Universitas Indonesia
|
|
- Hamdani Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 UNIVERSITAS INDONESIA DATA MINING & BUSINESS INTELLIGENCE PENERAPAN DATA MINING PADA EVALUASI PROGRAM STUDI BERDASARKAN EVALUASI DIRI (EPSBED) STUDI KASUS UNIVERSITAS BUDI LUHUR INDRA NPM : Magister Teknologi Informasi Universitas Indonesia Januari 2011
2 ABSTRAK Setiap satu semester program studi di suatu program studi diwajibkan untuk melakukan pelaporan kegiatan akademiknya kepada Departemen Pendidikan Tinggi (Dikti). Sebagai studi kasus pada penelitian ini adalah Universitas Budi Luhur. Pelaporan itu biasanya lebih dikenal dengan nama Evaluasi Program Studi Berdasarkan Evaluasi Diri (EPSBED). Hasil pelaporan EPSBED ini dijadikan prasyarat utama suatu program studi untuk memperpanjang ijin dan melakukan proses akreditasi. Untuk itulah EPSBED sangat penting peranannya pada suatu perguruan tinggi. Di dalam proses penyusunan pelaporan EPSBED, terdapat masalah yang sering terjadi yaitu adanya transaksi mahasiswa yang tidak wajar. Mahasiswa yang tergolong transaksi akademiknya tidak wajar tersebut akan di Drop Out(DO) atau dikeluarkan. Untuk meminimalisir jumlah DO tersebut perlunya dibuat suatu data mining untuk melihat pola data transaksi mahasiswa. Pola data mahasiswa ini nantinya digunakan sebagai acuan untuk melihat kategori mahasiswa yang akan di DO. Sehingga dapat diharapkan adanya suatu preventif dari pihak fakultas untuk meminimalisir jumlah DO tersebut. Kata kunci : perguruan tinggi, EPSBED, dikti, Drop Out, data mining. 4
3 DAFTAR ISI BAB I... 4 PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Batasan Penelitian... 5 BAB II... 6 LANDASAN TEORI Data mining Data mining Teknik Pembuatan Data mining... 6 BAB III... 8 METODOLOGI PENELITIAN Data Preparation Data Exploration Tahap Analisis Menggunakan Metode Classification BAB IV PERANCANGAN DATA MINING Dasar Drop Out (DO) Data Preparation Pengolahan Data dengan Orange Data Validation Data Transformation Data Reduction Data Exploration Tahap Analisis dengan Metode Classification
4 BAB V PENUTUP Kesimpulan Saran Daftar Pustaka
5 DAFTAR GAMBAR Gb 2.1 Classification Tree... 7 Gb 4.1 Tabel TRAKM Gb 4.2. Widget File di Orange Gb 4.3 tabel trakm di Orange Gb 4.4 Alur Preprocess Gb 4.5. Konfigurasi Preprocess Gb 4.6 Hasil Preprocess Gb 4.7 Proses Outlier Gb 4.8 Proses Data Sampler Gb 4.9 Konfigurasi Data Sampler Gb 4.10 Hasil Data Sampler Gb 4.11 Proses Discretize Gb 4.12 Hasil Proses Diskrit Gb 4.13 Proses Attribute Statistic dan Distributions Gb 4.14 Hasil Widget Discretize Gb 4.15 Proses Classification Tree Gb 4.16 Hasil Classification Tree Graph... 24
6 BAB I PENDAHULUAN Pada bab ini akan dijelaskan tentang latar belakang, rumusan masalah, tujuan penelitian, batasan penelitian. Sebagai studi kasus dalam tugas matakuliah data mining dan business intelligence pada Universitas Budi Luhur. 1.1 Latar Belakang Universitas Budi Luhur sebagai salah satu perguruan tinggi swasta di Indonesia. Memiliki jumlah mahasiswa sekitar pada strata 1. Universitas Budi Luhur yang nantinya lebih dikenal dengan kata UBL memiliki lima fakultas. Sampai sekarang jumlah mahasiswa pun terus bertambah seiring bertambahnya jumlah mahasiswa baru yang baru masuk. Setiap semester, program studi diwajibkan untuk melaporkan kegiatan akademiknya kepada Departemen Pendidikan Tinggi (DIKTI). Pelaporan itu digunakan sebagai prasyarat untuk melakukan akreditasi dan memperpanjang perijinan setiap program studi tersebut. Pelaporan itu biasanya dikenal dengan kata EPSBED (Evaluasi Program Studi Berdasarkan Evaluasi Diri). Didalam penyusunan pelaporan EPSBED, permasalahan yang sering terjadi adalah adanya transaksi mahasiswa yang tidak wajar. Transaksi mahasiswa yang tidak wajar itu biasanya berupa jumlah sks mahasiswa yang tidak wajar, misal sudah 2 tahun kuliah sks masih < 48 sks atau nilai IPK mahasiswa yang tidak wajar seperti IPK mahasiswa dibawah nilai IPS mahasiswa. Bagi mahasiswa yang transaksi akademiknya tidak wajar inilah harus dilakukan DO (Drop out) atau dikeluarkan sebagai prasyarat dalam penyusunan pelaporan EPSBED sehingga diharapkan tidak terjadi lagi transaksi mahasiswa yang tidak wajar lagi. 1.2 Rumusan Masalah Dari permasalahan yang sering terjadi pada penyusunan pelaporan EPSBED adalah transaksi yang tidak wajar. Sehingga didapatkan suatu 4
7 pertanyaan dalam penelitian ini adalah Bagaimana menganalisa data transaksi Mahasiswa yang tidak wajar, untuk menentukan mahasiswa yang harus di DO?. 1.3 Tujuan Penelitian Tujuan akhir dari penelitian ini adalah untuk : 1. Merancang suatu data mining untuk membuat suatu pola data transaksi mahasiswa. 2. Dari pola tersebut digunakan untuk menentukan data mahasiswa yang harus di DO. 1.4 Batasan Penelitian Pembatasan masalah dalam penelitian ini meliputi : 1. Perancangan data mining untuk pengolahan transaksi mahasiswa untuk menentukan mahasiswa yang harus di DO. 5
8 BAB II LANDASAN TEORI Pada bab ini akan dijelaskan tentang konsep dasar dari data mining. Serta teknik yang dipakai untuk perancangan data mining. 2.1 Data mining Data mining adalah suatu teknologi terbaru yang dapat mengartikan (mining) data sehingga dapat digunakan untuk sebagai informasi untuk proses kebijakan dan prediksi di masa yang akan datang Data mining Data mining adalah suatu proses pencarian pengetahuan. Data mining dapat membantu kita memahami substansi dari data secara khusus yang tadinya tidak diketahui seperti pola-pola atau trend yang ada dalam data yang sebelumnya tidak pernah diketahui. (Conolly, 2005). Dengan data mining dapat didapatkan suatu pola tertentu dan prediksi untuk masa depan dalam pembuatan keputusan oleh pihak eksekutif Teknik Pembuatan Data mining Teknik yang dipakai dalam perancangan data mining pada penelitian ini adalah menggunakan metode Classification dengan menggunakan teknik Classification Tree. Classification adalah teknik Mining untuk metode ini digunakan untuk meniru kemampuan induksi otak manusia. Logika induksi adalah logika untuk menarik kesimpulan dari beberapa premis yang sudah ada. Kelebihan dengan metode ini adalah target atribut yang capai adalah atribut yang bertipe 6
9 diskrit, memprediksi pengelompokan dari suatu data. Isu yang berkembang dengan metode ini adalah akurasi, presisi dan loss function. Teknik dari metode ini adalah menggunakan Classification Tree. Didalam teknik ini menggunakan pendekatan induksi top-down. Pendeskripsian pertama biasanya masih general dan akan di detilkan dapa tree-tree selanjutnya. Untuk lebih jelasnya akan digambarkan seperti dibawah ini: Gb 2.1 Classification Tree 7
10 BAB III METODOLOGI PENELITIAN Metodologi yang digunakan dalam penelitian terbagi dalam beberapa tahap, tahapan dalam pengolahan data tersebut meliputi tiga tahap. Tahapan tersebut adalah Tahap Preparation, Tahap Exploration dan Tahap Analisis Data menggunakan teknik Classification. 3.1 Data Preparation Pada tahapan ini akan dilakukan tiga tahapan utama yaitu tahap validasi, tahap transformasi dan tahap reduksi. Untuk lebih jelasnya akan seperti dibawah ini: 1. Data Validation Pada tahapan ini digunakan untuk melakukan proses menghilangkan missing values data. Missing values dikategorikan kedalam tiga jenis yaitu data yang tidak lengkap, data yang tidak normal (outlier) dan data yang tidak konsisten. Output dari tahap ini adalah dihasilkannya data yang normal dan tidak memiliki Missing Values. 2. Data Transformation Pada tahapan ini dilakukan untuk meningkatkan keakuratan dan efisiensi dari penggunaan data mining. Tetapi teknik outlier juga termasuk dalam tahap transformasi data, karena didalam widget outlier terdapat komponen untuk pengukuran outlier dengan Z Index. Teknik yang digunakan penulis untuk mengolah data dalam tahap ini adalah menggunakan teknik Z-Index. Karena teknik Z-Index sudah terakomodir dalam fitur di Orange. Output dari tahap ini adalah menghasilkan data yang lebih akurat. 3. Data Reduction 8
11 Tahapan ini dilakukan untuk mengefisienkan algoritma yang digunakan tanpa mengurangi kualitas data yang dihasilkan sehingga kita perlu mereduksi data. Pada tahap ini penulis menggunakan metode Random Sampling (Sampel secara acak). dengan mengambil sampel 30 % dari keseluruhan data. Yaitu sekitar 8581 data. Output dari tahap ini adalah dihasilkan data sampel yang diambil sebesar 8581 record dari jumlah yang awal sebesar record. Data sampel tersebut akan diolah lebih lanjut ke tahap berikutnya. 3.2 Data Exploration Tujuan utama dalam tahapan ini adalah untuk menonjolkan fitur yang relevan pada setiap atribut, menggunakan metode grafikal dan menghitung data statistic dan mengindentifikasi hubungan antar atribut. Didalam tahapan ini untuk mencapai tujuan itu meliputi tiga fase yaitu unvariate analysis, bivariate analysis dan multivariate analysis. 4. Unvariate Analysis Pada tahap ini dijelaskan bagaimana menginvestigasi properties dari setiap atribut. Pada tahapan ini dapat dilakukan dengan menambahkan widget Attribute Statistic dan Distributions pada canvas 5. Bivariate Analysis Bivariate analisys digunakan untuk menganalisa hubungan antar atribut. Selain itu juga untuk menganalisa hubungan antara atribut dengan target variabel yang ditentukan.pada Orange widget yang biasanya dipakai untuk tahap ini adalah widget Scatter Plot dan widget Time Series. 3. Multivariate Analysis Untuk tahapan ini digunakan untuk menganalisa hubungan dari relasi antar atribut dan merupakan kelanjutan dari bivariate analysis. Pada uji coba kasus ini penulis baru menggunakan teknik Unvariate Analysis. Karena dari hasil ini bisa diketahui distribusi dan attribute statistic data mahasiswa.output dari tahap ini adalah dihasilkan pola distribusi data mahasiswa 9
12 yang di DO dan mahasiswa yang tidak di DO dengan widget Distribution serta data statistik tiap atribut dengan widget attribute statistic. 3.3 Tahap Analisis Menggunakan Metode Classification Pada tahap ini dilakukan untuk mengelompokan data mahasiswa yang di DO dengan mahasiswa yang tidak di DO. Output dari tahapan ini adalah berupa grafik classification tree. Grafik tersebut menggambarkan hasil pengelompokan data mahasiswa, sehingga dapat dijelaskan pola dari mahasiswa yang akan di DO. 10
13 BAB IV PERANCANGAN DATA MINING Pada bab ini akan dijelaskan Dasar Drop Out (DO), langkah-langkah perancangan dan penerapan data mining untuk dihasilkan suatu pola transaksi mahasiswa yang akan di DO. perancangan tersebut meliputi data preparation, data exploration dan tahap analisis menggunakan metode Classification. 4.1 Dasar Drop Out (DO) Dasar dalam menentukan mahasiswa berdasarkan aturan fakultas adalah : a. Lama studi mahasiswa pada 2 tahun pertama jumlah sks < 48 sks. b. Lama studi mahasiswa pada 4 tahun pertama jumlah sks < 96 sks. Berdasarkan aturan diatas maka penulis menambahkan atribut Kondisi yang berisi keteranga DO dan Tidak DO pada setiap record ditabel Transaksi aktivitas Mahasiswa (TRAKM). 4.2 Data Preparation Didalam tahapan ini akan dijelaskan tentang sumber data,pengolahan data dengan orange, data validation,data transformation dan data reduction Sumber Data Pada tahap ini dilakukan pengolahan data dari tabel TRAKM (Transaksi Aktivitas Mahasiswa) dalam bentuk file.tab-delimited, TRAKM berisi semua data transaksi mahasiswa semua program studi. Didalam tabel TRAKM berisi 11 atribut. Atribut tersebut dapat digambarkan pada gambar dibawah ini : 11
14 Gb 4.1 Tabel TRAKM Didalam tabel trakm diatas memiliki 12 (dua belas) atribut. Atribut tersebut adalah thsmstrakm (tahun semester trakm),kdptitrakm (kode perguruan tinggi trakm),kdpsttrakm (kode program studi trakm), kdjentrakm(kode jenjang trakm),nimhstrakm(nim mahasiswa trakm),nlipstrakm(nilai IPS mahasiswa trakm), skssemtrakm (total sks pada satu semester mahasiswa trakm), nlipktrakm (nilai ipk mahasiswa trakm), skstttrakm (total sks mahasiswa keseluruhan trakm), thmasuk(tahun Masuk mahasiswa), selang masa studi(lama studi mahasiswa) dan sedangkan atribut kondisi (DO atau Tidak DO) adalah hasil dari suatu kondisi dari atribut skstttrakm dan selang masa studi. Jumlah mahasiswa dari semua fakultas yang penulis dijadikan sampel adalah sebesar record. Data tersebut merupakan data dari semua program studi dari transaksi mahasiswa dari semua fakultas yang diambil dari tahun 2007 s.d
15 4.3 Pengolahan Data dengan Orange Atribut tersebut akan diolah lebih lanjut dalam Órange untuk dihasilkan suatu pattern atau pola data transaksi aktivitas mahasiswa. Tahapan selanjutnya adalah menyiapkan dan memasukan data trakm ke dalam Órange. Untuk menyiapkan file yang akan kita olah, tahapan pertama adalah menyiapan widget File dalam Orange. lalu klik 2 kali dan pilihlah tombol browse untuk memilih file trakm yang kita inginkan. Tahapan ini dapat digambarkan seperti dibawah ini : Gb 4.2. Widget File di Orange Pada gambar diatas terlihat jumlah data adalah record, dengan jumlah atribut 11. Untuk melihat isi file, tambahkan link yang menghubungkan widget File ke Data Tabel dengan melakukan drag mouse dari widget File ke Data. Untuk melihat isi dari file, tambahkan link yang menghubungkan widget file ke Data table, kemudian double klik mouse pada widget data table. Sehingga tertampil data trakm seperti dibawah ini : 13
16 Gb 4.3 tabel trakm di Orange Dari gambar diatas jumlah record adalah dan terdapat 183 sampel (0.6 % ) yang mengandung missing values, yaitu data data yang tidak terisi, yang direpresentasikan dengan tanda?. 4.4 Data Validation Pada penjelasan di point sudah ditemukan missing values pada data. Untuk menghilangkan missing values tersebut pada orange dapat dihilangkan dengan widget Preprocess dan Data Table (untuk melihat hasil eliminasi missing values) pada canvas, kemudian tambahkan link diantara dua widget tersebut seperti pada gambar dibawah ini : 14
17 Gb 4.4 Alur Preprocess Untuk melakukan konfigurasi dalam Preprocess dapat dilihat seperti gambar dibawah ini : Gb 4.5. Konfigurasi Preprocess Pilihlah preprocess Remove missing untuk mengeliminasi semua sampel yang mengandung missing values,lalu klik tombol Commit. Untuk 15
18 melihat hasil Preprocessing dapat diklik tabel tanpa missing values seperti gambar dibawah ini : Gb 4.6 Hasil Preprocess Pada gambar diatas data sudah tidak mengandung missing values dan berkurang menjadi record. 4.5 Data Transformation Data transformation dilakukan untuk meningkatkan akurasi dan efisiensi algoritma data mining yang digunakan. Outlier merupakan salah satu teknik transformasi data yang sering digunakan. Outlier adalah adanya suatu data yang tidak wajar (16nomaly) sehingga data tersebut harus dibetulkan atau dihilangkan. Untuk melakukan tahapan outlier dapat dilihat seperti dibawah ini : 16
19 Gb 4.7 Proses Outlier Didalam kasus ini, penulis melakukan uji coba untuk mendapatkan outlier dari data sampler. Setelah dipilih widget outlier, data akan kita tampilkan kedalam data tabel adalah data inlier. Data inlier adalah data selain dari data outlier atau data yang wajar (normal). 4.6 Data Reduction Setelah data dihilangkan dari missing values,tahapan berikutnya adalah kita akan mereduksi data yang lebih dikenal dengan kata data reduksi. Data reduksi dilakukan karena begitu banyaknya data mahasiswa dari record, sehingga untuk mengefisienkan algoritma yang digunakan tanpa mengurangi kualitas data yang dihasilkan maka kita perlu mereduksi data. Dalam melakukan data reduksi, tahapan yang dilakukan adalah dengan memilih widget Data Sampler pada Orange dan menghubungkannya dengan widget Preprocess. Data yang kita ambil 30% dari data asilnya yaitu sekitar 9000 record. Sedangkan teknik yang digunakan 17
20 adalah teknik Random Sampling artinya data diambil secara acak dari data yang asli. Untuk prosesnya dapat dilihat seperti gambar dibawah ini : Gb 4.8 Proses Data Sampler Jika kita mengklik widget data sampler 2x maka akan tertampil seperti dibawah ini : 18
21 Gb 4.9 Konfigurasi Data Sampler Dari widget diatas Sample Size adalah 30%, artinya ada sekitar 8581 data yang diolah untuk dijadikan sampel. Untuk menampilkan data setelah dilakukan data Sampler dapat diklik tabel inlier. Hasilnya dapat dilihat seperti gambar dibawah ini : Gb 4.10 Hasil Data Sampler Dari gambar diatas terlihat bahwa data sample yang dihasilkan 8581 record setelah direduksi 30 % dari data aslinya dan setelah dihilangkan outlier. Didalam tahapan selanjutnya adalah kita melakukan data diskrit untuk mengolah data yang fieldnya bertipe continuous atau terhadapa field tertentu yang dipilih oleh pengguna. Untuk mengolah data diskrit dapat memilih widget discretize, untuk lebih jelasnya dapat dilihat pada gambar dibawah ini : 19
22 Gb 4.11 Proses Discretize Untuk memilih data hasil pengolahan tabel diskrit dapat dilihat dengan mengklik tabel diskrit 2x dan akan tertampil seperti dibawah ini : Gb 4.12 Hasil Proses Diskrit 20
23 Dari tabel diskrit diatas jika kita klik dua kali akan terlihat bahwa data diatas untuk mahasiswa dengan keterangan DO dapat di prediksi dengan beberapa atribut diantaranya adalah selang masa studi > 2 tahun dan jumlah sks total adalah diantara 71 s.d. 95 sks. 4.7 Data Exploration Pada tahapan ini dilakukan untuk menonjolkan fungsi dari setiap atribut dan mengkalkulasinya secara statistik dan untuk mengidentifikasikan intensitas dari hubungan antar atribut. Didalam tahapan ini terdapat tiga tahapan penting yaitu : unvariate analysis, bivariate analysis dan multivariate analysis. Untuk lebih jelasnya akan dijelaskan seperti dibawah ini, pada tahap ini penulis baru bisa menguji coba menggunakan teknik Unvariate Analysis. Unvariate Analysis Pada tahap ini dijelaskan bagaimana menginvestigasi properties dari setiap atribut. Pada tahapan ini dapat dilakukan dengan menambahkan widget Attribute Statistic dan Distributions pada canvas. Untuk lebih jelasnya dapat dilihat seperti gambar dibawah ini : Gb 4.13 Proses Attribute Statistic dan Distributions 21
24 Untuk melihat peranan dari setiap atribut dapat dilihat dengan mengklik dua kali widget misal pada widget attribute statistic. Yang akan terlihat seperti pada gambar dibawah ini : Gb 4.14 Hasil Widget Discretize Dari gambar diatas terlihat bahwa misal pada atribut SKSTTRAKM (total sks trkam) untuk jumlah sks <=24 maka berjumlah 1755 dengan prosentase (20.5%). Kalau kita pilih atribut yang lain maka akan menampilkan values yang berbeda pula. 4.8 Tahap Analisis dengan Metode Classification Setelah kita melakukan analisis dari data sudah kita olah pada tahap Eksplorasi. Tahapan berikutnya adalah kita akan menganalisa data dengan metode Classification. Kenapa digunakan metode Classification, Karena digunakan untuk mengelompokan data mahasiswa yang di DO dan mahasiswa yang tidak di DO. Untuk pengolahnnya pada orange ini dapat digunakan widget Classification 22
25 Tree dan hasilnya nantinya akan ditampilkan pada Classification Tree Graph. Untuk lebih jelasnya dapat dilihat pada gambar dibawah ini : Gb 4.15 Proses Classification Tree Untuk mengetahui hasil Classification ini dapat dilihat dengan melakukan klik dua kali pada widget Classification Tree Graph. Hasilnya dapat dilihat seperti gambar dibawah ini : 23
26 Gb 4.16 Hasil Classification Tree Graph Dari gambar diatas telah dijelaskan ternyata dari data transaksi mahasiswa (trakm) didapatkan suatu pengelompokan data, pengelompokan data tersebut nantinya dijadikan suatu rules untuk menentukan mahasiswa mana yang akan di DO,mahasiswa yang tidak di DO dan memprediksi mahasiswa yang akan di DO untuk kedepannya. Rules untuk mahasiswa yang dapat terkena DO adalah: a. Nim Mahasiswa yang berada dibawah nim (nim mahasiswa baru), akan terkena DO Dengan kemungkinan 80.7 %. b. Nim mahasiswa diatas nim (nim mahasiswa baru) atau nim mahasiswa yang akan masuk yang akan datang, kemungkinan kecil akan terkena DO dengan prosentase 98.0%. 24
27 c. Mahasiswa dibawah nim dengan selang masa studi mahasiswa diatas 1.5 tahun, maka kemungkinan terkeno DO sangat besar dengan kemungkinan 96.2 %. d. Jika selang masa studi diatas 1.5 tahun dan jumlah total sks mahasiswa e. Total sks yang didapatkan pada selang waktu diatas 1.5 tahun dengan jumlah sks dibawah atau sama dengan 48 sks, maka kemungkinan DO mutlak dengan kemungkinan 100%.. 25
28 BAB V PENUTUP Didalam bab ini akan dijelaskan kesimpulan dan saran dari hasil penelitian ini yang menjadi hasil akhir dari penelitian ini. 5.1 Kesimpulan Didalam penelitian ini didapatkan suatu kesimpulan, yang nantinya dijadikan suatu pattern atau pola data mahasiswa yang akan di DO. Kesimpulan itu adalah : a. Nim Mahasiswa yang berada dibawah nim (nim mahasiswa baru), akan terkena DO Dengan kemungkinan 80.7 %. b. Nim mahasiswa diatas nim (nim mahasiswa baru) atau nim mahasiswa yang akan masuk di tahun yang akan datang, kemungkinan kecil akan terkena DO dengan prosentase 98.0%. c. Mahasiswa dibawah nim dengan selang masa studi mahasiswa diatas 1.5 tahun, maka kemungkinan terkeno DO sangat besar dengan kemungkinan 96.2 %. d. Jika selang masa studi mahasiswa diatas 1.5 tahun dan jumlah total sks mahasiswa e. Total sks yang didapatkan mahasiswa pada selang waktu diatas 1.5 tahun dengan jumlah sks dibawah atau sama dengan 48 sks, maka kemungkinan DO mutlak dengan kemungkinan 100% Saran Saran yang dapat digunakan untuk pihak fakultas dalam melakukan suatu tindakan preventif untuk meminimalisir mahasiswa yang akan di DO adalah : a. Dilakukan suatu preventif oleh pihak fakultas untuk meminimalisir jumlah mahasiswa yang akan di DO. 26
29 b. Perlu diwaspadai adalah mahasiswa yang sudah melakukan studi pada masa 1.5 tahun dan jumlah sks < = 48 sks untuk dilakukan pembinaan lebih mendalam agar terhindar dari DO. Daftar Pustaka [1] Chen,Ming-Syan,Han, Jiawei, & Yu, Philip S. Data mining : An Overview from a Database Perspective. IEEE TRANSACTION ON KNOWLEDGE AND DATA ENGINEERING : vol 8, No.6 [2] Inmon, W.H. Building The Data warehouse. New York : John Wiley and Sons Inc [3] Jiawei Han and Micheline Kamber. Data Mining : Concept and Techniques. Morgan Kaufmann Publishers.2006 [4] Khan, Danish. CAKE Classifying, Associating & Knowledge DiscovEry An Approach for Distributed Data mining (DDM) Using PArallel Data mining Agents (PADMAs). International Conference on Web Intelligence and Intelligent Agent Technology IEEE, [5] Tan PN, Steinbach, M Kumar,V. Introduction To Data mining. Addison Wesley [6] Thomas Connolly & Carolyn Begg, Database System : A Practical Approach to Design, Implementation and Management, Addison Wesly 4 th Edition [7] Vercellis,Carlo. Business intelligence: datamining and optimization for decision making. John Wiley and Sons Ltd [8] =55&lang=in 27
KLASIFIKASI 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 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 terperinciSistem Basis Data Lanjut DATA MINING. Data Mining 1/12
DATA MINING Data Mining 1/12 Outline Pengenalan Data Mining Data Mart Teknik-Teknik Data Mining Peralatan Data Mining Data Mining dan Data Warehouse Data Mining 2/12 Pengenalan Data Mining Perangkat lunak
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 terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56607 / Bisnis Cerdas Revisi - Satuan Kredit Semester : 4 SKS Tgl revisi : - Jml Jam kuliah dalam seminggu : 200 menit Tgl
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Dropout Data mining
BAB 1 PENDAHULUAN Bab ini membahas mengenai latar belakang masalah, identifikasi masalah, ruang lingkup tugas akhir, maksud dan tujuan tugas akhir, metode penelitian tugas akhir, dan sistematika penulisan
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
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 terperinciPROGRAM BANTU UNTUK PERENCANAAN PENGAMBILAN MATAKULIAH
PROGRAM BANTU UNTUK PERENCANAAN PENGAMBILAN MATAKULIAH Yetli Oslan, S.Kom., MT dan Katon Wijana, S.Kom., MT Abstrak Membuat keputusan dalam menentukan perencanaan pengambilan tiap semester merupakan hal
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 terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN, PEMBELIAN, DAN PERSEDIAAN UNTUK MENDUKUNG EKSEKUTIF DALAM PENGAMBILAN
ANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN, PEMBELIAN, DAN PERSEDIAAN UNTUK MENDUKUNG EKSEKUTIF DALAM PENGAMBILAN KEPUTUSAN PADA PT. PUSAKA KALI AGUNG Penulis : Rustam Steven Edwin Laurentino Palit
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
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 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 terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
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 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 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 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 terperinciSYLLABUS, KEBUTUHAN DAN KONSEP DATA WAREHOUSE. Astrid Lestari Tungadi, S.Kom., MTI.
SYLLABUS, KEBUTUHAN DAN KONSEP DATA WAREHOUSE Astrid Lestari Tungadi, S.Kom., MTI. PENDAHULUAN Kode Mata Kuliah : 304SI4 Nama Mata Kuliah: Data Warehouse/Data Mining Kredit : 4 sks Dosen : Stefany Yunita
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 terperinciBAB I PENDAHULUAN. kepegawaian, akademik, keuangan dan sebagainya. Data-data dari tiap unit
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Setiap perguruan tinggi memiliki beberapa unit operasional yang akan menunjang seluruh kegiatan yang terdapat di dalamnya, di mulai dari unit kepegawaian, akademik,
Lebih terperinciLingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa
Lebih terperinciIMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO Sendy Winanta Yetli Oslan, Gunawan Santoso Abstrak Penjurusan siswa kelas X SMA yang akan naik
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pasar modal merupakan salah satu bagian dari pasar keuangan, di samping pasar uang, yang sangat penting peranannya bagi pembangunan nasional pada umumnya dan bagi
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 1 PENDAHULUAN. menjadi hal yang penting. Karena dengan komputerisasi sistem bisa memudahkan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada era globalisasi ini, komputerisasi sistem dalam sebuah perusahaan menjadi hal yang penting. Karena dengan komputerisasi sistem bisa memudahkan dalam membantu proses
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 1 PENDAHULUAN. kegiatan belajar mengajar yang efektif.
2 BAB 1 PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan teknologi yang semakin pesat, Binus University sebagai salah satu perguruan tinggi di Indonesia dituntut untuk mengikuti perkembangan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Peminatan atau konsenterasi merupakan fokus mahasiswa terhadap suatu bidang studi tertentu yang sesuai dengan minatnya. Tujuannya yaitu untuk lebih memfokuskan
Lebih terperinciPenerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta)
Penerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta) Universitas Islam Negeri Syarif Hidayatullah Jakarta email: nurhayati@uinjkt.ac.id
Lebih terperinciPENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA
PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma
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 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 terperinciPENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT
Jurnal Komputer dan Informatika (KOMPUTA) 53 PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT Angga Ginanjar Mabrur [1], Riani Lubis [2] 1,2 Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Data yang digunakan dalam penelitian ini adalah data warehouse
1.1.Pengumpulan data BAB IV HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data warehouse Graduation Universitas Muhammadiyah Yogyakarta pada Fakultas Teknik UMY tahun kelulusan 2013,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 1.1 Latar Belakang PENDAHULUAN Setiap perusahaan menjalankan proses operasional setiap hari dan data yang ada di perusahaan akan diolah dan diproses sesuai dengan keperluan yang dibutuhkan oleh perusahaan.
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 terperinciJurnal Ilmiah Widya Teknik Volume 15 Nomor
Jurnal Ilmiah Widya Teknik Volume 15 Nomor 2 2016 PEMBANGUNAN ONLINE ANALYTICAL PROCESSING YANG TERINTEGRASI DENGAN SISTEM INFORMASI HARGA BAHAN POKOK KOTA YOGYAKARTA C. Hutomo Suryolaksono 1, Paulina
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Di era teknologi informasi yang semakin maju saat ini, kebutuhan akan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era teknologi informasi yang semakin maju saat ini, kebutuhan akan informasi yang cepat dan akurat menjadi sangat penting. Berbagai macam departemen pemerintahan
Lebih terperinciTahapan Proses KDD (Peter Cabena) Business Objective Determination (#1) Business Objective Determination (#2) Business Objective Determination (#4)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #2 Gunawan Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya Tahapan Proses KDD (Peter Cabena) Penentuan Sasaran Bisnis (
Lebih terperinciSATUAN ACARA PERKULIAHAN (SAP)
SATUAN ACARA PERKULIAHAN (SAP) Nama Mata Kuliah : Pemrograman Database Kode Mata Kuliah : SI 043 Bobot Kredit : 3/1 SKS Semester Penempatan : V Kedudukan Mata Kuliah : Mata Kuliah Keahlian Berkarya Mata
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Pengertian Data Menurut (Inmon, 2005, p. 493) data merupakan kumpulan faktafakta, konsep-konsep dan instruksi-instruksi yang disimpan dalam media penyimpanan yang
Lebih terperinciDESAIN DATA WAREHOUSE UNTUK MENGINTEGRASIKAN DATA KEPOLISIAN DI WILAYAH JAWA TIMUR
DESAIN DATA WAREHOUSE UNTUK MENGINTEGRASIKAN DATA KEPOLISIAN DI WILAYAH JAWA TIMUR Aryanto Aribowo 1) dan Joko Lianto Buliali 2) Program Studi Magister Manajemen Teknologi, Institut Teknologi Sepuluh Nopember
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : 5
GARIS-GARIS BESAR PROGRAM PENGAJAR PROGRAM STUDI: S1 STEM INFORMA Semester : 5 Berlaku mulai: Gasal/2010 MATA KULIAH : DATA WAREHOUSE KODE MATA KULIAH / SKS : 4010103084 / 2 SKS MATA KULIAH PRASYARAT :
Lebih terperinciRancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra
Rancang Bangun Fitur Rekomendasi Buku Menggunakan Algoritma PrefixSpan pada Sistem Peminjaman Buku Berbasis Web di Perpustakaan Universitas Ciputra Lenny Universitas Ciputra UC Town, Citraland Surabaya
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 terperinciImplementasi Metode K-Nearest Neighbor Pada Aplikasi Data Penjualan PT. Multitek Mitra Sejati
ISSN 2356-4393 Implementasi Metode K-Nearest Neighbor Pada Aplikasi Data Penjualan PT. Multitek Mitra Sejati Ferry Hermawan 1), Halim Agung 2) # Teknik Informatika, Fakultas Teknologi dan Desain, Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
Lebih terperinciDATA & INFORMASI. Defri Kurniawan
DATA & INFORMASI Defri Kurniawan defri.kurniawan@dsn.dinus.ac.id RENCANA KEGIATAN PERKULIAHAN SEMESTER W Pokok Bahasan 1 Pengenalan Teknologi Informasi 2 Konsep Sistem Komputer & Pengenalan Perangkat Keras
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 terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Lulus tepat waktu adalah keinginan seluruh mahasiswa. Tidak hanya itu, lulus tepat waktu adalah keuntungan bagi dua pihak. Pertama, pihak mahasiswa, karena
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
Lebih terperinciSATUAN ACARA PERKULIAHAN (SAP)
SATUAN ACARA PERKULIAHAN (SAP) Nama Mata Kuliah : Sistem Basis Data II Kode Mata Kuliah : KA 035 Bobot Kredit : 3 SKS Semester Penempatan : IV Kedudukan Mata Kuliah : Mata Kuliah Keahlian Berkarya Mata
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 terperinciKata kunci : Perpustakaan, Sistem Rekomendasi, Knowledge Discovery from Database (KDD), Association Rule Mining, Algoritma CT-PRO
PENERAPAN ASSOCIATION RULE MINING UNTUK REKOMENDASI PENELUSURAN BUKU DENGAN ALGORITMA CT-PRO Dwi Maryati Suryana, Sri Setyaningsih, Lita Karlitasari e-mail : dwimaryatisuryana@yahoo.com Program Studi Ilmu
Lebih terperinciTAKARIR. : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas
TAKARIR Data Mining Clustering Cluster Iteratif Random Centroid : Penggalian data : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas : Berulang : Acak : Pusat area KDD (Knowledge
Lebih terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciTahapan Proses KDD (Peter Cabena)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #2 Gunawan Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya Tahapan Proses KDD (Peter Cabena) Penentuan Sasaran Bisnis (Business
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Investasi merupakan penanaman sejumlah dana dalam bentuk uang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Investasi merupakan penanaman sejumlah dana dalam bentuk uang ataupun barang yang diharapkan akan memberikan hasil yang lebih dikemudian hari. Investasi dalam bentuk
Lebih terperinciKonsep Business Inteligence. (Bag. 2) Ade Sarah H., M.Kom
Konsep Business Inteligence (Bag. 2) Ade Sarah H., M.Kom Data, informasi dan pengetahuan Arsitektur BI Komponen utama BI Siklus analisis BI Tahap pengembangan sistem BI Sebuah organisasi memiliki data
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CDG4K3 DATA MINING Disusun oleh: SHAUFIAH PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Pembelajaran Semester
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
Lebih terperinciPENENTUAN STRATEGI MARKETING PENJUALAN PRODUK DENGAN ALGORITMA APRIORI
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 50~56 50 PENENTUAN STRATEGI MARKETING PENJUALAN PRODUK DENGAN ALGORITMA APRIORI Mohammad Badrul 1 1 STMIK Nusa Mandiri Jakarta e-mail:mohammad.mbl@nusamandiri.ac.id
Lebih terperinciMANFAAT DATAWAREHOUSE PADA RUMAH SAKIT ABC
MANFAAT DATAWAREHOUSE PADA RUMAH SAKIT ABC Evaristus Didik M.; M. Awan Wibisono; Sucipto A.; Gusti Agung D. V. Information Systems Department, School of Information Systems, Binus University Jl. K.H. Syahdan
Lebih terperinciPENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU
PENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) KKKF53106 DATA MINING PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONESIA YPTK 1 LEMBAR PENGESAHAN Rencana Pembelajaran Semester
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 terperinciALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK
ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Strategi pemasaran
Lebih terperinciAnalisa dan Perancangan Data Warehouse untuk Departemen Finance, Accounting, dan Purchasing pada PT. Panarub Industry
Analisa dan Perancangan Data Warehouse untuk Departemen Finance, Accounting, dan Purchasing pada PT. Panarub Industry Veronica Binus University, Jakarta, DKI Jakarta, Indonesia Handrian Julang Binus University,
Lebih terperinciMateri 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rumah sakit merupakan suatu institusi atau organisasi kesehatan yang melalui tenaga medis profesional memberikan pelayanan kesehatan, asuhan keperawatan, diagnosis
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 terperinciMENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
Lebih terperinciSEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN
SEKOLAH TINGGI MANAJEMEN INFORMAA KOMPUTER JAKARTA S SATUAN ACARA PERKULIAHAN Mata : SISTEM BASIS DATA 2 Kode Mata : MI - 16204 Jurusan / Jenjang : D3 MANAJEMEN INFORMAA Tujuan Instruksional Umum : Mahasiswa
Lebih terperinciBAB I PENDAHULUAN. waktu mendatang. Perkembangan teknologi informasi membuat pencarian. data data sangat mudah bahkan cenderung berlebihan.
BAB I PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini kebutuhan akan informasi yang akurat sangat dibutuhkan, dikarenakan informasi akan menjadi suatu elemen penting dalam
Lebih terperinciKEMENTRIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI REPUBLIK INDONESIA DIREKTORAT JENDERAL PENDIDIKAN TINGGI
KEMENTRIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI REPUBLIK INDONESIA DIREKTORAT JENDERAL PENDIDIKAN TINGGI Daftar Isi Daftar Isi... i Pendahuluan... 1 1 Alur Sistem PDDIKTI... 1 2 Cara Masuk Ke Aplikasi...
Lebih terperinciHASIL DAN PEMBAHASAN. Microsoft SQL Server Microsoft Sharepoint Microsoft.Net Framework 4.0.
3 warehouse dan data mart memiliki batasan yang sangat tipis, namun perbedaan ini tidak perlu dikhawatirkan karena secara subtansi tujuan dari pembuatannya memiliki kesamaan (Noviandi 2010). Konsep data
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH SISTEM BASIS DATA 2 (D3/SI) * KODE / SKS KK / 2 SKS
Minggu ke Pokok Bahasan dan TIU 1. 1. PENGENALAN UMUM MATERI YANG AKAN DIAJARKAN 2. KONSEP MODEL DATA Sub Pokok Bahasan dan Sasaran Belajar 1.1. Pengenalan secara umum materi yang akan diajarkan 2.1. Review
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 terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining Kode/SKS: SS / (2/1/0) Dosen : SWP, KF Semester : VII
RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 10.3 : Mampu menganalisis big data dengan
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 terperinciOleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Lebih terperinciPE DAHULUA. Latar Belakang
Latar Belakang PE DAHULUA Pemilihan Kepala Daerah dan Wakil Kepala Daerah, atau seringkali disebut Pilkada, adalah pemilihan umum untuk memilih Kepala Daerah dan Wakil Kepala Daerah secara langsung di
Lebih terperinciPENERAPAN DATA MINING DENGAN METODE KALSIFIKASI MENGGUNAKAN DECISION TREE DAN REGRESI
Volume 7 No.1 Januari 2015 ISSN : 2085 1669 e-issn : 2460 0288 Website : jurnal.ftumj.ac.id/index.php/jurtek Email : jurnalteknologi@ftumj.ac.id U N I V E R S I T A S M U H A M M A D I Y A H J A K A R
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 terperinciBAB I PENDAHULUAN. Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciAplikasi Penunjang Pengambilan Keputusan Untuk Pembelian Barang Pada UD. Naga Waja
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Penunjang Pengambilan Keputusan Untuk Pembelian
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciHASIL DAN PEMBAHASAN Integrasi dan Pengujian Penggunaan dan Pemeliharaan
list($this->jumlah,$this>nilai_grafik,$this- >persentase, $this->std)=$this->getgrafikvalue_emeg(); }else{ list($this->jumlah, $this->nilai_grafik, $this- >persentase,$this->std)=$this- >GetGrafikValue_Fakdep();
Lebih terperinciANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX
ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK Association rule mining merupakan
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 terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI
IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI Ristianingrum 1, Sulastri 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 ristiia.rum@gmail.com,
Lebih terperinci