DATA MINING UNTUK ANALISA TINGKAT KEJAHATAN JALANAN DENGAN ALGORITMA ASSOCIATION RULE METODE APRIORI (Studi Kasus Di Polsekta Medan Sunggal)

Ukuran: px
Mulai penontonan dengan halaman:

Download "DATA MINING UNTUK ANALISA TINGKAT KEJAHATAN JALANAN DENGAN ALGORITMA ASSOCIATION RULE METODE APRIORI (Studi Kasus Di Polsekta Medan Sunggal)"

Transkripsi

1 DATA MINING UNTUK ANALISA TINGKAT KEJAHATAN JALANAN DENGAN ALGORITMA ASSOCIATION RULE METODE APRIORI (Studi Kasus Di Polsekta Medan Sunggal) Fadlina Pasca Sarjana Ilmu Komputer Universitas Putra Indonesia YPTK PADANG Alamat : Jl. Raya Lubuk Begalung Padang, Sumatera Barat No. Telepon : (0751) , Fax : (0751) Website : // Abstrack Data mining, or often referred to as knowledge discovery in databases (KDD) is acollection of activities that include, the use of historical data to discoverregularities,patterns or relationships in large data. In this thesis data mining is used to analyze the level of street crime. This technique aims to provide information about the area and the potential for street crime that can assist the police in anticipation of a crime that often appears, was done by using analysis of habit how often do street crimes. Detection of crime which often occur simultaneously called association rule (association rules). Algorithm that can be used to find Apriori association rule is. Apriori algorithm is the association rule mining through multiple scan data sets, find a relationship between the variables and present a strong rule in a large database. The data is taken as a case study of street crime data Polsekta Sunggal Medan. Test data using data mining software Tanagra and Microsoft Excel for data storage. Results from a combination of patterns and rules obtained to provide information that could be followed up or contain important information that can be utilized to enhance the security and sensitivity of street crime. Keywords: Data mining, Association rules, Apriori, Knowledge Discovery in Database 1. Pendahuluan 1.1. Latar Belakang Masalah Perkembangan jaman berdampak pada perkembangan masyarakat, perilaku, maupun pergeseran budaya. Terjadinya peningkatan kepadatan penduduk, pengangguran bertambah, kemiskinan yang mengakibatkan tingginya angka kriminalitas terutama di daerah urban yang padat. Makaampoh, (2013) dalam penelitiannya menyatakan tindak kekerasan dalam KUHP salah satunya adalah aksi kejahatan jalanan (Street Crime) seperti pencurian, pemerasan, pemerkosaan, penganiayaan, tindak kekerasan terhadap orang atau barang, perilaku Mabuk dimuka umum, yang tentunya dapat mengganggu ketertiban umum serta menimbulkan keresahan di masyarakat Kepolisian berkaitan dengan fungsinya sebagai pengayom masyarakat diharapkan mampu mengambil tindakan dalam menyikapi fenomena kejahatan jalanan dengan melakukan operasi razia dalam mengungkap kejahatan yang dapat dilakukan dengan menggunakan teknik analisis dari kebiasaan seberapa sering kejahatan jalanan dilakukan. Pendeteksian kejahatan yang sering terjadi secara bersamaan disebut association rule (aturan asosiasi). Wakabi-Waiswa dan Baryamureeba, (2008) menggunakan Association rule untuk mengekstrak atau menarik korelasi dari pola yang sering muncul atau struktur kasual antara set item dalam transaksi database atau repository data lainnya. Umarani dan Punithavalli, (2011) menggunakan Proses pertambangan aturan asosiasi dari database yang besar menjadi dua langkah yaitu generasi itemset sering yang disebut minsupport dan association rule generation dari itemset sering, menghasilkan semua aturan asosiasi yang disebut minconfidence. Algoritma yang dapat digunakan untuk menemukan association rule adalah Apriori. Algoritma Apriori adalah aturan asosiasi pertambangan melalui beberapa scan set data, menemukan hubungan antara variabel dan menyajikan aturan yang kuat dalam database yang besar (Padmaja dan Poongodai, 2011). Dalam penelitian Prasad dan Malik, (2011) juga mengimplementasikan algoritma apriori untuk aturan dari dataset yang berisi transaksi penjualan toko ritel. Sedangkan dalam penelitian ini akan dilakukan pengujian apakah metode Association Rule dapat digunakan untuk menyelesaikan permasalahan pada data kejahatan jalanan. Data yang digunakan adalah daerah dan jenis kejahatan jalanan dari data statistik Polsek Medan Sunggal. Hasil dari penelitian ini diharapkan dapat memberikan informasi mengenai daerah dan potensi kejahatan jalanan yang dapat membantu pihak kepolisian dalam mengantisipasi kejahatan yang sering muncul Perumusan Masalah Berdasarkan uraian latar belakang, maka penulis merumuskan suatu permasalahan yaitu sebagai berikut: 1. Bagaimana menganalisa tingkat kejahatan jalanan untuk menemukan aturan assosiatif antara suatu kombinasi item dan membentuk Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 144

2 pola kombinasi itemsets dengan menggunakan algoritma apriori? 2. Bagaimana mengimplementasikan Data Mining dengan algoritma Association Rule untuk menganalisa tingkat kejahatan jalanan? 3. Bagaimana faktor pendukung tersebut bisa dijadikan sebagai informasi dalam meningkatkan kewaspadaan masyarakat agar terhindar dari kejahatan di jalanan (Street Crime)? 1.3 Batasan Masalah Agar penulisan tesis tidak lepas dari latar belakang dan perumusan masalah, maka penulis membuat batasan masalahnya yaitu sebagai berikut : 1. Menggunakan data mining Association Rule untuk menghasilkan rules dan algoritma Apriori untuk menemukan pola kombinasi itemset 2. Data yang digunakan adalah data kejahatan jalanan (Street Crime) dan daerah kejahatan pada Polsekta Medan Sunggal. 3. Menggunakan aplikasi atau tools data mining Tanagra sebagai pengujian data. 1.4 Tujuan Penelitian Beberapa tujuan yang ingin dicapai dalam penelitian ini yaitu sebagai berikut: 1. Mengimplementasikan data mining Association Rule dan Algoritma Apriori pada kejahatan jalanan untuk mengekstrak ilmu pengetahuan, informasi penting dan menarik dari database. 2. Membentuk pola kombinasi itemsets dari data kejahatan jalanan dengan menggunakan algoritma Apriori. 3. Menghasilkan rules dari pola kombinasi itemsets yang interesting, sehingga dapat diketahui tingkat kejahatan jalanan apa yang sering dilakukan. 4. Merancang metode Association Rule untuk penanganan kejahatan jalanan sehingga dapat meningkatkan efektifitas dan efesiensi kinerja kepolisian. 5. Membangun suatu pengetahuan baru dalam menganalisa tingkat kejahatan sehingga dapat meningkatkan keamanan dan sensitifitas kejahatan. 6. Menguji Data kejahatan jalanan dengan menggunakan Tools Tanagra sehingga informasi ini dapat membantu kepolisian dalam mengatasi tingkat kriminaliatas. 2. Landasan Teori Landasan teori merupakan panduan untuk membahas tentang teori pemecahan masalah yang dihadapi. Dalam hal ini akan dikemukakan beberapa teori yang berhubungan dan relevan dengan masalah yang dibahas dalam penelitian ini. Teori-teori yang menjadi landasan dalam penulisan tesis ini antara lain teori Data Mining, Algoritma Appriori, dan pada tesis ini juga penulis juga menyampaikan jenis dan bentuk dari algoritma Association Rule. 2.1 Data Mining Tahun 90-an telah melahirkan gunungan data di bidang ilmu pengetahuan, bisnis dan pemerintah. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekstraksi pengetahuan dari data. Metodologi tradisional untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar. Sementara para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, para peneliti melihat peluang untuk melahirkan sebuah teknologi baru yang menjawab kebutuhan ini, yaitu data mining. Teknologi ini sekarang sudah ada dan diaplikasikan oleh perusahaan perusahaan untuk memecahkan berbagai permasalahan bisnis dan juga untuk menggali pengetahuan baru dari bongkahan data 2.2. Defenisi Data Mining Data mining atau sering disebut sebagai knowledge discovery in database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar. Keluaran data mining ini bisa dipakai untuk membantu pengambilan keputusan di masa depan. Pengembangan KDD ini menyebabkan penggunaan pattern recognition semakin berkurang karena telah menjadi bagian data mining (Subekti Mujiasih, 2011). Metode ini merupakan gabungan 4 (empat) disiplin ilmu yakni statistik, visualisasi, database, dan machine learning). Adapun machine learning adalah suatu area dalam artificial intelligence atau kecerdasan buatan yang berhubungan dengan pengembangan teknik-teknik pemrograman berdasarkan pembelajaran masa lalu dan bersinggungan dengan ilmu statistika dan juga optimasi Pengelompokan Data Mining Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Kusrini dan Emha Taufiq Luthfi, 2009): 1. Deskripsi Terkadang peneliti dan analis secara sederhana ingin mencoba mencari data untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menentukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. 2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih kearah numerik dari Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 145

3 pada kearah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel predikasi. Sebagai contoh akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya. 3. Prediksi. Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Contoh prediksi bisnis dan penelitian adalah: a. Prediksi harga beras dalam tiga bulan yang akan datang. b. Prediksi persentasi kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikkan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi. 4. Klasifikasi Klasifikasi adalah fungsi pembelajaran yang memetakan (mengklasifikasi) sebuah unsur (item) data ke dalam salah satu dari beberapa kelas yang sudah didefinisikan. Contoh lain klasifikasi dalam bisnis dan penelitian adalah: a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau tidak. b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk kategori penyakit apa. 5. Pengklusteran Pengelompokan (clustering) merupakan tugas deskripsi yang banyak digunakan dalam mengidentifikasi sebuah himpunan terbatas pada kategori atau cluster untuk mendeskripsikan data yang ditelaah. Kategori-kategori ini dapat bersifat eksklusif dan ekshaustif mutual, atau mengandung representasi yang lebih kaya seperti kategori yang hirarkis atau saling menumpu (overlapping). Contoh pengklusteran dalam bisnis dan penelitian adalah: a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari satu suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar. b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku financial dalam baik dan mencurigakan. c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar. 6. Asosiasi. Tugas asosiasi dalam data mining adalah menemukan attribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah: a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan. b. Menentukan barang dalam supermarket yang dibeli secara bersamaan dan yang tidak pernah dibeli secara bersamaan Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Algoritma aturan asosiasi akan menggunakan data latihan, sesuai dengan pengertian data mining, untuk menghasilkan pengetahuan. Pengetahuan apakah yang hendak dihasilkan dalam aturan asosiasi? Pengetahuan untuk mengetahuan item-item belanja yang sering dibeli secara bersamaan dalam suatu waktu. Aturan asosiasi yang berbentuk if then atau jika maka merupakan pengetahuan yang dihasilkan dari fungsi aturan asosiasi (Seni Susanto dan Dedy Suryadi, 2010) Tahapan Association Rules Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan confidence (Nugroho Wandi, et al. 2012). A. Data Preparation. Pada banyak bidang keilmuan, terutama komputer sains, diperlukan data yang berkualitas melalui proses preparation dari data mentah. Dalam prakteknya, ditemukan bahwa data cleaning dan preparation membutuhkan total usaha 80% dari usaha untuk merekayasa data, sehingga menjadikan data preparation sebagai proses yang krusial. Pentingnya proses ini dapat dilihat dari tiga aspek, yakni: Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 146

4 1. Data real world merupakan data kotor. Data real world bisa mengandung data yang tidak, terdapat noise, tidak konsisten, yang dikarenakan: a. Tidak lengkap (incomplete), yaitu kekurangan nilai atribut atau hanya mengandung agregat data (contoh : address = " ") b. Noise, yaitu masih mengandung error dan outliers. c. Tidak konsisten (inconsistent), yaitu data yang mengandung discrepansi dalam code dan nama atau singkatnya datanya tidak konsisten. 2. Sistem mining dengan performa tinggi membutuhkan data yang berkualitas. Data preparation atau preparation menghasilkan dataset yang lebih sedikit daripada dataset yang asli, ini bias meningkatkan efisiensi dari data mining. Langkah ini mengandung: a. Memilih data yang relevan b. Mengurangi data 3. Data yang berkualitas menghasilkan pola yang berkualitas. Dengan data preparation, maka data yang dihasilkan adalah data yang berkualitas, yang mengarah pada pola yang berkualitas pula, dengan: a. Mengembalikan data yang tidak lengkap b. Membenarkan eror, atau menghilangkan outliers c. Membenahi data yang bertentangan. B. Association Rules Association rule merupakan salah satu metode yang bertujuan mencari pola yang sering muncul di antara banyak transaksi, dimana setiap transaksi terdiri dari beberapa item sehingga metode ini akan mendukung system rekomendasi melalui penemuan pola antar item dalam transaksi-transaksi yang terjadi Metodologi dasar analisis asosiasi terbagi menjadi dua tahap : 1. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: C. Frequent Itemset Langkah pertama pada association rule adalah menghasilkan semua itemset yang memungkinkan dengan kemungkinan itemset yang muncul dengan m-item adalah 2m. Karena besarnya komputasi untuk menghitung frequent itemset, yang membandingkan setiap kandidat itemset dengan setiap transaksi, maka ada beberapa pendekatan untuk mengurangi komputasi tersebut, salah satunya dengan algoritma apriori. D. Apriori Algoritma apriori digunakan untuk mencari frequent itemset yang memenuhi minsup kemudian mendapatkan rule yang memenuhi minconf dari frequent itemset tadi. Algoritma ini mengontrol berkembangnya kandidat itemset dari hasil frequent itemset dengan support-based pruning untuk menghilangkan itemset yang tidak menarik dengan menetapkan minsup. Prinsip dari apriori ini adalah bila itemset digolongkan sebagai frequent itemset, yang memiliki support lebih dari yang ditetapkan sebelumnya, maka semua subsetnya juga termasuk golongan frequent itemset, dan sebaliknya. E. Rule Generation Setelah mendapatkan frequent itemset menggunakan algoritma apriori, langkah selanjutnya adalah mendapatkan rule yang memenuhi confidence. Karena rule yang dihasilkan berasal dari frequent itemset, dengan kata lain, dalam menghitung rule menggunakan confidence, tidak perlu lagi menghitung supportnya karena semua calon rules yang dihasilkan telah memenuhi minsup sesuai yang ditentukan. Penghitungan ini juga tidak perlu melakukan perulangan scanning pada database untuk menghitung confidence, cukup dengan mengambil itemset dari hasil support Algoritma Apriori Algoritma apriori yaitu langkah yang membutuhkan pemrosesan lebih adalah frequent itemset berdasarkan sifat frequent itemset yaitu setiap subset frequent itemset harus menjadi frequent itemset (Dana Sulistiyo Kusumo, et al. 2003).. Algoritma ini mengontrol berkembangnya kandidat itemset dari hasil frequent itemset dengan support-based pruning untuk menghilangkan itemset yang tidak menarik dengan menetapkan minsup. Prinsip dari apriori ini adalah bila itemset digolongkan sebagai frequent itemset, yang memiliki support lebih dari yang ditetapkan sebelumnya, maka semua subsetnya juga termasuk golongan frequent itemset, dan sebaliknya. Cara algoritma ini bekerja 2. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A _B Nilai confidence dari aturan A _B diperoleh dari rumus berikut: adalah algoritma akan menghasilkan kandidat baru Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 147

5 dari k-itemset dari frequent itemset pada langkah sebelumnya dan menghitung nilai support k-itemset tersebut. Itemset yang memiliki nilai support di bawah dari minsup akan dihapus. Algortima berhenti ketika tidak ada lagi frequent itemset baru yang dihasilkan. Kedua, dari hasil frequent itemset tersebut, langkah selanjutnya dihitung minconf mengikuti rumus sesuai yang telah ditentukan. Support tidak perlu dilihat lagi, karena generate frequent itemset didapatkan dari melihat minsup-nya. Bila rule yang didapatkan memenuhi batasan yang ditentukan dan batasan itu tinggi, maka rule tersebut tergolong strong rules. Prinsip algoritma apriori terbagi dalam beberapa tahap (Leo Wilyanto Santoso, 2003) 1. Kumpulkan jumlah item tunggal, dapatkan item besar 2. Dapatkan candidate pairs, hitung => large paris dari item-item 3. Dapatkan candidate triplets, hitung => large triplets dari item-item seterusnya. 4. Sebagai petunjuk : setiap subset dari sebuah frequent itemsets harus menjadi frequent. Contoh dari penerapan algoritma apriori adalah diilustrasikan digambar berikut: Gambar 1 : Ilustrasi Algoritma Apriori Gambar 1menunjukkan bahwa algoritma akan menghasilkan kandidat baru dari 1-itemset dari frequent itemset dan menghitung nilai support 1- itemset tersebut. Selanjutnya masuk ke 2-itemset dan dihitung lagi support 2-itemset. Kemudian Itemset yang memiliki nilai support di bawah dari minsup akan dihapus. Algortima berhenti jika tidak ada lagi frequent itemset baru yang dihasilkan dan menetapkan minimum support nya = 3. diinginkan di dalam penelitian ini, maka data tersebut di export ke dalam bentuk Microsoft excel. Data mining digunakan pada data kejahatan jalanan (street crime) adalah untuk mengekstrak ilmu pengetahuan seperti mengetahui tingkat kejahatan jalanan khususnya pada Polsekta Medan Sunggal, untuk mengetahui jenis kejahatan apa yang sering muncul secara bersamaan, untuk mengetahui modus kejahatan apa saja yang banyak dilakukan dan menghasilkan rules antar jenis item yang berkombinasi. Data mining ialah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Dalam data mining ada beberapa teknik menganalisis data, salah satunya adalah dengan algoritma apriori. Algoritma apriori adalah algoritma untuk menemukan frekuensi dan kombinasi frekuensi itemsets yang dijalankan pada sekumpulan data, sedangkan teknik untuk menemukan hubungan antara satu item dengan item yang lain, dan antara pola kombinasi itemsest yang satu dengan pola kombinasi itemsets yang lain disebut association rules Pembahasan Proses pembentukan pola kombinasi itemsets dan pembuatan rules dimulai dari analisis data. Data yang digunakan adalah data kejahatan jalanan, kemudian dilanjutkan dengan pembentukan pola kombinasi itemsets dan dari pola kombinasi itemsets yang menarik terbentuk association rules Analisis Data Dengan studi kasus pada Polsekta Medan Sunggal, dapat dilakukan analisa terhadap data kejahatan jalanan dengan salah satu tujuan adalah untuk menemukan pola kombinasi dan hubungan antar item jenis kejahatan. Berikut ini adalah tabel 1 yaitu beberapa data yang akan dijadikan sampel untuk analisis dan juga untuk pengujian. Tabel 1 : Tabel Real Data Kejahatan Jalanan 3. Analisa Dan Pembahasan 3.1. Analisa Data administrasi Reskrim pada Polseka Medan Sunggal sudah menggunakan komputerisasi. Salah satu output adalah data kejahatan jalanan (Street Crime). Untuk mencapai tujuan yang Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 148

6 Data table 3adalah bentuk transaksi data real terdiri atas attribute nomor, laporan polisi, tkp dan modus dalam bentuk kode atau tabel alias 3.5. Analisa Pola Frekuensi Tinggi Untuk mencari pola kombinasi terlebih dulu dicari semua nama jenis item kejahatan yang ada seperti pada seperti pada tabel diatas sekaligus menentukan support per item jenis kejahatan, di mana tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database, nilai support sebuah item diperoleh dengan rumus 1 sebagai berikut: Support (KF) = % 3.4. Data Tabular Kejahatan Jalanan Untuk melakukan pengujian, menggunakan salah satu database Microsoft Excel dalam bentuk tabular yang dikonversi ke dalam bentuk biner, yaitu format data dalam bentuk 1 dan 0. Hasil proses konversi data kejahatan ke format data dalam bentuk biner adalah seperti pada tabel 2berikut ini: Tabel 2 Data Dalam Bentuk Tabular Data % Tabel berikut merupakan tabel semua jenis item seperti pada tabel 4 berikut ini: Tabel 4 : Keterangan Jenis Items Kejahatan Kejalanan Untuk mempermudah dalam melakukan pengujian data maka tabel real data kejahatan jalanan dibuat dalam bentuk kode atau tabel alias untuk menerangkan atribute yang digunakan sehingga data bisa lebih dimengerti. Tabel 3 Tabel Alias Data Kejahatan jalanan Data di atas menggambar bentuk data satu item, yang terdiri atas attribute item sebagai nama item jenis semua yang ada, support yaitu jumlah setiap item yang ada di semua data, sedangkan support (%) adalah presentasi jumlah item yang ada di dalam data kejahatan, yang didapat dari jumlah item dibagi jumlah semua transaksi dikali seratus persen. Tabel berikut adalah item data yang memenuhi support minimal, nilai support minimal sama dengan 20 persen (%). Seperti yang terlihat pada tabel 5 berikut ini: Tabel 5: Jenis Items Kejahatan jalanan yang Memenuhi Support Minimal Tabel 5 di atas merupakan data item jenis yang memenuhi support minimal. Di mana data di atas akan digunakan untuk membentuk pola kombinasi dua item mulai dari pembentukan pola kombinasi dua itemsets, sampai pada pembentukan pola kombinasi tiga itemsets. Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 149

7 3.6. Pembentukan Pola Kombinasi Dua Itemsets Pembentukan pola frekuensi dua itemsets, dibentuk dari items-items jenis yang memenuhi support minimal yaitu dengan cara mengkombinasi semua item kedalam pola dua kombinasi, hasil pembentukan pola kombinasi dua itemsets yang dibentuk dari tabel 5 adalah seperti pada tabel 4 berikut ini: itemsets yang memenuhi suppor minimal. Hasil pembentukan pola kombinasi tiga itemsets yang dibentuk dari tabel 6 adalah seperti pada tabel 7 berikut ini: Tabel 7 : Pola Kombinasi Tiga Itemsets Tabel 6 : Pola Kombinasi Dua Itemsets Data tabel 6 merupakan kombinasi dua itemsets yang merupakan hasil dari semua kombinasi semua jenis items. Dengan menetapkan support minimal sama dengan 20 persen (%), maka data yang memenuhi support minimal adalah seperti pada tabel 7 berikut ini: Tabel 7 : Pola Kombinasi Dua Itemsets yang Memenuhi Support Minimal Data table 7 adalah pola kombinasi dua itemsets yang memenuhi support minimal, terlihat data kombinasi jenis kejahatan KF dan PK, KF dan PC, KF dan PR, KF dan MC, PK dan PC, PK dan PR, PC dan MC memiliki support yang terbanyak, itu menandakan bahwa pola kombinasi dua itemsets tersebut paling banyak di dalam transaksi data Pembentukan Pola Kombinasi Tiga Itemsets Pembentukan pola kombinasi tiga itemsets dibentuk dari pola kombinasi dua itemsets yang memenuhi support minimal. Pembentukan kombinasi tiga itemsets dibentuk dengan dasar kombinasi dua itemsets, kemudian dikombinasikan dengan salah satu item dari pola kombinasi dua itemsets yang lain, dengan ketentuan bahwa pola kombinasi item tersebut ada di dalam kombinasi dua Data tabel 7 merupakan pola hasil kombinasi tiga itemsets yang dibentuk dari kombinasi itemsets dua. Dengan support minimal sama dengan 20 persen(%), maka data yang memenuhi support minimal seperti pada tabel 8 berikut ini: Tabel 8 : Pola Tiga Itemsets yang memenuhi support minimal Itemsets Support Support (%) KF,PC,MC 4/20 20 Data tabel 8 diatas merupakan hasil pola kombinasi tiga items yang dibentuk dari pola kombinasi dua itemsets, data terlihat hanya memiliki satu pola kombinasi item. Berhubung karena pola kombinasi lima itemsets hanya satu pola kombinasi itemsets maka pembentukan pola kombinasi itemsets berikutnya tidak akan terbentuk Pembentukan Association Rules Setelah semua pola frekuensi tinggi ditemukan, baru dicari association rules yang memenuhi syarat minimum confidence, dengan menghitung confidence aturan asosiasi A ke B. Untuk melihat kuat tidaknya aturan asosiasi adalah membandingkannya dengan nilai benchmark, dimana diasumsikan kejadian item dari consequent dalam suatu transaksi adalah independent dengan kejadian dari antecedent dari suatu aturan asosiasi. Nilai estimasi dari confidence benchmark dihitung dari data suatu aturan dengan rumus 4, seperti berikut: Jumlah _ transaksi _ items _ dalam _ Consequent Confidence _ benchmark = Jumlah _ transaksi _ dalam _ database Confidence_benchmark = % Lift rasio adalah perbandingan antara confidence untuk suatu aturan dibagi dengan confidence, dimana diasumsikan consequent dan antecedent saling independent. Rumus untuk mendapat lift sebagai berikut: Confidence Lift = benchmark_ Confidence Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 150 Lift =

8 Jika nilai lift rasio lebih besar dari pada 1 menunjukkan adanya manfaat dari aturan tersebut. Lebih tinggi nilai lift rasio, lebih besar kekuatan asosiasi. Dari tabel yaitu tabel pola kombinasi dua itemsets, dapat dilihat besarnya nilai support dan confidence dari calon association rules seperti tampak pada tabel 9 berikut ini: Tabel 9 Calon Association Rules dilakukan. Informasi tersebut dapat dijadikan acuan bagi pihak kepolisian dan masyarakat sehingga dapat mengatasi tingkat kriminalitas dalam meningkatkan keamanan dan sensitifitas kejahatan jalanan (Street Crime). 4. Implementasi Dan Pengujian 4.1 Implementasi Langkah-langkah implementasi proses algoritma apriori pada aplikasi Tanagra merupakan tahap penerapan software tanagra untuk dioperasikan Data Tabular Kejahatan Jalanan Aplikasi yang digunakan dalam pengujian adalah aplikasi yang menggunakan salah satu database Microsoft Exel dengan data dalam bentuk tabular data, maka data kejahatan jalanan, dikonversi ke dalam bentuk biner. Format tabular data adalah format data dalam bentuk 1 dan 0 atau format data dalam bentuk biner. Hasil proses konversi data kejahatan ke format data dalam bentuk tabular data adalah seperti pada lampiran B Tabel 4.8 merupakan tabel calon association rules dari kombinasi dua itemsets, tabel diatas terdiri atas rules dari pola kombinasi dua items, lift sebagai yang tingkat kekuatan rules atas kejadian acak dari antecedent dan consequent berdasarkan support masing-masing, support (itemsets) sebagai nilai support antara itemsets yang berkombinasi, support sebagai nilai support item yang mengandung antecedent. Dengan menetapkan nilai confidence minimal adalah 40 persen (%), maka rules interesting yang dihasilkan adalah seperti pada tabel 10 berikut ini: Tabel 10 : Association Rules yang Memenuhi Confidence Minimal 4.3. Pengujian Untuk membuktikan data-data yang telah dihasilkan berupa pola hubungan kombinasi antar items dan rules-rules asosiasi sesuai dengan algoritma apriori maka perlu dilakukan pengujian dengan menggunakan aplikasi. Aplikasi yang digunakan adalah Tanagra versi sebagai berikut : Association rules menunjukkan bahwa setiap kejahatan jalanan yang dilakukan baik itu perampokan, penjambretan, pencurian dan perampasan maka juga akan melakukan kekerasan fisik dan mengancam. Dari hasil tabel diatas juga dapat dijadikan satu ilmu pengetahuan baru atau informasi kejahatan jalanan apa yang sering Gambar 1 : Tampilan Utama Tanagra Gambar 1 merupakan tampilan utama aplikasi Tanagra tampilan bagian atas horizontal adalah merupakan menu utama program yang terdiri atas menu File, merupakan tempat komponen yang akan diproses hasilnya, jendala bagian kiri yang lebar merupakan tempat hasil dari proses, sedangkan bagian bawah adalah merupakan tempat komponen berbagai jenis algoritma, termasuk algoritma apriori. Cara menggunakan aplikasi Tanagra dimulai dengan mengklik menu File, New, muncul jendela untuk load database. Load database supaya masuk ke system. Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 151

9 Gambar 2 : Pemilihan Datasheet Gambar 2 menjelaskan untuk membuat atau mengambil database pada textbox datasheet diketik nama datasheet yang akan kita gunakan untuk pengujian software Pengujian Untuk Menghasilkan Pola Kombinasi Itemsets Pada Aplikasi Tanagra pengujian yang pertama dilakukan adalah menghitung frekuensi items atau frequent itemsets. Untuk menghasilkan pola kombinasi itemsets yaitu dengan cara klik menu icon define status dan masukkan komponen frequent itemsets dan masukkan parameters nya, kemudian execute, pilih view untuk melihat hasilnya. Gambar 4 : Penetapan Parameter Tabel 11 di bawah ini adalah hasil dari pola kombinasi itemset yang dihasilkan dengan minimum support sebesar 20%. Tabel 11 :Jenis Items yang Memenuhi Support Minimal 20% Items support Support (%) KF-PC 28/ KF-PK 34/ PK-PC 39/ Setelah dilakukan pengujian dengan penentuan nilai parameters, maka dihasilkan jenis item dan pola kombinasi dua items seperti pada gambar 5 berikut ini: Gambar 3 : Jendela Frequent Itemset Gambar 3 diatas menunjukkan dengan paremeters adalah minimal support sama dengan 20 persen (%), maksimal support sama dengan 100 persen (%), minimal length sama dengan satu, maksimal length sama dengan dua, dan itemset type sama dengan frequent. Seperti pada gambar 4 berikut ini: Gambar 5 : Hasil Pengujian Dengan Satu Item dan Pola Kombinasi Dua Itemsets Gambar 5 : yaitu tampilan pengujian dengan untuk menghasilkan jenis item dan pola kombinasi dua itemset. Ada dua attribute yang digunakan, yaitu Description dan Support. Description menggambarkan jenis items dan bentuk pola kombinasi dua items, Sedangkan support adalah nilai presentasi banyak jumlah jenis items, dan jumlah presentasi banyak items dan pola kombinasi dua items di dalam data Pengujian Untuk Menghasilkan Rules Setelah melakukan pengujian untuk menghasilkan jenis items dan pola kombinasi, mulai dari kombinasi dua items sampai dengan pola kombinasi tiga items, maka pengujian yang Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 152

10 dilakukan selanjutnya adalah pengujian untuk menghasilkan rules-rules, di mana rules-rules tersebut terbentuk dari pola kombinasi items pada pengujian sebelumnya Hasil Pengujian pertama Pengujian yang dilakukan pertama adalah pengujian untuk menghasilkan rules-rules yang terbentuk dari pola kombinasi dua items dan penentuan parameter dari Apriori. Jendela Parameter Association rules adalah seperti pada gambar 6 : berikut: menghasilkan maximum confidence 65% yaitu PC dan PK. Rules di atas terdiri atas Antecedent, consequent, lift, support(%), Confidence. Jumlah rule yang dihasilkan dari pengujian di atas adalah sebanyak 6 rules Hasil Pengujian kedua Pengujian kedua dilakukan dengan menetapkan minimum support 30% dan Maximum confidence sebesar 50% maka rules yang dihasilkan adalah seperti pada tabel 13 dibawah ini Tabel 13 Calon Association Rules dari tabel Dengan merubah nilai minimum Support dan minimum confidence menjadi lebih tinggi dan dari pengujian rule yang dihasilkan menjadi lebih sedikit yaitu 3 rules seperti terlihat pada gambar 8 dibawah ini Gambar 6 : Jendela Association Rules Paremeters Gambar 5.6 menunjukkan paremeters yang harus di isi adalah support sama dengan 20 persen (%), Confidence sama dengan 45 persen (%), maksimal card itemsets sama dengan enam. Association rules yang memenuhi syarat minimum confidence, dengan menghitung confidence aturan asosiasi A ke B terlihat pada tabel 12 dibawah ini: Tabel 12 : Calon Association Rules dari tabel 11 Setelah dilakukan pengujian dengan penentuan nilai parameters, maka rules-rules yang dihasilkan dari parameters di atas adalah seperti pada gambar 7 berikut ini: Gambar 8 Hasil Pengujian kedua Dengan Rules Gambar 8 diatas merupakan hasil dari pengujian dengan meningkatkan minimal support dan confidence dari 100 data kejahatan jalanan dan menghasilkan 3 rules itu artinya jumlah rules yang dihasilkan akan lebih sedikit apabila minimum support dan confidence nya di naikkan Hasil Pengujian ketiga Pengujian ketiga digunakan untuk menghasilkan rules dari kombinasi 2 item dimana parameter adalah minimum support 35% confidence 55% sedangkan lift rasio nya adalah 0 maka rules yang dihasilkan sebagai berikut: Tabel 14 : Calon Association Rules dari tabel Gambar 7 : Pengujian Dengan Rules Dari Pola Kombinasi Dua Itemset Hasil pengujian gambar 7 di atas menggunakan 100 data kejahatan untuk menghasil rules dari pola kombinasi dua items yang Dan hasil pengujian dengan menggunakan aplikasi Tanagra adalah seperti terihat pada gambar di bawah ini Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 153

11 dapat dimanfaatkan dalam menanggulangi tingkat kejahatan jalanan. 2. Dari kelemahan data mining dengan algoritma apriori yaitu membutuhkan waktu yang lama maka perlu pengembangan dari algoritma apriori untuk menemukan pola hubungan (asosiasi) antar item dari suatu data yang besar. Gambar 9 : Hasil Pengujian ketiga Dengan Rules Gambar 9 : diatas menunjukkan rules dari hasil pengujian yang dilakukan dengan minimum support dan minimum confidence lebih besar maka rules yang dihasilkan semakin sedikit yaitu 2 rules. 5. Kesimpulan Dan Saran 5.1 Kesimpulan Berdasarkan penelitian dan pembahasan yang dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut : 1. Data mining adalah proses menemukan polapola didalam data, dimana proses penemuan tersebut dilakukan secara otomatis atau semi otomatis dan pola-pola yang ditemukan harus bermanfaat sebagai ilmu pengetahuan yang baru dan informasi penting dari data kejahatan jalanan (Street Crime) bagi kepolisian dan masyarakat dalam menanggulangi tingkat kejahatan jalanan dan sensitifitas kejahatan. 2. Program Tanagra adalah salah satu tools Data Mining yang mampu menangani persoalan mengeksplorasi data dengan size yang sangat besar yang dapat menghasilkan pola kombinasi itemsets dan rules. 3. Hasil dari perancangan data mining dengan algoritma apriori ini diperoleh informasi yang dibutuhkan oleh pihak kepolisian berupa prosentase yang digunakan oleh bagian reskrim untuk mengetahui kejahatan jalanan apa yang sering terjadi sehingga persoalan tingkat kejahatan jalanan dapat di minimalisasi. 4. Kelemahan data mining dengan algoritma apriori yaitu harus melakukan scan database setiap kali iterasi, sehingga dalam pencarian pola kombinasi itemset dan rule yang interesting membutuhkan waktu yang lama. 5.2 Saran Untuk perkembangan lebih lanjut dari penulisan tesis ini maka penulis memberikan beberapa saran sebagai berikut : 1. Agar hasil dari pengujian dapat lebih dikembangkan yaitu dengan menambah jumlah data dan penentuan tingkat support dan confidence yang lebih bervariasi sehingga menghasilkan asosiasi antara data yang lebih banyak dan menghasilkan Knowledge (pengetahuan baru) dan informasi penting untuk 6. Daftar Pustaka [1] Beta Noranita dan Nurdin Bahtiar (2010). Implementasi Data Mining Untuk Menemukan Pola Hubungan Tingkat Kelulusan Mahasiswa Denga Data Induk Mahasiswa. [2] Budi Santosa (2007). Data Mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta. Penerbit Graha Ilmu.10. [3] Eko Prasetyo (2012). Data Mining Konsep Dan Aplikasi Menggunakan Matlab. Yogyakarta.Penerbit Andi.1 [4] Eko Wahyu Tyas D (2008). Penerapan Metode Association Rules Menggunakan Algoritma Apriori Untuk Analisa Pola Data Hasil Tangkapan Ikan. [5] Feri Sulianto dan Dominikus Juju (2010). Data Mining, Meramalkan Bisnis Perusahaan. Jakarta. Penerbit Elex Media Komputindo [6] Kusrini dan Emha Taufig Luthfi (2009). Algoritma Data Mining. Yogyakarta. Penerbit Andi [7] Leo Wilyanto Santoso (2003). Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori [8] Makaampoh (2013). Kedudukan Dan Tugas Polri Untuk Memberantas Aksi Premanisme Serta Kaitannya Dengan Tindak Pidana Kekerasan Dalam KUHP [9] Nugroho Wandi. et all (2012). Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Pengendalian Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan dan Kearsipan Provinsi Jawa Timur) [10] Padmaja dan Poongodai (2011). Mining Weighted Association Rules [11] Prasad dan Malik, (2011). Using Association Rule Mining for Extracting Product Sales Patterns in Retail Store Transactions. [12] Sani Susanto dan Dedy Suryadi (2010). Pengantar Data Mining. Yogyakarta. Penerbit Andi.97. [13] Subekti Mujiasih (2011). Pemanfatan Data Mining Untuk Prakiraan Cuaca [14] Umarani dan Punithavalli (2011). A Study On Effevtive Mining Of Association Rules From Huge Databases Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule 154

IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)

IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma

Lebih terperinci

APLIKASI DATA MINING UNTUK MENAMPILKAN TINGKAT KELULUSAN MAHASISWA DENGAN ALGORITMA APRIORI

APLIKASI DATA MINING UNTUK MENAMPILKAN TINGKAT KELULUSAN MAHASISWA DENGAN ALGORITMA APRIORI PLIKSI DT MINING UNTUK MENMPILKN TINGKT KELULUSN MHSISW DENGN LGORITM PRIORI Benni R Siburian (0911536) Mahasiswa Jurusan Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Simpang

Lebih terperinci

Cross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan

Cross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan Cross-Selling: Perangkat Utama Customer Relationship Management (CRM) Untuk Meningkatkan Loyalitas Pelanggan Seminar Kenaikan Jabatan at Department of Information Systems, Faculty of Computer Science,

Lebih terperinci

IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PERSEDIAAN ALAT-ALAT KESEHATAN

IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PERSEDIAAN ALAT-ALAT KESEHATAN IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PERSEDIAAN ALAT-ALAT KESEHATAN Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3) 1) Dosen Tetap Prodi D3-Manajemen Informatika STMIK Budi Darma

Lebih terperinci

Perangkat Lunak Simulasi Langkah Kuda Dalam Permainan Catur

Perangkat Lunak Simulasi Langkah Kuda Dalam Permainan Catur Perangkat Lunak Simulasi Langkah Kuda Dalam Permainan Catur Hartono 1) Liva Junter 2) STMIK IBBI Medan Jl. Sei Deli No. 18 Medan, Telp. 061-4567111 Fax. 061-4527548 Email: hartonoibbi@gmail.com 1 Abstrak

Lebih terperinci

DATA PREPROCESSING. Budi Susanto (versi 1.2)

DATA PREPROCESSING. Budi Susanto (versi 1.2) DATA PREPROCESSING Budi Susanto (versi 1.2) Kenali Data Anda Atribut Data Memahami tipe atribut Membantu membetulkan data saat integrasi data Deskripsi Statistik Data Memudahkan untuk mengisi nilai yang

Lebih terperinci

Raharjo Raharjo@gmail.com http://raharjo.ppknunj.org

Raharjo Raharjo@gmail.com http://raharjo.ppknunj.org Uji Validitas dan Reliabilitas Raharjo Raharjo@gmail.com http://raharjo.ppknunj.org Lisensi Dokumen: Seluruh dokumen di StatistikaPendidikan.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas

Lebih terperinci

Bab 1 BEKERJA DENGAN MENGGUNAKAN MYOB ACCOUNTING PLUS V.13

Bab 1 BEKERJA DENGAN MENGGUNAKAN MYOB ACCOUNTING PLUS V.13 Bab 1 BEKERJA DENGAN MENGGUNAKAN MYOB ACCOUNTING PLUS V.13 A. MENJALANKAN PROGRAM MYOB ACCOUNTING Setelah yakin komputer Saudara dipasang dan diinstal Software MYOB Accounting Plus versi 13, maka ada 2

Lebih terperinci

ANALISIS FAKTOR (FACTOR ANALYSIS)

ANALISIS FAKTOR (FACTOR ANALYSIS) ANALISIS FAKTOR (FACTOR ANALYSIS) Dr. Widayat, SE. MM. Outline Apa analisis faktor? Syarat dan asumsi yang diperlukan? Bagaimana caranya? Aplikasi analisis faktor Factor Analysis Prosedur analisis yang

Lebih terperinci

Perancangan Sistem Penjualan Online pada Mebel Isti

Perancangan Sistem Penjualan Online pada Mebel Isti Perancangan Sistem Penjualan Online pada Mebel Isti Abstrak : Final report entitled " Online Sales System Design at Furniture Isti " was held in February and June aim of this thesis is to design a system

Lebih terperinci

SISTEM INFORMASI AKUNTANSI SIMPAN PINJAM KOPERASI BANK SUMSEL BABEL

SISTEM INFORMASI AKUNTANSI SIMPAN PINJAM KOPERASI BANK SUMSEL BABEL SISTEM INFORMASI AKUNTANSI SIMPAN PINJAM KOPERASI BANK SUMSEL BABEL Juwita Eka Putri Salimin Bahar Jurusan Sistem Informasi STMIK PalComTech Palembang Abstrak Koperasi Cermat Bank Sumsel adalah salah satu

Lebih terperinci

PELAPORAN KEUANGAN PADA YAYASAN KAMPOENG TAUHID SRIWIJAYA PALEMBANG

PELAPORAN KEUANGAN PADA YAYASAN KAMPOENG TAUHID SRIWIJAYA PALEMBANG PELAPORAN KEUANGAN PADA YAYASAN KAMPOENG TAUHID SRIWIJAYA PALEMBANG Fitria Sari Edi Febriansyah Jurusan Sistem Informasi STMIK PalComTech Palembang Abstrak Yayasan Kampoeng Tauhiid Sriwijaya Palembang

Lebih terperinci

PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI

PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI Disusun Oleh: NANDANG FAHMI JALALUDIN MALIK NIM. J2E 009

Lebih terperinci

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ANGINA PEKTORIS (ANGIN DUDUK) DENGAN MENGGUNAKAN METODE BAYES

SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ANGINA PEKTORIS (ANGIN DUDUK) DENGAN MENGGUNAKAN METODE BAYES SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ANGINA PEKTORIS (ANGIN DUDUK) DENGAN MENGGUNAKAN METODE BAYES Ayu Permata Lestari (0911267) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl.

Lebih terperinci

IDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET

IDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET TESIS IDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET ROSALIA ARUM KUMALASANTI No. Mhs. : 135302014/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM

Lebih terperinci

SISTEM INFORMASI PENJUALAN DAN PERBAIKAN KOMPUTER (Studi Kasus: CV Computer Plus Palembang)

SISTEM INFORMASI PENJUALAN DAN PERBAIKAN KOMPUTER (Studi Kasus: CV Computer Plus Palembang) SISTEM INFORMASI PENJUALAN DAN PERBAIKAN KOMPUTER (Studi Kasus: CV Computer Plus Palembang) Oleh: Syaprina, Leon Andretti Abdillah, & Nyimas Sopiah Mahasiswa & Dosen Universitas Bina Darma, Palembang Abstracts:

Lebih terperinci

MANUAL PENGGUNAAN APLIKASI Penilaian. Mandiri Kualitas Data Rutin (PMKDR)

MANUAL PENGGUNAAN APLIKASI Penilaian. Mandiri Kualitas Data Rutin (PMKDR) MANUAL PENGGUNAAN APLIKASI Penilaian Mandiri Kualitas Data Rutin (PMKDR) KEMENTERIAN KESEHATAN REPUBLIK INDONESIA TAHUN 2012 Manual Penggunaan Aplikasi PMKDR Page 1 A. Tahap Persiapan Manual Penggunaan

Lebih terperinci

Perancangan Perangkat Lunak Penerimaan Order Jasa Laundry Berbasis Web

Perancangan Perangkat Lunak Penerimaan Order Jasa Laundry Berbasis Web Perancangan Perangkat Lunak Penerimaan Order Jasa Laundry Berbasis Web Anderson King Junior1), Robby Tjendra2) STMIK IBBI Jl. Sei Deli No. 18 Medan, Telp. 061-4567111 Fax. 061-4527548 e-mail: andersonkingjr@yahoo.com1)

Lebih terperinci

REKAYASA ULANG (REENGINEERING)

REKAYASA ULANG (REENGINEERING) REKAYASA ULANG (REENGINEERING) Saat manager memodifikasi aturan-aturan bisnis untuk mencapai keefektifan dan komposisi yang lebih besar, perangkat lunak harus tetap berjalan maju. Artinya penciptaan sistem

Lebih terperinci

Kata kunci - RUP (Relational Unified Process), Sistem Informasi Manajemen, CV. KARYA SUKSES PRIMA Palembang.

Kata kunci - RUP (Relational Unified Process), Sistem Informasi Manajemen, CV. KARYA SUKSES PRIMA Palembang. 1 RANCANG BANGUN SISTEM INFORMASI MANAJEMEN PADA CV. KARYA SUKSES PRIMA PALEMBANG Hendy Wijaya 1, M.Deni Juliansyah 2, Nyimas Artina 3, Desi Pibriana 4 1,2 STMIK GI MDP 3 Jurusan Sistem Informasi Email

Lebih terperinci

LAPORAN TUGAS AKHIR SISTEM INFORMASI SIMPAN PINJAM PADA KOPERASI SURYA MITRA MANDIRI SEMARANG

LAPORAN TUGAS AKHIR SISTEM INFORMASI SIMPAN PINJAM PADA KOPERASI SURYA MITRA MANDIRI SEMARANG LAPORAN TUGAS AKHIR SISTEM INFORMASI SIMPAN PINJAM PADA KOPERASI SURYA MITRA MANDIRI SEMARANG Adelia Cipta Sari Program Studi Sistem Informasi, Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula

Lebih terperinci

ROGRAM STUDI AKUNTANSI FAKULTAS EKONOMI UNIVERSITAS MURIA KUDUS TAHUN 2013

ROGRAM STUDI AKUNTANSI FAKULTAS EKONOMI UNIVERSITAS MURIA KUDUS TAHUN 2013 i ADAPTASI MODEL DELONE DAN MCLEAN YANG DIMODIFIKASI GUNA MENGUJI KEBERHASILAN APLIKASI OPERASIONAL PERBANKAN BAGI INDIVIDU PENGGUNA SISTEM INFORMASI (STUDI KASUS PADA PD.BPR BKK DI KABUPATEN PATI) Skripsi

Lebih terperinci

Sistem Informasi Pemasaran Produk pada PT. Prima Dina Lestari

Sistem Informasi Pemasaran Produk pada PT. Prima Dina Lestari Sistem Informasi Pemasaran Produk pada PT. Prima Dina Lestari Meriana STMIK IBBI Jl. Sei Deli No. 18 Medan, telp. 061-4567111, fax. 061-4527548 email : meriana@yahoo.com Abstrak PT. Pima Dina Lestari adalah

Lebih terperinci

Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier

Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier JURNAL TEKNIK ITS Vol. 1, (Sept, 01) ISSN: 301-971 A-46 Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier Ahmad Yusuf, Hari Ginardi

Lebih terperinci

ANALISIS KEBUTUHAN SISTEM Hanif Al Fatta M.Kom

ANALISIS KEBUTUHAN SISTEM Hanif Al Fatta M.Kom ANALISIS KEBUTUHAN SISTEM Hanif Al Fatta M.Kom Abstraks Hasil dokumentasi dari tahap analisis kelemahan system digunakan untuk rekomendasi fungsionalitas apa saja yang bisa dilakukan sistem baru. Fungsionalitas

Lebih terperinci

PENDETEKSI DAN VERIFIKASI TANDA TANGAN MENGGUNAKAN METODE IMAGE DOMAIN SPASIAL. Abstrak

PENDETEKSI DAN VERIFIKASI TANDA TANGAN MENGGUNAKAN METODE IMAGE DOMAIN SPASIAL. Abstrak PENDETEKSI DAN VERIFIKASI TANDA TANGAN MENGGUNAKAN METODE IMAGE DOMAIN SPASIAL Annisa Hayatunnufus [1], Andrizal,MT [2], Dodon Yendri,M.Kom [3] Jurusan Sistem Komputer Fakultas Teknologi Informasi Universitas

Lebih terperinci

SOFTWARE MONITORING BUKA TUTUP PINTU AIR OTOMATIS BERBASIS BORLAND DELPHI 7.0 TUGAS AKHIR

SOFTWARE MONITORING BUKA TUTUP PINTU AIR OTOMATIS BERBASIS BORLAND DELPHI 7.0 TUGAS AKHIR SOFTWARE MONITORING BUKA TUTUP PINTU AIR OTOMATIS BERBASIS BORLAND DELPHI 7.0 TUGAS AKHIR Untuk memenuhi persyaratan mencapai pendidikan Diploma III (D III) Program Studi Instrumentasi dan Elektronika

Lebih terperinci

Analisa Dan Perancangan Sistem Informasi Pemasaran Perumahan pada PT. Anugerah Bangun Cipta

Analisa Dan Perancangan Sistem Informasi Pemasaran Perumahan pada PT. Anugerah Bangun Cipta Analisa Dan Perancangan Sistem Informasi Pemasaran Perumahan pada PT. Anugerah Bangun Cipta Anton 1, Hendra 2 STMIK IBBI Jl. Sei Deli No. 18 Medan, Telp. 061-4567111 Fax. 061-4527548 Email : Anton_hwang@yahoo.com

Lebih terperinci

DATA MINING DAN WAREHOUSE A N D R I

DATA MINING DAN WAREHOUSE A N D R I DATA MINING DAN WAREHOUSE A N D R I CLUSTERING Secara umum cluster didefinisikan sebagai sejumlah objek yang mirip yang dikelompokan secara bersama, Namun definisi dari cluster bisa beragam tergantung

Lebih terperinci

Gaya Dialog MENU Deskripsi Menu merupakan sekumpulan pilihan yang dapat dipilih user sesuai dengan keinginannya. Banyak variasi dari gaya dialog Menus, diantaranya : 1/16/2010 2 Contoh 1 OFFICE AUTOMATION

Lebih terperinci

BAB III ANALISA DAN PEMBAHASAN MASALAH. Didalam jaman komputer sekarang ini program aplikasi seperti ini sangat

BAB III ANALISA DAN PEMBAHASAN MASALAH. Didalam jaman komputer sekarang ini program aplikasi seperti ini sangat BAB III ANALISA DAN PEMBAHASAN MASALAH 3.1 Analisa Masalah Didalam jaman komputer sekarang ini program aplikasi seperti ini sangat dibutuhkan oleh setiap perusahaan dan organisasi yang bekerja dengan database

Lebih terperinci

User Manual. Sistem Informasi ABK 15 April 2011. Pusat Sistem Informasi dan Teknologi Keuangan. Sekretariat Jenderal Kementerian Keuangan

User Manual. Sistem Informasi ABK 15 April 2011. Pusat Sistem Informasi dan Teknologi Keuangan. Sekretariat Jenderal Kementerian Keuangan User Manual Sistem Informasi ABK 15 April 2011 Pusat Sistem Informasi dan Teknologi Keuangan Sekretariat Jenderal Kementerian Keuangan DAFTAR ISI DAFTAR ISI... 2 DAFTAR GAMBAR... 4 HISTORY DOKUMEN... 6

Lebih terperinci

Petunjuk Singkat Instalasi Software WAYout

Petunjuk Singkat Instalasi Software WAYout Petunjuk Singkat Instalasi Software WAYout Terima kasih karena Anda telah memilih Software WAYout untuk keperluan komputerisasi, silahkan lanjutkan proses instalasi Software dengan mengikuti petunjuk berikut.

Lebih terperinci

BAB I PENDAHULUAN. tangan dijadikan alat untuk menganalisis kepribadian pemiliknya. Sebuah

BAB I PENDAHULUAN. tangan dijadikan alat untuk menganalisis kepribadian pemiliknya. Sebuah BAB I PENDAHULUAN 1.1 Latar Belakang Tulisan tangan merupakan salah satu hal unik yang dapat dihasilkan oleh manusia selain tanda tangan. Seperti halnya tanda tangan, tulisan tangan juga dapat digunakan

Lebih terperinci

BAB III LANDASAN TEORI. 3.1 Pengertian Sistem Informasi Manajemen. informasi yang berguna dalam pengambilan keputusan.

BAB III LANDASAN TEORI. 3.1 Pengertian Sistem Informasi Manajemen. informasi yang berguna dalam pengambilan keputusan. BAB III LANDASAN TEORI 3.1 Pengertian Sistem Informasi Manajemen 3.1.1 Sistem Informasi Untuk menghasilkan informasi yang berkualitas maka dibuatlah sistem informasi. Sistem informasi didefinisikan oleh

Lebih terperinci

Metodologi pengembangan sistem METODOLOGI PENGEMBANGAN SISTEM INFORMASI DIAN PALUPI RINI, M.KOM 1

Metodologi pengembangan sistem METODOLOGI PENGEMBANGAN SISTEM INFORMASI DIAN PALUPI RINI, M.KOM 1 Metodologi pengembangan sistem METODOLOGI PENGEMBANGAN SISTEM INFORMASI adalah metode-metode, prosedur-prosedur, konsep-konsep pekerjaan, aturan-aturan yang akan digunakan sebagai pedoman bagaimana dan

Lebih terperinci

PERANGKAT LUNAK PENGAMBILAN KEPUTUSAN DALAM PENJADWALAN DENGAN METODE RECURSIVE LARGEST FIRST

PERANGKAT LUNAK PENGAMBILAN KEPUTUSAN DALAM PENJADWALAN DENGAN METODE RECURSIVE LARGEST FIRST PERANGKAT LUNAK PENGAMBILAN KEPUTUSAN DALAM PENJADWALAN DENGAN METODE RECURSIVE LARGEST FIRST Sadar Aman Gulo (0911040) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja

Lebih terperinci

PROGRAM INVENTORY CONTROL

PROGRAM INVENTORY CONTROL Inventory Control PROGRAM INVENTORY CONTROL... 2 Buat Kode Cost Center... 2 Buat Kode Kategory... 2 Buat Kode Gudang... 3 Buat Kode Inventory... 4 Pemasukan Transaksi... 5 PROGRAM INVENTORY CONTROL Program

Lebih terperinci

APLIKASI PENGELOLAAN SUMBER DAYA MANUSIA PADA PT VITUS INDONESIA

APLIKASI PENGELOLAAN SUMBER DAYA MANUSIA PADA PT VITUS INDONESIA APLIKASI PENGELOLAAN SUMBER DAYA MANUSIA PADA PT VITUS INDONESIA Abstrak Yulianto Tampubolon ( egajulianto@yahoo.com ), Ferry Adrian. Z (ferry.adrian75@yahoo.co.id) Rika Kharlina ( rikachan@stmik-mdp.net

Lebih terperinci

II. LANDASAN TEORI. falsafah baru ini disebut konsep pemasaran (marketing concept). Konsep

II. LANDASAN TEORI. falsafah baru ini disebut konsep pemasaran (marketing concept). Konsep II. LANDASAN TEORI 2.1 Arti dan Pentingnya Pemasaran Pemasaran merupakan faktor penting untuk mencapai sukses bagi perusahaan akan mengetahui adanya cara dan falsafah yang terlibat didalamnya. Cara dan

Lebih terperinci

BAB IV IMPLEMENTASI DAN EVALUASI SISTEM. mengatasi permasalahan yang diangkat pada penelitian ini. Tahap-tahap yang

BAB IV IMPLEMENTASI DAN EVALUASI SISTEM. mengatasi permasalahan yang diangkat pada penelitian ini. Tahap-tahap yang BAB IV IMPLEMENTASI DAN EVALUASI SISTEM 4.1 Implementasi Sistem Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk mengatasi permasalahan yang diangkat pada penelitian ini. Tahap-tahap

Lebih terperinci

ANALISIS DIMENSI E-SERVICE QUALITY TERHADAP KEPUASAN KONSUMEN TOKO ONLINE OLEH: CELIA FAUSTINE NOVELIA 3103010102

ANALISIS DIMENSI E-SERVICE QUALITY TERHADAP KEPUASAN KONSUMEN TOKO ONLINE OLEH: CELIA FAUSTINE NOVELIA 3103010102 ANALISIS DIMENSI E-SERVICE QUALITY TERHADAP KEPUASAN KONSUMEN TOKO ONLINE OLEH: CELIA FAUSTINE NOVELIA 3103010102 JURUSAN MANAJEMEN FAKULTAS BISNIS UNIVERSITAS KATOLIK WIDYA MANDALA SURABAYA 2014 ANALISIS

Lebih terperinci

Reasoning Agent Pada Sistem Personalisasi Situs Web

Reasoning Agent Pada Sistem Personalisasi Situs Web Reasoning Agent Pada Sistem Personalisasi Situs Web Pandu Setia Gama, pandu@student.eepis-its.edu Abstract----Internet merupakan jaringan global yang banyak digunakan oleh masyarakat pada saat ini. Penggunaan

Lebih terperinci

ABSTRAK. v Universitas Kristen Maranatha

ABSTRAK. v Universitas Kristen Maranatha ABSTRAK Sekarang ini banyak dilakukan pembangunan oleh banyak pihak seperti pembangunan tempat tinggal atau kantor. Proses pembangunan pada lokasi daerah memerlukan denah lokasi daerah yang akurat dan

Lebih terperinci

DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5

DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas

Lebih terperinci

APLIKASI SISTEM PENGELOLAAN ATK (ALAT TULIS KANTOR) AKADEMI ANGKATAN UDARA YOGYAKARTA

APLIKASI SISTEM PENGELOLAAN ATK (ALAT TULIS KANTOR) AKADEMI ANGKATAN UDARA YOGYAKARTA APLIKASI SISTEM PENGELOLAAN ATK (ALAT TULIS KANTOR) AKADEMI ANGKATAN UDARA YOGYAKARTA Deny Wiria Nugraha 1, Imat Rahmat Hidayat 2 1 Jurusan Teknik Elektro Universitas Tadulako Palu Sulawesi Tengah 2 Jurusan

Lebih terperinci

Rudi Hartoyo (0911870)

Rudi Hartoyo (0911870) PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN MENETUKAN STATUS KARYAWAN KONTRAK SALES PROMOTION GIRL MENJADI KARYAWAN TETAP DENGAN METODE SIMPLE ADDITIVE WEIGHTING Rudi Hartoyo (0911870) Mahasiswa Program Studi

Lebih terperinci

ANALISIS TEKNIS DAN EKONOMIS PERANCANGAN KAPAL PATROLI CEPAT BERBASIS DAERAH PERAIRAN STUDY KASUS WILAYAH ARMADA TIMUR

ANALISIS TEKNIS DAN EKONOMIS PERANCANGAN KAPAL PATROLI CEPAT BERBASIS DAERAH PERAIRAN STUDY KASUS WILAYAH ARMADA TIMUR ANALISIS TEKNIS DAN EKONOMIS PERANCANGAN KAPAL PATROLI CEPAT BERBASIS DAERAH PERAIRAN STUDY KASUS WILAYAH ARMADA TIMUR Moch Noor Falikhin Program Studi S1 Teknik Perkapalan Institut Teknologi Sepuluh Nopember

Lebih terperinci

Panduan membuat aplikasi sederhana pada Smartphone berbasis Windows Mobile 5

Panduan membuat aplikasi sederhana pada Smartphone berbasis Windows Mobile 5 Panduan membuat aplikasi sederhana pada Smartphone berbasis Windows Mobile 5 Eko Riduwan eko@ekoriduwan.com http://www.ekoriduwan.com Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan,

Lebih terperinci

BAB IV ANALISA DAN DESAIN

BAB IV ANALISA DAN DESAIN 26 BAB IV ANALISA DAN DESAIN 4.1 Identifikasi Masalah Sebelum proses analisa dilakukan, tahapan yang terlebih dahulu dilakukan adalah identifikasi permasalahan yang terdiri dari survey, wawancara kepada

Lebih terperinci

BAB II. TINJAUAN PUSTAKA. Terdapat beberapa jenis persoalan lintasan terpendek, antara lain:

BAB II. TINJAUAN PUSTAKA. Terdapat beberapa jenis persoalan lintasan terpendek, antara lain: 0 BAB II. TINJAUAN PUSTAKA 2. LANDASAN TEORI 2.. LINTASAN TERPENDEK (Shortest Path) Persoalan mencari lintasan terpendek di dalam graf merupakan persoalan optimasi klasik. Graf yang diacu adalah graf berbobot

Lebih terperinci

-eq/(ha.tahun). Keluaran matriks emisi untuk tab unit perencanaan dapat dilihat pada gambar di bawah ini.

-eq/(ha.tahun). Keluaran matriks emisi untuk tab unit perencanaan dapat dilihat pada gambar di bawah ini. Keluaran Matriks Emisi Keluaran dari matriks emisi adalah total hasil perhitungan matriks yang terbagi atas tab unit perencanaan, emisi bersih, emisi total, dan sekuestrasi total dengan satuan unit ton

Lebih terperinci

ABSTRAK. Pengaruh Tindak Lanjut Rekomendasi Audit Internal Bidang Kredit Investasi. Terhadap Tingkat Non Performing Loans (NPL)

ABSTRAK. Pengaruh Tindak Lanjut Rekomendasi Audit Internal Bidang Kredit Investasi. Terhadap Tingkat Non Performing Loans (NPL) ABSTRAK Pengaruh Tindak Lanjut Rekomendasi Audit Internal Bidang Kredit Investasi Terhadap Tingkat Non Performing Loans (NPL) Permasalahan kredit bermasalah merupakan masalah serius yang masih menghantui

Lebih terperinci

APLIKASI PREDIKSI PENJUALAN JERUK DENGAN MENGGUNAKAN METODE REGRESI LINIER SEDERHANA DAN MOVING AVERAGE

APLIKASI PREDIKSI PENJUALAN JERUK DENGAN MENGGUNAKAN METODE REGRESI LINIER SEDERHANA DAN MOVING AVERAGE APLIKASI PREDIKSI PENJUALAN JERUK DENGAN MENGGUNAKAN METODE REGRESI LINIER SEDERHANA DAN MOVING AVERAGE (Studi Kasus UD. Buah Alam, Giwangan, Yogyakarta) ABSTRAK UD. Buah Alam merupakan sebuah usaha dalam

Lebih terperinci

Aplikasi SI Kemiskinan Daerah V.1. USER MANUAL APLIKASI SI Kemiskinan Daerah V.1 BAPPEDA JAKARTA

Aplikasi SI Kemiskinan Daerah V.1. USER MANUAL APLIKASI SI Kemiskinan Daerah V.1 BAPPEDA JAKARTA USER MANUAL APLIKASI SI Kemiskinan Daerah V.1 BAPPEDA JAKARTA 1 Sistem Informasi Kemiskinan dibangun dengan tujuan untuk memenuhi kebutuhan informasi yang dibutuhkan dalam penanggulangan kemiskinan secara

Lebih terperinci

SISTEM INFORMASI PENJUALAN PERUMAHAN PADA PT. KARYA UTAMA JAYA PALEMBANG. Oktariani Sistem Informasi STMIK Palcomtech Palembang.

SISTEM INFORMASI PENJUALAN PERUMAHAN PADA PT. KARYA UTAMA JAYA PALEMBANG. Oktariani Sistem Informasi STMIK Palcomtech Palembang. SISTEM INFORMASI PENJUALAN PERUMAHAN PADA PT. KARYA UTAMA JAYA PALEMBANG Oktariani Sistem Informasi STMIK Palcomtech Palembang Abstrak Sistem penulisan penelitian ini dilatarbelakangi oleh kebutuhan akan

Lebih terperinci

BAB III METODE TRIMMING PADA ANALISIS JALUR

BAB III METODE TRIMMING PADA ANALISIS JALUR 36 BAB III METODE TRIMMING PADA ANALISIS JALUR 3.1 Analisis Jalur Analisis jalur yang dikenal sebagai path analysis dikembangkan pertama tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright (Riduwan

Lebih terperinci

BAB I PENDAHULUAN. Pembelian Stock barang atau yang biasa disebut kulakan merupakan bagian

BAB I PENDAHULUAN. Pembelian Stock barang atau yang biasa disebut kulakan merupakan bagian BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Pembelian Stock barang atau yang biasa disebut kulakan merupakan bagian penting bagi perusahaan dagang. Karena banyak sekali yang harus diperhatikan dalam

Lebih terperinci

BELAJAR SPSS. Langkah pertama yang harus dilakukan adalah dengan cara menginstal terlebih dahulu software SPSS

BELAJAR SPSS. Langkah pertama yang harus dilakukan adalah dengan cara menginstal terlebih dahulu software SPSS BELAJAR SPSS SPSS merupakan software statistik yang paling populer, fasilitasnya sangat lengkap dibandingkan dengan software lainnya, penggunaannya pun cukup mudah. Langkah pertama yang harus dilakukan

Lebih terperinci

PROGRAM KREATIVITAS MAHASISWA PENINGKATAN KEPUASAN PELANGGAN DENGAN CUSTOMER CARE INTEGRATED SYSTEM (STUDI KASUS : PT.

PROGRAM KREATIVITAS MAHASISWA PENINGKATAN KEPUASAN PELANGGAN DENGAN CUSTOMER CARE INTEGRATED SYSTEM (STUDI KASUS : PT. PROGRAM KREATIVITAS MAHASISWA PENINGKATAN KEPUASAN PELANGGAN DENGAN CUSTOMER CARE INTEGRATED SYSTEM (STUDI KASUS : PT. PLN (PERSERO)) BIDANG KEGIATAN: PKM-P Diusulkan Oleh: 09.39010.0042 Rifaldy Santoso

Lebih terperinci

Program Studi Teknik Informatika STMIK GI MDP

Program Studi Teknik Informatika STMIK GI MDP PENERAPAN ETODE FUZZY ADANI UNTUK EPREDIKSI JULAH PRODUKSI INYAK SAWIT BERDASARKAN DATA PERSEDIAAN DAN JULAH PERINTAAN (STUDI KASUS PT PERKEBUNAN ITRA OGAN BATURAJA) Dwi artha Sukandy), Agung Triongko

Lebih terperinci

Cara penggunaaan Admin Catalog Database :

Cara penggunaaan Admin Catalog Database : Cara penggunaaan Admin Catalog Database : Masukan username dan password account anda pada tampilan seperti terlihat pada contoh gambar diatas Tampilan awal dari administrator menu berikut dengan menu2x

Lebih terperinci

SKRIPSI ANALISIS FAKTOR TEKNIKAL DAN FAKTOR FUNDAMENTAL PENGARUHNYA TERHADAP PENGAMBILAN KEPUTUSAN PADA TRADING FOREX OLEH HASTON BALMAYEN SILALAHI

SKRIPSI ANALISIS FAKTOR TEKNIKAL DAN FAKTOR FUNDAMENTAL PENGARUHNYA TERHADAP PENGAMBILAN KEPUTUSAN PADA TRADING FOREX OLEH HASTON BALMAYEN SILALAHI SKRIPSI ANALISIS FAKTOR TEKNIKAL DAN FAKTOR FUNDAMENTAL PENGARUHNYA TERHADAP PENGAMBILAN KEPUTUSAN PADA TRADING FOREX OLEH HASTON BALMAYEN SILALAHI 110523043 PROGRAM STUDI EKONOMI PEMBANGUNAN DEPARTEMEN

Lebih terperinci

A. Pendahuluan Sistem Informasi Geografis/GIS (Geographic Information System) merupakan bentuk cara penyajian informasi terkait dengan objek berupa

A. Pendahuluan Sistem Informasi Geografis/GIS (Geographic Information System) merupakan bentuk cara penyajian informasi terkait dengan objek berupa A. Pendahuluan Sistem Informasi Geografis/GIS (Geographic Information System) merupakan bentuk cara penyajian informasi terkait dengan objek berupa wilayah dalam bentuk informasi spatial (keruangan). GIS

Lebih terperinci

MANUAL APLIKASI RKAKL v. 7.2 oleh : Yudhi wijaya yudhi.tc@gmail.com http://ptakendari.net

MANUAL APLIKASI RKAKL v. 7.2 oleh : Yudhi wijaya yudhi.tc@gmail.com http://ptakendari.net MANUAL APLIKASI RKAKL v. 7.2 oleh : Yudhi wijaya yudhi.tc@gmail.com http://ptakendari.net UNTUK KALANGAN SENDIRI DI LINGKUNGAN PENGADILAN TINGGI AGAMA KENDARI TAHUN 2011 Dalam rangka Penyusunan Rencana

Lebih terperinci

KATA PENGANTAR. Jakarta, Juni 2010. Kepala Pusat Data dan Surveilans Epidemiologi Kementerian Kesehatan RI

KATA PENGANTAR. Jakarta, Juni 2010. Kepala Pusat Data dan Surveilans Epidemiologi Kementerian Kesehatan RI 1 KATA PENGANTAR Dalam rangka mendukung prioritas pembangunan nasional bidang kesehatan sebagaimana tercantum dalam Rencana Strategis Kementerian Kesehatan 2010-2014 yaitu untuk meningkatkan akses dan

Lebih terperinci

PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION

PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,

Lebih terperinci

Proposal Penawaran. ( Siap BOS ) Sistem Informasi Pelaporan Bantuan Operasional Sekolah

Proposal Penawaran. ( Siap BOS ) Sistem Informasi Pelaporan Bantuan Operasional Sekolah Proposal Penawaran Sistem Informasi Pelaporan Bantuan Operasional Sekolah ( ) CV. Siap Technovation ICT Consultant and Development Jln. Dukuh Kupang Timur XIII / 75 Surabaya 081332121924 081703092737 08563312424

Lebih terperinci

SISTEM PAKAR UNTUK MENENTUKAN JENIS KULIT WAJAH YANG SESUAI PADA BEDAK VIVA DENGAN MENGGUNAKA METODE CERTAINTY FACTOR

SISTEM PAKAR UNTUK MENENTUKAN JENIS KULIT WAJAH YANG SESUAI PADA BEDAK VIVA DENGAN MENGGUNAKA METODE CERTAINTY FACTOR SISTEM PAKAR UNTUK MENENTUKAN JENIS KULIT WAJAH YANG SESUAI PADA BEDAK VIVA DENGAN MENGGUNAKA METODE CERTAINTY FACTOR Irmawati (12110911) Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan

Lebih terperinci

STMIK MDP ANALISIS DAN PERANCANGAN CUSTOMER RELATIOSHIP MANAGEMENT BERBASIS WEB PADA CV PUTERA REMAJA PALEMBANG

STMIK MDP ANALISIS DAN PERANCANGAN CUSTOMER RELATIOSHIP MANAGEMENT BERBASIS WEB PADA CV PUTERA REMAJA PALEMBANG STMIK MDP Program Studi Sistem Informasi Kekhususan Komputerisasi Akuntansi Skripsi Sarjana Komputer S1. Semester Ganjil Tahun 2010/2011 Abstrak ANALISIS DAN PERANCANGAN CUSTOMER RELATIOSHIP MANAGEMENT

Lebih terperinci

Tutorial Penggunaan. Bagian I. www.indonesiawebdesign.com

Tutorial Penggunaan. Bagian I. www.indonesiawebdesign.com Daftar Isi 1. Tutorial Penggunaan Bagian I 1.1 Pengantar... 1.2 Persiapan... 1.3 Pengenalan Medan... 1.4 Navigasi... 1.5 Widget... 1.6 Statistik... 1.7 Setting Website... 2. Tutorial Penggunaan Bagian

Lebih terperinci

PETUNJUK PENGGUNAAN APLIKASI DECISION SUPPORT SYSTEM (DSS) STUDI KELAYAKAN USAHA UMKM - KOPERASI

PETUNJUK PENGGUNAAN APLIKASI DECISION SUPPORT SYSTEM (DSS) STUDI KELAYAKAN USAHA UMKM - KOPERASI PETUNJUK PENGGUNAAN APLIKASI DECISION SUPPORT SYSTEM (DSS) STUDI KELAYAKAN USAHA UMKM - KOPERASI Deputi Bidang Pengkajian Sumberdaya UKMK Kementerian Negara Koperasi dan UKM RI 2010 Hak cipta dilindungi

Lebih terperinci

BAB X PERENCANAAN PRODUKSI

BAB X PERENCANAAN PRODUKSI Perencanaan Agregat 123 BAB X PERENCANAAN PRODUKSI 1.1. Pendahuluan Perencaaan produksi adalah pernyataan rencana produksi ke dalam bentuk agregat. Perencanaan produksi ini merupakan alat komunikasi antara

Lebih terperinci

PANDUAN PENGUSULAN HIBAH PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT MELALUI SIMLITABMAS

PANDUAN PENGUSULAN HIBAH PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT MELALUI SIMLITABMAS PANDUAN PENGUSULAN HIBAH PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT DIREKTORAT PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT DIREKTORAT JENDERAL PENDIDIKAN TINGGI KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN JAKARTA

Lebih terperinci

BAB III DISAIN PRODUK

BAB III DISAIN PRODUK BAB III DISAIN PRODUK 3.1. Pendahuluan Salah satu karakteristik manusia adalah mereka selalu berusaha mencitakan sesuatu, baik alat atau benda lainnya untuk membantu kehidupan mereka. Untuk mewejudkan

Lebih terperinci

Tahap setelah analisis dari siklus pengembangan sistem Pendefinisian dari kebutuhan-kebutuhan fungsional Persiapan untuk rancang bangun implentasi

Tahap setelah analisis dari siklus pengembangan sistem Pendefinisian dari kebutuhan-kebutuhan fungsional Persiapan untuk rancang bangun implentasi Untung Subagyo Tahap setelah analisis dari siklus pengembangan sistem Pendefinisian dari kebutuhan-kebutuhan fungsional Persiapan untuk rancang bangun implentasi Menggambarkan bagaimana suatu sistem dibentuk

Lebih terperinci

FUNGSI TEORI DALAM PENELITIAN

FUNGSI TEORI DALAM PENELITIAN TEORI Teori a set of interrelated constructs (variables), definitions and propositions that present a systematic view of phenomena by specifying relations among variables, with the purpose of explaining

Lebih terperinci

Data Mining untuk Estimasi Biaya Produksi pada Industri Kecil dengan Sistem Produksi Job order

Data Mining untuk Estimasi Biaya Produksi pada Industri Kecil dengan Sistem Produksi Job order Data Mining untuk Estimasi Biaya Produksi pada Industri Kecil dengan Sistem Produksi Job order Uuf Brajawidagda Jurusan Teknik Informatika Politeknik Negeri Batam Parkway, Batam Centre, Batam 29461, Indonesia

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN PINJAMAN TERHADAP NASABAH DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) STUDI KASUS: PT. BPR LAKSANA GUNA PERCUT

SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN PINJAMAN TERHADAP NASABAH DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) STUDI KASUS: PT. BPR LAKSANA GUNA PERCUT SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN PINJAMAN TERHADAP NASABAH DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) STUDI KASUS: PT. BPR LAKSANA GUNA PERCUT Roi Marsitta Simanjuntak 1), Tonni Limbong 2) 1) Mahasiswa

Lebih terperinci

ABSTRAK. Kata kunci : Fluktuasi kurs, Ekspor, Impor, Peramalan. iii. Universitas Kristen Maranatha

ABSTRAK. Kata kunci : Fluktuasi kurs, Ekspor, Impor, Peramalan. iii. Universitas Kristen Maranatha ABSTRAK Beberapa tahun terakhir ini kurs tukar IDR/USD terus mengalami fluktuasi yang tidak dapat diprediksi. Akibatnya para pelaku pasar sulit untuk menentukan pada saat kapan mereka harus melakukan ekspor

Lebih terperinci

BAB IV IMPLEMENTASI DAN EVALUASI. rupa sehingga dapat memudahkan pengguna untuk menggunakan aplikasi

BAB IV IMPLEMENTASI DAN EVALUASI. rupa sehingga dapat memudahkan pengguna untuk menggunakan aplikasi BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Sistem Tahap ini merupakan pembuatan perangkat lunak yang disesuaikan dengan rancangan atau desain sistem yang telah dibuat. Aplikasi yang dibuat akan

Lebih terperinci

KOMPONEN DSS IRA PRASETYANINGRUM

KOMPONEN DSS IRA PRASETYANINGRUM KOMPONEN DSS IRA PRASETYANINGRUM 6 alasan mengapa perusahaanperusahaan utama memulai DSS dalam skala besar: Kebutuhan akan informasi yang akurat. DSS dipandang sebagai pemenang secara organisasi. Kebutuhan

Lebih terperinci

ALGORITMA & PEMROGRAMAN 1

ALGORITMA & PEMROGRAMAN 1 ALGORITMA & PEMROGRAMAN 1 Tri Ginanjar Laksana tryanjar@yahoo.com laksana.anjar@gmail.com 0899-7373-392 Tri Ginanjar Laksana Lahir di Majalengka, 7 Agustus 1985 SD Negeri Kesambi Dalam 2 Cirebon (1992)

Lebih terperinci

Pengantar Sistem Pakar

Pengantar Sistem Pakar Chapter 1 Tujuan Instruksional Khusus Mahasiswa mampu menjelaskan konsep dasar Sistem Pakar. Mahasiswa mampu memberi contoh aplikasi-aplikasi sistem pakar dalam sistem komputer modern. Mahasiswa memahami

Lebih terperinci

B A B I PENDAHULUAN. 1.1.Latar Belakang. Penggunaan komputer sebagai salah satu alat bantu dalam menyediakan

B A B I PENDAHULUAN. 1.1.Latar Belakang. Penggunaan komputer sebagai salah satu alat bantu dalam menyediakan B A B I PENDAHULUAN 1.1.Latar Belakang. Penggunaan komputer sebagai salah satu alat bantu dalam menyediakan informasi yang cepat dan efisien sudah bukan merupakan hal yang langka pada era teknologi informasi

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENYELEKSIAN CALON SISWA BARU DI SMA NEGERI 1 BADAR DENGAN METODE MULTIFACTOR EVALUATION PROCESS (MFEP)

SISTEM PENDUKUNG KEPUTUSAN PENYELEKSIAN CALON SISWA BARU DI SMA NEGERI 1 BADAR DENGAN METODE MULTIFACTOR EVALUATION PROCESS (MFEP) SISTEM PENDUKUNG KEPUTUSAN PENYELEKSIAN CALON SISWA BARU DI SMA NEGERI 1 BADAR DENGAN METODE MULTIFACTOR EVALUATION PROCESS (MFEP) Ahmad Khaidir (0911023) Mahasiswa Program Studi Teknik Informatika, STMIK

Lebih terperinci

MODUL XIII FORM dan REPORTS

MODUL XIII FORM dan REPORTS MODUL XIII FORM dan REPORTS A. MAKSUD DAN TUJUAN 1. MAKSUD Mahasiswa mengerti cara membuat form dan laporan dengan Ms Access 2. TUJUAN!"Agar mahasiswa dapat membust form untuk mengedit dan menambah data

Lebih terperinci

Sistem Aplikasi Penentuan Harga Pokok Produksi Tas Pada Konveksi IMA Collection Kudus

Sistem Aplikasi Penentuan Harga Pokok Produksi Tas Pada Konveksi IMA Collection Kudus LAPORAN SKRIPSI Sistem Aplikasi Penentuan Harga Pokok Produksi Tas Pada Konveksi IMA Collection Kudus Disusun Oleh : Nama : Pujiyanto Wibowo NIM : 2007-53-123 Jurusan : Sistem Informasi Fakultas : Teknik

Lebih terperinci

APLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com

APLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com APLIKASI REGRESI SEDERHANA DENGAN SPSS HENDRY admin teorionline.net Phone : 02-834 4694 / email : klik.statistik@gmail.com Tentang Regresi Sederhana Analisis regresi merupakan salah satu teknik analisis

Lebih terperinci

PETUNJUK PENGGUNAAN APLIKASI e- PURCHASING PRODUK BARANG/JASA PEMERINTAH PPK

PETUNJUK PENGGUNAAN APLIKASI e- PURCHASING PRODUK BARANG/JASA PEMERINTAH PPK PETUNJUK PENGGUNAAN APLIKASI e- PURCHASING PRODUK BARANG/JASA PEMERINTAH PPK Update 12 Februari 2015 Daftar Isi 1 Pendahuluan... 2 1.1 Alur Proses e- Purchasing Produk Barang/Jasa Pemerintah Dalam Aplikasi

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra

Lebih terperinci