Implementasi Metode Linear Discriminant Analysis (LDA) Untuk Klasifikasi Pengambilan Mata Kuliah Pilihan

Ukuran: px
Mulai penontonan dengan halaman:

Download "Implementasi Metode Linear Discriminant Analysis (LDA) Untuk Klasifikasi Pengambilan Mata Kuliah Pilihan"

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 3, No. 10, Oktober 2019, hlm Implementasi Metode Linear Discriminant Analysis (LDA) Untuk Klasifikasi Pengambilan Mata Kuliah Pilihan Ayu Anggrestianingsih 1, Agus Wahyu Widodo 2, Muhammad Tanzil Furqon 3 Program Studi Teknik Informatika, Abstrak Fakultas Ilmu Komputer merupakan salah satu fakultas terbaik yang berada di Universitas Brawijaya. Fakultas Ilmu Komputer (FILKOM) memiliki beberapa jurusan salah satunya adalah jurusan Informatika yang paling banyak diminati oleh mahasiswa FILKOM. Ketika mahasiswa memasuki semester 5, maka mereka diwajibkan untuk memilih keminatan yang sesuai dengan kemampuannya. Bidang studi yang ditawarkan ada beragam salah satunya adalah kecerdasan buatan, dimana pada penelitian ini, akan berfokus pada pengambilan mata kuliah pilihan keminatan pada bidang Kecerdasan Buatan, untuk membantu mahasiswa memilih keminatan yang sesuai dengan kemampuannya. Pada penelitian ini, menggunakan metode Linear Discriminant Analysis (LDA) agar bisa mendapatkan akurasi yang baik untuk pengambilan mata kuliah. Data latih yang digunakan sebanyak 30 data, dimana masing-masing kelas terdiri dari 15 data untuk kelas ya dan 15 data untuk kelas tidak dengan 5 mata kuliah pilihan. Maka didapatkan nilai akurasi untuk masing-masing mata kuliah pilihan seperti Logika Fuzzy 40%, Sistem Pendukung Keputusan 40%, Pengolahan Citra Digital 80%, Algoritma Evolusi 20% dan Sistem Pakar 40%. Kata kunci: pengambilan mata kuliah pilihan, linear discriminant analysis, LDA, Klasifikasi Abstract The Faculty of Computer Science is one of the best faculties at Brawijaya University. The Faculty of Computer Science (FILKOM) has several majors, one of which is the Informatics major which is most in demand by FILKOM students. When students enter semester 5, they are required to choose interests that are in accordance with their abilities. There are a variety of fields of study offered, one of which is artificial intelligence, which in this study, will focus on taking electives of interest in the field of Artificial Intelligence, to help students choose interests in accordance with their abilities. In this study, using the Linear Discriminant Analysis (LDA) method in order to get good accuracy for taking courses. The training data used as many as 30 data, where each class consists of 15 data for yes classes and 15 data for classes not with 5 elective courses. Then obtained accuracy values for each elective course such as 40% Fuzzy Logic, 40% Decision Support System, 80% Digital Image Processing, 20% Evolution Algorithm and 40% Expert System Keywords: taking elective courses, linear discriminant analysis, LDA, classification 1. PENDAHULUAN Fakultas ilmu komputer (FILKOM) yang berada di Universitas Brawijaya, sudah terkenal dengan fakultas yang memiliki Akreditasi A. FILKOM juga memiliki beberapa jurusan diantara jurusan Informatika (IT). Jurusan informatika memiliki beberapa keminatan seperti kecerdasan buatan, dimana untuk mahasiswa yang akan menempuh semester 5 wajib memilih keminatan yang sesuai dengan kemampuannya. Karena banyaknya mata kuliah pilihan yang ditawarkan banyak pula mahasiswa yang asal-asalan dalam memilih mata kuliah pilihan karena tidak paham dengan minatnya. Untuk mengatasi masalah tersebut maka dalam penelitian ini, penulis akan Fakultas Ilmu Komputer Universitas Brawijaya 10337

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer menggunakan metode Linear Discriminant Analysis (LDA) untuk membantu mahasiswa memilih keminatan apa saja yang lebih sesuai untuk diambil berdasarkan nilai prasyarat yang telah diambil sebelumnya. Implementasi Data Mining untuk Prediksi Mahasiswa Pengambilan Mata Kuliah Dengan Algoritma Naïve Bayes yang dilakukan oleh Indra Kurniawan Syahputra (2018) menghasilkan 44,92% untuk mata kuliah Jaringan Nirkabel dan 85,88% untuk mata kuliah Manajemen Hubungan Pelanggan sebagai nilai Accuracy. Pendeteksi jenis autis pada anak usia dini menggunakan metode Linear Discriminant Analysis (LDA) yang dilakukan oleh Edwan Budiman (2017) memiliki nilai akurasi sistem sebesar 88% dengan menggunakan 75 data trainingdan memiliki tiga kelas jenis gejala autis (kelas ringan, kelas sedang, kelas berat) yang disesuaikan oleh keadaan penderita. Rekomendasi Pengambilan Mata Kuliah Pilihan Untuk Mahasiswa Sistem Informasi Menggunakan Algoritma Decision Tree yang dilakukan oleh Putu Pradnyana Iswara (2019) yang menghasilkan nilai akurasi sistem dengan rata-rata 86,90%, 80,62%, 67,49% dan 66,48%, testing yang dilakukan dalam penetian ini sebanyak 5 kali dengan menggunakan metode Decision Tree dan menggunakan data latih pada tahun 2015 untuk data training dan 2016 untuk data testing yang diperoleh dari akademik sistem informatika. Tujuan dari penelitian ini adalah untuk mengimplementasikan metode linear discriminant analysis (LDA) dengan mencari nilai akurasi tertinggi pada masing masing mata kuliah yang diujikan sehingga bisa digolongkan masuk kelas ya atau kelas tidak. 2. DASAR TEORI 2.1 Linear Discriminant Analysis (LDA) Teori statistika yang telah banyak digunakan secara luas baik dalam hal pengolahan citra, pembelajaran mesin dan pengolahan data merupakan metode Linear Discriminant Analysis (LDA). Pada tahun 1936 Linear Discriminant Analysis (LDA) pertama kali dibuat serta dipublikasikan oleh Ronald A. Fisher yang berjudul The Use Of Multiple Measure in Taxonomic Problem yang dirilis melalu sebuah paper. Sebuah statistika terpisah untuk masing-masing obyek yang menggunakan metode ekstraksi fitur yang dipadukan dengan statistika dan perhitungan operasi matematika. (Sholahuddin, Siregar, Supriana, & Hadi, 2010) Untuk melalukan perhitungan linear discriminant analysis (LDA) rumus yang digunakan akan dijabarkan pada Persamaan 1. f i = fungsi discrimiant kelas ke i C -1 x k T P I μ i T = invers dari grup matriks kovarian = matriks transpose dari matriks data uji = peluang munculnya kelas ke-i = transpose rata-rata kelas ke-i 2.2 Akurasi Akurasi yaitu hasil perbandingan antara hasil keluaran (output) dari perhitungan excel dengan hasil keluaran data uji yang telah diujikan oleh pakar memiliki nilai yang sama atau tidak (Gardenia, 2015). Ketika hasil outputan mempunyai nilai yang sama antara perhitungan dan data yang diujikan, maka semakin meningkat pula untuk nilai kebenarannya. Perhitunagan akurasi akan ditampilkan pada persamaan 2. jumlah data 3. DATA PENELITIAN Dalam penelitian ini data yang digunakan adalah data primer pada tahun untuk training dan testing tahun 2018 yang diperoleh dari akademik fakultas ilmu komputer universitas brawijaya, dimana data latih yang digunakan sebanyak 30 data dan 5 data uji dengan 5 mata kuliah pilihan (Logika Fuzzy, Sistem Pendukung Keputusan, Pengolahan Citra Digital, Sistem Pakar dan Algoritma Evolusi) yang akan diklasifkasi dengan menggunakan metode Linear Discriminant Analysis (LDA). 4. PERANCANGAN 4.1 Preprocessing Data Preproses adalah langkah pertama dari

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer tahapan perancangan, dimana penulis akan menyeleksi data yang sudah terkumpul. Fitur yang digunakan pada penelitian ini terdiri dari 4 fitur yaitu (semester, SKSK, IPK dan nilai prasyarat). Menggunakan 30 data latih yang terdiri dari kelas (ya) dan kelas (tidak) dengan 15 data latih untuk masing-masing kelas. Mata kuliah pilihan yang akan diujikan terdiri dari (Logika Fuzzy, Sistem Pendukung Keputusan, Pengenalan Citra digital, Algoritma Evolusi dan Sistem Pakar) dengan 5 data uji untuk masing-masing mata kuliah pilihan. 4.2 Diagram Alir Linear Discriminant Analysis (LDA) Diagram alir atau flowchart untuk perhitungan menggunakan metode LDA ditunjukkan oleh Gambar 2 Gambar 2 Diagram Alir Linear Discriminant Analysis Untuk menjabarkan metode Linear Discriminant Analysis (LDA) meliputi beberapa proses yaitu sebagai berikut: 1. Membuat matriks rata-rata masingmasing kelas Matriks rata-rata untuk masing-masing kelas diperoleh dari banyaknya kelas yang sama yang kemudian akan digunakan untuk mencari nilai mean corrected yang akan dilakukan untuk langkah selanjutnya. 2. Membuat nilai mean global Nilai mean global diperoleh dari hasil rata-rata keseluruhan dataset yang nantinya akan digunakan untuk tahap selanjunya. 3. Membuat matriks mean corrected Matriks mean corrected diperoleh dari hasil pengurangan data training di masing masing kelas dengan nilai rata-rata mean global. 4. Membuat matriks transpose Matriks transpose didapat dari mean corrected dan kemudian dirubah menjadi matriks transpose. 5. Membuat matriks kovarian perkelas, kovarian grup dan invers Matriks kovariann diperoleh dari perkalian antara matriks transpose dengan matriks mean corrected dan dibagi oleh jumlah data training di tiap-tiap kelas. Kemudian hasil dari matriks kovarian dijadikan matriks kovarian grup yang diperoleh dari perhitungan hasil penjumlahan kovarian dibagi jumlah data yang digunakan. Tahap selanjutnya mencari matriks invers dari kovarian grup. 6. Membuat Probabilitas Prior di setiap kelas Nilai probabilitas prior diperoleh dari membagi jumlah data training di satu kelas dengan jumlah data keseluruhan. 7. Mencari Fungsi Discriminant Proses fungsi discriminant digunakan untuk mecari nilai tertingi pada masing-masing kelas yang diujikan dan sebagai hasil akhir dari proses Linear Discriminant Analysis. 5. PENGUJIAN DAN ANALISIS Pengujian dan analisis terhadap data latih yang telah ditentukan, dengan menggunakan 30 data latih yang terdiri dari 15 data untuk kelas ya dan 15 data untuk kelas tidak dengan mengunakan 5 data uji. Hasil keluran meggunakan metode LDA dengan perhitungan excel yang akan dibandingkan dengan kelas data uji untuk mengetahui valid atau tidaknya hasil keluaran terhadap kelas data uji dan mendapatkan nilai akurasi. Dengan menggunakan 5 mata kuliah pilihan yang terdiri dari Logika Fuzzy, Sistem Pendukung Keputusan, Pengolahan Citra Digital, Algoritma Evolusi dan Sistem Pakar maka keluaran setiap mata kuliah pilihan akan menghasilkan nilai yang berbeda.

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Pengujian Akurasi terhadap mata kuliah pilihan Logika Fuzzy Pengujian mata kuliah pilihan logika fuzzy menggunakan data latih sebanyak 30 dan 15 data untuk masing-masing kelas yang ada dan 5 data uji untuk menghitung nilai akurasi. Nilai kelas Ya dan kelas Tidak pada tabel 1 diperoleh dari hasil akhir perhitungan fungsi discriminant pada masing-masing kelas yang kemudian dicari nilai tertinggi antara kelas Ya dan kelas Tidak sehingga menghasilkan class pada kelas data yang diujikan Tabel 1 akan menjabarkan hasil akurasi dengan 30 data training. Tabel 1 Hasil Pengujian Akurasi Mata Kuliah Logika Fuzzy menampilkan hasil akurasi dengan 30 data latih. Tabel 2 Hasil Pengujian Akurasi Mata Kuliah SPK Dari tabel 2 hasil keluaran menggunakan uji sebanyak 2 data, sedangkan yang tidak sesuai ada 3 data. Sesuai dengan persamaan (2) % Dari tabel 1 hasil keluaran menggunakan uji sebanyak 2 data, sedangkan yang tidak sesuai ada 3 data. Sesuai dengan persamaan (2) nilai akurasi untuk mata kuliah pilihan logika fuzzy adalah sebagai berikut % 5.2 Pengujian Terhadap Mata Kuliah Sistem Pendukung Keputusan Pengujian mata kuliah pilihan sistem pendukung keputusan menggunakan data latih sebanyak 30 dan 15 data untuk masingmasing kelas yang ada dan 5 data uji untuk menghitung nilai akurasi. Nilai kelas Ya dan kelas Tidak pada tabel 2 diperoleh dari hasil akhir perhitungan fungsi discriminant pada masing-masing kelas yang kemudian dicari nilai tertinggi antara kelas Ya dan kelas Tidak sehingga menghasilkan class pada kelas data yang diujikan. Tabel 2 akan 5.3 Pengujian Terhadap Mata Kuliah Pengolahan Citra Digital Pengujian mata kuliah pilihan pengolahan citra digital menggunakan data latih sebanyak 30 dan 15 data untuk masing-masing kelas yang ada dan 5 data uji untuk menghitung nilai akurasi. Nilai kelas Ya dan kelas Tidak pada tabel 3 diperoleh dari hasil akhir perhitungan fungsi discriminant pada masing-masing kelas yang kemudian dicari nilai tertinggi antara kelas Ya dan kelas Tidak sehingga menghasilkan class pada kelas data yang diujikan. Tabel 3 akan menampilkan hasil akurasi dengan 30 data latih. Tabel 3 Hasil Pengujian Akurasi Mata Kuliah PCD Dari tabel 3 hasil keluaran menggunakan uji sebanyak 4 data, sedangkan yang tidak sesuai ada 1 data. Sesuai dengan persamaan (2)

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer % 5.4 Pengujian terhadap mata kuliah Algoritma Evolusi Pengujian mata kuliah pilihan algoritma evolusi keputusan menggunakan data latih sebanyak 30 dan 15 data untuk masing-masing kelas yang ada dan 5 data uji untuk menghitung nilai akurasi. Nilai kelas Ya dan kelas Tidak pada tabel 4 diperoleh dari hasil akhir perhitungan fungsi discriminant pada masing-masing kelas yang kemudian dicari nilai tertinggi antara kelas Ya dan kelas Tidak sehingga menghasilkan class pada kelas data yang diujikan. Tabel 4 akan menampilkan hasil akurasi dengan 30 data latih. Tabel 4 Hasil Pengujian Akurasi Mata Kuliah Algoritma Evolusi kelas Ya dan kelas Tidak pada tabel 5 diperoleh dari hasil akhir perhitungan fungsi discriminant pada masing-masing kelas yang kemudian dicari nilai tertinggi antara kelas Ya dan kelas Tidak sehingga menghasilkan class pada kelas data yang diujikan. Tabel 5 akan menampilkan hasil akurasi dengan 30 data latih. Tabel 5 Hasil Pengujian Akurasi Mata Kuliah Sistem Pakar Dari tabel 5 hasil keluaran menggunakan uji sebanyak 2 data, sedangkan yang tidak sesuai ada 3 data. Sesuai dengan persamaan (2) % Dari tabel 4 hasil keluaran menggunakan uji sebanyak 1 data, sedangkan yang tidak sesuai ada 4 data. Sesuai dengan persamaan (2) Dari masing masing tabel akurasi di tiap tiap mata kuliah pilihan yang diklasifikasi, maka dapat dibuat grafik agar terlihat pola dari pengujian dengan menngunakan metode Linear Discriminant Analysis dengan menggunakan 5 data latih pada masing masing mata kuliah pilihan. Gambar 3 menampilkan grafik nilai akurasi untuk masing masing mata kuliah pilihan % 5.5 Pengujian terhadap mata kuliah Sistem Pakar Pengujian mata kuliah pilihan sistem pakar menggunakan data latih sebanyak 30 dan 15 data untuk masing-masing kelas yang ada dan 5 data uji untuk menghitung nilai akurasi. Nilai

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Gambar 3 Grafik nilai akurasi untuk masing masing mata kuliah pilihan Sesuai dengan gambar 3 nilai akurasi setiap mata kuliah pilihan yang diujikan memiliki akurasi yang berbeda, kecuali untuk mata kuliah pilihan Logika Fuzzy dan SPK memiliki nilai akurasi yang sama yaitu sebanyak 40%, nilai akurasi tertinggi terletak pada mata kuliah pilihan pengolahan citra digital sebesar 80%, sedangkan untuk nilai terendah terletak pada mata kuliah pilihan Algoritma Evolusi sebesar 20% dan Sistem pakar sebanyak 40%, dan dapat disimpulkan bahwa pada tahun peminat mahasiswa terhadap mata kuliah pilihan yang diambil berada pada pengolahan citra digital. 6. PENUTUP 6.1 Kesimpulan Berdasarkan pada hasil perancangan dan pengujian serta analisis dari penelitian ini, maka dapat disimpulkan sbagai berikut: 1. Dengan menggunakan metode LDA (Linier Discriminant Analysis) untuk mengklasifikasi 4 fitur (Semester, SKSK, IPK, dan Nilai Prasyarat) dangan 2 kelas (Ya dan Tidak) serta 5 mata kuliah pilihan (Logika Fuzzy, Sistem Kecerdasan Buatan, Pengolahan Citra Digital, Algoritma Evolusi, Sistem Pakar) telah terbukti dapat mengklasifikasi data yang ada. 2. Dari skenario pengujian yang ada, tingkat akurasi dengan menggunakan metode LDA tergantung pada kelas data uji. Skenario yang memiliki nilai terbesar yaitu 80% dengan menngunakan 30 data latih serta 5 data uji dengan kelas ya yang mendominasi. 6.2 Saran Saran untuk penelitian yang akan dilakukan selanjutnya adalah sebagai berikut: 1. Untuk mata kuliah pilihan yang akan diklasifikasi sebaiknya lebih diperbanyak lagi. 2. Nilai Akurasi sebaiknya dilakukan berulang kali untuk masing masing mata kuliah pilihan yang diujikan agar nilai akurasinya lebih valid. 3. Untuk penelitian selanjutnya bisa memadukan metode LDA dengan metode yang lainnya, dengan harapan agar nilai akurasi yang didapatkan lebih sempurna. 7. DAFTAR PUSTAKA Anthasenna, I. G., Mahmudy, W. F., & Furqon, M. T. (2014). Jurnal Mahasiswa PTIIK Universitas Brawijaya. Sistem Identifikasi Gendre Musik Dengan Metode Ektraksi Fitur FFT dan Metode Klasifikasi Linear Discriminant Analysis Beserta Similarity Meansure. Azizah, R. N. (2008). Pengenalan Wajah dengan Metode Subspace LDA. Teknik Elektro ITS, 1-6. Budiman, E., Santoso, E., & Afirianto, T. (2019). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Pendeteksi Jenis Autis pada Anak Usia Dini Menggunakan Metode Linear Discriminant Analysis (LDA), Gardenia, M., Tursina, & Pratiwi, H. S. (2015). ProgramStudi Teknik Informatika Fakultas Teknik Universitas Tanjungpura. Sistem Pakar Deteksi Autisme Pada Anak Menggunakan Metode Fuzzy Tsukomoto. Harahap, E. H. (2018). Implementasi Algoritma Support Vector Machine (SVM) Untuk Penentuan. Pengembangan Teknologi Informasi dan Ilmu Komputer, Iswara, P. P., Farhan, F., Kumara, W., & Supianto, A. A. (2019). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Rekomendasi Pengambilan Mata Kuliah Pilihan Untuk Mahasiswa Sistem Informasi Menggunakan Algoritme Decision Tree, Marthasari, G. I. (2017). Implementasi Teknik Data Mining untuk Evaluasi Kinerja Mahasiswa. Teknik Informatika Vol.2 No.2, Scholkopf, B. (2001). The Kernel Trick for Distances. Advances in Neural information Processing System. Sholahuddin, A., Siregar, R. E., Supriana, I., & Hadi, S. (2010). Penerapan Metode Linear Discriminant Analysis Pada Pengenalan Wajah Berbasis Kamera. Konferensi Nasional Matematika, Ke- 15 Di UNIMA. Syahputra, I. K., Bachtiar, F. A., & Wicaksono, S. A. (2018). Jurnal Pengembangan

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Teknologi Informasi dan Ilmu Komputer. Implementasi Data Mining untuk Prediksi Mahasiswa Pengambil Mata Kuliah dengan Algoritme Naive Bayes,

APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS

APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS Sulistio PT Adicipta Inovasi Teknologi (AdIns) Jakarta email : sulistio.workmail@gmail.com Abstrak Aplikasi Prediksi Status

Lebih terperinci

Pendeteksi Jenis Autis pada Anak Usia Dini Menggunakan Metode Linear Discriminant Analysis (LDA)

Pendeteksi Jenis Autis pada Anak Usia Dini Menggunakan Metode Linear Discriminant Analysis (LDA) Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 7, Juni 2017, hlm. 583-592 http://j-ptiik.ub.ac.id Pendeteksi Jenis Autis pada Anak Usia Dini Menggunakan Metode

Lebih terperinci

PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ)

PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN DEVIYANTI SEPTIARI NIM. 1108605004

Lebih terperinci

PERANCANGAN DAN IMPLEMENTASI SISTEM PEMINATAN SISWA SMA DENGAN ALGORITMA C4.5 PADA SMAK HARAPAN DENPASAR

PERANCANGAN DAN IMPLEMENTASI SISTEM PEMINATAN SISWA SMA DENGAN ALGORITMA C4.5 PADA SMAK HARAPAN DENPASAR PERANCANGAN DAN IMPLEMENTASI SISTEM PEMINATAN SISWA SMA DENGAN ALGORITMA C4.5 PADA SMAK HARAPAN DENPASAR KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI OLEH : AYU INDAH SARIDEWI NIM.1108605014 PROGRAM STUDI

Lebih terperinci

KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)

KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM) KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : SRI MAYA SARI DAMANIK 24010210120002 JURUSAN STATISTIKA

Lebih terperinci

BAB I PENDAHULUAN. jurusan ditentukan berdasarkan standar kriteria tiap jurusan.

BAB I PENDAHULUAN. jurusan ditentukan berdasarkan standar kriteria tiap jurusan. BAB I PENDAHULUAN 1.1 Latar Belakang Pratiwi (2014) berpendapat Sekolah Menengah Atas (SMA) merupakan suatu instansi pendidikan yang di dalamnya terdapat proses pengambilan keputusan jurusan siswa kelas

Lebih terperinci

PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA

PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA (Studi Kasus Nilai Mata Pelajaran Pokok di SMA Negeri 1 Jepara) SKRIPSI

Lebih terperinci

Data Mining Terapan dengan Matlab

Data Mining Terapan dengan Matlab Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi

Lebih terperinci

PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)

PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.

Lebih terperinci

SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :

SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM : SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007

Lebih terperinci

PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA

PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh

Lebih terperinci

PENERAPAN METODE NAÏVE BAYES CLASSIFIER DAN ALGORITMA ADABOOST UNTUK PREDIKSI PENYAKIT GINJAL KRONIK

PENERAPAN METODE NAÏVE BAYES CLASSIFIER DAN ALGORITMA ADABOOST UNTUK PREDIKSI PENYAKIT GINJAL KRONIK PENERAPAN METODE NAÏVE BAYES CLASSIFIER DAN ALGORITMA ADABOOST UNTUK PREDIKSI PENYAKIT GINJAL KRONIK SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Program Studi Informatika

Lebih terperinci

PENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO. Abstrak

PENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO. Abstrak PENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO Sirli Fahriah 1, Heru Agus Santoso,Ph.D 2 Mahasiswa Universitas Dian Nuswantoro Semarang

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap

Lebih terperinci

IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA

IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam

Lebih terperinci

PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER

PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan

Lebih terperinci

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen

Lebih terperinci

DECISION SUPPORT SYSTEM FOR DETERMINING SCHOLARSHIP RECIPIENTS USING TOPSIS FMADM METHOD

DECISION SUPPORT SYSTEM FOR DETERMINING SCHOLARSHIP RECIPIENTS USING TOPSIS FMADM METHOD ZERO JURNAL SAINS MATEMATIKA DAN TERAPAN Volume 1 No. 1 2017 Page : 11-21 P-ISSN: 2580-569X E-ISSN: 2580-5754 DECISION SUPPORT SYSTEM FOR DETERMINING SCHOLARSHIP RECIPIENTS USING TOPSIS FMADM METHOD Ismail

Lebih terperinci

ii

ii KLASIFIKASI PENDAFTAR BEASISWA BIDIKMISI UNIVERSITAS SEBELAS MARET MENGGUNAKAN ALGORITMA C4.5 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Program Studi Informatika Disusun

Lebih terperinci

Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya

Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,

Lebih terperinci

Pengenalan Pola/ Pattern Recognition

Pengenalan Pola/ Pattern Recognition Pengenalan Pola/ Pattern Recognition Linear Discriminant Analysis Imam Cholissodin S.Si., M.Kom. Pokok Pembahasan 1. Linear Discriminant Analysis (LDA) Pengertian Klasifikasi LDA Rumus Umum LDA 2. Case

Lebih terperinci

KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG)

KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG) KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG) Fasrul Rahman Ansori Teknik Informatika, Ilmu Kompputer, Universitas

Lebih terperinci

khazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes

khazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes 29 khazanah informatika Jurnal Ilmu Komputer dan Informatika Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Muh Amin Nurrohmat

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah

Lebih terperinci

PERBANDINGAN DECISION TREE

PERBANDINGAN DECISION TREE 84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA MENGGUNAKAN METODE FMADM (STUDI KASUS: MAHASISWA FKIP UMN AL-WASHLIYAH MEDAN) ABSTRACT

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA MENGGUNAKAN METODE FMADM (STUDI KASUS: MAHASISWA FKIP UMN AL-WASHLIYAH MEDAN) ABSTRACT ZERO JURNAL MATEMATIKA DAN TERAPAN Volume 1 No. 1 2017 P-ISSN: 2580-569X E-ISSN : 2580-5754 SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENERIMA BEASISWA MENGGUNAKAN METODE FMADM (STUDI KASUS: MAHASISWA

Lebih terperinci

1. Pendahuluan 1.1 Latar Belakang

1. Pendahuluan 1.1 Latar Belakang 1. Pendahuluan 1.1 Latar Belakang Perkembangan teknologi sekarang ini semakin pesat. Kebutuhan akan informasi dan komunikasi bertambah. Telah ditemukan berbagai perangkat teknologi yang memudahkan manusia

Lebih terperinci

Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization

Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector

Lebih terperinci

PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN

PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN

PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi

Lebih terperinci

INTRUSION DETECTION SYSTEM (IDS) MENGGUNAKAN JARINGAN SYARAF TIRUAN ENSEMBLE

INTRUSION DETECTION SYSTEM (IDS) MENGGUNAKAN JARINGAN SYARAF TIRUAN ENSEMBLE INTRUSION DETECTION SYSTEM (IDS) MENGGUNAKAN JARINGAN SYARAF TIRUAN ENSEMBLE SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun oleh : UDHI PERMANA

Lebih terperinci

REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER

REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,

Lebih terperinci

Moch. Ali Machmudi 1) 1) Stmik Bina Patria

Moch. Ali Machmudi 1) 1) Stmik Bina Patria UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama

Lebih terperinci

PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI

PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,

Lebih terperinci

2. Tahapan Penelitian pemahaman merupakan awal proses penelitian

2. Tahapan Penelitian pemahaman merupakan awal proses penelitian Metodologi Penelitian Rudi Susanto rudist87@gmail.com 086547296211 2. Tahapan Penelitian pemahaman merupakan awal proses penelitian Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah

Lebih terperinci

PREDIKSI LAMA STUDI MAHASISWA DENGAN METODE RANDOM FOREST (STUDI KASUS : STIKOM BALI)

PREDIKSI LAMA STUDI MAHASISWA DENGAN METODE RANDOM FOREST (STUDI KASUS : STIKOM BALI) I Made, Prediksi Lama Studi Mahasiswa,,,201 PREDIKSI LAMA STUDI MAHASISWA DENGAN METODE RANDOM FOREST (STUDI KASUS : STIKOM BALI) Prediction Of Students Learning Study Periode By Using Random Forest Method

Lebih terperinci

IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI

IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI Harry Santoso Program Studi Teknik Informatika, Unika Soegijapranata Semarang harrysantoso888@gmail.com Abstract Signature is a proof

Lebih terperinci

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung

Lebih terperinci

SKRIPSI. Oleh : PUSPHITA ANNA OCTAVIANI NIM PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)

SKRIPSI. Oleh : PUSPHITA ANNA OCTAVIANI NIM PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG SKRIPSI Oleh : PUSPHITA ANNA OCTAVIANI NIM. 24010210120043 JURUSAN STATISTIKA FAKULTAS

Lebih terperinci

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil

Lebih terperinci

PERBANDINGAN ANALISIS DISKRIMINAN FISHER DAN NAIVE BAYES UNTUK KLASIFIKASI RISIKO KREDIT

PERBANDINGAN ANALISIS DISKRIMINAN FISHER DAN NAIVE BAYES UNTUK KLASIFIKASI RISIKO KREDIT PERBANDINGAN ANALISIS DISKRIMINAN FISHER DAN NAIVE BAYES UNTUK KLASIFIKASI RISIKO KREDIT (Studi Kasus Debitur di Koperasi Jateng Amanah Mandiri Cabang Sukorejo Kendal) SKRIPSI Disusun Oleh: ABDUR ROFIQ

Lebih terperinci

IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION

IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae

Lebih terperinci

PENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO

PENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO PENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO 121402102 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

Lebih terperinci

MUHAMMAD SALAFUDDIN NIM.

MUHAMMAD SALAFUDDIN NIM. LAPORAN SKRIPSI ANALISIS PERBANDINGAN DETEKSI TEPI PREWITT DAN CANNY PADA POLA BATIK TULIS DAN BATIK CAP DI KUDUS MOTIF PARIJOTO MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) MUHAMMAD SALAFUDDIN

Lebih terperinci

FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK

FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) Kurnia Novita Mutu (0722029) Jurusan Teknik Elektro email: mutunia@gmail.com ABSTRAK Perkembangan biometrik pada

Lebih terperinci

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)

SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri

Lebih terperinci

DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI

DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sejalan dengan perkembangan teknologi informasi, semakin bertambah pula kemampuan komputer dalam membantu menyelesaikan permasalahanpermasalahan di berbagai

Lebih terperinci

KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA

KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang 1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di

Lebih terperinci

PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES

PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,

Lebih terperinci

Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM)

Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM) Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM) Yudhie Suherdani / 9922109 Jurusan Teknik Elektro, Fakultas Teknik, Univeristas Kristen Maranatha Jln. Prof. Drg. Suria Sumantri 65, Bandung

Lebih terperinci

KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN

KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN LAPORAN SKRIPSI KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN VAHRUL MEILANI NIM.2012-51-115 DOSEN PEMBIMBING Endang Supriyati, M.Kom Alif Catur Murti, S.Kom,

Lebih terperinci

Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra

Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu

Lebih terperinci

ABSTRAK. Kata Kunci: data tidak seimbang, klasifikasi, KSMOTE, boosting, SSO, support vector machine.

ABSTRAK. Kata Kunci: data tidak seimbang, klasifikasi, KSMOTE, boosting, SSO, support vector machine. ABSTRAK Klasifikasi dalam data mining adalah proses untuk menemukan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data atau konsep. Salah satu permasalahan klasifikasi adalah distribusi

Lebih terperinci

Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes

Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2666-2671 http://j-ptiik.ub.ac.id Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes

Lebih terperinci

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar

Lebih terperinci

SISTEM PEMBACA LJK BERBASIS PENGOLAHAN CITRA DIGITAL MENGGUNAKAN SCANNER LJK READER SYSTEM BASED DIGITAL IMAGE PROCESSING USING SCANNER

SISTEM PEMBACA LJK BERBASIS PENGOLAHAN CITRA DIGITAL MENGGUNAKAN SCANNER LJK READER SYSTEM BASED DIGITAL IMAGE PROCESSING USING SCANNER SISTEM PEMBACA LJK BERBASIS PENGOLAHAN CITRA DIGITAL MENGGUNAKAN SCANNER LJK READER SYSTEM BASED DIGITAL IMAGE PROCESSING USING SCANNER Rezki Hadisaputra¹, Koredianto Usman², Rita Magdalena³ ¹Teknik Telekomunikasi,,

Lebih terperinci

PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER

PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER ABSTRAK Ryan Dharmawan Susanto (0722005) Jurusan Teknik Elektro email : ryan_sesss@yahoo.com Salah satu masalah yang mengganggu dalam pengenalan wajah

Lebih terperinci

ABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital

ABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi

Lebih terperinci

BAB 3 PERANCANGAN SISTEM

BAB 3 PERANCANGAN SISTEM BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut

Lebih terperinci

DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION)

DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) Steffi Budi Fauziah¹, Shaufiah², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi

Lebih terperinci

ABSTRAK Pada Tugas Akhir ini dirancang dan direalisasikan perangkat pendeteksi nilai

ABSTRAK Pada Tugas Akhir ini dirancang dan direalisasikan perangkat pendeteksi nilai Perancangan dan Realisasi Perangkat Pendeteksi Nilai Mata Uang Kertas Rupiah dengan Metode Histogram of Oriented Gradient dan Keabsahan dengan Metode Histogram Interseksi Berbasis Raspberry Pi Disusun

Lebih terperinci

Analisa Data Mahasiswa Baru Terhadap Program Studi Yang. Dipilih Di Universitas Pembangunan Nasional Veteran Jawa

Analisa Data Mahasiswa Baru Terhadap Program Studi Yang. Dipilih Di Universitas Pembangunan Nasional Veteran Jawa Analisa Data Mahasiswa Baru Terhadap Program Studi Yang Dipilih Di Universitas Pembangunan Nasional Veteran Jawa Timur Menggunakan Teknik Data Mining SKRIPSI Disusun Oleh : Citra Arum Sari 1032010048 JURUSAN

Lebih terperinci

Rayendra AMIK Kosgoro Solok

Rayendra AMIK Kosgoro Solok TEKNIK KLASIFIKASI PENYUSUTAN VOLUME PUPUK TERHADAP PENYIMPANAN DI GUDANG MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : GUDANG PERSEDIAAN PUPUK PT. PUSRI KOTA SOLOK) Rayendra AMIK Kosgoro Solok Email : rayzha1206@gmail.com

Lebih terperinci

IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR

IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS

Lebih terperinci

IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES

IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES Nama : Muhammad Rizki NPM : 54410806 Jurusan Pembimbing

Lebih terperinci

LAPORAN SKRIPSI DATA MINING PENENTUAN LAGU DANGDUT TERLARIS MENGGUNAKAN ALGORITMA NAIVE BAYES. Oleh : VINA KHILMIYATI

LAPORAN SKRIPSI DATA MINING PENENTUAN LAGU DANGDUT TERLARIS MENGGUNAKAN ALGORITMA NAIVE BAYES. Oleh : VINA KHILMIYATI LAPORAN SKRIPSI DATA MINING PENENTUAN LAGU DANGDUT TERLARIS MENGGUNAKAN ALGORITMA NAIVE BAYES Oleh : VINA KHILMIYATI 2010-51-216 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA

Lebih terperinci

STUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR

STUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR STUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR Erik Hardiyanto 1), Faisal Rahutomo 1) 1 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,

Lebih terperinci

Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo

Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR

SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik

Lebih terperinci

KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI

KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI Disusun Oleh : ATIKA ELSADINING TYAS 24010211120013 JURUSAN STATISTIKA

Lebih terperinci

BAB III PERANCANGAN SISTEM

BAB III PERANCANGAN SISTEM BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya

Lebih terperinci

Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen

Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen Adi Radili 1, Suwanto Sanjaya 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Jl. H.R. Soebrantas no. 155 KM. 18

Lebih terperinci

PENENTUAN PENERIMA BEASISWA BERDASARKAN KRITERIA PADA UIN RADEN FATAH PALEMBANG

PENENTUAN PENERIMA BEASISWA BERDASARKAN KRITERIA PADA UIN RADEN FATAH PALEMBANG PENENTUAN PENERIMA BEASISWA BERDASARKAN KRITERIA PADA UIN RADEN FATAH PALEMBANG Gusmelia Testiana UIN Raden Fatah Palembang Jl.KH. Zainal Abidin Fikri Palembang gusmelia.testiana@gmail.com ABSTRAK Masalah

Lebih terperinci

DAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4

DAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4 DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...

Lebih terperinci

ABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.

ABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi. ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan

Lebih terperinci

ISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5097

ISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5097 ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5097 Perancangan Sistem Pemeringkatan Jawaban Pada Forum Tanya Jawab Menggunakan Textual Feature dan Semantic Similarity Answer

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan

Lebih terperinci

PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK

PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri

Lebih terperinci

IMPLEMENTASI FUSI INFORMASI HIRARKIS PADA PENGENALAN CITRA WAJAH MULTI-SPECTRAL

IMPLEMENTASI FUSI INFORMASI HIRARKIS PADA PENGENALAN CITRA WAJAH MULTI-SPECTRAL TUGAS AKHIR - CI1599 IMPLEMENTASI FUSI INFORMASI HIRARKIS PADA PENGENALAN CITRA WAJAH MULTI-SPECTRAL FEBE FENYTA S. NRP 5105 100 042 Dosen Pembimbing Rully Soelaiman, S.Kom, M.Kom JURUSAN TEKNIK INFORMATIKA

Lebih terperinci

Rancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier

Rancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier Rancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier Riani Dewi H 1, Yunita 2, Novi Indrawati 3 Mahasiswa Program Studi Teknik Informatika Fakultas Teknik

Lebih terperinci

Versi Online tersedia di : JURNAL TECH-E (Online)

Versi Online tersedia di :  JURNAL TECH-E (Online) JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Job Order merupakan pekerjaan yang dilakukan apabila ada order yang diterima dari konsumen. Setiap detil pekerjaan 100% ditentukan oleh calon pembeli, pihak pembuat

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor

Lebih terperinci

RANCANGAN SISTEM REKOMENDASI KATEGORI PERUSAHAAN PRAKTIK INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES

RANCANGAN SISTEM REKOMENDASI KATEGORI PERUSAHAAN PRAKTIK INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES RANCANGAN SISTEM REKOMENDASI KATEGORI PERUSAHAAN PRAKTIK INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES Robi Wahyudi 1), Aji Prasetya Wibawa 2), Utomo Pujianto 3) 1), 2), 3) Teknik Elektro Universitas Negeri

Lebih terperinci

ABSTRAK. Kata kunci: Sistem Pakar, Pembelajaran Mesin, Weka, Support Vector Machine, Regresi Logistik, Demam Berdarah, Malaria, Typhus

ABSTRAK. Kata kunci: Sistem Pakar, Pembelajaran Mesin, Weka, Support Vector Machine, Regresi Logistik, Demam Berdarah, Malaria, Typhus ABSTRAK Salah satu hal menantang dalam pengaplikasian teknologi informasi, khususnya pada bidang kedokteran, adalah untuk mendeteksi penyakit-penyakit yang mirip melalui gejala-gejala umum. Kasus yang

Lebih terperinci

METODOLOGI PENELITIAN

METODOLOGI PENELITIAN METODOLOGI PENELITIAN MASALAH PENELITIAN TKK6352 Metodologi Penelitian Name Chalifa Chazar Website script.id Email chalifa.chazar@gmail.com Last update : Juli 2016 chalifa.chazar@gmail.com Course Outline

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Citra merupakan salah satu media yang penting bagi manusia untuk memperoleh informasi. Seiring dengan perkembangan teknologi citra digital maka setiap orang dapat dengan

Lebih terperinci

BAB I PENDAHULUAN. World Wide Web saat ini menjadi trend dunia. Perkembangan web site

BAB I PENDAHULUAN. World Wide Web saat ini menjadi trend dunia. Perkembangan web site BAB I PENDAHULUAN 1.1 Latar Belakang Masalah World Wide Web saat ini menjadi trend dunia. Perkembangan web site ini bukan hanya dapat dilihat pada bisnis saja, tetapi juga pada berbagai bidang. Misalnya

Lebih terperinci

IMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE

IMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE IMPLEMENTASI METODE ALGORITMA GENETIKA PADA APLIKASI OTOMASI PENJADWALAN PERKULIAHAN ANDRE ARSYAN JORDIE 1112001029 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS BAKRIE JAKARTA

Lebih terperinci

Deteksi Kemiripan Citra Tanaman Anggrek Menggunakan Metode Support Vector Machine (SVM) Kernel Linear

Deteksi Kemiripan Citra Tanaman Anggrek Menggunakan Metode Support Vector Machine (SVM) Kernel Linear Jurnal Ilmiah ESAI Volume 8, No.3, Juli 214 ISSN No. 1978-634 Detecting Resemblance Of Orchid Plant Image Through Support Vector Machine (SVM) Of Kernel Linear Method Deteksi Kemiripan Citra Tanaman Anggrek

Lebih terperinci

DAFTAR ISI.. LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK.. ABSTRACT... DAFTAR TABEL.. DAFTAR PERSAMAAN..

DAFTAR ISI.. LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK.. ABSTRACT... DAFTAR TABEL.. DAFTAR PERSAMAAN.. ABSTRAK Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak

Lebih terperinci

SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE

SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE A Sofalul Khazari 1), Fitri Marisa 2), Indra Dharma Wijaya 3) 1) Mahasiswa Fakultas Teknik, Universitas Widyagama Email: khazari.sofalul@gmail.com

Lebih terperinci

SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL

SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 262 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL SIMULATION AND ANALYSIS

Lebih terperinci

Data Mining II Estimasi

Data Mining II Estimasi Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/

Lebih terperinci