Lingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
|
|
- Suharto Atmadja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa algoritme QROCK lebih baik dari ROCK. Lingkungan Pengembangan Aplikasi ini dibangun dengan menggunakan perangkat keras dan lunak dengan spesifikasi sebagai berikut : Perangkat keras : Processor Intel Pentium 4 RAM 512 MB DDR 1 HDD 80 GB Monitor 14 Mouse dan keyboard Perangkat lunak : Sistem operasi Windows XP SP 2 Bahasa Pemrograman Matlab 7 Microsoft Excel 2007 HASIL DAN PEMBAHASAN Preprocessing Data Data yang digunakan pada penelitian ini adalah data bunga karang atau sponge jenis O.Hadromerida (Demospongiae. Porifera) yang terdapat di Lautan Atlantik. Data diperoleh dari hasil penelitian Iosune Uriz dan Marta Domingo pada tahun Data ini memiliki 76 record dan 45 atribut. Format awal data adalah format txt. Tahap praproses data dilakukan terhadap data bunga karang meliputi: 1 Data selection Pada proses ini dilakukan dua tahapan : a b Seleksi record. Dari 76 record data terdapat 22 missing data pada atribut ke 39, oleh karena itu diperlukan pemilihan record yang sesuai sehingga data yang hilang tidak mempengaruhi hasil. Pada penelitian ini seleksi record dilakukan dengan cara membuang 22 record missing data, sehingga dihasilkan 54 record data. Data sponge tersebut dapat dilihat pada Lampiran 1. Seleksi atribut. Dalam data yang digunakan terdapat 45 atribut yang terdiri dari 27 atribut non-numerik, 15 atribut boolean, dan tiga atribut numeric. Karena tiga atribut numeric dalam bentuk bilangan diskret maka diasumsikan bahwa nilai dari atribut tersebut merupakan hasil pengamatan yang didiskretkan sehingga dapat dijadikan kategori. Oleh karena semua atribut yang ada berhubungan dengan struktur anatomi dan fisiologi dari bunga karang maka semua atribut digunakan dalam proses data mining. Atribut yang digunakan dapat dilihat pada Lampiran 2. 2 Data transformation Pada tahapan proses ini dilakukan tranformasi data dari format.txt ke format.xls agar dapat diproses dengan mudah oleh MATLAB. Kemudian dilakukan inisialisasi untuk setiap data kedalam bentuk integer untuk mempermudah proses perhitungan similaritas. Data Mining Pada tahap ini dilakukan clustering menggunakan langkah-langkah dari algoritme ROCK dan QROCK. Pada langkah pertama akan dilakukan proses clustering menggunakan algoritme ROCK. Percobaan clustering dilakukan untuk ukuran cluster dua sampai 13 (k = 2 13). Untuk masing masing ukuran cluster dilakukan percobaan dengan nilai threshold diambil pada selang 0 sampai 1 (0:0.1:1). hasil ditentukan sedemikian sehingga cluster hasil memiliki nilai cohesion yang tinggi dan telah merepresentasikan pola anatomi dari sponge. yang dihasilkan oleh algoritme ROCK berjumlah tujuh cluster dengan nilai threshold 0.6. Hasil algortme ROCK tersebut disajikan pada Tabel 1. Tabel 1 hasil algoritme ROCK untuk ukuran k = 7 dan = 0,6 Anggota 1 [ ] 2 [ ] 3 [ ] 4 [ ] 5 [ ] 6 [ ] 7 [ ] Persentase dan jumlah anggota masingmasing cluster algoritme ROCK dengan ukuran k = 7 dan threshold = 0,6 disajikan dalam Tabel 2. 8
2 Tabel 2 Persentase dan jumlah anggota cluster algoritme ROCK untuk ukuran k = 7 dan = 0,6 anggota Persentase (%) Pola anatomi yang direpresentasikan dari cluster hasil algoritme ROCK yaitu : 1 Anggota cluster satu merupakan sponge yang tidak memiliki bagian dalam cortex, tidak memiliki espicula, megasclera tipe satu dan warnanya selain warna biru, kuning dan orange permukaan halus. 2 Anggota cluster dua merupakan sponge yang memiliki cortex, tidak memiliki tipe espicula, megasclera tipe tiga, dan bentuk lapisan permukaannya keras. 3 tiga merupakan sponge yang tidak memiliki cortex, tidak memiliki espicula, megasclera tipe satu, berwarna kuning dan lapisan permukaan kasar. 4 Anggota cluster empat merupakan sponge yang tidak memiliki cortex, tidak memiliki espicula, megasclera tipe satu dan dua, berwarna kuning, selain biru dan orange, memiliki lapisan permukaan halus namun keras. 5 lima merupakan sponge yang memiliki cortex, memiliki espicula, megasclera tipe tiga dan satu, warnanya selain warna biru dan orange, bentuk lapisan permukaannya beragam dan keras. 6 enam merupakan sponge yang tidak memiliki cortex, tidak memiliki espicula, megasclera tipe satu, dua, dan tiga, berwarna kuning, selain biru dan orange, memiliki lapisan permukaan halus dan kasar serta keras. 7 tujuh merupakan sponge yang memiliki cortex, tidak memiliki espicula dan memiliki espicula, megasclera tipe satu, dua, dan tiga, berwarna kuning, selain biru dan orange, memiliki permukaan yang keras. Pada percobaan untuk algoritme QROCK tidak diperlukan penentuan ukuran cluster karena ukuran cluster akan dibangkitkan otomatis oleh algoritme QROCK. Pada algoritme ini hanya diperlukan masukan data dan nilai threshold. Nilai threshold pada percobaan ini diambil pada selang 0 sampai dengan 1 (0:0.05:1). Percobaan clustering dilakukan dengan memasukan nilai threshold yang bervariasi hingga menghasilkan cluster yang memiliki nilai cohesion yang tinggi dan telah merepresentasikan pola anatomi dari sponge. yang dihasilkan oleh algoritme QROCK berjumlah enam cluster dengan nilai threshold Hasil algoritme QROCK tersebut disajikan pada Tabel 3. Tabel 3 yang dihasilkan oleh algoritme QROCK pada ukuran k = 6 dan = 0,85 Anggota 1 [1] [ ] 3 [10] [ ] 5 [42 43] 6 [46 47] Persentase dan jumlah anggota masingmasing cluster algoritme QROCK pada ukuran k = 6 dan threshold = 0,85 disajikan dalam Tabel 4. Tabel 4 Persentase dan jumlah anggota cluster algoritme QROCK pada ukuran k = 6 dan = 0,85 anggota Persentase (%)
3 Pola anatomi yang direpresentasikan dari cluster hasil algoritme QROCK yaitu : 1 Anggota cluster satu merupakan sponge yang memiliki cortex, tidak ada espicula, megasclera tipe satu, warna selain kuning, biru dan orange, permukaannya kasar. 2 dua sponge yang memiliki cortex, megascleras tipe satu dan dua, tidak memiliki espicula, warna kuning dan selain biru dan orange, permukaan halus dan keras. 3 Anggota cluster tiga sponge yang memiliki cortex dan espicula, megasclera tipe tiga, permukaannya halus dan warnanya kuning. 4 empat sponge yang memiliki cortex dan tidak memiliki espicula, megasclera tipe tiga, warna selain kuning, biru dan orange, permukaan halus tapi keras. 5 lima sponge yang tidak memiliki cortex namun memiliki espicula, megasclera tipe tiga, warna kuning, lapisan permukaan halus dan kasar. 6 enam merupakan sponge yang memiliki cortex dan tidak memiliki espicula, tidak memiliki megasclera, warna selain kuning, biru dan orange, permukaannya berbentuk poligon besar dan kasar. Pada kasus algoritme ROCK yang membutuhkan dua parameter ukuran cluster dan nilai threshold, algoritme berhenti setelah mendapatkan k cluster yang ditentukan maka k > untuk nilai threshold. tambahan ( buah) tidak lain merupakan calon anggota cluster, namun karena nilai k terpenuhi maka proses merge tidak sempat dikerjakan. Selain itu, kondisi data dalam jumlah besar dan kemungkinan memiliki outliers sangat sulit untuk menentukan nilai k. Algoritme QROCK lebih mudah dan natural karena tidak harus menentukan ukuran k dibandingkan algoritme ROCK. Evaluasi Pola Hasil clustering dari setiap kombinasi ukuran cluster dan nilai threshold dievaluasi menggunakan total cohesion dengan menggunakan persamaan (7) dan nilai separation dengan menggunakan persamaan (8). Nilai total cohesion untuk clustering algoritme ROCK disajikan pada Lampiran 3. Pada algoritme ROCK pola anatomi sponge dapat direpresentasikan setelah ukuran cluster tujuh. Pada tabel di Lampiran 3 dapat terlihat bahwa untuk ukuran cluster tujuh dengan nilai cohesion yang paling tinggi terdapat pada nilai threshold 0.6, maka cluster yang dipilih untuk algoritme ROCK adalah ukuran cluster tujuh dengan = 0.6. Nilai cohesion dan nilai separation untuk cluster tujuh dan = 0.6 tersebut disajikan pada Tabel 5. Tabel 5 Nilai cohesion dan nilai separation algoritme ROCK untuk cluster delapan dan = 0.7 Anggota Cohesion Separation , , Nilai total cohesion untuk clustering dari setiap kombinasi nilai threshold bagi algoritme QROCK disajikan pada Lampiran 4. Pada algoritme QROCK pola anatomi sponge dapat direpresentasikan pada ukuran cluster enam. Pada tabel di Lampiran 4 dapat dilihat bahwa untuk nilai (threshold) = 0.85 total cohesion memiliki nilai cohesion yang tinggi dibandingkan dengan cluster sembilan yang dihasilkan oleh nilai threshold = 0.87, maka cluster yang dipilih untuk algoritme QROCK adalah cluster ukuran enam dengan = Nilai cohesion dan nilai separation untuk ukuran cluster enam dan = 0.85 tersebut disajikan pada Tabel 6. 10
4 Tabel 6 Nilai cohesion dan nilai separation algoritme QROCK untuk cluster enam dan = 0.85 anggota Cohesion Separation Semakin besar nilai cohesion (intracluster) menunjukkan kemiripan (similaritas) objek-objek tersebut semakin besar (Mali & Mitra, 1998). Semakin kecil nilai separation yang menggunakan persamaan similaritas maka perbedaan atau jarak suatu cluster dengan cluster lainnya semakin besar (Tan et al. 2006). Dengan demikian suatu cluster dikatakan baik jika nilai cohesion lebih besar dari nilai separation-nya. Dari Tabel 5 dapat dilihat bahwa algoritme ROCK memiliki nilai total cohesion 7.498,6 dan nilai separation Nilai separation lebih besar dibandingkan nilai cohesion-nya. Sedangkan dari Tabel 6 terlihat bahwa algoritme QROCK memili ki nilai cohesion ,3 dan nilai total separation 0. Nilai separation algoritme QROCK lebih kecil dibandingkan nilai cohesion-nya. Dengan demikian berdasarkan hasil penelitian ini, cluster yang dihasilkan algoritme QROCK lebih baik dibandingkan cluster yang dihasilkan algoritme ROCK. Ukuran dan Nilai Cohesion Nilai cohesion menentukan kualitas suatu cluster sementara ukuran cluster menentukan nilai total cohesion. Nilai cohesion menentukan kualitas suatu cluster karena dengan semakin tinggi nilai cohesion maka semakin baik kualitas suatu cluster. Ukuran cluster menentukan nilai total cohesion karena semakin banyak cluster yang terbentuk maka semakin sedikit anggota suatu cluster dan semakin sedikit pula nilai total cohesion-nya. Hubungan antar ukuran cluster dan nilai cohesion pada algoritme ROCK dapat dilihat pada Lampiran 3. Nilai total cohesion dan ukuran cluster pada nilai threshold 0.7 untuk algoritme ROCK dapat dilihat pada Tabel 7. Tabel 7 Nilai total cohesion dan ukuran cluster algoritme ROCK pada nilai threshold 0.6 Threshold Berdasarkan Tabel 7 dapat dilihat grafik nilai k terhadap nilai total cohesion pada Gambar 4. Gambar 4 Grafik nilai cohesion terhadap nilai k pada algoritme ROCK. Nilai total cohesion dan ukuran cluster pada algoritme QROCK dapat dilihat pada Lampiran 4. Nilai k terhadap total cohesion dari Lampiran 4 diplotkan pada grafik dalam Gambar 5. 11
5 kumpulan cluster sebagai sekumpulan komponen graf L (M.Dutta et al. 2005). Misalkan adalah jumlah cluster akhir graf L berdasarkan. Nilai dapat diambil pada rentang 0 sampai dengan 1, sedemikian sehingga nilai konstan. Sehingga jika maka nbrlist dari nbrlist, jumlah anggota cluster jumlah anggota Gambar 5 Grafik nilai cohesion terhadap nilai k pada algoritme QROCK. Dari grafik Gambar 4 dan 5 dapat disimpulkan bahwa semakin besar jumlah k maka semakin kecil nilai total cohesion-nya, hal ini disebabkan semakin banyak cluster mengakibatkan jumlah anggota suatu cluster semakin sedikit sehingga menyebabkan nilai total cohesion menjadi kecil. Perbandingan nilai cohesion terhadap ukuran cluster antara algoritme ROCK dan QROCK dapat dilihat pada Gambar 6. Gambar 6 Perbandingan nilai cohesion terhadap ukuran cluster untuk ROCK dan QROCK. Pada algoritme QROCK menurunnya nilai cohesion lebih dipengaruhi oleh nilai threshold dibandingkan oleh ukuran cluster karena ukuran clusternya ditentukan secara otomatis oleh algoritme QROCK berdasarkan nilai threshold yang ditentukan. cluster, cluster cluster (M.Dutta et al. 2005). Hubungan antar nilai threshold dan nilai cohesion pada algoritme ROCK dapat dilihat pada Tabel 8. Tabel 8 Hubungan antar nilai threshold dan nilai cohesion pada algoritme ROCK pada ukuran cluster tujuh Threshold Berdasarkan Tabel 8 dapat digambarkan grafik hubungan nilai threshold terhadap nilai total cohesion pada Gambar 7. Nilai Threshold dan Nilai Cohesion Nilai threshold pada algoritme ROCK menentukan kepadatan dari graf L (graf yang dibangkitkan oleh algoritme ROCK), sehingga menentukan hasil akhir algoritme ROCK. Pada saat nilai k tidak diberikan, algoritme ROCK akan berhenti secara otomatis dengan 12
6 Gambar 7 Grafik nilai threshold terhadap nilai cohesion pada algoritme ROCK. Pada algoritme QROCK, cluster akhir hanya ditentukan oleh nilai threshold sehingga proses algoritme dapat berhenti secara natural (M.Dutta et al 2005). Nilai total cohesion dan ukuran cluster pada algoritme QROCK dapat dilihat pada Lampiran 4. Nilai k terhadap total cohesion dari Lampiran 4 digambarkan pada grafik dalam Gambar 8. Gambar 8 Grafik nilai threshold terhadap nilai cohesion pada algoritme QROCK. Dari grafik Gambar 7 dan 8 dapat disimpulkan bahwa semakin besar nilai threshold maka semakin kecil nilai total cohesion-nya ini dikarenakan nilai nbrlist semakin kecil mengakibatkan jumlah anggota suatu cluster semakin sedikit sehingga menyebabkan nilai total cohesion menjadi kecil. Perbandingan nilai cohesion terhadap nilai threshold antara algoritme ROCK dan QROCK dapat dilihat pada Gambar 9. Gambar 9 Perbandingan nilai cohesion terhadap nilai threshold untuk ROCK dan QROCK. Mendeteksi Outlier Algoritme ROCK akan berhenti ketika : jumlah cluster yang diharapkan terpenuhi atau tidak ada lagi link diantara cluster-cluster-nya. Pada suatu kasus algoritme ROCK berhenti ketika tidak ada lagi link antar cluster-nya dikarenakan sudah tidak memiliki link yang tidak nol antara mereka, namun ketika kasus yang sama diproses oleh algoritme QROCK ternyata masih memiliki link antar clusternya. Teorema 1 : Jika cluster akhir hasil algoritme ROCK sudah tidak memiliki link yang tidak nol antara mereka maka cluster tersebut tidak lain adalah sebuah link graf L yang komponenkomponennya saling berhubung (M.Dutta et al. 2005). Pembuktian dari teorema tersebut ada dua yaitu : 1 Jika algoritme ROCK berhenti karena tidak ada lagi link yang tidak nol (global heap semuanya nol proses algoritme ROCK berhenti), maka cluster yang terbentuk merupakan komponen terhubung dari graf L. 2 Komponen terhubung tersebut sebenarnya adalah cluster itu sendiri yang merupakan hasil algoritme ROCK (M.Dutta et al. 2005). Pembuktian pertama terjadi pada saat nilai threshold 0.9 untuk kombinasi ukuran cluster dua sampai dengan 13 cluster yang terbentuk sebanyak 23 cluster. Hal tersebut dikarenakan tidak ada lagi link yang tidak nol maka algoritme ROCK menghasilkan secara otomatis 23 cluster. Pada algoritme QROCK 13
7 ketika nilai threshold 0.9 cluster yang terbentuk adalah 19 cluster, dimana data ke 14 masih dapat digabung dengan data ke 19, data ke 42 digabung dengan data ke 43, data ke 46 masih bisa digabung dengan data ke 47, dan data ke 18 digabung dengan data ke 27. Dari hasil penelitian tersebut terbukti bahwa algoritme QROCK dapat mendeteksi outlier pada algoritme ROCK. Perbandingan hasil cluster algoritme ROCK dan QROCK pada nilai threshold 0.9 dapat dilihat pada Lampiran 5. KESIMPULAN DAN SARAN Kesimpulan Pada penelitian ini dilakukan proses clustering menggunakan algoritme ROCK dan QROCK untuk data bunga karang (sponge). Percobaan clustering untuk algoritme ROCK dilakukan untuk ukuran cluster dua sampai 13 (k = 1 13) untuk masing masing ukuran cluster dilakukan percobaan dengan nilai threshold diambil pada selang 0 sampai 1 (0:0,1:1). Pada algoritme QROCK ukuran cluster akan dibangkitkan otomatis oleh algoritmenya, algoritme QROCK hanya membutuhkan nilai threshold untuk menghasilkan cluster. Percobaan cluster pada algoritme QROCK dilakukan berdasarkan variasi nilai threshold pada selang 0 sampai 1 (0:0,05:1). Algoritme QROCK terbukti lebih mudah dibandingkan algoritme ROCK karena tidak perlu menentukan ukuran dari cluster. Dari percobaan diperoleh hasil clustering terbaik untuk algoritme ROCK adalah clustering dengan ukuran cluster tujuh dan nilai threshold 0.6, memiliki nilai total cohesion 7.498,6 dan nilai separation ing terbaik untuk algoritme QROCK yaitu cluster berukuran enam dan nilai threshold Nilai total cohesion ,3 dan nilai total separation 0. Dilihat dari nilai cohesion dan separation algoritme ROCK memiliki nilai cohesion lebih kecil dibandingkan nilai separationnya. Sedangkan untuk algoritme QROCK nilai cohesion lebih besar dari pada nilai separationnya. Dengan demikian dapat disimpulkan algoritme QROCK lebih baik dibandingkan algoritme ROCK. Pada percobaan untuk nilai threshold 0.9 algoritme ROCK menghasilkan 23 cluster karena sudah tidak ada lagi nilai link yang tak nol, sedangkan pada algoritme QROCK dengan nilai threshold 0.9 dihasilkan 19 cluster. Dengan demikian dapat disimpulkan bahwa algoritme QROCK dapat mendeteksi outlier pada algoritme ROCK. Algoritme ROCK dan QROCK dapat digunakan untuk data kategorik, namun menurut hasil dari penelitian ini algoritme QROCK lebih baik dari pada algoritme ROCK. Saran Penelitian ini dapat dilanjutkan dengan menentukan klasifikasi taksonomi dari data sponge dari cluster-cluster yang telah dihasilkan. Perbandingan hasil clustering algoritme QROCK dapat dilakukan dengan algoritme lain yang berbeda base misal algoritme conceptual clustering yaitu COWEB dan ITERATE, sehingga dari perbandingan tersebut dapat diketahui algoritme mana yang lebih efektif digunakan untuk data kategorik. DAFTAR PUSTAKA Goharian & Grossman Introduction to Data Mining. Slide/DM-Introduction.pdf. [Juni 2008]. Guha S, Rajeev R, & Kyuseok S ROCK: A Robust ing Algorithm for Categorical Attributes. Proceedings of the IEEE International Conference on Data Engineering, Sydney, Maret Han J dan Kamber M Data Mining Concepts and Techniques Edisi Ke-2. San Francisco: Morgan Kaufmann Publisher. Huntsbergen Elemen of Statistical Inference. Edisi Ke-6. New York : Allyn and Balon, Inc. Kantardzic M Data Mining: Concepts, Model, Methods, and Algorithm. New Jersey: John Wiley & Sons inc. Mali K, Mitra S ing Validation In A Symbolic Framework. AG E/Fast.ing.pdf. [juli 2008]. M.Dutta, A.Kakoti M & Arun K QROCK : A Quick Version of the ROCK Algorithm for ing of Categorical Data. Proceedings of the 14
PERBANDINGAN ALGORITME CLUSTERING ROCK DAN QROCK UNTUK DATA KATEGORIK (STUDI KASUS : DATA SPONGE) MARISA ANGGRAENI
PERBANDINGAN ALGORITME CLUSTERING ROCK DAN QROCK UNTUK DATA KATEGORIK (STUDI KASUS : DATA SPONGE) MARISA ANGGRAENI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Sponge atau poriferans berasal dari bahasa Latin yaitu porus yang artinya pori dan ferre yang artinya memiliki. Sponge adalah hewan berpori, pada umumnya terdapat di lautan,
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciMETODE PENELITIAN. Gambar 2 Tahapan penelitian. Praproses Data
daerah dalam lingkup R dan f(r) adalah fungsi yang dijalankan pada lingkup R. Mekanisme algoritme Naive adalah sebagai berikut : 1 Menentukan dataset D yang merupakan himpunan seluruh poligon / daerah
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
METODE PENELITIAN Proses Dasar Sistem Proses dasar pengembangan sistem secara umum terdiri dari tahapan sebagai berikut: 1 Praproses. Pada tahap ini dilakukan persiapan yang meliputi seleksi data, transformasi
Lebih terperinciImplementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
Implementasi Sistem Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkahlangkah melakukan clustering dengan FCM,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE
SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE WRS Nurwidodo 1) dan Mochamad Hariadi 2) Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih,
Lebih terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih terperinciHASIL DAN PEMBAHASAN Praproses Data Clustering
Perangkat lunak: Sistem operasi: Windows XP Home Edition, WEKA versi 3.5.7, ArcView GIS 3.3, Map Server For Windows (ms4w) 2.3.1 Chameleon 2.4.1 Perangkat keras: Prosessor intel Pentium 4 ~2GHz Memory
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Kebutuhan Program Untuk menjalankan aplikasi ini ada beberapa kebutuhan yang harus dipenuhi oleh pengguna. Spesifikasi kebutuhan berikut ini merupakan spesifikasi
Lebih terperinciData Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support
6 Representasi Pengetahuan Tahap ini merupakan tahap akhir dari proses KDD. Sederetan aturan atau rule disajikan kepada pengguna dengan menggunakan algoritme Rule Generation. Mulai Data transaksi Pembersihan
Lebih terperinciVISUALISASI K-MEANS CLUSTERING PADA DATA POTENSI PERTANIAN DESA DI BOGOR MENGGUNAKAN MAPSERVER HENRI HARIANJA
VISUALISASI K-MEANS CLUSTERING PADA DATA POTENSI PERTANIAN DESA DI BOGOR MENGGUNAKAN MAPSERVER HENRI HARIANJA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB 1 PENDAHULUAN Pengantar
BAB 1 PENDAHULUAN 1.1. Pengantar Dewasa ini fungsi komputer semakin dimanfaatkan dalam segala bidang. Baik di bidang pendidikan, bisnis, ataupun penelitian. Penggunaan komputer kini tidak lagi terbatas
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor : Intel Pentium IV 2,13 GHz
62 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor :
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 terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. memadai. Berikut ini akan dijelaskan spesifikasi perangkat lunak dan keras yang Spesifikasi Perangkat Keras
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Dalam membuat program ini diperlukan spesifikasi perangkat keras dan lunak yang memadai. Berikut ini akan dijelaskan spesifikasi perangkat lunak dan keras
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciBAB 1 PENDAHULUAN. Wiley & Sons, 2003, Hal : 1. 1 Poe Vidette, Klauer Patricia dan Brobst Stephen, Building A Data WareHouse for Decision Support
BAB 1 PENDAHULUAN 1.1. Pendahuluan Dewasa ini fungsi komputer semakin dimanfaatkan baik pada perusahaan menengah ke atas maupun pada perusahaan kecil. Adapun fungsi dari komputer itu sendiri adalah mengolah
Lebih terperinciBAB 1 PENDAHULUAN Building A Data WareHouse for Decision Support Second Edition Data Mining : Concepts, Models, Methods, and Algorithms
BAB 1 PENDAHULUAN 1.1. Pendahuluan Mesin hitung bernama Komputer sejak satu dekade ini telah tumbuh dan berkembang dengan pesat. Perkembangan ini meliputi sisi teknologi, kapasitas media penyimpanan, dan
Lebih terperinciZ = HASIL DAN PEMBAHASAN
1 D adalah himpunan daerah Bogor yang terdiri dari 68 desa/kelurahan di Kota Bogor. 2 Mengonversi himpunan daerah tersebut ke dalam matriks di MATLAB. 3 Menentukan daerah R menggunakan MBR (Minimum Bounding
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
Lebih terperinciKlasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor
Klasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor Yuandri Trisaputra, Indriyani, Shellafuri Mardika Biru, Muhammad Ervan Departemen Ilmu Komputer, FMIPA,
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciHASIL DAN PEMBAHASAN. Praproses
5 4 MySQL sebagai database. 5 Mozilla Firefox sebagai web browser. 6 Microsoft Excel untuk perhitungan hasil penelitian dan pembuatan grafik. Perangkat keras: 1 Prosesor Intel Core i3. 2 RAM 2 GB. 3 Harddisk
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
38 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Untuk menjalankan program aplikasi ini, diperlukan beberapa komponen pendukung. Yang pertama adalah konfigurasi dari perangkat keras dan yang kedua
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. Desain penelitian untuk Sistem Optimalisasi Produksi ini menggunakan
BAB 3 METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk Sistem Optimalisasi Produksi ini menggunakan model sekuensial linier. Desain penelitian untuk sistem optimalisasi produksi ini
Lebih terperinci1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Kemajuan teknologi informasi yang pesat beberapa dekade yang terakhir telah menyebabkan peralihan penyimpanan dan pertukaran informasi yang sebelumnya secara
Lebih terperinciCLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Program 4.1.1 Spesifikasi Keutuhan Program Spesifikasi Perangkat Keras (Hardware) Perangkat keras yang digunakan untuk merancang sistem ini adalah:
Lebih terperinciBAB V IMPLEMENTASI SISTEM
BAB V IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan implementasi dari Aplikasi Sistem Pendukung Keputusan Penilaian kinerja yang sudah dibangun 5.1 Lingkungan Implementasi Lingkungan implementasi meliputi
Lebih terperinciPENDAHULUAN BAB I. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini, kemajuan teknologi komputer sudah banyak dimanfaatkan untuk mendukung suatu usaha bisnis. Dengan adanya komputer, data-data mentah dapat diolah
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Processor Intel Pentium IV 2.41GHz RAM 512 MB DDR. Hard disk 40 GB. Monitor 15 Samsung SyncMaster 551v
52 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Perangkat Keras Spesifikasi dari perangkat keras yang digunakan dalam perancangan program adalah sebagai berikut : Processor Intel Pentium IV 2.41GHz
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciBAB V PENGUJIAN. Tujuan pengujian yang dilakukan terhadap perangkat lunak PRStock adalah sebagai berikut :
BAB V PENGUJIAN Bagian ini membahas tentang pengujian yang dilakukan terhadap perangkat lunak PRStock yang telah diimplementasikan. Hasil pengujian kemudian akan dianalisis untuk mengetahui pencapaian
Lebih terperinciPenentuan Pola Sekuensial pada Data Transaksi Perpustakaan IPB Menggunakan Algoritma Graph Search Techniques
Penentuan Pola Sekuensial pada Data Transaksi Perpustakaan IPB Menggunakan Algoritma Graph Search Techniques Imas S. Sitanggang 1, Firman Ardiansyah 1 dan Hamzah Agung 2 1 Staf Pengajar Departemen Ilmu
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. dari perangkat keras (Tabel 4.1) dan perangkat lunak (Tabel 4.2). Berikut adalah
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi sistem yang digunakan dalam pembuatan program aplikasi ini terdiri dari perangkat keras (Tabel 4.1) dan perangkat lunak (Tabel 4.2). Berikut
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM. Processor : Intel Pentium IV 1.60 GHz RAM : 256 MB
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Program 4.1.1 Spesifikasi Keutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang system ini adalah: Processor
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan mengenai pelaksanaan terhadap hasil perancangan yang telah diperoleh sebelumnya. Hasil perancangan pada tahap perancangan akan diimplemetasikan menjadi
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 8 Langkah-langkah deteksi cluster dengan algoritme DDBC. Performansi Hasil Cluster
Performansi Hasil Cluster Gambar 8 Langkah-langkah deteksi cluster dengan algoritme DDBC. Pada tahap ini dilakukan analisis terhadap hasil cluster. Analisis yang digunakan adalah analisis cluster ce. Besarnya
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Pengantar Pendahuluan 1.2 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Pengantar Pendahuluan Kehadiran teknologi informasi memang dirasakan manfaatnya dalam mempermudah kegiatan dan kerja manusia dalam melakukan pekerjaannya. Lembaga bisnis pastilah
Lebih terperinciANALISIS KARAKTERISTIK KELOMPOK DENGAN MENGGUNAKAN PENDEKATAN CLUSTER ENSEMBLE
ANALISIS KARAKTERISTIK KELOMPOK DENGAN MENGGUNAKAN PENDEKATAN CLUSTER ENSEMBLE Dyah Paminta Rahayu(dyahp@ut.ac.id) Jurusan Matematika FMIPA Universitas Terbuka ABSTRAK Pengelompokkan merupakan salah satu
Lebih terperinciPenerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta)
Penerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta) Universitas Islam Negeri Syarif Hidayatullah Jakarta email: nurhayati@uinjkt.ac.id
Lebih terperinci1.1 Latar Belakang Masalah
BAB 1. PENDAHULUAN Bab ini akan membahas mengenai latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data dan sistematika penyajian. 1.1 Latar Belakang Masalah Apotek
Lebih terperinciHASIL DAN PEMBAHASAN Kondisi Awal Lingkungan Pengembangan
6 proses updating lokasi untuk basis data dailyhotspot importime.php merupakan modul yang berguna untuk melakukan proses updating elemen dimensi waktu untuk basis data monthlyhotspot importimedaily.php
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam suatu universitas, salah satu analisis yang dapat dilakukan untuk melihat perkembangan prestasi akademik seorang mahasiswa adalah dengan memantau nilai
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 terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciAgus Alim Muin S.Kom, M.Kom
Technologia Vol 7, No.4, Oktober Desember 2016 245 PENERAPAN SELEKSI ATRIBUT WEIGHTS BY INFORMATION GAIN DAN SELECT BY WEIGHTS PADA ALGORITMA NAÏVE BAYES UNTUK PREDIKSI KOLEKTIBILITAS PEMBIAYAAN USAHA
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
25 BAB 3 METODOLOGI PENELITIAN 3.1. Analisis Permasalahan Pada regresi berganda terdapat beberapa masalah yang dapat terjadi sehingga dapat menyebabkan estimasi koefisien regresi menjadi tidak stabil.
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN SISTEM
BAB IV ANALISIS DAN PERANCANGAN SISTEM 4.1. Pengantar Pada bab ini akan dibahas mengenai analisis dan perancangan Aplikasi Pembelajaran Musik Klasik (APMK). Pokok bahasan yang terdapat dalam bab ini adalah
Lebih terperinciBAB V IMPLEMENTASI (Evaluation Phase dan Deployment Phase)
BAB V IMPLEMENTASI (Evaluation Phase dan Deployment Phase) 5.1 Lingkungan Implementasi Implementasi merupakan tahapan dimana hasil perancangan yang telah dibangun mulai diterapkan pada kondisi yang menyerupai
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. genetik yang dibuat. Dalam mengimplementasi program aplikasi diperlukan syarat
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini, penulis akan menguraikan hasil implementasi dan evaluasi terhadap program aplikasi optimasi penjadwalan penggunaan ruang menggunakan teori algoritma genetik
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari rancangan sistem informasi pinjaman pada Koperasi Credit Union Harapan Kita dengan menggunakan metode
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi informasi saat ini telah mengalami kemajuan yang cukup pesat. Penggunaan komputer dalam mengolah data dari tiap transaksi yang terjadi mampu
Lebih terperinciPENGEMBANGAN BAGAN KENDALI MUTU UNTUK KOMPOSISI. simplex-lattice adalah (q+ m-1)!/(m!(q-1)!) (Cornell 1990).
Lalu bagan Shewhart dapat dibentuk dengan rumus sebagai berikut: simplex-lattice adalah (q+ m-1)!/(m!(q-1)!) (Cornell 1990). p = Rata-rata proporsi produk cacat n = Ukuran contoh yang diambil UCL = Batas
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI PROGRAM. Oriented Programming) atau secara procedural.
38 BAB 4 PERANCANGAN DAN IMPLEMENTASI PROGRAM 4.1 Perancangan Program Aplikasi 4.1.1 Bentuk Program Suatu program dapat dibuat dengan dua cara yaitu secara OOP (Object Oriented Programming) atau secara
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Terdapat tiga tahapan utama dalam penelitian ini. Ketiga tahapan tersebut yaitu, pembentukan klaster data SMS, pembentukan model klasifikasi, serta implementasi model klasifikasi
Lebih terperinciBAB III METODE PENELITIAN. ini dilaksanakan dari bulan Agustus Oktober 2016.
BAB III METODE PENELITIAN 3.1. Tempat dan Waktu Penelitian Penelitian ini dilaksanakan di Universitas Muhammadiyah Yogyakarta di ruang Biro Sistem Informasi, gedung AR. Fachruddin B. Adapun waktu penelitian
Lebih terperinciBAB V IMPLEMENTASI SISTEM. tersebut siap diterapkan atau diimplementasikan. Tahap Implementasi Sistem
BAB V IMPLEMENTASI SISTEM Setelah tahap penganalisaan dan perancangan, maka langkah selanjutnya dalam membangun sebuah sistem informasi adalah menguji apakah sistem tersebut siap diterapkan atau diimplementasikan.
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Sistem Tahap implementasi sistem merupakan tahap pembangunan perangkat lunak, tahap lanjut dari tahap perancangan sistem. Tahap yang dilakukan untuk
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian adalah tahapan atau gambaran yang akan dilakukan
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian adalah tahapan atau gambaran yang akan dilakukan dalam melakukan penelitian, untuk memudahkan peneliti melakukan penelitan dibutuhkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perusahaan sebagai suatu organisasi yang digerakkan oleh sumber daya manusia dihadapkan pada beragam pilihan dalam rangka menentukan tenaga kerja yang berkualitas.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode penelitian yang digunakan dalam penulisan Tugas Akhir ini, sebagai berikut: 3.1 Instrumen Penelitian Berdasarkan permasalahan yang telah diuraikan pada bab sebelumnya,
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
Lebih terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil tampilan program aplikasi sistem informasi akuntansi retur penjualan pada UD Anugerah Lestari yang dirancang penulis dapat dilihat pada gambar berikut ini:
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Promosi merupakan suatu kegiatan penting yang perlu dilakukan untuk mengembangkan suatu bisnis. Dalam dunia pendidikan seperti fakultas yang terdapat dalam
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belakang PENDAHULUAN Organisasi Kesehatan Dunia (WHO) memperkirakan, bahwa 177 juta penduduk dunia mengidap penyakit diabetes mellitus atau biasa disingkat diabetes. Jumlah ini akan terus meningkat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah R SMA BI 1 Baleendah merupakan sekolah SMA hasil migrasi dari SMAN 1 Baleendah. Meskipun sekolah berlokasi di kabupaten, tetapi dari sisi kualitas tidak kalah
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 1.1. Rancangan Penelitian Rancangan penelitian adalah rencana dan struktur penyelidikan yang disusun sedemikian rupa sehingga penelitian akan memperoleh jawaban untuk pertanyaan-pertanyaan
Lebih terperinciMETODE PENELITIAN. Proses Dasar Sistem
Gagasan utama dari sequential pattern mining adalah untuk menemukan semua pola sekuensial yang memiliki nilai support lebih besar dari nilai minimum support yang diberikan (Fiot. C et al ). Diagram alir
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Untuk implementasi pada Oke Bakery ada spesifikasi-spesifikasi yang dibutuhkan
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Rencana Implementasi Untuk implementasi pada Oke Bakery ada spesifikasi-spesifikasi yang dibutuhkan sehingga program aplikasi dapat berjalan. Berikut adalah spesifikasinya.
Lebih terperinciBAB V IMPLEMENTASI SISTEM. pemilihan bahasa pemroggraman yang digunakan, pemilihan teknologi, kebutuhan
88 BAB V IMPLEMENTASI SISTEM Bab ini menjelaskan tentang implementasi sistem yang menguraikan tentang pemilihan bahasa pemroggraman yang digunakan, pemilihan teknologi, kebutuhan alat dan spesifikasi yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain Penelitian merupakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan tenaga kerja akhir-akhir ini mulai meningkat cukup pesat. Hal itu dapat dilihat dari banyaknya permintaan lapangan kerja pada perusahaan-perusahaan. Dengan
Lebih terperinciBAB 1 PENDAHULUAN. Masalah yang akan dibahas dalam penelitian ini antara lain : - Apakah dengan menggunakan LINQ dapat menyelesaikan masalah untuk
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sudah menjadi suatu kebiasaan kampus untuk menentukan kuliah pengganti jika ada hari libur atau dosen yang bersangkutan tidak dapat hadir dalam perkuliahan. Selama
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI..Net 2005 dan menggunalan SQL Server 2005 sebagai database.
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Impementasi Sistem Tahap implementasi program merupakan suatu tahap penerapan dari analisa dan perancangan sistem yang telah dibuat sebelumnya. Aplikasi uang dibangun,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari rancangan sistem informasi biaya pembelian dan penjualan (Cost In/Out) pada CV. Bonie Mekar Jaya yang
Lebih terperinciBAB V IMPLEMENTASI SISTEM
BAB V IMPLEMENTASI SISTEM Tahapan selanjutnya dalam perancangan sistem adalah tahapan implementasi sistem. Dalam tahap implementasi sistem terdapat beberapa kegiatan yang lakukan, antara lain : pengujian
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 terperinciUniversitas Indonesia
UNIVERSITAS INDONESIA DATA MINING & BUSINESS INTELLIGENCE PENERAPAN DATA MINING PADA EVALUASI PROGRAM STUDI BERDASARKAN EVALUASI DIRI (EPSBED) STUDI KASUS UNIVERSITAS BUDI LUHUR INDRA NPM : 0906593725
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Pembahasan pada bab ini menjelaskan gambaran umum nilai tukar mata uang rupiah terhadap dolar amerika, metode penelitian, perancangan program aplikasi, rancangan perangkat lunak
Lebih terperinciPE DAHULUA. Latar Belakang
Latar Belakang PE DAHULUA Pemilihan Kepala Daerah dan Wakil Kepala Daerah, atau seringkali disebut Pilkada, adalah pemilihan umum untuk memilih Kepala Daerah dan Wakil Kepala Daerah secara langsung di
Lebih terperinciBAB III ANALISIS APLIKASI. terjadi dan kebutuhan yang diharapkan sehingga dirasakan perlu untuk melakukan
BAB III ANALISIS APLIKASI Analisis aplikasi merupakan penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian dari komponen dengan maksud untuk melakukan identifikasi dan evaluasi permasalahan,
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Di tengah laju kemajuan teknologi telekomunikasi dan informatika, informasi yang cepat dan akurat semakin menjadi kebutuhan pokok para pengambil keputusan. Informasi
Lebih terperinci1.1 Latar Belakang Masalah
BAB 1. PENDAHULUAN Bab ini menjelaskan tentang latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, serta sistematika penyajian yang akan dibahas dalam pembuatan
Lebih terperinci