Sistem Pakar Diagnosa Penyakit Diabetes Melitus Menggunakan Algoritma Iterative Dichotomiser Three (ID3) Berbasis Android.
|
|
- Yanti Agusalim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Sistem Pakar Diagnosa Penyakit Diabetes Melitus Menggunakan Algoritma Iterative Dichotomiser Three (ID3) Berbasis Android Artikel Ilmiah Diajukan kepada Fakultas Teknologi Informasi Untuk memperoleh Gelar Sarjana Komputer Oleh: Ardi Pratama Patengko NIM: Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga November 2016
2
3
4
5
6
7 1. Pendahuluan Sistem pakar (expert system) adalah sistem yang menggunakan pengetahuan seorang pakar untuk menyelesaikan masalah terkait dengan bidang tertentu seperti yang biasa dilakukan oleh seorang pakar. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar juga akan memabntu aktivitasnya sebagai asisten yang sangat berpengalaman [1]. Penelitian ini menggunakan algoritma ID3 karena dapat membangun sebuah pohon keputusan dengan cepat dan mudah dipahami. Penanganan penyakit diabetes melitus menjadi lebih mudah apabila menggunakan pohon keputusan karena hanya membutuhkan masukan berupa data gejala. Dataset yang digunakan dalam penelitian ini diambil dari repositori database Pima Indians, UCI [2]. Dataset Pima ini terdiri dari 768 data yang pasiennya berjenis kelamin perempuan dengan umur sekurang kurangnya 21 tahun. Berdasarkan dataset ini penulis membangun aplikasi berbasis Android yang bisa menghasilkan pohon keputusan berdasarkan fakta-fakta yang ada dan bisa digunakan untuk menguji apakah pasien menderita penyakit diabetes mellitus. 2. Kajian Pustaka Penelitian oleh Lesmana [3] yang juga menggunakan dataset Pima Indians, ada beberapa attribut yang memiliki nilai tidak lengkap. Dari sembilan attribut yaitu Pregnant (Pregnant), Plasma-Glucose (Glucose), Diastolic Blood-Pressure (DBP), Tricepts Skin Fold Thickness (TSFT), Insulin (INS), Body Mass Index (BMI), Diabetes Pedigree Function (DPF), Age (Age), dan Class Variable (Class) hanya tujuh attribut yang digunakan dan siap diolah lebih lanjut dalam penelitian tersebut antara lain Pregnant, Glucose, DBP, BMI, DPF, Age, dan Class. ID3 adalah algoritma yang akan digunakan dalam penelitian ini untuk membuat pohon keputusan berdasarkan dataset Pima Indians. Untuk menghitung dan membuat pohon keputusan menggunakan algoritma ID3 dibutuhkan data yang bersifat kategorial sedangkan dataset yang digunakan bersifat nominal. Oleh karena itu diskritisasi atribut pada dataset dibutuhkan untuk mempermudah pengelompokan nilai berdasarkan kriteria yang telah ditetapkan. Tabel 1 Diskritisasi atribut dataset diabetes Pima Indians [3] Atribut Diskritisasi Pregnant Low (0,1), Medium (2,3,4,5), High ( > 6) Glucose Low (< 95 ), Medium (95-140), High (> 140) DBP Normal (< 80), Normal-to-High (80-90), High (> 90) BMI Low (< 24.9), Normal ( ), Obese ( ), Severely-Obese (> 35) DPF Low (< ), High (> ) Age Young (<40), Medium (40-59), Old (> 60) Class Positive (1), Negative (0) 1
8 Untuk mendapatkan pohon keputusan menggunakan algoritma ID3, Entropy dan Gain harus dihitung terlebih dahulu. Entropy Untuk menghitung gain ratio, terlebih dahulu harus diketahui nilai entropy-nya. Entropy merupakan suatu parameter untuk mengukur heterogenitas (keberagaman) dari suatu kumpulan sampel data. Jika kumpulan sampel data semakin heterogen, maka nilai entropynya semakin besar. Secara matematis, entropy dirumuskan pada persamaan (1). Entropy(S) = -p + log2 p + -p - log2 p- (1) Keterangan persamaan (1) : S : 700 ruang (data) sampel yang digunakan untuk training. P+ : 241 sampel yang bersolusi positif (mendukung). P- : 459 sampel yang bersolusi negatif (tidak mendukung). Gain ratio Setelah nilai entropy didapatkan dari suatu kumpulan sampel data, maka kita dapat mengukur efektifitas suatu atribut dalam mengklasifikasikan data. Ukuran efektivitas ini disebut gain ratio. Gain ratio dihitung berdasarkan split information yang dirumuskan pada persamaan (2). Sv Gain(S, A) = Entropy(S) - S Entropy(Sv) (2) Keterangan persamaan (2) : A : atribut yang digunakan yaitu Pregnant, Plasma-Glucose, Diastolic Blood- Pressure, Body Mass Index, Diabetes Predigree Function, Age, dan Class v Values(A) Sv S : menyatakan suatu nilai yang mungkin untuk atribut yang digunakan : himpunan yang mungkin untuk atribut A : jumlah sampel untuk nilai v : jumlah seluruh sampel data Entropy(Sv) : entropy untuk sampel-sampel yang memiliki nilai v 3. Perancangan Sistem Sistem yang dibangun akan menggunakan arsitektur tiga layer yaitu Presentation Layer, Business Logic Layer, dan Data Access Layer. Arsitektur tiga layer adalah kasus termudah dari arsitektur n-tier [5]. 2
9 3
10 Gambar 1 Arsitektur Aplikasi Presentation Layer adalah apa yang dilihat oleh pengguna dan tempat untuk berinteraksi dengan sistem. Activity Gejala, Data Gejala, Pohon Keputusan, dan Pengujian adalah tempat pengguna untuk berinteraksi dengan sistem dan merupakan representasi dari presentation layer. Business Logic Layer merupakan aturan bisnis yang diterapkan pada sistem melalui logika pemograman dan bagaimana aturan itu dapat dijalankan. Cara menyimpan data gejala, menggunakan library, mmebuat dan membaca file text, membentuk pohon keputusan sampai menguji pohon keputusan merupakan tugas dari business logic layer. Lapisan yang terakhir yaitu data access layer merupakan sebuah tempat untuk menyimpan dan mengambil informasi. Data yang disimpan berupa file teks yang menyimpan atribut dan data penyakit diabetes melitus. ID3 adalah salah satu kelas dipaket classifier pada aplikasi data mining weka yang mengimplementasikan algoritma ID3 untuk membangun pohon keputusan yang disebut tree dan menggunakan instance untuk mengisi atribut yang ada pada dataset yang digunakan. Weka juga menyediakan library yang dapat digunakan untuk membangun aplikasi dengan bahasa pemograman java pada Netbeans atau Android hanya dengan mengimport library dan menggunakan classifier dan instance sesuai kebutuhan. Cara menggunakan library weka adalah menyiapkan instances yang memuat informasi nama instances, atribut, dan data yang disimpan pada sebuah file text dengan format : 4
11 @RELATION [nama [dataset] Kelas ID3 akan membuat pohon keputusan berdasarkan instances yang ada. Kelas ID3 akan menggunakan instance dengan 6 nilai atribut yang tersedia untuk menguji pohon keputusan. Hasil pengujian dari pohon keputusan berupa nilai 0 (Negatif) atau 1 (Positif). Metode pengembangan perangkat lunak yang dipakai dalam penelitian ini adalah model prototyping. Model prototyping adalah salah satu metode pengembangan perangkat lunak yang dibuat dengan pendekatan aspek desain, fungsi, dan user-interface. Bagan mengenai prototype model dapat dilihat pada Gambar 1. Gambar 1 Bagan Prototype Model [4] Tahap-tahap dalam prototype model adalah sebagai berikut: (1) Listen to Customer, (2) Build, (3) Customer Test. Dari tahap pertama didapatkan bahwa kebutuhan dari sistem adalah sebagai berikut: aplikasi menampilkan menu utama yaitu data gejala, rules ID3, dan pengujian ID3. Data gejala adalah tempat untuk memasukkan data-data dari dataset yang ada. Rules ID3 adalah tempat untuk melihat pohon keputusan yang telah dibentuk berdasarkan dataset yang ada. Dan pengujian ID3 adalah tempat untuk menguji pohon keputusan yang telah dibuat menggunakan atribut yang ada. Tahap build meliputi tahap perancangan dan pengimplementasian aplikasi. Aplikasi Sistem Pakar Diagnosa Penyakit Diabetes Melitus Menggunakan Algoritma ID3 menggunakan pendekatan Object Oriented. Sedangkan aplikasi diimplementasikan menggunakan bahasa pemograman Java. 4. Hasil dan Implementasi 5
12 Aplikasi sistem pakar diagnosa penyakit diabetes mellitus menggunakan algoritma ID3 mempunyai beberapa fungsi utama yaitu : (1) Data gejala dimasukkan oleh user pada activity Gejala kemudian bisa dilihat pada expendable list view, dan selanjutnya akan disimpan menjadi sebuah file text pada tempat penyimpanan internal android yang akan digunakan untuk membentuk pohon keputusan; (2) Pohon keputusan yang telah dibuat berbentuk teks yang menunjukkan atribut dan nilai atribut; (3) Pengujian menggunakan radio button yang menampilkan nilai masing-masing atribut dan hasil dari pohon keputusan akan ditampilkan melalui alert dialog pada android. Data gejala harus dimasukkan terlebih dahulu melalui activity Data Gejala oleh pengguna sebagai acuan untuk membangun pohon keputusan. Pengguna juga dapat melihat data gejala yang telah dimasukkan sebelumnya dengan melakukan swipe pada activity data gejala. Nilai atribut ditampilkan pada komponen spinner android dan daftar gejala disimpan pada komponen expandable list view. Gambar 2 menunjukkan data gejala pada halaman daftar gejala. Pseudocode 1 Untuk memasukkan gejala kedalam expandable list view 1. Start 2. Input List 3. Read value pregnat 4. Add List child (value pregnant) 5. Read value glucose 6. Add List child (value glucose) 7. Read value dbp 8. Add List child (value dbp) 9. Read value bmi 10. Add List child (value bmi) 11. Read value dpf 12. Add List child (value dpf) 13. Read value age 14. Add List child (value age) 15. Read value class 16. Add List child (value class) 17. Input ExpandableListView 18. Set ExpandableListView = List 19. End 6
13 Gambar 2 Daftar gejala Informasi yang dibutuhkan oleh library weka untuk membangun pohon keputusan menggunakan algoritma ID3 adalah sebuah file teks yang berisi informasi tentang nama instances, atribut, dan dataset. Aplikasi akan mencari file dengan nama data_diabetes.txt pada direktori internal android. Jika file sudah ada sebelumnya maka file tersebut akan dihapus dan akan dibuat sebuah file baru dengan nama yang sama. Pseudocode 2 Untuk membuat file teks pada penyimpanan internal android 1. Start 2. Function WritetoFile 3. Read File 4. If File is exist 5. Delete File 6. Create New File 7. End If 8. Write to File diabetes 9. Write to File Pregnant{Low, Medium, High} 10. Write to File Glucose{Low, Medium, High} 11. Write to File DBP{Normal, High} 12. Write to File BMI{Low, Normal, Obese, Severely-Obese} 13. Write to File DPF{Low, High} 14. Write to File Age{Young, Medium} 15. Write to File Class{Positif, Negatif} 16. Write to File 17. End Function 18. End Setelah file teks dibuat program akan mengisi file teks tersebut dengan format yang telah ditentukan. Nama instances, atribut, dan dataset disimpan pada array bertipe data String yang akan 7
14 diubah menjadi Byte array dan disimpan pada file teks menggunakan fungsi write dan flush pada kelas FileOutputStream. Pseudocode 3 Untuk mengisi file teks 1. Start 2. Read Data Diabetes 3. For i = 1 to Data Diabetes Length Do 4. String value = Pregnat Value,Glucose Value,DBP Value,BMI Value,Age Value, Class Value 5. Array of Byte = Get Bytes value 6. Write Byte 7. End For 8. End Gambar 3 menunjukkan isi dari file teks dengan format yang telah ditentukan sebelumnya. Gambar 3 Isi file teks data_diabetes Setelah file teks terisi dengan data yang dibutuhkan untuk membangun pohon keputusan, aplikasi akan mengisi instances menggunakan file tersebut melalui variabel trainingdata. Pseudocode 4 Untuk membaca file teks 8
15 1. Start 2. Input File Reader 3. Try 4. File Reader = filename 5. Training Data = Reader Instances 6. Catch 7. Write Error 8. Finally 9. Close Reader 10. End Try 11. End Setelah instances dibuat melalui variabel trainingdata aplikasi akan membangun pohon keputusan ID3 menggunakan class Id3 dengan fungsi buildclassifier dengan 1 parameter instances. Gambar 4 menunjukkan bentuk pohon keputusan yang telah dibuat dengan atribut BMI sebagai root. Gambar 4 Bentuk Pohon Keputusan Pseudocode 5 Untuk membuat pohon keputusan 1. Start 2. Function TrainTree 3. ID3 Tree = ID3 4. Try 5. Tree Build Classifier = Training Data 6. Catch 7. Write Error 8. End Try 9. Return Tree 10. End Function 11. End Hasil dari metode prototyping pada penelitian ini menghasilkan dua hasil prototype. Dari hasil prototype pertama, sistem menulis semua nilai atribut pada file teks dan menampilkan semua atribut pada activity pengujian ID3. Dengan cara seperti ini sistem hampir berjalan dengan baik 9
16 tapi ada masalah yang terjadi yaitu pada beberapa pengujian menghasilkan pohon keputusan dengan sebuah cabang yang mempunyai nilai atribut null atau kosong. Gambar 5 Pohon keputusan prototype pertama Hasil prototype kedua, sistem sudah dapat melakukan seleksi atribut dengan tidak menulis semua atribut yang ada tetapi menulis hanya pada atribut yang digunakan. Atribut akan disimpan dan digunakan nanti pada saat proses penulisan pada file teks. Pohon keputusan yang dihasilkan tidak mempunyai cabang dengan nilai atribut null atau kosong. Gambar 6 Pohon keputusan prototype kedua Cross validation yang merupakan salah satu teknik untuk menilai/memvalidasi keakuratan sebuah model yang dibangun berdasarkan dataset tertentu [6]. Pada pengujian ini menggunakan cross validation 10 fold dengan memanfaatkan fungsi yang ada pada library weka. Jumlah dataset 10
17 yang digunakan sebanyak 700 data. Hasil dari pengujian didapatkan data yaitu jumlah instances yang berhasil diklasifikasi ada 485 data, 196 data yang salah diklasifikasi, dan 19 data yang tidak dapat diklasifikasi dengan presisi %. Gambar 7, 8, 9, dan 10 menunjukkan hasil pohon keputusan dengan menggunakan 700 data. Tabel 2 Hasil pengujian cross validation 10 fold Keterangan Jumlah Persentase Correctly Classified Instances % Incorrectly Classified Instances % UnClassified Instances % Total Number of Instances % Precision % Gambar 7 Pohon keputusan menggunakan 700 data 11
18 Gambar 8 Pohon keputusan menggunakan 700 data Gambar 9 Pohon keputusan menggunakan 700 data 12
19 Gambar 10 Pohon keputusan menggunakan 700 data 5. Simpulan Dalam penelitian ini dibuat aplikasi sistem pakar diagnosa penyakit diabetes melitus menggunakan algoritma ID3 berbasis Android dengan metode prototyping untuk menghasilkan pohon keputusan menggunakan dataset Pima Indians. Aplikasi menerima masukan berupa data gejala dari penyakit diabetes melitus. Sistem akan membentuk pohon keputusan berdasarkan data gejala, kemudian dibentuk sebuah pohon keputusan menggunakan library dari aplikasi data mining weka, dan melakukan pengujian terhadap pohon keputusan tersebut. Berdasarkan hasil pengujian menggunakan cross validation jumlah data yang berhasil diklasifikasi ada 485 data ( %), 196 data (28%) yang salah diklasifikasi, dan 19 data ( %) yang tidak dapat diklasifikasi dengan presisi %. Pengembangan yang dapat dilakukan pada penelitian ini di kemudian hari adalah memperbaiki pohon keputusan yang dihasilkan karena pohon keputusan yang terbentuk menggunakan 700 dataset masih mempunyai cabang dengan nilai null dan menghasilkan data yang tidak dapat diklasifikasikan dan memperbaiki sistem jika ditemukan bug. 6. Daftar Pustaka [1] Dahria, Muhammad Pengembangan Sistem Pakar Dalam Membangun Aplikasi. Jurnal SAINTIKOM. 10 : 3 [2] Pima Indians Diabetes Dataset, UCI Machine Learning Repository, diambil dari [3] Lesmana, I Putu Dody Perbandingan Kinerja Decision Tree J48 dan ID3 Dalam Pengklasifikasian Diangosis Penyakit Diabetes Mellitu. Jurnal Teknologi dan 13
20 Informatika (Teknomatika) 2:2, (diakses tanggal 20 Juli 2016). [4] Pressman, Roger S., 2001, Software Engineering a Practitioner s Approach, New York : McGraw-Hill Higher Education [5] Gill, Amandeep Kaur & Charanjit Singh Implementation of NTRU Algorithm for the Security of N-Tier Architecture. International Journal of Computer Science and Information Technologies. 5 : 6 [6] Novianti, Triuli. Irwan Santosa Penentuan Jadwal Kerja Berdasarkan Klasifikasi Data Karyawan Menggunakan Metode Decision Tree C4.5 (Studi Kasus Universitas Muhammadiyah Surabaya. Jurnal Komunikasi, Media dan Informatika. 5 : 1 14
BAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
Lebih terperinciPENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS
PENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS I Putu Dody Lesmana Jurusan Teknologi Informasi, Politeknik Negeri Jember, PO Box 164, Jember 68101 E-mail : dody@polije.ac.id
Lebih terperinciPERBANDINGAN KINERJA DECISION TREE J48 DAN ID3 DALAM PENGKLASIFIKASIAN DIAGNOSIS PENYAKIT DIABETES MELLITUS
PERBANDINGAN KINERJA DECISION TREE J48 DAN ID3 DALAM PENGKLASIFIKASIAN DIAGNOSIS PENYAKIT DIABETES MELLITUS I Putu Dody Lesmana Jurusan Teknologi Informasi, Politeknik Negeri Jember Abstract Discovery
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciPenerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes
Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes Mirqotussa adah a1, Much Aziz Muslim a2, Endang Sugiharti
Lebih terperinciMateri Praktikum Data Mining Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala
Materi Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala Dosen Pengasuh Dr. Taufik Fuadi Abidin, M.Tech Dr. Muhammad Subianto, M.Si {tfa,subianto}@informatika.unsyiah.ac.id
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Era komunikasi dengan menggunakan fasilitas internet memberikan banyak kemudahan dalam mendapatkan informasi yang dikehendaki. Dengan demikian semakin banyak orang,
Lebih terperinciBAB III PEMBAHASAN. Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel
BAB III PEMBAHASAN A. Sumber Data Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel peminjam dengan jaminan sertifikat tanah, tunjuk, dan Buku Pemilik Kendaraan Bermotor (BPKB) serta
Lebih terperinciBAB III METODOLOGI 3.1. Prosedur Penelitian Identifikasi Masalah
BAB III METODOLOGI Dalam penelitian ini metodologi memegang peranan penting guna mendapatkan data yang obyektik, valid dan selanjutnya digunakan untuk memecahkan permasalahan yang telah dirumuskan. Maka
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih 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 terperinciSuyanto, Artificial Intelligence
Suyanto, Artificial Intelligence 12/11/2009 1 Merupakan metode yang berusaha menemukan fungsi-fungsi pendekatan yang bernilai diskrit. Banyak digunakan dalam data mining untuk klasifikasi. Dua fase : Learning/pembelajaran
Lebih terperinciABSTRAK. Keywords : Data Mining, Filter, Data Pre-Processing, Association, Classification, Deskriptif, Prediktif, Data Mahasiswa.
ABSTRAK Kemajuan teknologi membuat begitu mudahnya dalam pengolahan suatu informasi. Waktu tidak lagi menjadi hambatan dalam pengolahan data yang sangat banyak. Hal ini didukung pula dengan adanya perkembangan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya. dimanfaatkan dan dikelola dengan baik.
BAB IV HASIL DAN PEMBAHASAN 4.1. Identifikasi Masalah Dalam menentukan status calon dosen dan dosen tetap terdapat masalahmasalah dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya sebagai
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Berbagai penelitian yang menerapkan algoritma ID3 (Iterative Dichotomizer Three) sebagai metode perhitungannya telah banyak dilakukan. ID3 (Iterative Dichotomizer
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
6 BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
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 terperinciFUZZY DECISION TREE DENGAN ALGORITMA C4.5 PADA DATA DIABETES INDIAN PIMA
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011 KNS&I 11-047 FUZZY DECISION TREE DENGAN ALGORITMA C4.5 PADA DATA DIABETES INDIAN PIMA Ahmad Saikhu, Joko Lianto, dan Umi Hanik Jurusan
Lebih terperinciPENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MENGGUNAKAN METODA POHON KEPUTUSAN ID3
PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MENGGUNAKAN METODA POHON KEPUTUSAN ID3 Youllia Indrawaty N 1), Mira Musrini Barmawi 2), Andreas Sinaga 3) 1,2,3) Jurusan Teknik Informatika,
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM Pada bab ini akan dibahas mengenai Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT. Telkom, Tbk Medan Dengan Metode
Lebih terperinciMembangun Rule Dengan Algoritma Iterative Dichotomiser 3 (Id3) Untuk Penjurusan Siswa SMA
Membangun Rule Dengan Algoritma Iterative Dichotomiser 3 (Id3) Untuk Penjurusan Siswa SMA 1 Didik Kurniawan, 2 Anie Rose Irawati, 3 Hilman hudaya 1 Jurusan Ilmu Komputer FMIPA Unila 2 Jurusan Ilmu Komputer
Lebih terperinciSISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE
SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE A Sofalul Khazari 1), Fitri Marisa 2), Indra Dharma Wijaya 3) 1) Mahasiswa Fakultas Teknik, Universitas Widyagama Email: khazari.sofalul@gmail.com
Lebih terperinciSistem Informasi Pencarian Judul Skripsi Mahasiswa Menggunakan Metode Pencarian Suffix Cactus Library
Sistem Informasi Pencarian Judul Skripsi Mahasiswa Menggunakan Metode Pencarian Suffix Cactus Library Yamza Febrina Sari 1, Yesi Novaria Kunang 2, Edi Supratman 3 Program studi system informasi, fakultas
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciPengembangan Aplikasi Decision Tree Iterative Dichotomiser 3 untuk Klasifikasi Positif atau Negatif Obesitas pada Balita
ISSN 2356-4393 Pengembangan Aplikasi Decision Tree Iterative Dichotomiser 3 untuk Klasifikasi Positif atau Ne Obesitas pada Balita Dewi Kurnia Anggraeni 1), Yulius Denny Prabowo 2) Teknik Informatika,
Lebih terperinciScientific Journal of Informatics Vol. 2, No. 1, Mei 2015
Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 JUDUL ARTIKEL Identifikasi Kualitas Beras dengan Citra Digital Arissa
Lebih terperinciPerbandingan Kinerja Algoritme CART dan Naïve Bayesian Untuk Mendiagnosa Penyakit Diabetes Mellitus
Perbandingan Kinerja Algoritme CART dan Naïve Bayesian Untuk Mendiagnosa Penyakit Diabetes Mellitus Pungkas Subarkah 1, Irfan Santiko 2, Tri Astuti 3 1 Informatics Technopreneurship, Universitas Amikom
Lebih terperinciABSTRAK. Kata kunci : sistem pakar, penyakit gigi, konsultasi, algoritma ID3. vi Universitas Kristen Maranatha
ABSTRAK Aplikasi sistem pakar diagnosa penyakit gigi dengan pembelajaran mesin ini dibuat untuk membantu pasien dan juga pakar untuk melakukan diagnosa awal penyakit yang dialami pasien berdasarkan gejala-gejala
Lebih terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE
IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Berdasarkan analisis masalah, maka perangkat lunak sistem data mining menggunakan algoritma C4.5 untuk prediksi ketepatan waktu kelulusan yang
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 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 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 terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
Lebih terperinciKLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN)
JURNAL INFORMATIKA VOL.11.NO1, JAN 2017 KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN) M.Fadly Rahman 1, M.Ilham Darmawidjadja 2, Dion Alamsah 3 Teknik
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 terperinciBAB IV HASIL DAN PEMBAHASAN. Data yang digunakan dalam penelitian ini adalah data warehouse
1.1.Pengumpulan data BAB IV HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data warehouse Graduation Universitas Muhammadiyah Yogyakarta pada Fakultas Teknik UMY tahun kelulusan 2013,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT.
Lebih terperinciAlgoritma Iterative Dichotomizer 3 (ID3) Pengambilan Keputusan
Algoritma Iterative Dichotomizer 3 (ID3) Pengambilan Keputusan Decision Making Using Iterative Dichotomizer 3 Algorithm Arief Kelik Nugroho 1, Dadang Iskandar 2 1 ariefkeliknugroho@gmail.com 2 dadangiskandar83@gmail.com
Lebih terperinciPENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE
PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE 1 Fitroh Rizky Muwardah, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciTEKNIK KLASIFIKASI POHON KEPUTUSAN UNTUK MEMPREDIKSI KEBANGKRUTAN BANK BERDASARKAN RASIO KEUANGAN BANK
TEKNIK KLASIFIKASI POHON KEPUTUSAN UNTUK MEMPREDIKSI KEBANGKRUTAN BANK BERDASARKAN RASIO KEUANGAN BANK 1 Nurma Jayanti Sulistyo Puspitodjati 3 Tety Elida 1 jurusan sistem informasi, universitas gunadarma
Lebih terperinciID3 : Induksi Decision Tree
ID3 : Induksi Decision Tree Singkatan: Iterative Dichotomiser 3 Induction of Decision "3" (baca: Tree Pembuat: Ross Quinlan, sejak akhir dekade 70-an. Pengembangan Lanjut: Cikal bakal algoritma C4.5, pada
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
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 terperinciEDY KURNIAWAN DOSEN PEMBIMBING Dr. I Ketut Eddy Purnama, S.T., M.T Dr. Surya Sumpeno, S.T., MS.c
EDY KURNIAWAN 2209205007 DOSEN PEMBIMBING Dr. I Ketut Eddy Purnama, S.T., M.T Dr. Surya Sumpeno, S.T., MS.c PROGRAM MAGISTER BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (DATA MINING) JURUSAN TEKNIK ELEKTRO
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah komputer (computer) berasal dari bahasa latin computere yang berarti
BAB 2 LANDASAN TEORI 2.1 Pengertian Komputer Istilah komputer (computer) berasal dari bahasa latin computere yang berarti menghitung. Dalam bahasa Inggris komputer berasal dari kata to compute yang artinya
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Ilmu komputer memiliki dua komponen utama yaitu model dan gagasan mendasar mengenai komputasi, serta teknik rekayasa untuk perancangan sistem komputasi. Teori bahasa dan automata merupakan
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 terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG
IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi
Lebih terperinciABSTRAK. Kata kunci : sistem pakar, algoritma ID3, kerusakan mesin, Electronic Control Unit, On Board Diagnostic, Diagnostic Trouble Code.
ABSTRAK Dalam tugas akhir ini dikembangkan sebuah aplikasi untuk memprediksi kerusakan mesin mobil berdasarkan data Electronic Control Unit (ECU). Aplikasi ditujukan untuk membantu pemiliki kendaraan dan
Lebih terperinciANALISIS TEKNIK DATA MINING ALGORITMA C4.5 DAN K-NEAREST NEIGHBOR UNTUK MENDIAGNOSA PENYAKIT DIABETES MELLITUS
ANALISIS TEKNIK DATA MINING ALGORITMA C4.5 DAN KNEAREST NEIGHBOR UNTUK MENDIAGNOSA PENYAKIT DIABETES MELLITUS Giat Karyono Teknik Informatika STMIK AMIKOM Purwokerto Jl. Let Jend Pol Sumarto Watumas Purwanegara
Lebih terperinciKLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID
KLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID Muhammad Maulana Ramadhan 1, Irwan Budiman 2, Heru Kartika Chandra 3 1,2,3Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinci4.1. Pengambilan Data
BAB IV HASIL PENGUJIAN DAN PEMBAHASAN Hasil pengujian adalah hasil final yang berarti penelitian telah selesai dilakukan, semua yang berkaitan dengan pengujian akan dibahas pada bab ini mulai dari pengolahan
Lebih terperinciAlgoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan
Algoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan Decision Making Using Iterative Dichotomizer 3 Algorithm Arief Kelik Nugroho *1,Dadang Iskandar *2 ariefkeliknugroho@gmail.com dadangiskandar83@gmail.com
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciRANCANG BANGUN SISTEM PAKAR UNTUK MENENTUKAN MAKANAN DIET SEHAT PADA PENYAKIT JANTUNG BERDASARKAN GOLONGAN DARAH DENGAN MENGGUNAKAN NAIVE BAYES
RANCANG BANGUN SISTEM PAKAR UNTUK MENENTUKAN MAKANAN DIET SEHAT PADA PENYAKIT JANTUNG BERDASARKAN GOLONGAN DARAH DENGAN MENGGUNAKAN NAIVE BAYES SKRIPSI Oleh : NIRMALA MAHANING 0534 010 061 Kepada PROGRAM
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK)
IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK) [1] Beti Novianti, [2] Tedy Rismawan [3] Syamsul Bahri [1][2][3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciFuzzy Decision Tree dengan Algoritma C4.5 pada Data Diabetes Indian Pima (Januari 2011)
TUGAS AKHIR PERIODE JANUARI 2011 1 Fuzzy Decision Tree dengan Algoritma C4.5 pada Data Diabetes Indian Pima (Januari 2011) Umi Hanik Beberapa tes lab harus dilakukan untuk mengetahui kondisi seseorang
Lebih terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciPERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES
PERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES Hendra Marcos 1, Hengky Setiawan Utomo 2 1,2 Program Studi Teknik Informatika, STMIK Amikom Purwokerto Jl. Pol. Soemarto
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPohon Keputusan. 6.1 Inductive Learning
6 Pohon Keputusan Sometimes you make the right decision, sometimes you make the decision right. Phil McGraw Bab ini akan menelaskan salah satu varian pohon keputusan yaitu ID3 oleh Quinlan [27, 28] yang
Lebih terperinciRancang Bangun Penentuan Modalitas Gaya Belajar Anak Dengan Metode Decision Tree. Kemal Farouq M, Miftahus Sholihin, Hikmatul lailiyah ABSTRAK
Rancang Bangun Penentuan Modalitas Gaya Belajar Anak Dengan Metode Decision Tree Kemal Farouq M, Miftahus Sholihin, Hikmatul lailiyah 1) Program Studi Teknik Informatika Universitas Islam Lamongan ABSTRAK
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih 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 terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciMKB3462 KECERDASAN BUATAN. Muhammad Zidny Naf an, M.Kom.
MKB3462 KECERDASAN BUATAN Muhammad Zidny Naf an, M.Kom. Decision Tree (DT) Learning Menemukan fungsi2 pendekatan yang bernilai diskrit Jenis decision tree: ID3 (iterative dychotomizer version 3) ASSISTANT
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Dalam pengoperasian pekerjaan gondola di ketinggian membutuhkan keahlian khusus dan pengetahuan dibidangnya agar tidak terjadi kendala yang dapat
Lebih terperinciAnalisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal
234 Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal Comparative Analysis Of ID3 And C4.5 Algorithm For Classification Of Grant
Lebih terperinciBab 3 Metodologi Penelitian
Bab 3 Metodologi Penelitian 3.1 Metode dan Analisis Kebutuhan Sistem Metode yang digunakan untuk perancangan sistem ini adalah metode prototype Perancangan sistem dengan menggunakan metode prototype memiliki
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 Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih terperinciPRAKTIKUM. Rekayasa Web. Modul 2: CRUD CodeIgniter Part I. Laboratorium Teknik Informatika Universitas Pasundan
PRAKTIKUM Rekayasa Web Modul 2: CRUD CodeIgniter Part I Laboratorium Teknik Informatika Universitas Pasundan Konten modul: 1. Read Data 2. Create Data 3. Delete Data Tujuan praktikum: 1. Praktikan diharapkan
Lebih terperinciIMPLEMENTASI DECISION TREE UNTUK MEMPREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
IPLEENTASI DECISION TREE UNTUK EPREDIKSI JULAH AHASISWA PENGABIL ATAKULIAH DENGAN ENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORATIKA ITS Romauli anullang - 5108100501 Latar Belakang Pembuatan jadwal pada
Lebih terperinciMENGIDENTIFIKASI DATA REKAM MEDIS. (Studi Kasus Penyakit Diabetes Mellitus di Balai Kesehatan Kementerian. Perindustrian, Jakarta) SKRIPSI
ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) UNTUK MENGIDENTIFIKASI DATA REKAM MEDIS (Studi Kasus Penyakit Diabetes Mellitus di Balai Kesehatan Kementerian Perindustrian, Jakarta) SKRIPSI Oleh: AVIA ENGGARTYASTI
Lebih terperinciTopik. Stream I/O Cara menggunakan Stream Hierarchy Java I/O Membaca File Menulis File Menghapus File Cara membaca isi Direktori dalam file
Topik Stream I/O Cara menggunakan Stream Hierarchy Java I/O Membaca File Menulis File Menghapus File Cara membaca isi Direktori dalam file Stream I/O Semua data di Java dibaca dan ditulis dengan menggunakan
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinci1. Pendahuluan Dewasa ini permohonan kredit pada koperasi berkembang pesat di masyarakat, dimana calon nasabah kredit tidak hanya dari golongan
1. Pendahuluan Dewasa ini permohonan kredit pada koperasi berkembang pesat di masyarakat, dimana calon nasabah kredit tidak hanya dari golongan menengah ke bawah tetapi dari semua lapisan masyarakat. Pada
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciMudafiq R. Pratama
Implementasi MVC (Model-View-Controller) Dengan DAO (Data Access Object) Pada Java Desktop Application Mudafiq R. Pratama mudafiq.riyan@yahoo.com http://mudafiqriyan.com Lisensi Dokumen: Copyright 2012
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah komputer (computer) berasal dari bahasa Latin Computare yang berarti
BAB 2 LANDASAN TEORI 2.1 Pengertian Komputer Istilah komputer mempunyai arti yang luas dan berbeda untuk orang yang berbeda. Istilah komputer (computer) berasal dari bahasa Latin Computare yang berarti
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 terperinciABSTRAK. Kata Kunci: data tidak seimbang, klasifikasi, KSMOTE, boosting, SSO, support vector machine.
ABSTRAK Klasifikasi dalam data mining adalah proses untuk menemukan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data atau konsep. Salah satu permasalahan klasifikasi adalah distribusi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam perkembangan ilmu pengetahuan dan teknologi, data merupakan suatu aspek yang sangat berguna. Manusia dapat belajar dan menemukan solusi suatu kasus baru dari
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Perancangan Program 3.1.1 Perancangan Perangkat Lunak Perangkat lunak atau piranti lunak adalah: 1. Program komputer yang berfungsi sebagai sarana interaksi antara
Lebih terperinci1. BAB III ANALISA DAN PERANCANGAN SISTEM
1. BAB III ANALISA DAN PERANCANGAN SISTEM Pada bab ini akan membahas tentang analisa dan perancangan sistem. Analisa sistem meliputi deskripsi produk, analisa kebutuhan dan use case, sedangkan perancangan
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 terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan data mining menggunakan algoritma c4.5 untuk prediksi ketepatan waktu kelulusan mahasiswa pada
Lebih terperinciDASHBOARD LIBRARY UNTUK VISUALISASI INFORMASI
DASHBOARD LIBRARY UNTUK VISUALISASI INFORMASI Yulia 1), Harry Timothy Tumalewa 2), Hans Juwiantho 3) 1,2,3) Teknik Informatika Fakultas Teknologi Industri Universitas Kristen Petra, Surabaya Siwalankerto
Lebih terperinci