PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
|
|
- Adi Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen, Universitas Sains dan Teknologi Jayapura, Jl. Raya Sentani Padang Bulan Abepura - Jayapura 1 andigitaisme@gmail.com, 2 dianprasetyo43@gmail.com Abstrak Angka kelulusan yang tinggi dapat dianggap sebagai salah satu indikator keberhasilan dalam proses penyelenggaraan pendidikan di Perguruan Tinggi. Secara spesifik, Ketua Program Studi maupun Dosen Wali di Fakultas Ilmu Komputer dan Manajemen (FIKOM) Universitas Sains dan Teknologi Jayapura (USTJ) belum pernah melakukan prediksi tentang waktu kelulusan mahasiswa, yang ada adalah proses mendata mahasiswa lulus dan lama studinya. Penelitian ini bertujuan untuk menerapkan Algoritma K-Nearest Neighbor (K-NN) dan Fungsi Similarity untuk menghitung kemiripan data dalam sebuah perangkat lunak yang dapat memberikan prediksi waktu kelulusan mahasiswa. Hasil pengujian menggunakan aplikasi prediksi waktu kelulusan dengan 7 (tujuh) kriteria yaitu IPS1-IPS4, jumlah SKS lulus sampai semester 4, jurusan SLTA, program studi, asal suku, penghasilan orang tua dan jenis kelamin di dapat akurasi untuk Program Studi Teknik Informatika S1 sebesar 84% sedangkan Program Studi Sistem Informasi S1 sebesar 87%.. Kata kunci : Algoritma K-Nearest Neighbor (K-NN), Fungsi Similarity, Prediksi Kelulusan, FIKOM-USTJ 1. Pendahuluan Angka kelulusan menjadi salah satu indikator atau tolak ukur tingkat keberhasilan Perguruan Tinggi dalam melaksanakan proses belajar mengajar (PBM). Prosentase naik turunnya kemampuan mahasiswa untuk menyelesaikan studi tepat waktu merupakan salah satu elemen penilaian akreditasi Universitas, untuk itu perlu adanya pemantauan maupun evaluasi terhadap kecenderungan mahasiswa lulus tepat waktu atau tidak. Algoritma K-Nearest Neighbor (K-NN) adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Dengan memanfaatkan Algoritma K- NN akan dapat membantu Ketua Program Studi Teknik Informatika S-1 dan Sistem Informasi S-1 pada Fakultas Ilmu Komputer dan Manajemen (FIKOM) USTJ dalam memprediksi waktu kelulusan mahasiswa. 2. Dasar Teori 2.1 Algoritma K-Nearest Neighbor (K-NN) Menurut Kusrini dan Emha Taufiq Luthfi dalam buku Algoritma Data Mining (2009; 93) menyatakan Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan, maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama kasus pasien lama dengan kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus pasien baru. Gambar 1. Ilustrasi Kedekatan Kasus (Sumber Kusrini dan Emha Taufiq Luthfi 2009; 94) Seperti tampak pada Gambar 1 ada dua pasien lama: A dan B. ketika ada pasien baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien baru. Seandainya d1 adalah kedekatan antara 8 pasien baru dan pasien A, sedangkan d2 adalah kedekatan antara pasien baru dan pasien B, karena d2 lebih dekat dari d1, maka solusi dari pasien B-lah yang akan digunakan untuk memberikan solusi pasien baru. Adapun rumus untuk melakukan perhitungan kedekatan antara dua kasus adalah sebagai berikut: 108
2 Similarity (T,S) = Keterangan : T S N I f w i, : kasus baru : kasus yang ada dalam penyimpanan : jumlah atribut dalam setiap kasus : atribut individu antara 1 s.d n : fungsi similarity i antara kasus T dan S : bobot yang diberikan pada atribut ke-i Menurut Eko Prasetyo dalam buku Data Mining Konsep dan Aplikasi menggunakan Matlab (2012; 23) menyatakan kemiripan (similarity) adalah ukuran derajat numerik dimana dua objeknya mirip, nilai 0 jika tidak mirip dan 1 jika mirip penuh. Formula kemiripan dua data dengan satu atribut adalah sebagai berikut: { 1 jika x = y s = (2) 0 jika x y Adapun rumus untuk pemberian bobot pada setiap atribut (I Wayan, 2012) adalah sebagai berikut: 1. Input nilai kriteria masing-masing model 2. Input bobot masing-masing kriteria 3. Hitung normalisasi dari bobot NK = % Nilai Akhir = Dimana : SBK : Kriteria BBT : Bobot Kriteria NK : Nilai Kriteria (1) (3) (4) Menurut M. Reza Faisal dalam buku Seri Belajar Data Science Klasifikasi dengan Bahasa Pemograman R (2016; 69) secara umum, pengukuran kinerja algoritma dilakukan dengan cara membandingkan antara hasil prediksi algoritma klasifikasi dengan nilai target variabel data testing sebagai data sebenarnya. Maka secaralogika sederhana dapat disimpulkan kinerja algoritma adalah sebagai berikut: Kinerja = Tabel 1. Data Training Prodi Teknik Informatika x100% (5) 2.2 Data Mining Turban, dkk (2005) dalam buku karangan Kusrini dan Emha Taufiq Luthfi dengan judul Algoritma Data Mining (2009; 5) menyatakan data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menguraikan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. 3. Pembahasan 3.1 Menentukan data training Untuk melakukan prediksi waktu kelulusan mahasiswa dibutuhkan data mahasiswa Fakultas Ilmu Komputer dan Manajemen Program Studi Teknik Informatika S-1 dan Sistem Informasi S-1 angkatan 2010 dan 2011 yang telah lulus sebagai data training, sedangkan angkatan 2012, 2013 dan 2014 yang masih aktif sebagai data testing. Kriteria pada mahasiswa yang digunakan yaitu Indeks Prestasi Semester (IPS) 1 - IPS 4, program studi, asal suku, jenis kelamin, jurusan SLTA, penghasilan orang tua, jumlah satuan kredit semester (SKS) capai hingga semester 4. (Sumber : SIMAK BAAK USTJ 2017) 109
3 Tabel 2. Data Training Prodi Sistem Informasi (Sumber : SIMAK BAAK USTJ 2017) 3.2 Pemberian Nilai bobot Untuk Tiap Kriteria Pemberian bobot kriteria, dimana bobot antara satu kriteria dengan kriteria yang lain dapat didefinisikan dengan nilai yang berbeda. Berikut ini adalah contoh pemberian bobot pada kriteria indeks prestasi sementara (IPS) dimana nilai bobot digunakan untuk menghitung nilai kriteria. Rumus perhitungan nilai bobot mengacu pada persamaan (2) dan (3). Tabel 3. Nilai Indeks Prestasi Sementara (IPS) No Kriteria Nilai Bobot 1 IPS = 1 2 IPS 3 dan < = IPS 2 dan < 3 60 = % = IPS < 2 40 = 0.4 Nilai Kriteria IPS adalah: Nilai Kriteria =,,,, Nilai Kriteria = Nilai Kriteria = Nilai Kriteria = 21 Perhitungan yang sama seperti di atas, berlaku untuk semua kriteria dalam menentukan Nilai dari kriteria-kriteria. Tabel 4 menunjukkan bobot untuk tiap kriteria yang digunakan. Tabel 4. Tabel Bobot Kriteria No Kriteria Bobot 1 Nilai IPS Jumlah SKS Tempuh Jurusan SLTA Program Studi Asal Suku Penghasilan Orang Tua Jenis Kelamin Menghitung Nilai Kedekatan Antar Kriteria Setelah menghitung nilai bobot kriteria, selanjutnya menentukan Nilai Kedekatan untuk semua kriteria, dimana nilai kedekatan adalah nilai yang berada pada rentang nilai antara 0 s.d 1. Nilai 0 berarti kedua kasus mutlak tidak mirip, sebaliknya untuk nilai 1 artinya kasus mirip secara mutlak. Nilai kedekatan akan digunakan untuk menghitung jarak terdekat antara data training dan data testing. Contoh berikut ini adalah tabel Nilai kedekatan untuk Kriteria IPS: Tabel 5. Nilai Kedekatan Kriteria IPS dan 2 dan <2 <3,5 < dan <3, dan < < Perhitungan fungsi Similarity Selanjutnya dilakukan perbandingan antara Data Testing dan Data Training yang telah dipersiapkan sebelumnya dengan menggunakan rumus pada persamaan (5), dimana data testing ke-1 dibandingkan dengan kasus yang telah terjadi sebelumnya (DataTraining) Prodi Teknik Informatika Data testing ke-1 (Hanoch N. Yaristouw), dihitung nilainya berdasarkan langkah-langkah yang telah dijabarkan sebelumnya. Berikut adalah contoh perhitungan dari tabel hasil perhitungan dengan kasus yang baru yaitu: 1. Menghitung Kasus 1 a. Kedekatan nilai IPS 1 = 0.75
4 b. Kedekatan nilai IPS 2 = 0.75 c. Kedekatan nilai IPS 3 = 1 d. Kedekatan nilai IPS 4 = 0.5 e. Bobot kedekatan nilai IPS = 0.3 f. Kedekatan jumlah SKS = 0.25 g. Bobot jumlah SKS = 0.2 h. Kedekatan jurusan SLTA = i. Bobot kedekatan jurusan SLTA = 0.15 j. Kedetakan program studi = 1 k. Bobot kedekatan program studi = 0.1 l. Kedekatan asal suku = 0 m. Bobot kedekatan asal suku = 0.1 n. Kedekatan penghasilan orang tua = o. Bobot kedekatan penghasilan orang tua = 0.1 p. Kedekatan jenis kelamin = 0 q. Bobot kedekatan jenis kelamin = 0.05 Menghitung (Kasus 1) : Tabel 6. Hasil Perhitungan Jarak Data Testing Ke-1 Proses perhitungan diatas dilakukan hingga data training ke-20 dengan menggunakan persamaan yang sama yaitu rumus (5). Berdasarkan hasil perhitungan dari 20 kasus yang dilakukan sebelumnya, maka terlihat nilai tertinggi terdapat pada kasus ke 6 yaitu mahasiswa lulus terlambat. Prediksi waktu kelulusan untuk kasus 1 (Hanoch N. Yarisetouw) kemungkinan akan lulus Terlambat Prodi Sistem Informasi Berikut adalah contoh perhitungan dari tabel hasil perhitungan dengan kasus yang baru yaitu Data Testing ke-2 (Rismawaty Tikulembang) sebagai berikut: Menghitung Kasus 2: a. Kedekatan nilai IPS 1 = 0.8 b. Kedekatan nilai IPS 2 = 0.8 c. Kedekatan nilai IPS 3 = 0.6 d. Kedekatan nilai IPS 4 = 1 e. Bobot kedekatan nilai IPS = 0.3 f. Kedekatan jumlah SKS = 1 g. Bobot jumlah SKS = 0.2 h. Kedekatan jurusan SLTA = 0.5 i. Bobot kedekaran jurusan SLTA = 0.15 j. Kedetakan program studi = 1 k. Bobot kedekatan program studi =
5 l. Kedekatan asal suku = 1 m. Bobot kedekatan asal suku = 0.1 n. Kedekatan penghasilan orang tua = 1 Menghitung (Kasus 2) : o. Bobot kedekatan penghasilan orang tua = 0.1 p. Kedekatan jenis kelamin = 1 q. Bobot kedekatan jenis kelamin = Tabel 7. Hasil Perhitungan Jarak Data Testing ke-2 Proses perhitungan diatas dilakukan hingga data training ke-20 dengan menggunakan persamaan yang sama yaitu rumus (5). Berdasarkan hasil perhitungan dari 20 kasus yang dilakukan sebelumnya, maka terlihat nilai tertinggi terdapat pada kasus ke 1 yaitu mahasiswa lulustepat waktu. Prediksi waktu kelulusan untuk kasus 1 (Rismawaty Tikulembang) kemungkinan akan lulus Tepat Waktu. 3.5 Implementasi Berdasarkan analisis perhitungan yang telah dilakukan, kemudian diimplementasikan ke dalam sebuah aplikasi. Berdasarkan analisis perhitungan yang telah dilakukan, kemudian diimplementasikan ke dalam sebuah aplikasi. Form Prediksi Kelulusan, adalah form yang digunakan untuk memprediksi waktu kelulusan mahasiswa menggunakan algoritma K- Nearest Neighbor (K-NN) dan fungsi similarity, dimana aplikasidapat mengetahui waktu kelulusan mahasiswa (lulus Tepat Waktu dan Terlambat). Dapat dilihat pada Gambar 2, hasil prediksi yang dihasilkan oleh aplikasi sudah sesuai dengan analisis perhitungan manual yang dilakukan sebelumnya. Gambar 2. Form Prediksi Kelulusan 112
6 4. Penutup 4.1 Kesimpulan Berdasarkan penelitian yang telah dilakukan yaitu penerapan algoritma k-nearest neighbor (K- NN) untuk prediksi waktu kelulusan mahasiswa, dapat diambil kesimpulan sebagai berikut: 1. Hasil pengujian pada Program Studi Teknik Informatika S-1 dengan jumlah data training sebanyak 151 mahasiswa dan data testing sebanyak 50 mahasiswa di dapat nilai akurasi sebesar 84%. 2. Hasil pengujian pada Program Studi Sistem Informasi S-1 dengan jumlah data training sebanyak 55 mahasiswa dan data testing sebanyak 15 mahasiswa di dapat nilai akurasi sebesar 87%. 3. Penyajian laporan prediksi hanya dapat mencetak laporan masing-masing mahasiwa. 4. Aplikasi prediksi waktu kelulusan dapat membantu Dosen Wali maupun Ketua Program Studi dalam mengetahui waktu kelulusan mahasiswa. 5. Hasil prediksi dapat dijadikan acuan bagi Program Studi untukmengurangi tingkat drop out (DO) mahasiswa. 4.2 Saran Saran yang dapat ditambahkan untuk pengembangan dan penelitian selanjutnya adalah sebagai berikut: 1. Menggunakan algoritma klasifikasi lain seperti Algoritma ID3, Algoritma C4.5, Algoritma C5.0 dan Algoritma Mean Vektor agar terlihat perbandingannya. 2. Dapat dikembangkan dalam bentuk web agar mahasiswa dapat menggunakan aplikasi untuk mengetahui prediksi waktu kelulusan mereka. 3. Aplikasi prediksi waktu kelulusan agar lebih akurat atau optimal, dibutuhkan data training lebih banyak dan menambahkan jumlah kriteria untuk prediksi kelulusan. [6] Prasetyo E., 2012, Data Mining Konsep dan Aplikasi menggunakan MATLAB, Andi, Yogyakarta. [7] Pressman R. S., 2012, Rekayasa Perangkat Lunak, Andi, Yogyakarta [8] Rohman A., 2015, Model Algoritma K-Nearest Neighbor (K-NN) Untuk Prediksi Kelulusan Mahasiswa, Universitas Pandanaran Semarang, Semarang. [9] Silluta C. Y., 2016, Implementasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa Dengan Menggunakan Metode Klasifikasi Dan Algoritma K-Nearest Neighbor Berbasis Desktop (Studi Kasus: Fakultas Teknologi Informasi, Program Studi Teknik Informatika), Universitas Budi Luhur, Jakarta. [10] Sumarlin, 2015, Implementasi Algoritma K- Nearest Neighbor Sebagai Pendukung Keputusan Klasifikasi Penerima Beasiswa PPA dan BBM, STIKOM Uyelindo Kupang, Kupang. [11] Supriana I. W., 2012, Sistem Pendukung Keputusan Dalam Pemilihan Tempat Kost Dengan Metode Pembobotan (Studi Kasus: Sleman Yogyakarta), Universitas Gajah Mada, Yogyakarta. 5. Daftar Pustaka [1] Fathansyah, 2012, Basis Data, Informatika, Bandung. [2] Kadir A., 2013, Pengenalan Algoritma Pendekatan Secara Visual dan Interaktif menggunakan Raptor, Andi, Yogyakarta. [3] Kusrini., Luthfi E. T., 2009, Algoritma Data Mining, Andi, Yogyakarta. [4] Leidiyana H., 2013, Penerapan Algoritma K- Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor, STMIK Nusa Mandiri, Sukabumi. [5] Ndaumanu R. I., Kusrini, Arief M. R., 2014, Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa Dengan Metode K-Nearest Neighbor, STMIK AMIKOM Yogyakarta, Yogyakarta. 113
ALGORITMA NEAREST NEIGHBOR
ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
Lebih terperinciINTELEGENSI BUATAN. Mesin Pembelajaran (Machine Learning)
INTELEGENSI BUATAN Mesin Pembelajaran (Machine Learning) M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Politeknik Negeri Sriwijaya
Lebih terperinciJURNAL. Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR)
JURNAL Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR) Help System Selecting The Beneficiaries Of Poor Students Use KNN (K-NEAREST NEIGHBOR) Oleh: MOHAMMAD SYAIFUDIN
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Kehidupan manusia selalu diiringi dengan berbagai kebutuhan. Salah
BAB I PENDAHULUAN 1.1 Latar Belakang Kehidupan manusia selalu diiringi dengan berbagai kebutuhan. Salah satunya adalah kebutuhan menurut intensitas atau kebutuhan menurut tingkat kepentingannya dibagi
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 terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Mahasiswa merupakan bagian terpenting dalam menentukan kualitas suatu perguruan tinggi. Kualitas perguruan tinggi dapat dinilai dari mutu dosen dan tenaga kependidikan,
Lebih terperinciAnalisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor
Jatisi, Vol. 1 No. 1 September 201 1 Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor Ricky Imanuel Ndaumanu* 1, Kusrini 2, M. Rudyanto Arief 3 3 Magister Teknik Informatika
Lebih terperinciJurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 September 2017
PREDIKSI KELAYAKAN KREDIT SEPEDA MOTOR DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR 1 Hernalom Sitorus, 2 RizwanAndreansyah Fakultas Teknik Informatika 1) Dosen Fakultas Teknik 2) Lulusan Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perguruan tinggi merupakan strata terakhir sebelum mahasiswa dapat bersaing didalam dunia kerja. Agar mampu bersaing didalam dunia kerja, mahasiswa dituntut
Lebih terperinciSISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciJURNAL PENERAPAN ALGORITMA NEAREST NEIGHBOR (K-NN) BAGI HAKIM DALAM MENENTUKAN PERTIMBANGAN HUKUMAN TINDAK PIDANA PENCURIAN
JURNAL PENERAPAN ALGORITMA NEAREST NEIGHBOR (K-NN) BAGI HAKIM DALAM MENENTUKAN PERTIMBANGAN HUKUMAN TINDAK PIDANA PENCURIAN APPLICATION ALGORITHM NEAREST NEIGHBOR (K-NN) JUDGE FOR DETERMINING THE CONSIDERATION
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 terperinciAPLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sejalan dengan perkembangan teknologi informasi, semakin bertambah pula kemampuan komputer dalam membantu menyelesaikan permasalahanpermasalahan di berbagai
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA
ISSN : 2338-4018 PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA Agus Panoto ( ragilpanoto@gmail.com ) Yustina Retno Wahyu Utami ( yustina.retno@gmail.com
Lebih terperinciOleh : Tutut Maitanti*, Ema Utami**, Emha Taufiq Luthfi**
PENERAPAN TOPSIS FUZZY MADM DALAM MEMBANGUN SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN BEASISWA Oleh : Tutut Maitanti*, Ema Utami**, Emha Taufiq Luthfi** STMIK AMIKOM YOGYAKARTA ABSTRAK Penelitian ini
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 terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Lebih terperincikhazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes
29 khazanah informatika Jurnal Ilmu Komputer dan Informatika Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Muh Amin Nurrohmat
Lebih terperinciSISTEM PREDIKSI SERVIS BERKALA KENDARAAN BERMOTOR
SISTEM PREDIKSI SERVIS BERKALA KENDARAAN BERMOTOR ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH : RYANA
Lebih terperinciSISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS
SISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS ABSTRAKS Feri Frasetiyono 1, Gunawan Abdillah 2, Asep Id Hadiana 3 Program Studi Informatika,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi saat ini telah mengalami perubahan yang pesat. Teknologi telah menjadi bagian dari kehidupan manusia. Hampir setiap kegiatan yang dilakukan manusia
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang 1 BAB I PENDAHULUAN Pengambilan keputusan pada perusahaan berskala nasional seperti perusahaan otomotif merupakan hal yang sangat penting. Dimana keputusan yang salah bisa mengakibatkan
Lebih terperinciIMPLEMENTASI DATA MINING DALAM PENERIMAAN KARYAWAN BARU DENGAN METODE DECISION TREE DI BENDESA HOTEL
Seminar Nasional Teknologi Informasi dan Multimedia ISSN : -8 STMIK AMIKOM Yogyakarta, 6-8 Februari IMPLEMENTASI DATA MINING DALAM PENERIMAAN KARYAWAN BARU DENGAN METODE DECISION TREE DI BENDESA HOTEL
Lebih terperinciSPK PEMILIHAN JURUSAN BERDASARKAN KUESIONER MINAT BAKAT MENGGUNAKAN METODE NAIVE BAYES
SPK PEMILIHAN JURUSAN BERDASARKAN KUESIONER MINAT BAKAT MENGGUNAKAN METODE NAIVE BAYES Dhiya Uddin Lutfiansyah 1, Yan Watequlis Syaifudin,ST.,MMT 2, Budi Harijanto, ST., MMKom 3 1,2,3 Program StudiTeknik
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA
ALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA Devi Sugianti Program Studi Sistem Informasi,STMIK WidyaPratama Jl. Patriot 25 Pekalongan Telp (0285)427816
Lebih terperinciUKDW. Bab 1 PENDAHULUAN
Bab 1 PENDAHULUAN 1.1 Latar Belakang Skripsi merupakan tugas akhir mahasiswa S1 yang bersifat mandiri dan wajib untuk mendapatkan gelar sarjana. Seorang mahasiswa yang akan menulis tugas akhir harus mencari
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciPERBANDINGAN METODE NEAREST NEIGHBOR DAN ALGORITMA C4.5 UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA
PERBANDINGAN METODE NEAREST NEIGHBOR DAN ALGORITMA C4.5 UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA Kusrini 1, Sri Hartati 2, Retantyo Wardoyo 3, Agus Harjoko
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
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 terperinciANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
ANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Fahrozi Zulfami Program Sarjana Teknik Informatika, Universitas
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciBAB I PENDAHULUAN. Perusahaan perusahaan pada saat ini sudah memiliki database yang
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perusahaan perusahaan pada saat ini sudah memiliki database yang berukuran sangat besar pada bagian kerusakan barang dan dapat terus bertambah ukurannya. Selama ini,
Lebih terperinciPatah Herwanto; Agus Sopandi; Rosida; ABSTRAK
Vol.VI No. /Februari/204 SISTEM PENDUKUNG KEPUTUSAN PENILAIAN PRESTASI BELAJAR PESERTA DIDIK BERDASARKAN KURIKULUM 203 DENGAN METODE SAW ( SIMPLE ADDITIVE WEIGHTING ) (STUDI KASUS SMKN KARANG TENGAH CIANJUR)
Lebih terperinciFungsi Similaritas Pada Sistem Berbasis Kasus Penyelesaian Masalah Akademik Mahasiswa
Fungsi Similaritas Pada Sistem Berbasis Kasus Penyelesaian Masalah Akademik Mahasiswa Syaiful Hendra, Sri Kusumadewi 2 Jurusan Teknik Informatika STMIK Adhi Guna Jl. Undata No. 3 Palu Sulawesi Tengah Indonesia
Lebih terperinciPERANCANGAN MODEL PENENTUAN PASSING GRADE DAN UANG PANGKAL
Seminar Nasional Teknologi Informasi dan Multimedia 0 ISSN : 0-0 STMIK AMIKOM Yogyakarta, - Februari 0 PERANCANGAN MODEL PENENTUAN PASSING GRADE DAN UANG PANGKAL Hendro Mulyono Suhartanto), Ema Utami),
Lebih terperinciANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO
ANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO Olha Musa 1 dan Alang 2 1 0lh4mu54@gmail.com, 2 virus.stimik@gmail.com 12 STMIK Ichsan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA BEASISWA BERPRESTASI MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE DECISION MAKING (FMADM) DENGAN METODE SAW
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA BEASISWA BERPRESTASI MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE
Lebih terperinciBAB I PENDAHULUAN. pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses
BAB I PENDAHULUAN A. Latar Belakang Masalah Data mining adalah suatu konsep yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN SISWA BARU PADA SMA NEGERI 5 KUPANG DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW)
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN SISWA BARU PADA SMA NEGERI 5 KUPANG DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Wenefrida T. Ina, Silvester Tena, Melzando L. F Tari Jurusan Teknik Elektro Fakultas
Lebih terperinciBAB I PENDAHULUAN. secara manual dari suatu kumpulan data. Defenisi lain data mining adalah sebagai
BAB I PENDAHULUAN I.1. Latar Belakang Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari
Lebih terperinciSistem Pendukung Keputusan Pemberian Kredit Pada Pd. Bpr Bkk Demak Cabang Sayung Dengan Metode Fuzzy Madm (Multiple Attribute Decision Making
Sistem Pendukung Keputusan Pemberian Kredit Pada Pd. Bpr Bkk Demak Cabang Sayung Dengan Metode Fuzzy Madm (Multiple Attribute Decision Making) Menggunakan Saw (Simple Additive Weighting) Muhammad Al Fadlu
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciJurnal SCRIPT Vol. 3 No. 1 Desember 2015
PREDIKSI LAMA STUDI MAHASISWA DENGAN MENGGUNAKAN METODE K-NNPREDICTION OF STUDY TIMING PERIOD USING K-NNMETHOD Deserius Marianus Oenunu 1, Naniek Widyastuti 2, Amir Hamzah 3 1,2,3 Teknik Informatika, FTI,
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
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 terperinciOleh: Astrid Darmawan Pembimbing: Selvia Lorena Br. Ginting, M.T Wendi Zarman, M.Si
PEMBUATAN APLIKASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD (Studi Kasus Data Akademik Jurusan Teknik Komputer-S1 Universitas Komputer Indonesia)
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk melakukan sebuah penelitian, diperlukan adanya tahapan-tahapan yang tersusun dengan baik dan sistematis agar pelaksanaan penelitian tepat mencapai tujuan yang diharapkan.
Lebih terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
Lebih terperinciSistem Pendukung Keputusan Dengan Metode Fuzzy SAW Untuk Penilaian Kinerja Dosen Politeknik Harapan Bersama Tegal
Sistem Pendukung Keputusan Dengan Metode Fuzzy SAW Untuk Penilaian Kinerja Dosen Politeknik Harapan Bersama Tegal Akhmad Sanusi Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciSISTEM INFORMASI PEMILIHAN JURUSAN di SMA N 1 JEKULO KUDUS MENGGUNAKAN METODE AHP NASKAH PUBLIKASI. diajukan oleh Wayan Triana
SISTEM INFORMASI PEMILIHAN JURUSAN di SMA N 1 JEKULO KUDUS MENGGUNAKAN METODE AHP NASKAH PUBLIKASI diajukan oleh Wayan Triana 13.11.6962 kepada FAKULTAS ILMU KOMPUTER UNIVERSITAS AMIKOM YOGYAKARTA YOGYAKARTA
Lebih terperinciBAB I PENDAHULUAN. Oleh karena itu dalam melakukan Kegiatan usahanya sehari-hari bank harus
BAB I PENDAHULUAN I.1. Latar Belakang Bank adalah lembaga keuangan yang usaha pokoknya adalah menghimpun dana dan menyalurkan kembali dana tersebut ke masyarakat dalam bentuk kredit serta memberikan jasa-jasa
Lebih terperinci3.6 Data Mining Klasifikasi Algoritma k-nn (k-nearest Neighbor) Similaritas atribut numerik
DAFTAR ISI PERNYATAAN... iii PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR ALGORITMA... xvi DAFTAR LAMPIRAN... xvii INTISARI... xviii ABSTRACT...
Lebih terperinciSISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES
SKRIPSI SISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES Oleh: Muhammad Amdanibik 11.1.03.0.025 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTRA PGRI
Lebih terperinciBAB I PENDAHULUAN. Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) adalah salah
BAB I PENDAHULUAN 1.1 Latar Belakang Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) adalah salah satu bentuk ujian yang diselenggarakan oleh pemerintah. Dilaksanakan serentak dan terpadu di seluruh
Lebih terperinciSistem Pendukung Keputusan Pemilihan Jurusan SNMPTN Bagi Siswa SMAN 7 Purworejo
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Sistem Pendukung Keputusan Pemilihan Jurusan SNMPTN Bagi Siswa SMAN 7 Purworejo Yohanes Setyo Prabowo 1), Kusrini 2),
Lebih terperinciPEMBANGUNAN SISTEM INFORMASI PERSONEL PADA DINAS ADMINISTRASI PERSONEL ARMADA REPUBLIK INDONESIA KAWASAN BARAT
PEMBANGUNAN SISTEM INFORMASI PERSONEL PADA DINAS ADMINISTRASI PERSONEL ARMADA REPUBLIK INDONESIA KAWASAN BARAT Mia Narulita Anggraeni *, Tacbir Hendro Pudjiantoro, Agus Komarudin Program Studi Informatika,
Lebih terperinciPENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE
PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE 1 Fitroh Rizky Muwardah, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih 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 terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG
IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi
Lebih terperinciPENENTUAN PEMINATAN PESERTA DIDIK MENGGUNAKAN METODE AHP-TOPSIS (STUDI KASUS SMA NEGERI 6 SEMARANG)
PENENTUAN PEMINATAN PESERTA DIDIK MENGGUNAKAN METODE AHP-TOPSIS (STUDI KASUS SMA NEGERI 6 SEMARANG) Rahmawan Bagus Trianto 1 1 Teknik Informatika Universitas Dian Nuswantoro Semarang E-mail : 111201005199@mhs.dinus.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan
BAB 1 PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari. Namun kebutuhan informasi yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 1.1 Analisa dan Identifikasi Penjurusan mahasiswa merupakan hal krusial, dimana mahasiswa yang memilih jurusan sesuai dengan kompetensi yang dimiliki akan dikatakan berhasil
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBERIAN BEASISWA PADA STIE BANK BPD JATENG MENGGUNAKAN METODE PROFILE MATCHING
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN BEASISWA PADA STIE BANK BPD JATENG MENGGUNAKAN METODE PROFILE MATCHING Lela Rahmawati Program Studi Sistem Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
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 terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENJURUSAN SMA MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
SISTEM PENDUKUNG KEPUTUSAN PENJURUSAN SMA MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Moh Husni Nurmansyah, Yuniarsi Rahayu 2 Program Studi Teknik Informatika S, Fakultas Ilmu Komputer Universitas Dian
Lebih terperinciPENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING
PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING 1 Wahyu Nurjaya W.K, 2 Nurjaman 1 Program Studi Sistem Informasi
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Tugas Akhir atau Skripsi adalah salah satu syarat dari masa akhir perkuliahan. Tugas Akhir di beberapa prodi memiliki beberapa kategori, salah satunya di prodi
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 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 terperinciBAB II. Tinjauan Pustaka
BAB II. Tinjauan Pustaka Bab ini menjelaskan mengenai pustaka yang digunakan oleh penulis sebagai pembanding dan acuan dalam membuat sistem. Ada beberapa penelitian yang telah dilakukan sebelumnya, penelitian
Lebih terperinciBAB I PENDAHULUAN. dihindarkan dari kehidupan bermasyarakat di dunia tidak terkecuali di
BAB I PENDAHULUAN 1.1. Latar Belakang Salah satu faktor penyebab seorang siswa tidak bisa melanjutkan pendidikan di sekolah menengah atas adalah kemiskinan. Hal ini tidak bisa dihindarkan dari kehidupan
Lebih terperinciRici Efrianda ( )
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN PINJAMAN PADA PUSAT KOPERASI KEPOLISIAN DAERAH SUMATERA UTARA DENGAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) Rici Efrianda (14111028) Mahasiswa Program
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI KELAYAKAN KREDIT NASABAH PADA BMT BUMI MIZAN SEJAHTERA YOGYAKARTA MENGGUNAKAN ALGORITMA C4.
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI KELAYAKAN KREDIT NASABAH PADA BMT BUMI MIZAN SEJAHTERA YOGYAKARTA MENGGUNAKAN ALGORITMA C4.5 NASKAH PUBLIKASI diajukan oleh Ardun 12.11.6692 kepada SEKOLAH TINGGI
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 Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciImplementasi Metode Simple Additive Weighting (SAW) Dalam Memprediksi Calon Mahasiswa Dropout STMIK STIKOM Bali
JURNAL SISTEM DAN INFORMATIKA 11 Implementasi Metode Simple Additive Weighting (SAW) Dalam Memprediksi Calon Mahasiswa Dropout STMIK STIKOM Bali A.A. Gde A. Putra Ratu Asmara STMIK STIKOM Bali Jl. Raya
Lebih terperinci4 HASIL DA PEMBAHASA
4 HASIL DA PEMBAHASA 4.1 Pengumpulan Data Pada proses pengumpulan data, diperoleh data awal berjumlah 5883 mahasiswa non aktif Program Studi Matematika FMIPA-UT dengan 33 atribut kategori dan numerik.
Lebih terperinciUKDW. BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penerimaan mahasiswa baru merupakan proses yang selalu dilakukan setiap tahunnya oleh Universitas Kristen Duta Wacana Yogyakarta (UKDW). Mahasiswa baru merupakan mahasiswa
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA PERGURUAN TINNGI NEGERI SINAR MAS DENGAN METODE TOPSIS (STUDI KASUS: SMK NEGERI 1 GALANG)
Volume : IV, Nomor :, September 04 ISSN : 9-0X SISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA PERGURUAN TINNGI NEGERI SINAR MAS DENGAN METODE TOPSIS (STUDI KASUS: SMK NEGERI GALANG) Helen Yenifer Silvia
Lebih terperinciIMPLEMENTASI CASE BASED REASONING UNTUK SISTEM DIAGNOSIS PENYAKIT ANJING
IMPLEMENTASI CASE BASED REASONING UNTUK SISTEM DIAGNOSIS PENYAKIT ANJING Fransica Octaviani S. (1) Joko Purwadi (2) Rosa Delima (3) foctas@yahoo.com jokop@ukdw.ac.id rosa@ukdw.ac.id Abstraksi Penalaran
Lebih terperinci