PREDIKSI OUTLIER MENGGUNAKAN DATA TEPI CLUSTER UNTUK MENINGKATKAN KUALITAS PENGETAHUAN HASIL DATA MINING
|
|
- Ida Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PREDIKSI OUTLIER MENGGUNAKAN DATA TEPI CLUSTER UNTUK MENINGKATKAN KUALITAS PENGETAHUAN HASIL DATA MINING Barry Nuqoba, Arif Djunaidy Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember (ITS) - Surabaya Kampus ITS, Jl. Raya ITS, Sukolilo Surabaya barry_nu@yahoo.com, pr1@its.ac.id ABSTRAK Sebagian besar algoritma terkait dengan outlier yang dipublikasikan oleh para peneliti berhubungan dengan deteksi outlier. Belum banyak yang membahas tentang prediksi outlier. Prediksi outlier penting untuk menjaga validitas data dalam tempat penyimpanan data ( repository). Algoritma prediksi outlier yang sudah ada memiliki kelemahan dalam hal efisiensi ataupun akurasi. Penelitian ini memperbaiki kelemahan algoritma prediksi outlier Angiulli dari sisi akurasi dan sekaligus meningkatkan efisiensi. Algoritma prediksi outlier Angiulli diperbaiki dengan mendefinisikan ulang terhadap konsep solving set yang dibuat oleh Angiulli. Selanjutnya, penelitian ini mengembangkan algoritma prediksi outlier dengan menggunakan solving set modifikasi tersebut. Algoritma prediksi outlier terdiri dari beberapa proses. Pertama, data tepi cluster dideteksi menggunakan algoritma BORDER. Selanjutnya, algoritma Hierarchical Clustering digunakan untuk clusterisasi data tepi. Kemudian pusat dari masing-masing cluster dicari dengan menggunakan Median. Data tepi beserta pusat clusternya inilah yang menjadi solving set pada penelitian ini. Algoritma prediksi outlier pada penelitian ini bertumpu pada solving set tersebut. Implementasi dari algoritma pada penelitian ini disebut dengan APOTEC (Algoritma Prediksi Outlier menggunakan Tepi Cluster). Uji coba menekankan pada aspek efisiensi dan akurasi. Setelah dilakukan beberapa percobaan terhadap beberapa data set dengan distribusi normal dan seragam, hasilnya APOTEC memberikan perbaikan yang sigjnifikan dalam hal efisiensi dan akurasi. Pengembangan lebih lanjut adalah dengan menerapkan BORDER secara utuh, lengkap dengan low level programmingnya sehingga APOTEC dapat menangani data set dengan ukuran besar dan multidimensi Kata kunci: Pengambilan keputusan, Data mining, Prediksi outlier, Titik batas cluster, Solving set PENDAHULUAN Sebagian besar tempat penyimpanan data (repositories) tidak lepas dari outlier. Outlier menyebabkan pengetahuan yang dihasilkan oleh data mining menjadi bias dan kurang valid. Semakin dini outlier terdeteksi maka semakin baik, karena kualitas data terjaga. Saat ini masih jarang dikembangkan algoritma prediksi outlier terhadap data baru yang masuk. Algoritma prediksi outlier yang ada sekarang memerlukan waktu lama karena harus membandingkan data yang diprediksi dengan seluruh data.
2 Angiulli et. al (2006) mencoba untuk mencari solusi dari permasalahan tersebut dengan memperkenalkan suatu konsep baru, yaitu solving set. Angiulli et. al. (2006) mendefinisikan solving set sebagai subset dari data set yang merupakan representasi dari data set dan beranggotakan data yang merupakan top n-outlier. Dengan menggunakan solving set, prediksi outlier bisa dilakukan cukup dengan membandingkan data yang akan masuk dengan data pada solving set. Hal ini membuat proses prediksi outlier menjadi jauh lebih cepat. Konsep solving set yang ditawarkan oleh Angiulli et. al. (2006) memang berhasil mengatasi masalah efisiensi dalam melakukan prediksi outlier. Sayangnya, di sisi lain penggunaan solving set untuk melakukan prediksi outlier mengakibatkan turunnya akurasi hasil prediksi. Pada penelitian ini diusulkan suatu algoritma prediksi outlier baru yang memiliki efisiensi dalam melakukan prediksi tetapi tidak mengorbankan akurasi hasil prediksi. Algoritma baru ini melakukan inovasi terhadap konsep solving set yang sudah ada sebelumnya. Konsep yang ada saat ini mendefinisikan bahwa solving set adalah subset dari data set yang merupakan representasi dari data set dan beranggotakan data yang merupakan top n-outlier. Sedangkan pada penelitian ini, solving set beranggotakan data tepi cluster beserta pusat clusternya sebagai representasi data set. Data tepi cluster dideteksi menggunakan algoritma BORDER Xia et. al. (2006) yang telah terbukti dapat mendeteksi data tepi cluster secara efisien. Setelah data tepi cluster terdeteksi, algoritma Single Linkage Hierarchical Clustering (Lubsa, 2005) digunakan untuk clusterisasi data tepi cluster. Selanjutnya, pusat dari masing-masing cluster dicari dengan menggunakan Median. Data tepi cluster beserta pusat clusternya inilah yang menjadi anggota solving set pada penelitian ini. Algoritma prediksi outlier pada penelitian ini bertumpu pada solving set tersebut. Oleh karena itu, selanjutnya algoritma pada penelitian ini disebut dengan APOTEC (Algoritma Prediksi Outlier menggunakan Tepi Cluster). METODA APOTEC (Algoritma Prediks i Outlier menggunakan Tepi Cluster) terdiri dari beberapa proses yaitu: 1. Pencarian tepi cluster dalam data set. 2. Clustering data tepi cluster 3. Pencarian pusat cluster 4. Pembentukan Border Solving Set 5. Algoritma prediksi outlier 6. Penghitungan outlierness level dan hasil prediksi C-6-2
3 Untuk lebih memperjelas proses di atas, Gambar 1 akan menampilkan diagram alir yang menggambarkan tahapan-tahapan yang ada dalam algoritma: Start Data set awal Jalankan algoritma BORDER : 1. Hitung knn Join 2. Hitung nilai RkNN 3. Deteksi outlier dan data tepi cluster Data tepi cluster Clusterisasi Data tepi cluster (tercluster) End Cari Pusat Cluster Hasil prediksi Data pusat cluster Border solving set Hitung tingkat outlier Bandingkan jarak pusat cluster ke data query dan jarak pusat cluster ke data tepi cluster terdekat Hitung knn, k = 1 pada data yang akan diprediksi (data query) Hitung jarak pusat cluster ke data query dan jarak pusat cluster ke data tepi cluster terdekat Gambar 1. Diagram APOTEC HASIL DAN DISKUSI Uji Akurasi Uji coba ini bertujuan untuk menguji akurasi APOTEC apabila data set memiliki distribusi data normal. Oleh karena itu, data set yang akan digunakan adalah yang memiliki distribusi data normal. Akurasi APOTEC dalam melakukan prediksi outlier akan dibandingkan dengan algoritma Angiulli. Karena data setnya tidak berlabel, maka akan digunakan algoritma non-solving set sebagai acuan benar tidaknya prediksi. Tabel 1 akan menampilkan beberapa data set berdistribusi normal yang digunakan dalam uji coba. C-6-3
4 Tabel 1. Data Set Berdistribusi Normal yang Digunakan dalam Uji Coba Nama Jumlah Cluster Ukuran Data set A Data set B Data set C Data set D Dalam menjalankan APOTEC ada beberapa parameter yang harus ditentukan nilainya sebelum eksekusi program dilakukan. Tabel 2 menampilkan beberapa parameter tersebut. Parameter Ta Tb To c k Tabel 2. Parameter APOTEC Deskripsi Nilai threshold atas Nilai threshold bawah Nilai threshold untuk outlierness level Jumlah cluster pada hierarchical clustering Nilai k pada RkNN Setelah mengeset semua nilai parameter yang ada maka APOTEC siap dijalankan. Gambar 2 berikut adalah contoh hasil prediksi outlier dengan APOTEC. Gambar 2. Prediksi Outlier Menggunakan APOTEC pada Data Set C Dari percobaan prediksi outlier menggunakan APOTEC yang telah dilakukan, dapat dilihat hubungan antara nilai outlier threshold dengan jumlah data yang terdeteksi sebagai outlier. Semakin besar nilai outlier threshold maka semakin kecil jumlah data yang terdeteksi sebagai oulier. Setelah dilakukan percobaan prediksi outlier menggunakan APOTEC, sekarang akan dilakukan percobaan prediksi outlier menggunakan algoritma Angiulli. Dengan demikian dapat dibandingkan akurasi dari kedua algoritma tersebut. Data set yang digunakan untuk uji coba algoritma Angiulli sama seperti yang digunakan pada C-6-4
5 APOTEC. Gambar 3 berikut adalah contoh uji coba prediksi outlier menggunakan algoritma Angiulli. Gambar 3. Prediksi Outlier dengan Algoritma Angiulli pada Data Set C Setelah dilakukan percobaan prediksi outlier menggunakan APOTEC dan algoritma Angiulli, sekarang akan dilakukan percobaan prediksi outlier menggunakan algoritma non solving set. Hasil prediksi algoritma non solving set diasumsikan memiliki akurasi yang paling tinggi sehingga dijadikan acuan dalam menghitung akurasi APOTEC dan algoritma Angiulli. Data set dan query set yang digunakan untuk uji coba algoritma non solving set sama seperti yang digunakan pada APOTEC dan algoritma Angiulli. Algoritma non solving set bisa langsung melakukan prediksi outlier tanpa perlu melakukan pembentukan solving set terlebih dahulu. Gambar 4 berikut adalah contoh hasil prediksi dari percobaan yang dilakukan menggunakan algoritma non solving set. Gambar 4. Prediksi Outlier dengan Alg. Non Solving Set pada Data Set C Setelah diperoleh hasil prediksi outlier dengan menggunakan ketiga buah algoritma, sekarang akan dibandingkan akurasi hasil prediksi dari APOTEC dan algoritma Angiulli dengan menggunakan algoritma non solving set sebagai acuannya. C-6-5
6 Tabel 3. Tabel Akurasi APOTEC dan Algoritma Angiulli pada Data Set Normal Data set A B Non APOTEC Angiulli Solving Set (Acuan) DR FPR OA DR FPR OA K=50 0,82 0,08 0,88 0,39 0 0,77 K=70 0,88 0,12 0,88 0,47 0 0,83 K=50 0,94 0,12 0,92 0,72 0 0,8 K=70 0,89 0,03 0,92 0,81 0 0,88 K=50 0,97 0,08 0,94 0,77 0 0,89 C K=70 0,86 0,03 0,93 0,92 0,03 0,95 K=50 0,94 0,08 0,93 0,54 0 0,77 D K=70 0,98 0,2 0,87 0,68 0 0,87 Rata-Rata 0,91 0,09 0,91 0,66 0 0,85 Dari Tabel 3.3 di atas terlihat bahwa pada data set yang memiliki distribusi normal ternyata APOTEC memiliki rata-rata detection rate yang lebih baik daripada algoritma Angiulli, sedangkan algoritma Angiulli memiliki rata-rata false positive rate yang sedikit lebih baik daripada APOTEC. Tetapi secara umum, APOTEC memiliki rata-rata tingkat akurasi (overall accuracy) yang lebih baik daripada algoritma Angiulli. Dengan melakukan uji coba sebagaimana pada data set berdistribusi normal, berikut akan ditampilkan akurasi dari APOTEC dan algoritma Angiulli pada data set berdistribusi seragam. Tabel 4. Tabel Akurasi APOTEC dan Algoritma Angiulli pada Data Set Seragam Data set Non Solving Set (Acuan) APOTEC Angiulli DR FPR OA DR FPR OA E K=70 0,98 0 0,98 1 0,5 0,97 F K=70 0,98 0,04 0,97 1 0,33 0,82 G K=70 1 0,19 0,94 1 0,47 0,85 H K=70 0,96 0,14 0,89 1 0,31 0,78 Rata-Rata 0,98 0,09 0,95 1 0,40 0,86 Dari Tabel 4 di atas terlihat bahwa pada data set yang memiliki distribusi seragam ternyata APOTEC memiliki rata-rata detection rate yang lebih baik daripada algoritma Angiulli, sedangkan algoritma Angiulli memiliki rata-rata false positive rate yang sedikit lebih baik daripada APOTEC. Tetapi secara umum, APOTEC memiliki rata-rata tingkat akurasi (overall accuracy) yang lebih baik daripada algoritma Angiulli. Uji Efisiensi Pada bagian ini, uji coba dilakukan untuk mengevaluasi efisiensi dari APOTEC. Waktu pembentukan solving set dan waktu prediksi outlier APOTEC dibandingkan dengan algoritma Angiulli et. al. (2006). C-6-6
7 Berikut adalah hasil percobaan yang telah dilakukan terhadap beberapa data set dengan sebaran normal menggunakan APOTEC dan algoritma Angiulli apabila ditampilkan dalam bentuk kurva. Gambar 5. Grafik Perbandingan Waktu Eksekusi antara APOTEC dan Algoritma Dari Gambar 5 dapat dilihat bahwa waktu pembentukan solving set dan waktu prediksi outlier menggunakan APOTEC lebih cepat dari algoritma Angiulli pada semua data set berdistribusi normal yang digunakan dalam uji coba. Selanjutnya, akan dibandingkan efisiensi dari APOTEC dan algoritma Angiulli pada data set seragam. Berikut adalah hasil percobaan yang telah dilakukan terhadap beberapa data set dengan sebaran seragam menggunakan APOTEC dan algoritma Angiulli apabila ditampilkan dalam bentuk kurva. Gambar 6. Grafik Perbandingan Waktu Pembentukan Solving Set antara APOTEC dan Algoritma Angiulli Dari Gambar 6 dapat dilihat bahwa waktu pembentukan solving set menggunakan APOTEC lebih cepat dari algoritma Angiulli pada semua data set berdistribusi seragam yang digunakan dalam uji coba. Sedangkan pada Gambar 3.9 terlihat bahwa waktu prediksi outlier dengan APOTEC juga lebih cepat dibandingkan dengan algoritma Angiulli untuk semua data set berdistribusi seragam yang digunakan dalam uji coba. KESIMPULAN Dari hasil uji coba dapat ditarik kesimpulan: a. Algoritma prediksi outlier yang dikembangkan dalam penelitian ini, yaitu APOTEC telah berhasil memperbaiki algoritma prediksi outlier Angiulli et. al. (2006) dengan cara membuat definisi baru dari konsep solving set dan membuat algoritma prediksi outlier baru menggunakan solving set tersebut. C-6-7
8 b. Setelah dilakukan uji coba terhadap beberapa data set dengan distribusi normal dan seragam, hasilnya adalah sebagai berikut: Pada data set berdistribusi normal, rata-rata akurasi APOTEC sebesar 91% dan algoritma prediksi outlier Angiulli sebesar 85%. Sedangkan pada data set berdistribusi seragam, rata-rata akurasi APOTEC sebesar 95% dan algoritma prediksi outlier Angiulli sebesar 86%. Pada data set berdistribusi normal maupun seragam, APOTEC 5 kali lebih cepat daripada algoritma prediksi outlier Angiulli dalam pembentukan solving set. Sedangkan dalam prediksi outlier APOTEC lebih cepat sekitar 10%. DAFTAR PUSTAKA Chenyi Xia, Wynne Hsu, Mong Li Lee dan Beng Chin Ooi, (2006), "BORDER: Efficient Computation of Boundary Points, IEEE Transactions on Knowledge and Data Engineering, vol. 18, no. 3, hal Fabrizio Angiulli, Stefano Basta dan Clara Pizzutti, (2006), Distance-Based Detection and Prediction of Outliers, IEEE Transactions on Knowledge and Data Engineering, vol. 18, no. 2, hal Hui Xiong, Gaurav Pandey, Michael Steinbach dan Vipin Kumar, ( 2006), Enhancing Data Analysis with Noise Removal, IEEE Transactions on Knowledge and Data Engineering, vol. 18, no. 3, hal Lubsa, Dana Avram, (2005), Unsupervised Single -Link Hierarchical Clustering, Studia Univ. Babes-Bolyai, Informatica, vol. 1, no. 2. Pang-Ning Tan, Michael Steinbach dan Vipin Kumar, (2006), Introduction to Data Mining, Pearson Education, Inc., Boston. C-6-8
ALGORITMA PREDIKSI OUTLIER MENGGUNAKAN BORDER SOLVING SET
Jurnal Informatika Mulawarman Vol. 9 No. 3 Oktober 2014 5 ALGORITMA PREDIKSI OUTLIER MENGGUNAKAN BORDER SOLVING SET Barry Nuqoba 1), Arif Djunaidy 2) 1) Program Studi Sistem Informasi FST Universitas Airlangga
Lebih terperinciPembuatan Aplikasi Pendeteksi Anomali Pada Pola Konsumsi Listrik Pelanggan Kota Surabaya Menggunakan Algoritma Klasterisasi Berbasis Densitas
1 Pembuatan Aplikasi Pendeteksi Anomali Pada Pola Konsumsi Listrik Pelanggan Kota Surabaya Menggunakan Algoritma Klasterisasi Berbasis Densitas Achmad Zainuddin Zakariya, Arif Djunaidy, Renny Pradina Kusumawardani
Lebih terperinciWEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR
WEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR Eko Prasetyo 1), Rifki Fahrial Zainal 2), Harunur Rosyid 3) 1), 2) Teknik Informatika Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya, 60231 3) Teknik
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan pesat teknologi dan informasi saat ini menjadikan internet bagian dari kehidupan masyarakat modern. Internet telah memberikan berbagai kemudahan dengan
Lebih terperinciCLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah
BAB I PENDAHULUAN 1.1 Latar belakang masalah Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau
Lebih terperinciPENENTUAN KEMIRIPAN TOPIK PROYEK AKHIR BERDASARKAN ABSTRAK PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN METODE SINGLE LINKAGE HIERARCHICAL
PENENTUAN KEMIRIPAN TOPIK PROYEK AKHIR BERDASARKAN ABSTRAK PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN METODE SINGLE LINKAGE HIERARCHICAL Nur Rosyid M, Entin Martiana, Damitha Vidyastana, Politeknik Elektronika
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
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 terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
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 terperinciK-SUPPORT VECTOR NEAREST NEIGHBOR UNTUK KLASIFIKASI BERBASIS K-NN
K-SUPPORT VECTOR NEAREST NEIGHBOR UNTUK KLASIFIKASI BERBASIS K-NN Eko Prasetyo 1) 1 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya 2 Jalan A. Yani 11, Surabaya, 60231
Lebih terperinciRancang Bangun Aplikasi Web Pencarian Rute Terpendek Antar Gedung di Kampus Menggunakan Algoritma Floyd-warshall
Rancang Bangun Aplikasi Web Pencarian Rute Terpendek Antar Gedung di Kampus Menggunakan Algoritma Floyd-warshall Lutfi Fanani Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya Malang,
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
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 terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih terperinciPENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT
PENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT Ismail Setiawan 1) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciTEMU KEMBALI INFORMASI BERDASARKAN LOKASI PADA DOKUMEN YANG DIKELOMPOKKAN MENGGUNAKAN METODE CENTROID LINKAGE HIERARCHICAL
TEMU KEMBALI INFORMASI BERDASARKAN LOKASI PADA DOKUMEN YANG DIKELOMPOKKAN MENGGUNAKAN METODE CENTROID LINKAGE HIERARCHICAL Nadia Damayanti 1, Nur Rosyid Mubtada i, S.Kom, M.Kom 2, Afrida Helen S.T, M.Kom
Lebih terperinciDETEKSI OUTLIER BERBASIS KLASTER PADA DATA SET DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL TESIS DWI MARYONO
DETEKSI OUTLIER BERBASIS KLASTER PADA DATA SET DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL TESIS DWI MARYONO 5107201006 LATAR BELAKANG MASALAH Deteksi Outlier Data Set Numerik : distance-based, density-based,
Lebih terperinciPENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK
PENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK Utomo Pujianto 1, Daniel Oranova Siahaan 2 1 Jurusan Teknik
Lebih terperinciKlasifikasi Daun Dengan Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun
Klasifikasi Daun Dengan Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun Febri Liantoni 1, Nana Ramadijanti, Nur Rosyid Mubtada i 3 Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Ahmad Saikhu 2, Yoga Bhagawad Gita 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember (ITS),
Lebih terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-534
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-534 Rancang Bangun Sistem Navigasi Indoor Berbasis Integrasi Symbolik Location Model dan Wifi Based Positioning System Untuk
Lebih terperinciREKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE
REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE Farid Sukmana 1) dan Joko Lianto Buliali 2) 1) Management of Information
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
Lebih terperinciPENENTUAN OUTLIER PADA ALGORITMA PROPAGASI BALIK MENGGUNAKAN PERHITUNGAN JARAK MAHALANOBIS DAN JARAK FUZZY TESIS
PENENTUAN OUTLIER PADA ALGORITMA PROPAGASI BALIK MENGGUNAKAN PERHITUNGAN JARAK MAHALANOBIS DAN JARAK FUZZY TESIS Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Ilmu Komputer ELLY MATUL
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE
SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE WRS Nurwidodo 1) dan Mochamad Hariadi 2) Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih,
Lebih terperinciPENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL
PENGEMBANGAN APLIKASI PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS PADA BASIS DATA RETAIL Dhiani Tresna Absari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciPRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)
PRESENTASI TUGAS AKHIR KI091391 PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir
Lebih terperinciProses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis. Bentuk yang paling umum digunakan adalah unsupervised learning
CLUSTERING DEFINISI Clustering : Proses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis Bentuk yang paling umum digunakan adalah unsupervised learning # Unsupervised learning
Lebih terperinciPEDOMAN PENYUSUNAN PROPOSAL PROYEK AKHIR
PEDOMAN PENYUSUNAN PROPOSAL PROYEK AKHIR Disusun Oleh: Ira Prasetyaningrum, M.T JURUSAN TEKNIK INFORMATIKA POLITEKNIK ELEKTRONIKA NEGERI SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010 1 PENDAHULUAN
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciBAB 2 TINJAUAN PUSTAKA Klasifikasi Data Mahasiswa Menggunakan Metode K-Means Untuk Menunjang Pemilihan Strategi Pemasaran
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Beberapa penelitian terdahulu telah banyak yang menerapkan data mining, yang bertujuan dalam menyelesaikan beberapa permasalahan seputar dunia pendidikan. Khususnya
Lebih terperinciALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK
ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Pendahuluan Tri Khairul I.A. Jurusan Matematika FMIPA Universitas Hasanuddin Makassar 905 e-mail: narutolik@linuxmail.org
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH
PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH Erga Aprina Sari Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI
IMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI Disusun Oleh : ALVI SYAHRIN NPM. 0934010254 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI
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 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 terperinciANALISA KINERJA AGENT PADA CALL CENTER PT.INDOSAT,Tbk DENGAN IMPLEMENTASI DATA MINING CLUSTERING METODE K-MEANS
ANALISA KINERJA AGENT PADA CALL CENTER PT.INDOSAT,Tbk DENGAN IMPLEMENTASI DATA MINING CLUSTERING METODE K-MEANS Nanda Kirana, Mike Yuliana, Nur Rosyid Mubtada i. Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Information age atau computer age adalah suatu era dimana kebutuhan seseorang akan informasi menjadi suatu hal yang sangat penting. Pada saat era informasi ini seseorang
Lebih terperinciPENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI
Program Studi MMT-ITS, Surabaya 2 Agustus 28 PENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI Ngurah Agus Sanjaya ER dan Arif Djunaidy Program Magister Bidang Keahlian Teknik
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
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 terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
Lebih terperinciPENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING
PENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana
Lebih terperinciPENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL
PENGGALIAN TOP-K FREQUENT CLOSED CONSTRAINED GRADIENT ITEMSETS TANPA BATASAN MINIMUM SUPPORT PADA BASIS DATA RETAIL Dhiani Tresna Absari 1), Arif Djunaidy 2) Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciPENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING
PENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING Artikel Skripsi Universitas Nusantara PGRI Kediri PENERAPAN DATA MINING PADA PENJUALAN HARDISK
Lebih terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinciPemanfaatan Metode Vector Space Model dan Metode Cosine Similarity pada Fitur Deteksi Hama dan Penyakit Tanaman Padi
Pemanfaatan Metode Vector Space Model dan Metode Cosine Similarity pada Fitur Deteksi Hama dan Penyakit Tanaman Padi Ana Triana Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami
Lebih terperinciOPTIMASI PERENCANAAN JALUR PADA MOBILE ROBOT BERBASIS ALGORITMA GENETIKA MENGGUNAKAN POLA DISTRIBUSI NORMAL
OPTIMASI PERENCANAAN JALUR PADA MOBILE ROBOT BERBASIS ALGORITMA GENETIKA MENGGUNAKAN POLA DISTRIBUSI NORMAL Bayu Sandi Marta 1), Djoko Purwanto 2) 1), 2) Jurusan Teknik Elektro Institut Teknologi Sepuluh
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciANALISIS SKEMA-SKEMA KEMIRIPAN VEKTOR PADA SISTEM PENILAIAN UJIAN ESSAY ONLINE
ANALISIS SKEMA-SKEMA KEMIRIPAN VEKTOR PADA SISTEM PENILAIAN UJIAN ESSAY ONLINE Trisna Ari Roshinta 1, Faisal Rahutomo 2, Deddy Kusbianto 3 1,2,3 Teknik Informatika, Teknologi Informasi, Politeknik Negeri
Lebih terperinciAnalisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus)
Analisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus) Yunus Pradika FakultasIlmuKomputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciIMPLEMENTASI METODE SINGLE LINKAGE UNTUK MENENTUKAN KINERJA AGENT PADA CALL CENTRE BERBASIS ASTERISK FOR JAVA
IMPLEMENTASI METODE SINGLE LINKAGE UNTUK MENENTUKAN KINERJA AGENT PADA CALL CENTRE BERBASIS ASTERISK FOR JAVA Beni Ilham Priyambodo 7207040026 DosenPembimbing: 1.Mike Yuliana, ST, MT. NIP. 197811232002122009
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
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 terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciPendekatan Algoritma Divide and Conquer pada Hierarchical Clustering
Pendekatan Algoritma Divide and Conquer pada Hierarchical Clustering Agnes Theresia Damanik / 13510100 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciDSS untuk Menganalisis ph Kesuburan Tanah Menggunakan Metode Single Linkage
61 DSS untuk Menganalisis ph Kesuburan Tanah Menggunakan Metode Single Linkage Abdi Pandu Kusuma, Rini Nur Hasanah, dan Harry Soekotjo Dachlan Abstrak - ph tanah merupakan ukuran jumlah ion hidrogen dalam
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-521
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-521 Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan
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 terperinciTipe Clustering. Partitional Clustering. Hirerarchical Clustering
Analisis Cluster Analisis Cluster Analisis cluster adalah pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN KOHONEN PADA DATA MINING OUTLIER DETECTION IMPLEMENTATION KOHONEN NEURAL NETWORK FOR DATA MINING OUTLIER DETECTION
IMPLEMENTASI JARINGAN SYARAF TIRUAN KOHONEN PADA DATA MINING OUTLIER DETECTION IMPLEMENTATION KOHONEN NEURAL NETWORK FOR DATA MINING OUTLIER DETECTION Rochmat Mustopa¹, Moch. Arif Bijaksana², M.tech.³
Lebih terperinciDesain dan Analisis Algoritma Pembangkitan Convex Hull 3 Dimensi dan Visualisasinya
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Desain dan Analisis Algoritma Pembangkitan Convex Hull 3 Dimensi dan Visualisasinya Andi Muh. Primabudi, Arya Yudhi Wijaya
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisa data, rancangan sistem, dan skenario pengujian. Bagian analisa data meliputi data penelitian, analisis data, data preprocessing.
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 terperinciImplementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan Ni Made Anindya Santika Devi, I Ketut Gede Darma Putra, I Made Sukarsa Jurusan Teknologi Informasi, Universitas Udayana Bukit Jimbaran,
Lebih terperinciOptimalisasi Neural Network dengan Bootstrap Aggregating (Bagging) untuk Penentuan Prediksi Harga Listrik
Scientific Journal of Informatics Vol. 1, No. 2, November 2014 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Optimalisasi Neural Network dengan Bootstrap Aggregating (Bagging)
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem jaringan komputer memiliki peran yang sangat penting dalam masyarakat modern karena memungkinkan informasi dapat diakses, disimpan dan dimanipulasi secara online.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciPERANCANGAN DAN PEMBUATAN PROGRAM DETEKSI INTRUSI PADA JARINGAN KOMPUTER BERDASAR PACKET HEADER DENGAN ANALISIS OUTLIER
PERANCANGAN DAN PEMBUATAN PROGRAM DETEKSI INTRUSI PADA JARINGAN KOMPUTER BERDASAR PACKET HEADER DENGAN ANALISIS OUTLIER Wijaya mudi putra Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh
Lebih terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperincicommit to user 5 BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Text mining
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Text mining Text mining adalah proses menemukan hal baru, yang sebelumnya tidak diketahui, mengenai informasi yang berpotensi untuk diambil manfaatnya dari
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciPREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3771 PREDIKSI PENYAKIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DAN ALGORITMA GENETIKA UNTUK DATA BERDIMENSI TINGGI DISEASE
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciPengembangan Model Pengelolaan Pendapatan Pengangkutan Kargo Udara berdasarkan Pengendalian Ruang Kargo dan Overbooking Limit
JURNAL TEKNIK POMITS Vol. 1, No. 1, (212) 1-5 1 Pengembangan Model Pengelolaan Pendapatan Pengangkutan Kargo Udara berdasarkan Pengendalian Ruang Kargo dan Overbooking Limit Arfini Alivia Dewanty dan Ahmad
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI Disusun oleh : AYU RAHMAWATI 0934010160 JURUSAN TEKNIK
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 terperinciDATA MINING DAN WAREHOUSE A N D R I
DATA MINING DAN WAREHOUSE A N D R I CLUSTERING Secara umum cluster didefinisikan sebagai sejumlah objek yang mirip yang dikelompokan secara bersama, Namun definisi dari cluster bisa beragam tergantung
Lebih terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 2, No. 1, Tahun
Vol. 2, No. 1, Tahun 2013 65 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about/index Email : pustaka@pcr.ac.id Analisa Penjualan Barang Menggunakan
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciBAB II LANDASAN TEORI...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PERNYATAAN KEASLIAN HASIL TESIS... iii LEMBAR PENGESAHAN PENGUJI... iv PERSEMBAHAN... v MOTTO... vi KATA PENGANTAR... vii SARI...
Lebih terperinciPengelompokan Dokumen Menggunakan Dokumen Berlabel dan Tidak Berlabel Dengan Pendekatan Modified Heuristic Fuzzy Co-Clustering
Hayati, Pengelompokan Dokumen pada Dokumen Berlabel dan Tidak Berlabel dengan Menggunakan Algoritma Heuristic Fuzzy... 103 Pengelompokan Dokumen Menggunakan Dokumen Berlabel dan Tidak Berlabel Dengan Pendekatan
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 terperinci