BAB II LANDASAN TEORI
|
|
- Yuliana Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI Pada BAB II ini akan disampaikan materi-materi yang berkaitan dengan konsep data mining, yang merupakan landasan bagi pembahasan klasifikasi untuk evaluasi kinerja pegawai Tinjauan Study Penelitian yang berhubungan dengan penelitian ini adalah : a. Penelitian yang dilakukan Norbetus Krisandi, Helmi dan Bayu Prihandono [3] menjelaskan suatu metode menggunakan algoritma supervised, dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Penelitian ini menguji tentang Algoritma K-NN dan mengaplikasikan Algoritma Kn- NN dalam kasifikasi data. Algortima K-NN akan digunakan dalam klasifikasi data hasil produksi kelapa sawit pada PT. Minamas dari 50 kelompok tani pada periode Juli-Desember Hasil Produksi yang dominan adalah produksi dari kelompok tani yang terletak pada C1 dengan 17 anggota dengan presentase 34 %. b. Penelitian yang dilakukan Mardiani [4] mengklasifikasikan dan memprediksi mahasiswa mana yang akan bertahan terus kuliah dan yang mana yang tidak meneruskan kuliah pada semester berikutnya. Algoritma yang digunakan adalah CART, dari data training akan ditentukan hasilnya didata testing dan dari hasil tersebut, bisa didapat pola bagi mahasiswa baru yang kemungkinan akan melanjutkan kuliah di semester 2 atau tidak. Hasil klasifikasi pada testing sebanyak 188 mahasiswa angkatan 2011 diperkirakan 168 yang akan terus melanjutkan kuliah pada semester 2 dan sisanya sebanyak 20 mahasiswa tidak akan melanjutkan kuliah. 5
2 6 c. Penelitian yang dilakukan oleh Febti Eka Pratiwi dan Ismaini Zain [5] mengklasifikasikan pengangguran terbuka dimana metode yang digunakan adalah Algoritma CART. CART dapat digunakan pada skala data kategorik maupun rasio. Data yang digunakan pada penelitian adalah data sekunder dari hasil survei angkatan kerja nasional (SAKERNAS) bulan Agustus Klasifikasi pengangguran provinsi Sulawesi Utara dengan metode CART adalah status dalam rumah tangga, jenis kelamin, usia, pendidikan terakhir dan status perkawinan. Hasil yang diperoleh pada penelitian ini memiliki ketepatan klasifikasi 78,90 persen. d. Penelitian yang dilakukan oleh Nursalim, Suprapedi, dan H. Himawan [2] mengklasifikasikan bidang kerja lulusan dimana metode yang digunakan adalah K-Nearest Neighbor yang memiliki kinerja terbaik dengan nilai accuracy yaitu 83.33% dan nilai Area Under The Curve (AUC) adalah Tabel 1. State Of The Art 1 No Publication Masalah Metode Hasil 1 Henry Leidiyana, Penerapan Algoritma K- Nearest Nighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor. Jurnal Penelitian Ilmu Komputer, System Embedded dan Logic, 1(1) : 65- Penentuan resiko sistem kredit pada kendaraan bermotor, untuk mengurangi resiko kehacuran suatu perusahaan pembiayaan. K-Nearest Neighbor 76 (2013) baik. 2. Nursalim, Suprapedi, dan Himawan, Klasifikasi Klasifikasi bidang kerja lulusan dengan data mining k-nearest K-Nearest Neighbor Mengukur performa menggunakan metode cross validation, confusion matrix dan curva ROC danmenghasilkan akurasi nilai AUC berturut-turut 81,46% dan 0,984. Karena nilai AUC berada dalam rentang 0,9 sampai 1,0 maka metode tersebut dalam kategori sangat Dari Hasil menggunkan confusion matrix dan ROC Curve dapat
3 7 Bidang Kerja Lulusan Menggunakan Algoritma K- Nearest Neighbor. Jurnal Teknologi Informasi, volume 10 nomor 1, April 2014, ISSN 3. Febti Eka Pratiwi,dan Izmaini Zain, Klasifikasi Pengangguran Terbuka Menggunakan CART(Classifica tion and Regression Tree) di Provinsi Sulawesi Utara 4. Mardiani, Penerapan Klasifikasi Dengan Algoritma CART Untuk Prediksi Kuliah Bagi Mahasiswa Baru, Seminar Nasional Aplikasi Teknologi Informasi Yogyakarta, Juni neighbor Klasifikasi pengangguran terbuka menggunakan CART(Classificati on and Regression Tree) di Provinsi Sulawesi Utara Resiko mahasiswa baru yang masih mempunyai kemungkinan tidak melanjutkan kuliah untuk seterusnya. CART(Clas sification and Regression Tree) CART disimpulkan bahwa data mining K-nearest Neighbor memiliki kinerja terbaikuntuk klasifikasi bidang kerja lulusan dengan nilai accuracy yaitu 83,33 % dan nilai AUC adalah 0,900 Dari hasil menggunakan metode CART dapat disimpulkan bahwa data mining CART memliki ketepatan 78,90% Dari 11 kemungkinan kombinasi menggunakan 3 atribut utama mahasiswa yang aktif atau tidak aktif pada semester2, didapatkan root node yaitu IPK<=1. Hasil Klasifikasi pada data testing sebanya 188 mahasiswa angkatan 2011 diperkirakan 168 yang akan terus melanjutkan kuliah pada semester 2 dan sisanya tidak akan melanjutkan kuliah
4 Tinjauan Pustaka Evaluasi Kerja Evaluasi kerja adalah proses penilaian kinerja yang berfungsi melihat tanggung jawab pegawai dalam menyelesaikan pekerjaannya, apakah terjadi peningkatan atau penurunan sehingga kepala bagian produksi maupun perusahaan dapat memberikan suatu dorongan motivasi untuk melihat knerja aparatur kedepannya. Evaluasi harus sering dilakukan agar masalah yang dihadapi dapat diketahui dan dicari jalan keluar yang baik [6] Data Mining Data mining adalah suatu konsep yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan dan mesin pembelajaran untuk mengekstrasi dan mengidentifikasi pokok informasi pengetahuan potensial yang tersimpan didalam database besar. Data mining termasuk bagian dari proses KDD (Knowledge Discovery in Database) yang terdiri dari beberapa tahapan seperti pemilihan data, pra pengolahan, transformasi, data mining dan evaluasi hasil. KDD merupakan sebuah proses yang terdiri dari serangkaian proses interasi yang terurut, dan data mining merupakan salah satu langkah dalam proses KDD. Urutan Langkah dalam KDD adalah sebagai berikut[2] : 1. Pembersihan Data Pembersihan terhadap data dilakukan untuk menghilangkan gangguan dan inkonsisten data. 2. Integrasi Data Proses integrasi data dilakukan untuk menggabungkan data dari berbagai sumber. 3. Seleksi Data
5 9 Seleksi data dilakukan untuk mengambil data yang berhubungan, yang akan digunakan untuk proses analisis dalam data mining. 4. Transformasi Data Proses ini dilakukan untuk mentrasformasikan data ke dalam bentuk yang tepat untuk di-mine. 5. Data Mining Data mining merupakan proses untuk mengaplikasikan suatu metode untuk mengekstrak pola-pola dalam data. 6. Evaluasi Pola Evaluasi pola diperlukan untuk mengidentifikasi beberapa pola menarik yang mempresentasikan pengetahuan. 7. Presentasi Pengetahuan Mempresentasikan pengetahuan yang telah digali kepada pengguna dengan menggambarkan pengetahuan tersebut Pengelompokan Data Mining Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang bisa dilakukan, yaitu [6]: 1. Deskripsi Para peneliti biasanya mencoba menemukan cara mendiskripsikan pola dan tren yang tersembunyi dalam data. 2. Estimasi Estimasi mirip dengan klasifikasi, kecuali variabel tujuan yang lebih kearah numerik dari kategori. 3. Prediksi Prediksi memiliki kemiripan dengan estimasi dan klasifiksi. Hanya saja prediksi hasilnya menunjukan sesuatu yang belum terjadi.
6 10 4. Klasifikasi Dalam klasifikasi variabel tujuan bersifat kategorik. Misalnya, kita akan mengklasifikasikan pendapatan dalam dua kelas, yaitu pendapatan sedang, dan pendapatan rendah. 5. Clustering Clustering lebih ke arah pengelompokan record, pengamatan atau kasus dalam kelas yang memiliki kemiripan. 6. Asosiasi Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada satu waktu Klasifikasi Klasifikasi merupakan proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk mendapatkan memeprkirakan kelas dari suatu objek yang labelnya tidak diketahui [3]. Klasifikasi data terdiri dari 2 langkah proses. Pertama adalah learning(fase training), dimana algoritma klasifikasi dibuat untuk menganalisa data training lalu direpresentasikan dalam bentuk rule klasifikasi. Proses kedua adalah klasifikasi, dimana data tes digunakan untuk memperkirakan akurasi dari rule klasifikasi. Proses klasifikasi didasarkan pada empat komponen [7]: a. Kelas Variabel dependen yang berupa kategorikal yang mempresentasikan label yang terdapat pada objek. b. Predictor Variabel independen yang direpresentasikan oleh karakteristik (atribut) data. c. Training Dataset
7 11 Satu set data yang berisi nilai dari kedua komponen di atas yang digunakan untuk menentukan kelas yang cocok berdasarkan predictor. d. Testing Dataset Berisi data baru yang akan diklasifikasikan oleh model yang telah dibuat dan akurasi klasifikasi dievaluasi Algoritma K-Nearest Neighbor Algoritma K-Nearest Neighbor adalah suatu metode yang menggunakan algoritma supervised. Perbedaan antara supervised learning dengan unsupervised adalah pada supervised learning bertujuan untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Sedangkan unsupervised learning data belum memiliki pola yang jelas dan tujuan unsupervised learning untuk menemukan pola dalam sebuah data. Tujuan dari algoritma K-NN adalah untuk mengklasifikasikan objek baru berdasarkan atribut dan training samples [2]. Algoritma K-NN adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut [8]. Teknik ini sangat sederhana dan mudah diimplementasikan. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini menjadi bagian-bagian yang berdasarkan klasifikasi data pembeljaran sebuah titik pada ruang ini ditandai kelas C jika kelas C merupakan klasifikasi yang paling banyak ditemui pada k buah tertangga terdekat titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasakan jarak Euclidean.
8 12 Untuk menentukan jarak antara dua titik yaitu titik pada data training (x) dan titik pada data testing (y) maka digunakan rumus Euclidean sebagai berikut : D(x.y) = Keterangan : D(x,y) = Jarak euclidean = data training y n = data testing = jumlah atribut individu antara 1 s/d n Kelebihan dari algoritma K-NN adalah sebagai berikut [9]: a. Mampu menghasilkan data yang akurat atau jelas (menggunakan turunan perkalian kuadrat pada besaran jarak ) b. Efektif dan cocok digunakan untuk data yang besar. Dari bebera kelebihan yang dimiliki algoritma K-NN juga memiliki kekurangan yaitu : a. Membutuhkan nilai K sebagai parameter. b. Jarak dari data percobaan belum jelas dengan tipe jarak yang digunakan serta dengan atribut yang digunakan untuk menghasilkan yang paling baik, maka harus menggunakan semua atribut atau hanya 1 atribut yang pasti. c. Perhitungan harga sangat tinggi karena percobaan ini menggunakan perhitungan jarak dari beberapa query untuk semua data percobaan.
9 13 Metode Evaluasi dan Validasi Untuk mengukur akurasi algoritma klasifikasi, metode yang digunakan antara lain cross validation, confusion matrix, dan kurva ROC (Receiver Operating Characteristic). Untuk mengembangkan aplikasi (development) berdasarkan model yang dibuat, digunakan rapid Miner [7]. a. Cross validation Cross Validation adalah pengujian standar yang dilakukan untuk memeprediksi tingkat eror. Data training dibagi secara random kedalam beberapa bagian dengan perbandingan yang sama kemudian tingkat eror dihitung bagian demi bagian, selanjutnya hitung rata-rata seluruh tingkat eror untuk mendapatkan tingkat eror secara keseluruhan [10]. b. Confusion Matrix Metode ini menggunakan tabel matriks, jika dataset hanya terdiri dari dua kelas, kelas yang satu dianggap sebagai positif dan yang lainnya negatif. True positives adalah jumalah record positif yang diklasifikasikan sebagai positif, false positives adalam jumlah record negatif yang diklasifikasikan sebagai positif, false negatives adalah jumlah record positif yang diklasifikasikan sebagai negatif, true negatives adalah jumlah record negatif yang diklasifikasikan sebagai negatif, kemudian masukan data uji. Setalah data uji dimasukan ke dalam confusion matrix, hitung nilai-nilai yang telah dimasukan tersebut untuk menghitung jumlah sensitivity(recall), specificity, precision dan accuracy. Sensitivity digunakan untuk membandingkan jumlah TP terhadap jumlah record yang positif sedangkan secificity adalah perbandingan jumlah TN terhadap jumlah record yang negatif.
10 14 Untuk menghitung digunakan persamaan di bawah ini : Sensitivity = Specificity = Precision = Accuracy = Sensitivity + Specificity Keterangan : TP = jumlah true positif TN = jumlah true negatif P = jumlah record positif N = Jumlah tupel negatif FP = Jumlah false positif Algoritma CART CART ( Classification and Regression Trees ) dikembangkan oleh Leo Breiman, Jerome H. Friedman, Richard A. Olshen dan Charles J. Stone sekitar tahun 1980-an CART merupakan metode nonparametrik yang dapat memilih peubah dan interaksi yang paling mempengaruhi peubah responmetode atau algoritma dari salah satu teknik eksplorasi data yaitu teknik pohon keputusan [11]. CART termasuk algoritma yang sederhana namun merupakan metode yang kuat. CART bertujuan untuk mendapatkan suatu kelompok data yang akurat sebagai penciri dari suatu pengklasifikasian, selain itu CART digunakan untuk menggambarkan hubungan antara variabel respon(variabel dependen atau tak bebas ) dengan satu atau lebih variabel prediktor (variabel independen atau bebas ). Model pohon yang dihasilkan bergantung pada skala variabel respon, jika variabel respon data beberbentuk kontinu maka model pohon yang dihasilkan adalah regression trees(pohon regresi) sedangkan bila variabel respon mempunyai skala kategorik maka pohon yang dihasilkan adalah classification tress(pohon klasifikasi) [12].
11 15 CART mempunyai beberapa kelebihan dibandingkan metode klasifikasi lainnya, yaitu hasilnya yang didapatlebih mudah diinterpretasikan, lebih akurat dan lebih cepat penghitungannya, selain itu CART bisa diterapkan untuk data yang mempunyai jumlah besar, variabel yang sangat banyak dan dengan skala variabel campuran melalui prosedur pemilahan biner [5]. Data learning digunakan untuk pembentukan pohon klasifikasi optimal sedangkan data testing digunakan untuk validasi model yaitu seberapa besar kemampuan model dalammemprediksi data baru. Pohon keputusan dibentuk dengan menggunkan algoritma penyekatan rekursif secara biner. Pemilahan dilakukan untuk memilah data menjadi 2 kelompok, yaitu kelompok yang masuk simpul kiri dan yang masuk simpul kanan. Pemilahan dilakukan pada tiap simpul sampai didapatkan suatu simpul terminal/akhir.variabel yang memilah pada simpul utama adalah variabel terpenting dalam menduga kelas dari amatan. Simpul utama (root node) dinotasikan sebagai t1, sedangkan simpul t2,t3,t5,t7 dan t8 disebut simpul dalam (internal nodes ). Simpul terakhir yang juga disebut sebagai simpul terminal (terminl nodes) adalah t4,t6,t9,t10,t11,t12, dan t13 dimana tidak terjadi lagi pemilahan. Kedalaman pohon (depth) dihitung dimulai dari simpul utama atau t1 yang berada pada kedalamn 1, sedangkan t2 dan t3 berada pada kedalaman 2. Begitu seterusnya sampai pada simpul terminal t12 dan t13 yang berada pada kedalaman 5. Langkah-langkah penerapan algoritma CART adalah sebagai berikut : 1. Pembentukan Pohon klasifikasi Proses pembentukan pohon klasifikasi terdiri atas 3 tahapan, yaitu a. Pemilihan (classifier)
12 16 Gambar 2.1 Struktur Pohon Klasifikasi 1 Sampel data learning (L) yang masih bersifat heterogem digunakan untuk pembentukan pohon klasifikasi. Sampel tersebut akan diseleksi berdasarkan aturan pemilahan dan kriteria goodness-of-split dan pemilihan pemilah tergantung pada jemis variabel responnya. Metode pemilihan pemilah menggunakan Impurity measure i(t) merupakan pengukuran tingkat keheterogenann suatu kelas dari suatu simpul tertentu dalam pohon klasifikasi yang dapat memebantu kita menenmukan fungsi pemilah yang optimal. Beberapa fungsi Impurity measure i(t) adalah sebagai berikut : i. Indeks Gini : i(t) = ii. Indeks Informasi : i(t) = - P adalah peluang j pada simpul t. Goodness of Spilt merupakansuatu evaluasi pemilahan oleh pemilahan s pada simpul t yang didefinisikan sebagai penurunan keheterogenan dan didefinisikan sebagai berikut :
13 17 Pemilahan yang menghasilkan nilai lebih tinggi merupakan pemilah yang lebih baik karena hal ini memungkinkan untuk mereduksi keheterogenan secara lebih signifikan. Metode pemilahan yang sering digunakan adalah indeks Gini, hal tersebut dikarenakan lebih mudah dan sesuai untuk diterapkan dalam berbagai kasus dan mempunyai perhitungan yang sederhana dan cepat. b. Penentuan Simpul Terminal Suatu simpul t akan menjadi terminal atau tidak akan dipilih kembali bila pada simpul t tidak terdapat penurunan keheterogenan secara berarti atau adanya batasan minimum n seperti hanya terdapat satu pengamatan pada setiap simpul anak.jumlah kasus minimum dalam suatu terminal akhir umumnya adalah 5, dan apakah hal itu terpenuhi maka pengembangan pohon dihentikan. c. Penandaan label kelas Penandaan label kelas pada simpul terminal dilakukan berdasarkan aturan jumlah terbanyak. Label kelas simpul terminal t adalah jo yang memberi nilai dugaan kesalahan pengklasifikasian simpul t terbesar. Proses pembentukan pohon klasifikasi berhenti saat terdapat hanya satu pengamatan dalam tiap-tiap simpul anak atau adanya batasan minimum n, semua pengamatan dalam tiap simpul anak identik, dan adanya batasan jumlah level. p = max jp =max dengan p : proporsi kelas j pada simpul Nj(t) :jumlah pengamatan kelas j pada simpul t N(t) : jumlahpengamatan pada simpul t.
14 18 2. Pemangkasan Pohon Klasifikasi Bagian pohon yang kurang penting dilakukan pemangkasan sehingga didapatkan pohon klasifikasi yang optimal. Pemangkasan didasarkan pada suatu penilaian ukuran sebuah pohon tanpa mengorbankan kebaikan ketepatan melalui pengurangan simpul pohon sehingga dicapai ukuran pohon yang layak. Ukuran pemangkasan yang digunakan untuk memperoleh ukuran pohon yang layak tersebut adalah Cost complexity minimum [5] 3. Penentuan Pohon klasifikasi Optimal Ukuran pohon yang besar akan meyebabkan nilai kompleksitas yang tinggi kareana struktur data yang digambarkan cenderung komplek, sehingga perlu dipilih pohon optimal yang berukuran sederhana tetapi memberikan nilai penduga pengganti cukup kecil. Ada dua jenis penduga pengganti, penduga sampel uji(test sample estimate) dan penduga validasi silang lipat V (cross validation V-fold estimate). Penelitian ini menggunakan penduga sampel uji (test sample estimate) karena cross validation V-fold estimate digunakan untuk jumlah sampel kecil(kurang dari 3000). Penelitian ini mengguankan penduga sampel uji (test sampel estimate) untuk penentuan pohon optimal.
15 Kerangka Pemikiran Gambar 2.2 Kerangka Pemikiran 1
BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-54
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-54 Klasifikasi Pengangguran Terbuka Menggunakan CART (Classification and Regression Tree) di Provinsi Sulawesi Utara Febti
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciSeminar Tugas Akhir. Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING. Surabaya, Juli 2011
Surabaya, Juli 2011 Seminar Tugas Akhir Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING Ibrahim Widyandono 1307 100 001 Pembimbing : Dr. Bambang Widjanarko
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE CHAID (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN CART (CLASSIFICATION AND REGRESSION TREE)
Surabaya, 3 Juli 2013 Seminar Hasil Tugas Akhir KLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN (CLASSIFICATION AND REGRESSION TREE) Dosen Pembimbing
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciMETODE ENSEMBLE PADA CART UNTUK PERBAIKAN KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG
METODE ENSEMBLE PADA CART UNTUK PERBAIKAN KLASIFIKASI KEMISKINAN DI KABUPATEN JOMBANG MUHAMMAD JAMAL MUTTAQIN 1311 201 205 PEMBIMBING DR. BAMBANG WIDJANARKO OTOK, M.SI. SANTI PUTERI RAHAYU, M.SI., PH.D.
Lebih terperinciKlasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees)
1 Klasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees) Sharfina Widyandini dan Vita Ratnasari Jurusan Statistika, Fakultas MIPA,
Lebih terperinciPEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN )
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART ( CLASSIFICATION AND REGRESSION TREES ) ( STUDI KASUS PENYAKIT DIABETES SUKU PIMA INDIAN ) PT Jasa Marga ro) C abang Semarang SKRIPSI Disusun Oleh
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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
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 terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciPREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER
PREDIKSI NASABAH POTENSIAL MENGGUNAKAN METODE KLASIFIKASI POHON BINER Ari Wibowo Program Studi Teknik Informatika Politeknik Negeri Batam Jl. Parkway No 1, Batam Center, Batam Telp 0778-469856, Fax 0778-463620
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 terperinciAnalisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan Urbanisasi
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-100 Analisis CART (Classification And Regression Trees) pada Faktor-Faktor yang Mempengaruhi Kepala Rumah Tangga di Jawa Timur Melakukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciPENERAPAN METODE CART
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 2, Juli 2017, pp. 78-83 PENERAPAN METODE CART (CLASSIFICATION AND REGRESSION TREES) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciKlasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART)
D193 Klasifikasi Nilai Peminat SBMPTN (Seleksi Bersama Masuk Perguruan Tinggi Negeri) ITS dengan Pendekatan Classification and Regression Trees (CART) Lely Dwi Bhekti Pratiwi, Wahyu Wibowo, dan Ismaini
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART SKRIPSI Disusun Oleh : NOVIE ERISKA ARITONANG 24010211140081 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih 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 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 terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid Sri Hartati Selviani Handayani dan Santi Wulan Purnami Jurusan Statistika, Fakultas
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 terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Dina Yuanita Mahasiswa Jurusan Statistika FMIPA-ITS (1306 100 056) M. Syahid Akbar, S.Si, M.Si
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciIMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG
IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri 1), Yesi Novaria Kunang 2), Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas
Lebih terperinciPREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO
PREFERENSI KARAKTERISTIK KOPI 3 IN 1 MENGGUNAKAN METODE POHON REGRESI DAN KLASIFIKASI FITRIYANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 183-192 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN
Lebih terperinciModel Machine Learning CART Diabetes Melitus
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 485-491 p-issn: 2580-4596; e-issn: 2580-460X Halaman 485 Ria Dhea Layla Nur Karisma 1, Bambang Widjanarko
Lebih terperinciANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART
Xplore, 2013, Vol. 2(1):e3(1-8) c 2013 Departemen Statistika FMIPA IPB ANALISIS KETEPATAN WAKTU LULUS BERDASARKAN KARAKTERISTIK MAHASISWA FEM DAN FAPERTA MENGGUNAKAN METODE CHART Fira Nurahmah Al Amin,Indahwati,Yenni
Lebih terperinciPendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-24 Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada Pasien Kanker Tiroid
Lebih terperinciJURNAL PREDIKSI PRESTASI SISWA SEKOLAH DASAR MENGGUNAKAN ALGORITMA CART PREDICTION ELEMENTARY SCHOOL STUDENT ACHIEVEMENT USING CART ALGORITHM
JURNAL PREDIKSI PRESTASI SISWA SEKOLAH DASAR MENGGUNAKAN ALGORITMA CART PREDICTION ELEMENTARY SCHOOL STUDENT ACHIEVEMENT USING CART ALGORITHM Oleh: BENI KURNIAWAN 12.1.03.02.0201 Dibimbing oleh : 1. Resty
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciPENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah)
BIAStatistics (2016) Vol. 10, No. 1, hal. 8-16 PENGARUH PERAN DOSEN PEMBIMBING TERHADAP KUALITAS TUGAS AKHIR (Studi Kasus : Mahasiswa Fmipa Unsyiah) Nany Salwa 1, Fitriana A.R. 2, and Junita Aiza 3 1,
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2012 (SNATI 2012) ISSN: 1907-5022 Yogyakarta, 15-16 Juni 2012 PENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU Mardiani
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Udara Udara adalah suatu campuran gas yang terdapat pada lapisan atmosfir yang mengelilingi bumi. Udara juga merupakan atmosfer yang berada di sekeliling bumi yang memiliki fungsi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciPENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA
PENDEKATAN CART UNTUK MENDAPATKAN FAKTOR YANG MEMPENGARUHI TERJANGKITNYA PENYAKIT DEMAM TIFOID DI ACEH UTARA Muhammad Sjahid Akbar 1, Dina Yuanita, dan Sri Harini 3 1, Jurusan Statistika ITS 3 Jurusan
Lebih terperinciModel Credit Scoring Menggunakan Metode Classification and Regression Trees (CART) pada Data Kartu Kredit
Prosiding Statistika ISSN: 2460-6456 Model Credit Scoring Menggunakan Metode Classification and Regression Trees (CART) pada Data Kartu Kredit 1 Rifani Yunindya, 2 Abdul Kudus, 3 Teti Sofia Yanti 1,2,3
Lebih terperinciPENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU
PENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU Mardiani Jurusan Sistem Informasi, STMIK MDP Palembang Jln. Rajawali No.14 Palembang 30113 Telp. (0711) 376400, Faks.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
33 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengolahan Data Data yang dipergunakan dalam tugas akhir ini merupakan data karyawan PT Perkbunan Nusantara IX Kebun Blimbing pada tahun 2015. Jumlah data yang digunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciBAB 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 terperinciKlasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya
1 Klasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya Yuristian Ramdani dan Santi Wulan Purnami Jurusan Statistika, Fakultas Matematika
Lebih terperinciMETODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN
Technologia Vol 7, No.1, Januari Maret 2016 15 METODE POHON GABUNGAN PADA CART UNTUK ANALISA KESEJAHTERAAN RUMAH TANGGA DI BANJARMASIN Galih Mahalisa, S.Kom, M.Kom (galih.mahalisa@gmail.com) ABSTRAK Kemiskinan
Lebih terperinciBAB I PENDAHULUAN 1.1.Latar Belakang Masalah
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Mengingat kondisi perekonomian saat ini sedang tumbuh dan berkembang secara signifikan, di negara khususnya Indonesia, memiliki peningkatan permintaan produk
Lebih terperinciKlasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees
JURAL SAIS DA SEI ITS Vol. 5, o.1, (2016) 2337-3520 (2301-928X Prin D-26 Klasifikasi Risiko Infeksi pada Bayi Baru Lahir di Rumah Sakit Umum Daerah Sidoarjo Menggunakan Metode Classification Trees Aulia
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pendahuluan Didalam bab ini menceritakan semua teori-teori yang digunakan didalam proses algoritma decision tree, algoritma Random tree dan Random Florest serta teoriteori dan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih 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 terperinciPenerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode
Lebih terperinciSeminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir Pendekatan Metode Classification and Regression Tree untuk Diagnosis Tingkat Keganasan Kanker pada pasien Kanker Tiroid Sri Hartati Selviani Handayani 1311106007 Pembimbing :
Lebih terperinciPENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI
PENENTUAN FAKTOR-FAKTOR MEMILIH MEREK DENGAN METODE CART DAMAS ESMU HAJI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DAMAS ESMU HAJI.
Lebih terperinci1. Model Prediksi Ini Menggunakan Tools RapidMiner
1. Model Prediksi Ini Menggunakan Tools RapidMiner RapidMiner memiliki keunggulan tersendiri, RapidMiner merupakan aplikasi data mining berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia
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 terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciHary Mega Gancar Prakosa Dosen Pembimbing Dr. Suhartono, S.Si, M.Sc Co Pembimbing Dr. Bambang Wijanarko Otok, S.Si, M.
KLASIFIKASI KESEJAHTERAAN RUMAH TANGGA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN BOOTSTRAP AGGREGATTING CLASSIFICATION AND REGRESSION TREES Hary Mega Gancar Prakosa 1307 100 077 Dosen Pembimbing Dr. Suhartono,
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciPERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Abstract
Perbandingan Klasifikasi (Agung Waluyo) PERBANDINGAN KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES) Agung Waluyo 1, Moch. Abdul Mukid 2, Triastuti
Lebih terperinciEVALUASI KELAYAKAN KREDIT DENGAN METODE CLASSIFICATION AND REGRESION TREE (CART)
EVALUASI KELAYAKAN KREDIT DENGAN METODE CLASSIFICATION AND REGRESION TREE (CART) Mirfan*) Abstract : Credit worthiness evaluation is an important element in the provision of credit to borrowers. Lending
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
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 Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Penerapan dataaminingadalam mengevaluasi kelayakan pemberian kredit saataini telahabanyakadigunakan. Beberapaapenelitianayang relevanaselama 5 (lima) tahun terakhir
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tanggung jawab sosial PT. Telkom dalam program kemitraan dengan masyarakat sekitarnya adalah memberikan kredit lunak bagi pelaku Usaha Kecil Menengah (UKM).
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAR TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAR TEORI 2.1 Penelitian Terkait Penelitian mengenai penggunaan Metode Klasifikasi dengan algoritma C4.5 dalam pengelompokan data siswa berdasarkan prestasi dan kriteria
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Studi Sebelum menyusun tugas akhir ini dilakukan tinjauan pustaka terlebih dahulu terhadap penelitian-penelitian terkait sebagai bahan referensi. Penelitian tentang
Lebih terperinciPENERAPAN ALGORTIMA C4.5 UNTUK PENENTUAN KELAYAKAN KREDIT
Jurnal Techno Nusa Mandiri Vol. XIV, No. 1 Maret 2017 9 PENERAPAN ALGORTIMA C4.5 UNTUK PENENTUAN KELAYAKAN KREDIT Siti Nur Khasanah Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No 8 Warung Jati
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION TREES (BAGGING CART)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 81-90 Online di: http://eournal-s1.undip.ac.id/index.php/gaussian ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN BOOTSTRAP AGGREGATING
Lebih terperinciAPLIKASI ALGORITMA CART UNTUK MENGKLASIFIKASIKAN DATA NASABAH ASURANSI JIWA BERSAMA BUMIPUTERA 1912 SURAKARTA
APLIKASI ALGORITMA CART UNTUK MENGKLASIFIKASIKAN DATA NASABAH ASURANSI JIWA BERSAMA BUMIPUTERA 1912 SURAKARTA oleh LAILA KURNIA DAMAYANTI M0106014 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM PENENTUAN PEMBERIAN PINJAMAN KOPERASI
PENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM PENENTUAN PEMBERIAN PINJAMAN KOPERASI Nandang Iriadi Program Studi Manajemen Informatika Akademik Manajemen Informatika dan Komputer Bina Sarana Informatika
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
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 terperinciPendahuluan : Evaluasi*
MMA10991 Topik Khusus - Machine Learning Pendahuluan : Evaluasi* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M.
Lebih terperinciSKRIPSI. Disusun Oleh : ZULFA WAHYU MARDIKA NIM. J2E
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA CART (CLASSIFICATION AND REGRESSION TREES) (STUDI KASUS KREDIT MACET DI PD. BPR-BKK PURWOKERTO UTARA) SKRIPSI Disusun Oleh : ZULFA WAHYU MARDIKA NIM.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN REGRESI LOGISTIK BINER DAN CART (CLASSIFICATION AND REGRESSION TREES)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 215-225 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN
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 terperinciBambang Widjanarko Otok (1), dan Dian Seftiana (2) (1,2) Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS)
1 Klasifikasi Rumah Tangga Sangat Miskin di Kabupaten Jombang Menurut Paket Bantuan Rumah Tangga yang Diharapkan dengan Pendekatan Random Forests Classification and Regression Trees (RF-CART) Bambang Widanarko
Lebih terperinciPOHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB
Forum Statistika dan Komputasi, April 2005, p: 15 21 ISSN : 08538115 Vol. 10 No. 1 POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati H. 1),
Lebih terperinciSTUDI ALGORITMA CART DENGAN INDUKSI FUZZY DALAM MENGKLASIFIKASIKAN DATA
STUDI ALGORITMA CART DENGAN INDUKSI FUZZY DALAM MENGKLASIFIKASIKAN DATA SKRIPSI OKTAVIYANI DASWATI 1308230003 PROGRAM STUDI S-1 EKSTENSI MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciANALISIS DAN IMPLEMENTASI ALGORITMA ID3 DAN CART PADA PENILAIAN KINERJA PEGAWAI. Fathurahman Alhikmah, Erwin Budi Setiawan, Mahmud Imrona
ANALISIS DAN IMPLEMENTASI ALGORITMA ID3 DAN CART PADA PENILAIAN KINERJA PEGAWAI Fathurahman Alhikmah, Erwin Budi Setiawan, Mahmud Imrona Jurusan Ilmu Komputasi, Fakultas Informatika Universitas Telkom,
Lebih terperinciBAGGING CART PADA KLASIFIKASI ANAK PUTUS SEKOLAH
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 XVI-1 BAGGING CART PADA KLASIFIKASI ANAK PUTUS SEKOLAH Oleh: Bambang Widjanarko Otok 1) & Sumarmi 2) 1) Jurusan Statistika,FMIPA-ITS,
Lebih terperinci