pedoman pembentukan membership function. Hal ini bisa diatasi dengan cara lain, seperti survey, polling, atau hasil dari proses learning (Suyanto 008). Pada penelitian ini, tidak didapati referensi ataupun pakar yang menjelaskan range nilai setiap atribut. Oleh karena itu, dilakukan eksperimen sebanyak tiga kali sebelum diformulasikan menjadi membership function pada proses fuzzyfikasi. Contoh transformasi data ke dalam bentuk fuzzy pada atribut terpilih ialah sebagai berikut: Atribut penyinaran matahari Atribut ini dibagi menjadi 4 kelompok. Rendah (x < 5%), (5% <= x < 50%), tinggi (50% <= x < 75%), dan sangat tinggi (x >= 75%). Dari pembagian itu, dapat ditentukan membership function dari himpunan fuzzy rendah,, tinggi, dan sangat tinggi untuk atribut penyinaran matahari seperti berikut: rendah 1 5 x 0 x x 5 x 5
2 7 tinggi sangattingi 0 x 15 1 x x 1 x x 1 x x 5 5 x x 50 x 50 x x x x 75 x 75 x x 75 x 75 Himpunan fuzzy untuk atribut penyinaran matahari digambarkan melalui kurva berbentuk trapesium seperti pada Gambar 3. Gambar 3 Himpunan fuzzy atribut penyinaran. Atribut temperatur Pada atribut temperatur, dilakukan pembagian sebanyak 3 kelompok. Rendah (x < 3 C), (3 C <= x < 8 C), dan tinggi (x >= 8 C). Pembagian itu menghasilkan membership function rendah,, dan tinggi. 1 x 3 x 3 rendah( x) 3 x 5 0 x x 1 x 6 0 x 3 3 x 5 5 x 6 6 x 8 x 8 tinggi 0 8 x 1 x 6 6 x 8 x 8 Himpunan fuzzy untuk atribut temperatur digambarkan melalui kurva berbentuk trapesium seperti pada Gambar 4. Gambar 4 Himpunan fuzzy atribut temperatur. Atribut curah hujan Atribut curah hujan dibagi sebanyak 4 kelompok. Rendah (x < 0 mm), (0 mm <= x < 50 mm), tinggi (50 mm <= x < 80 mm), dan sangat tinggi (x >= 80 mm). Didapatkan membership function dengan tingkat rendah,, tinggi, dan sangat tinggi. rendah tinggi sangattingi 1 0 x 0 0 x 1 50 x 0 0 x x 0 0 x 70 1 x x 0 x 0 x x 0 0 x x 50 x 50 x x x x 80 x 80 x x 80 x 80
3 8 Himpunan fuzzy untuk atribut curah hujan digambarkan melalui kurva berbentuk trapesium seperti pada Gambar 5. Gambar 5 Himpunan fuzzy atribut curah hujan. Atribut kelembaban udara Atribut kelembaban udara dibagi sebanyak 4 kelompok. Rendah (x < 5 %), (5 % <= x < 50 %), tinggi (50 % <= x < 75 %), dan sangat tinggi (x >= 75 %). Pembagian tersebut menghasilkan membership function seperti berikut: rendah tinggi sangatting gi x x 5 1 x x 5 1 x x 5 1 x x 70 x 70 x x x x 80 x 80 x x x x 90 x 90 x x 90 x 90 Himpunan fuzzy untuk atribut kelembaban udara digambarkan melalui kurva berbentuk trapesium seperti pada Gambar 6. Gambar 6 Himpunan fuzzy atribut kelembaban. Atribut hotspot Atribut hotspot berisi tentang kategori jumlah titik api atau hotspot. Atribut ini merupakan kelas target. Atribut ini diberikan kode 1 dan. Kelas 1 menunjukkan bahwa jumlah hotspot sebanyak x 70. Kelas menunjukkan jumlah hotspot sebanyak x > 70. Data atribut temperatur, curah hujan, kelembaban udara, dan penyinaran matahari kemudian ditransformasikan menjadi bentuk fuzzy dengan menghitung membership value berdasarkan membership function pada setiap himpunan atribut. Selanjutnya, nilai yang dipakai di dalam proses pengklasifikasian adalah nilai dari membership value dari masingmasing atribut. Contoh hasil dari proses transformasi dapat dilihat pada Lampiran 3. Data Mining Pada tahap ini, dilakukan teknik data mining menggunakan algoritme FID3 untuk membangun fuzzy decision tree (FDT). Data yang telah ditransformasi dibagi menjadi data latih (training set) dan data uji (test set). Pada penelitian ini, data latih yang digunakan sebanyak 80 % dari keseluruhan (00 record), kan data uji yang digunakan sebanyak 0 % (50 record). Training Fase training dilakukan untuk membangun FDT dengan menggunakan algoritme FID3. Tahap training berfungsi untuk memodelkan algoritme yang dipakai dalam proses klasifikasi ini. Di bagian ini, sangat penting untuk memilih jumlah record yang akan digunakan sebagai data latih atau training set. Data latih yang dipakai harus memiliki jumlah yang seimbang pada setiap target kelas. Hal ini dimaksudkan supaya sistem yang dihasilkan
4 9 mampu merepresentasikan algoritme yang dipakai dengan baik. Pada contoh training set tersebut, akan diterapkan algoritme fuzzy ID3 untuk mendapatkan model dan aturan klasifikasi. Adapun langkah-langkah pembentukan aturan klasifikasi dengan algoritme fuzzy ID3 adalah sebagai berikut: 1 Membuat root node dari semua data training yang ada dengan memberi nilai derajat keanggotaan untuk semua record sama dengan 1. Menghitung fuzzy entropy dan information gain dari training set yang ada. Hasil perhitungan fuzzy entropy dan information gain akan ditunjukkan melalui Tabel 3. Tabel 3 Daftar nilai entropy dan information gain Nilai Hasil Fuzzy Entropy IG Penyinaran (S) IG Temperatur (T) IG Curah Hujan (CH) IG Kelembaban (L) Dari hasil perhitungan dipilih nilai information gain yang terbesar, yaitu atribut Kelembaban. Atribut tersebut akan digunakan untuk mengekspansi tree sebagai root-node. Namun, pada subnode berikutnya atribut yang telah digunakan tidak dipakai lagi dalam mengekspansi tree. 4 Data training diekspansi berdasarkan atribut Kelembaban sehingga diperoleh gambar pembentukan tree seperti Gambar 7. Gambar 7 Hasil ekspansi berdasarkan atribut Kelembaban. Nilai derajat keanggotaan yang baru masing-masing record pada sub-node diperoleh dari hasil perkalian antara derajat keanggotaan pada root node dan derajat keanggotaan atribut yang digunakan untuk mengekspansi tree. Misalkan, untuk subnode dengan nilai atribut rendah, nilai derajat keanggotaan dari data no.73 µ l = 0.6 dan derajat keanggotaan dari data no.73 pada root node adalah 1, maka pada node berikutnya nilai derajat keanggotaannya menjadi baru root node 5 Menghitung proporsi dari setiap kelas yang ada pada tiap-tiap node. Misalkan, untuk sub-node dengan nilai keanggotaan atribut tinggi, proporsi kelasnya adalah: K 1 = = 1. K = = Proporsi kelas 1 K 1 *0% 37.5% K1 K Proporsi kelas K *0% 6.5% K1 K 6 Pada penelitian ini, digunakan fuzziness control threshold (θ r ) sebesar 75% dan leaf decision threshold (θ n ) sebesar 3%. Kedua threshold ini didapatkan dari evaluasi kinerja pada penelitian sebelumnya (Romansyah et al 009). Kedua threshold ini berfungsi untuk menentukan ekspansi sub-node. Misalkan pada sub-node dengan nilai atribut tinggi. Berdasarkan nilai proporsi kelas 1 (37.5%) dan kelas (6.5%) yang lebih kecil dari θ r (75%) dan banyaknya data atau record pada subnode tersebut lebih besar dari θ n, maka sub-node tersebut akan terus diekspansi. Lain halnya jika θ r yang digunakan adalah 50%, sub-node tersebut tidak akan diekspansi. 7 Proses ekspansi terus dilakukan sampai tidak ada lagi data yang dapat diekspansi atau tidak ada lagi atribut yang dapat digunakan untuk mengekspansi tree. Hal ini akan dicapai ketika tree yang terbentuk sudah mencapai kedalaman maksimum atau sub-node tidak memenuhi syarat dari threshold yang telah ditentukan. Jika sub-node sudah tidak dapat diekspansi, nilai proporsi kelas terbesar merupakan kesimpulan dari aturan yang diperoleh dengan menghubungkan setiap node yang dilewati sejak dari root node hingga leaf node.
5 Dari hasil pembentukan tree didapatkan sebanyak 38 rule / aturan yang dapat digunakan untuk mengklasifikasikan suatu data masukan. Rule yang dihasilkan pada proses training secara lengkap dapat dilihat pada Lampiran 7. Testing Setelah didapatkan model tree secara lengkap, tree kemudian diubah menjadi rule. Langkah berikutnya adalah menguji akurasi dari model tree tersebut. Setiap record data dimasukkan kepada model tree yang sudah terbentuk. Pada penelitian ini, diujikan 50 record data yang sudah disiapkan pada testing set. Akurasi yang didapatkan dari proses testing ditunjukkan pada Tabel 4. Tabel 4 Confusion matrix hasil uji pada tree Aktual Nilai akurasi yang didapatkan adalah seperti berikut: Pruning Prediksi Kel.1 Kel. Kel Kel x 0 % = 78 % Perlakuan selanjutnya adalah proses memangkas tree yang disebut dengan pruning. Pemangkasan ini bertujuan menyederhanakan rule atau struktur tree yang dihasilkan namun dengan tidak merusak atau mengurangi tingkat akurasi dalam proses klasifikasi. Secara garis besar, ada dua kaidah pruning. Pertama, kaidah pre-pruning. Pada kaidah ini, dilakukan pemangkasan sebelum tree terbentuk secara sempurna. Salah satu metode yang menerapkan kaidah ini adalah metode chisquare. Pada metode chi-square, atribut-atribut yang sudah ditentukan sebagai classifier kemudian dihitung keterkaitannya terhadap atribut kelas yang dimaksud. Di akhir perhitungan, akan didapatkan atribut mana yang bisa dihilangkan atau diabaikan dalam proses klasifikasi. Kedua, kaidah post pruning. Berbeda dengan sebelumnya, kaidah ini diterapkan pada model tree yang secara sempurna telah terbentuk. Pada penelitian ini, dipilih metode rule post pruning. Pada metode rule post pruning, model tree diubah ke dalam bentuk rule. Kemudian, dari setiap rule dilakukan proses penghapusan anteseden dari rule yang menyebabkan penurunan akurasi pada validation set yang telah ditentukan. Kemudian, langkah berikutnya adalah pengurutan rule berdasarkan nilai akurasi rule yang terbesar. Pre-pruning dengan metode chi-square Pada tahap ini, dilakukan dulu perhitungan keterkaitan hubungan antara atributatribut yang ada dengan atribut kelas. Sebagai contoh, hasil perhitungan hubungan atribut Curah Hujan (CH) dengan atribut kelas dapat dilihat pada Tabel 5. Tabel 5 Sebaran nilai atribut Curah Hujan sangat rendah tinggi tinggi jumlah K K jumlah α = 0.05 X {0.05 (-1)*(4-1)}={0.053} = (dilihat dari tabel sebaran chi-square Walpole 1993) e 11 = (9)*(185)/00 = 0.85 e 1 = (9)*(7)/00 = e 13 = (9)*(5)/00 =.75 e 14 = (9)*(3)/00 = e 1 = (91)*(185)/00 = e = (91)*(7)/00 = e 3 = (91)*(5)/00 =.75 e 4 =(91)*(3)/00 = Kemudian, nilai setiap elemen perhitungan dimasukkan lagi dalam tabel seperti pada Tabel 6. Tabel 6 Sebaran nilai atribut Curah Hujan setelah perhitungan sangat rendah tinggi tinggi jumlah K K jumlah Berikutnya, dilakukan operasi matematika terhadap nilai awal dan nilai akhir seperti berikut: X = ( ) / ( ) / = (3-.75) /.75 + ( ) / ( ) / ( ) / (-.75) /.75 + ( ) / 1.365
6 11 Tampak pada hasil perhitungan bahwa X dari hasil hitung lebih besar dari X dari tabel sehingga atribut Curah Hujan (CH) tidak bisa diabaikan atau dihilangkan dalam proses klasifikasi. Dari proses perhitungan seluruh atribut yang menjadi classifier dalam penelitian ini, didapatkan kesimpulan bahwa atribut yang bisa diabaikan atau dihilangkan dalam proses klasifikasi adalah atribut Penyinaran (S). Langkah selanjutnya adalah dilakukan pengembangan model tree tanpa menyertakan atribut tersebut. Dari proses pruning dengan metode chisquare, didapatkan 17 rule. Rule yang dihasilkan pada proses pruning dengan chi square secara lengkap dapat dilihat pada Lampiran 8. Hasil dari pruning dengan metode chi-square kemudian diuji dengan testing set. Data uji atau testing set sebanyak 50 record diujicobakan terhadap tree yang terbentuk. Hasil akurasi pada metode chi square pruning dapat dilihat pada Tabel 7. Tabel 7 Confusion matrix hasil uji pada tree dengan pruning chi square Prediksi Kel.1 Kel. Kel Aktual Kel. 3 0 Nilai akurasi yang didapatkan adalah seperti berikut: 40 0 x 0 % = 80 % Post pruning dengan metode rule post Sebelum memasuki pruning dengan metode ini, perlu disiapkan validation set. Validation set merupakan bagian dari training set yang digunakan sebagai evaluasi awal terhadap rule yang terbentuk sebelum pada akhirnya diujikan terhadap testing set. Pada penelitian ini, disiapkan 5 record validation set. Pruning dilakukan terhadap rule yang sudah terbentuk pada tree sebelum dipangkas. Kemudian, anteseden dihilangkan satu per satu dengan tetap melihat tingkat akurasinya. Berikutnya adalah memberi peringkat terhadap rule yang terbentuk bergantung pada nilai akurasi terbesar di dalam mengklasifikasikan validation set. Hasilnya adalah didapatkan 6 rule dengan nilai akurasi terbesar sebesar 0 % pada rule If L tinggi AND T tinggi AND CH THEN Kelas 1. dan nilai akurasi terkecil sebesar 85.7 % pada rule If L tinggi AND T AND S rendah THEN Kelas 1. Hasil pruning dengan metode rule post pruning kemudian diujikan terhadap testing set. Hasil akurasi pada metode rule post pruning dapat dilihat pada Tabel 8. Tabel 8 Confusion matrix hasil uji pada tree dengan rule post pruning Prediksi Kel.1 Kel. Kel Aktual Kel. 3 0 Nilai akurasi yang didapatkan adalah seperti berikut: 39 0 x 0 % = 78 % Perbandingan akurasi dari model tree sebelum dan sesudah mendapat perlakuan pruning akan ditunjukkan oleh Tabel 9. Tabel 9 Daftar nilai akurasi tree Perlakuan Akurasi Rule Tanpa pruning 78 % 38 Pre-Pruning 80 % 17 Post Pruning 78 % 6 Nilai akurasi pada tiap-tiap perlakuan pada Tabel 9 menunjukkan bahwa tree yang terbentuk pada awal ekspansi (tree tanpa pruning) mengalami suatu gejala overfitting. Hal ini terbukti dengan kondisi ukuran tree yang besar ataupun rule yang kompleks, justru tidak memberikan nilai akurasi yang baik dalam proses klasifikasi. Karenanya, tree dengan gejala overfitting perlu di-prune. Dari hasil penelitian, dapat diketahui bahwa proses pruning bisa meningkatkan tingkat akurasi secara signifikan. Dari ketiga perlakuan di atas, terlihat bahwa tree dengan perlakuan pre-pruning chi square menghasilkan nilai akurasi terbesar dibandingkan dengan tree tanpa proses pruning dan tree dengan perlakuan rule post pruning sehingga hasil akhir dari penelitian ini didapatkan 17 aturan / rule yang bisa mengklasifikasikan jumlah hotspot berdasarkan pada pola nilai atribut data iklim yang dipakai dengan akurasi sebesar 80 %. Pada proses rule post pruning didapatkan nilai akurasi yang sama besar dengan tree yang tidak di-pruning. Namun, dengan akurasi yang sama besar, rule post pruning berhasil mereduksi jumlah rule yang terbentuk. Pada tree
PRUNING PADA FUZZY DECISION TREE DALAM KLASIFIKASI DATA IKLIM DAN TITIK API DI DAERAH TJILIK RIWUT, PALANGKARAYA, KALIMANTAN SELATAN AKHMAD AKBAR
PRUNING PADA FUZZY DECISION TREE DALAM KLASIFIKASI DATA IKLIM DAN TITIK API DI DAERAH TJILIK RIWUT, PALANGKARAYA, KALIMANTAN SELATAN AKHMAD AKBAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belakang PENDAHULUAN Organisasi Kesehatan Dunia (WHO) memperkirakan, bahwa 177 juta penduduk dunia mengidap penyakit diabetes mellitus atau biasa disingkat diabetes. Jumlah ini akan terus meningkat
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian yang dikembangkan dalam pengembangan sistem. keputusan jantung ini adalah sebagai berikut.
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian yang dikembangkan dalam pengembangan sistem keputusan jantung ini adalah sebagai berikut. Studi Literatur Data Pelatihan Data Data testing
Lebih terperinciBAB V IMPLEMENTASI SISTEM
51 BAB V IMPLEMENTASI SISTEM Implementasi merupakan tahap peletakan sistem sehingga sistem siap dioperasikan. Tahap ini meliputi implementasi datamining untuk mencari aturan aturan sebagai dasar inferensi,
Lebih terperinciBAB III METODOLOGI PENELITIAN. digunakan pada proses rekomendasi penjurusan pada jenjang menengah. Merumuskan Masalah
A. Desain Penelitian BAB III METODOLOGI PENELITIAN Gambar 3.1 berikut ini merupakan desain penelitian yang akan digunakan pada proses rekomendasi penjurusan pada jenjang menengah atas. Merumuskan Masalah
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 terperinciFuzzy Decision Tree dengan Algoritme ID3 pada Data Diabetes
Vol. /No. 2 (29) INTERNETWORKING INDONESIA JOURNAL 45 Fuzzy Decision Tree dengan Algoritme ID3 pada Data F. Romansyah I. S. Sitanggang S. Nurdiati Abstract Decision tree is one of widely used methods in
Lebih terperinciPENERAPAN TEKNIK KLASIFIKASI MENGGUNAKAN METODE FUZZY DECISION TREE DENGAN ALGORITMA ID3 PADA DATA DIABETES FIRAT ROMANSYAH G
PENERAPAN TEKNIK KLASIFIKASI MENGGUNAKAN METODE FUZZY DECISION TREE DENGAN ALGORITMA ID3 PADA DATA DIABETES FIRAT ROMANSYAH G64103006 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. DESAIN PENELITIAN Desain penelitian ini meliputi : 1. Tahapan awal penelitian a. Menentukan kebutuhan data yang dibutuhkan. b. Mengumpulkan semua data yang dibutuhkan c.
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciBAB 3 METODE PENELITIAN. Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain :
BAB 3 METODE PENELITIAN 3.1 Instrumen Penelitian Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain : 3.1.1 Bahan Bahan yang digunakan dalam penelitian ini yaitu data siswa kelas SMA
Lebih terperinciPEMODELAN FREKUENSI PETIR DI BOGOR MENGGUNAKAN PENDEKATAN LOGIKA FUZZY PENDAHULUAN
PEMODELAN FREKUENSI PETIR DI BOGOR MENGGUNAKAN PENDEKATAN LOGIKA FUZZY S. NURDIATI 1, E. KHATIZAH 1, N. ROSDIYANA 2 Abstrak Guinness Book of Record pada tahun 1989 dalam artikel Antara News (2013) menunjukkan
Lebih terperinciPERBANDINGAN PROBABILISTIC FUZZY DECISION TREE DAN FUZZY DECISION TREE UNTUK MODEL KLASIFIKASI PADA DATA DIABETES MUHAMMAD RAFI MUTTAQIN
PERBANDINGAN PROBABILISTIC FUZZY DECISION TREE DAN FUZZY DECISION TREE UNTUK MODEL KLASIFIKASI PADA DATA DIABETES MUHAMMAD RAFI MUTTAQIN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciPenerapan metode..., Novi Indriyani, FASILKOM UI, Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Banyak kegiatan atau aktifitas manusia yang banyak bergantung pada faktor cuaca. Faktor cuaca ini terkadang memiliki pengaruh yang sangat besar bagi keberlangsungan
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI BAB IV EVALUASI DAN EVALUASI. Implementasi pada penelitian tugas akhir ini berupa aplikasi
64 BAB IV IMPLEMENTASI DAN EVALUASI BAB IV EVALUASI DAN EVALUASI 4.1. Implementasi Implementasi pada penelitian tugas akhir ini berupa aplikasi pemrograman yang menerapkan query fuzzy untuk menentukan
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah 1.2. Rumusan Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Suatu perusahaan yang memiliki jasa pengiriman barang yang bergerak di dalam kota mempunyai beberapa masalah. Salah satu analisis yang bisa dilakukan adalah
Lebih terperinciBAB III METODE PENELITIAN. a. Menentukan kebutuhan data yang dibutuhkan. b. Mengumpulkan semua data yang dibutuhkan.
BAB III METODE PENELITIAN 3.1 DESAIN PENELITIAN Desain penelitian ini meliputi: 1. Tahapan awal penelitian a. Menentukan kebutuhan data yang dibutuhkan. b. Mengumpulkan semua data yang dibutuhkan. c. Mempersiapkan
Lebih terperinciBAB 1 PENDAHULUAN. aspek kehidupan dari bangsa ini akan selalu dipengaruhi oleh keadaan hujan ataupun
BAB 1 PENDAHULUAN 1.1. Latar Belakang Indonesia adalah negara daerah tropis yang diapit antara samuera Hindia dan samudera Pasifik juga antara benua Asia dan benua Austarlia, memiliki dua musim dalam setahun,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut adalah gambaran mengenai desain penelitian penentuan plafond kredit nasabah: Studi Literatur Penentuan lokasi dan variabel penelitian Menentukan
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciPERBANDINGAN ALGORITME FEATURE SELECTION INFORMATION GAIN DAN SYMMETRICAL UNCERTAINTY PADA DATA KETAHANAN PANGAN DELKI ABADI
PERBANDINGAN ALGORITME FEATURE SELECTION INFORMATION GAIN DAN SYMMETRICAL UNCERTAINTY PADA DATA KETAHANAN PANGAN DELKI ABADI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Data Latih 1 Decision Tree??? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2
Lebih terperinciDATA DAN METODE Data
DATA DAN METODE Data Sumber data yang digunakan dalam penelitian berasal dari data mahasiswa tahun angkatan 2000 sampai dengan 2005, dan dari tiga program studi yaitu S1- Sistem Informasi, S1-Teknik Informatika,
Lebih terperinciMETODE PENELITIAN. Gambar 2 Tahapan penelitian. Praproses Data
daerah dalam lingkup R dan f(r) adalah fungsi yang dijalankan pada lingkup R. Mekanisme algoritme Naive adalah sebagai berikut : 1 Menentukan dataset D yang merupakan himpunan seluruh poligon / daerah
Lebih terperinciBAB 3 METODE PENELITIAN. dalam melakukan penelitian untuk memudahkan penyusun dalam
BAB 3 METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian adalah tahapan yang menggambarkan susunan dalam melakukan penelitian untuk memudahkan penyusun dalam melakukan kegiatan. Desain penelitian
Lebih terperinciBAB III METODOLOGI PENELITIAN
29 BAB III METODOLOGI PENELITIAN Bab ini mendeskripsikan apa saja yang dibutuhkan untuk penelitian seperti desain atau tahapan penelitian, model pengembangan sistem dan alat dan bahan penelitian. 3.1 Desain
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. Desain penelitian untuk Sistem Optimalisasi Produksi ini menggunakan
BAB 3 METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk Sistem Optimalisasi Produksi ini menggunakan model sekuensial linier. Desain penelitian untuk sistem optimalisasi produksi ini
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI BAB IV EVALUASI DAN EVALUASI. menentukan lokasi budidaya burung walet yang baru dalam rangka
50 BAB IV IMPLEMENTASI DAN EVALUASI BAB IV EVALUASI DAN EVALUASI 4.1 Implementasi Implementasi perangkat lunak ini berupa aplikasi pemrograman yang menerapkan metode Fuzzy, dipadukan dengan Sistem Informasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. Pada penelitian ini menggunakan beberapa perangkat keras dan perangkat
BAB 3 METODOLOGI PENELITIAN 3.1 Alat Dan Bahan Penelitian 3.1.1 Alat Penelitian Pada penelitian ini menggunakan beberapa perangkat keras dan perangkat lunak, diantaranya adalah : a. Perangkat keras 1.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) atau dikenal Decision Support System(DSS) adalah sistem informasi interaktif yang menyediakan informasi, pemodelan
Lebih terperinciData Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support
6 Representasi Pengetahuan Tahap ini merupakan tahap akhir dari proses KDD. Sederetan aturan atau rule disajikan kepada pengguna dengan menggunakan algoritme Rule Generation. Mulai Data transaksi Pembersihan
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih 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 terperinciUNNES Journal of Mathematics. Implementasi Fuzzy Decision Tree untuk Mendiagnosa Penyakit Hepatitis
UJM 4 (2) (2015) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm Implementasi Fuzzy Decision Tree untuk Mendiagnosa Penkit Hepatitis Jefry Latu Handarko, Alamsh Jurusan Matematika,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciPREDIKSI CUSTOMER CHURN MENGGUNAKAN ALGORITMA FUZZY ITERATIVE DICHOTOMISER 3
J. Math. and Its Appl. ISSN: 1829-605X Vol. 13, No. 1, Mei 2016, 23-36 PREDIKSI CUSTOMER CHURN MENGGUNAKAN ALGORITMA FUZZY ITERATIVE DICHOTOMISER 3 Meyrina Herawati, Imam Mukhlash, Inu L. Wibowo Jurusan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciPenerapan Fuzzy Inference System pada Prediksi Curah Hujan di Surabaya Utara
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: 23-928X A-23 Penerapan Fuzzy Inference System pada Prediksi Curah Hujan di Surabaya Utara Dynes Rizky Navianti, I Gusti Ngurah Rai Usadha, Farida Agustini
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
Lebih terperinciBAB 3. METODOLOGI PENELITIAN
BAB 3. METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian Pada penelitian ini menggunakan alat penelitian berupa perangkat keras dan perangkat lunak, yaitu : 1. Perangkat keras a. Processor Intel Core
Lebih terperinciBab III METODOLOGI PENELITIAN. Pada penelitian ini menggunakan ala penelitian berupa perangkat keras
Bab III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian Pada penelitian ini menggunakan ala penelitian berupa perangkat keras dan perangkat lunak, yaitu: a. Perangkat keras 1. Processor Intel Core
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciPerencanaan Pengujian HASIL DAN PEMBAHASAN Perencanaan 1.Pengenalan dan pendefinisian masalah Analisis Disain Implementasi
7 Perencanaan Pada fase perencanaan yang dilakukan adalah : 1. Mengenali masalah Pada tahap ini penulis mengumpulkan informasi serta mempelajari dan menganalisa sistem yang akan dibuat. 2. Mendefinisikan
Lebih terperinciGambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
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 terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
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 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 terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciBAB III METODOLOGI 3.1. Kerangka Pemikiran
31 BAB III METODOLOGI 3.1. Kerangka Pemikiran Penelitian tentang prediksi meledaknya wabah suatu penyakit sudah banyak dilakukan oleh para peneliti. Mereka mencoba mencari pola dan relasi dari data set
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
41 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Rancangan 4.1.1 Spesifikasi Piranti Lunak Spesifikasi piranti lunak yang digunakan pada saat perancangan program aplikasi adalah : 1. Sistem Operasi Microsoft
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Desain Penelitian Untuk memudahkan dalam melakukan penelitian, pada bab ini akan dijelaskan mengenai skema umum penelitian. Dalam penelitian ini terdapat dua tahapan utama,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Desain Penelitian Gambar 3. 1 Desain Penelitian Pemilihan Mahasiswa Berprestasi 28 29 3.2. Metode Penelitian 1.2.1. Metode Pengumpulan Data Metode pengumpulan data yang
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciBAB III METODE PENELITIAN. sistem yang digunakan untuk menggambarkan aliran data secara keseluruhan
30 BAB III METODE PENELITIAN Metode penelitian pada tugas akhir ini mencakup beberapa tahapan pengerjaan antara lain : 3.1. Perancangan Sistem Perancangan sistem pada penelitian tugas akhir ini terdiri
Lebih terperinciBAB III METODOLOGI PENELITIAN. calon seleksi alih golongan (SAG) dengan menggunakan metode SMART (Simple
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut ini merupakan desain penelitian yang akan digunakan pada proses rancang bangun aplikasi sistem pendukung keputusan anggota kepolisian terhadap
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Desain Penelitian Desain penelitian merupakan tahapan yang dibutuhkan untuk memberikan gambaran serta kemudahan agar penelitian dilakukan dapat berjalan dengan baik.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan mengenai pelaksanaan terhadap hasil perancangan yang telah diperoleh sebelumnya. Hasil perancangan pada tahap perancangan akan diimplemetasikan menjadi
Lebih terperincia. Prosesor yang digunakan adalah Intel Core i3 1.9 Ghz b. RAM dengan ukuran 2GB c. Harddisk dengan ukuran 500GB d. Layar monitor 14.
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Beberapa perangkat yang digunakan untuk mengerjakan tugas akhir ini adalah sebagai berikut : 1. Perangkat Lunak Dalam melakukan penelitian, peneliti menggunakan
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB III METODE PENELITIAN. Tahapan penelitian yang akan dilakukan adalah sebagai berikut: keputusan tingkat kesehatan.
BAB III METODE PENELITIAN 3.1. Desain Penelitian Tahapan penelitian yang akan dilakukan adalah sebagai berikut: 1. Menentukan kebutuhan data yang akan digunakan, seperti tingkat kesehatan masyarakat baik
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciBAB III METODOLOGI PENELITIAN
63 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur Sistem Pakar Forward Chaining Wawancara Pakar Studi Literatur Permasalahan Perawatan Penderita DBD Sebaran Angket Aturan/Kaidah Data
Lebih terperinciDecision Tree. Achmad Basuki, Iwan Syarif Politeknik Elektronika Negeri Surabaya PENS-ITS 2003
Decision Tree Achmad Basuki, Iwan Syarif Politeknik Elektronika Negeri Surabaya PENS-ITS 2003 Konsep Decision Tree Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan (rule)
Lebih terperinciBAB III METODOLOGI PENELITIAN. 1. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai. Processor INTEL Pentium Dual Core T4300
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian 1. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: Processor INTEL Pentium Dual Core T4300
Lebih terperinciBAB 1 PENDAHULUAN Pengantar
1 BAB 1 PENDAHULUAN 1.1. Pengantar Pada awalnya komputer hanya dapat digunakan oleh mereka yang ahli, peneliti dan orang-orang yang punya keahlian khusus. Kini penggunaan komputer tidak lagi hanya terbatas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam proses penelitian penerapan algoritma K-Means pada clustering berita berbahasa Indonesia.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinci1 BAB III METODOLOGI PENELITIAN. collaborative filtering ini digambarkan pada gambar 3.1
22 1 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian yang digunakan pada pembagunan sistem rekomendasi wisata bernilai sejarah berbasis web menggunakan metode collaborative filtering
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Rumusan Masalah Data Penelitian Studi Literatur Penerapan spread spectrum dan model psychoacoustic pada audio watermarking Metode Pengembangan Perangkat
Lebih terperinciBAB III METODE PENELITIAN
20 BAB III METODE PENELITIAN 3.1. Desain Penelitian Berikut adalah tahapan penelitian yang dilakukan: Gambar 3.1 Desain Penelitian 21 Penjelasan gambar : 1. Studi Literatur dilakukan dengan mempelajari
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Pada penelitian ini bahan dan peralatan yang diperlukan sebagai berikut: 3.1.1 Bahan Dalam penelitian ini bahan yang dibutuhkan adalah data siswa kelas
Lebih terperinci