PERBANDINGAN ALGORITMA ID3 DAN C5.0 DALAM INDENTIFIKASI PENJURUSAN SISWA SMA
|
|
- Sri Kusuma
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN ALGORITMA ID3 DAN C5.0 DALAM INDENTIFIKASI PENJURUSAN SISWA SMA *Holisatul Munawaroh, **Bain Khusnul K,S.T.,M.Kom ***Yeni Kustiyahningsih,S.Kom.,M.Kom Program Studi Teknik Informatika, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2, Kamal, Bangkalan ** *** ABSTRAK Selama ini pemilihan jurusan di SMA Negeri 2 Bangkalan merupakan masalah yang selalu dihadapi oleh guru. Masalah yang sering terjadi adalah keterlambatan nilai siswa dari wali kelas dan banyaknya jumlah siswa kelas X sehingga proses penjurusannya kurang tepat. Oleh karenanya diperlukan suatu sistem yang terkomputerisasi yang dapat menangani masalah diatas. Pada penelitian ini dibangun aplikasi untuk mengidentifikasi penjurusan siswa SMA. Aplikasi penjurusan SMA ini menggunakan algoritma ID3 dan C5.0 yang merupakan algoritma pohon keputusan yang sering digunakan karena memiliki tingkat akurasi yang tinggi dalam menentukan keputusan. Namun, belum diketahui algoritma mana diantara keduanya yang lebih unggul kinerjanya. Oleh karena itu algoritma ini perlu dibandingkan. Penelitian ini membandingkan kinerja dari algoritma ID3 dan C5.0 dalam melakukan identifikasi penjurusan siswa SMA. Penelitian ini menggunakan 200 data siswa kelas X tahun ajaran 2011/2012, data tersebut dipecah menjadi 2 yaitu 150 data training dan 50 data testing. Hasil dari penelitian yang dilakukan, diketahui nilai precision terbesar dicapai oleh algoritma C5.0 pre pruning dengan nilai sebesar 94,87 %. Nilai recall terbesar dicapai oleh algoritma C5.0 pre pruning dengan nilai sebesar 97,37 %. Nilai accuracy terbesar dicapai oleh algoritma C5.0 pre pruning dengan nilai sebesar 94 %. Nilai error rate terkecil dicapai oleh algoritma C5.0 pre pruning dengan nilai sebesar 6%. Hasil akhir dari penelitian ini adalah algoritma C5.0 lebih baik dari pada algoritma ID3 karena memiliki tingkat akurasi yang lebih tinggi daripada algoritma ID3. Kata Kunci: Pohon Keputusan, ID3, C5.0, IPA, IPS. ABSTRACT All this time election majors at high school 2 Bangkalan is a problem that has always faced by teachers. The problem that often occurs is the delay value of homeroom students and the large number of students of class X so that the process majoring is less precise. Therefore we need a computerized system that can handle the above problems. In this research, built applications for identify majors high school students. This application uses algorithms ID3 and C5.0 that is decision tree algorithm often used because it has a high degree of accuracy in determining the decision. However, the algorithm is not yet known which of the two is superior performance. Therefore these algorithms need to be compared. This study compared the performance of ID3 and C5.0 algorithms in identifying majors of students in high school. This study uses 200 data class X students of the school year 2011/2012, the data is broken down into 2 that is 150 training data and 50 testing data. Results of research conducted, the largest known value of precision is achieved by pre-pruning algorithm C5.0 with a value of 94.87%. Biggest recall value achieved by pre pruning algorithm C5.0 with a value of 97.37%. Greatest accuracy values achieved by pre-pruning algorithm C5.0 with a value of 94%. Value of the smallest error rate achieved by pre pruning algorithm C5.0 a value of 6%. The end result of this research is the C5.0 algorithm is better than the ID3 algorithm because it has a higher level of accuracy than the ID3 algorithm. Keywords: Decision Tree, ID3, C5.0, Science, Social Studies. 1
2 2 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013, hlm 1-12 PENDAHULUAN Sekolah Menengah Atas (disingkat SMA), adalah jenjang pendidikan menengah pada pendidikan formal di Indonesia setalah lulus Sekolah Menengah Pertama (atau sederajat). Sekolah Menengah Atas ditempuh dalam kurun waktu 3 tahun, mulai dari kelas X sampai kelas XII. Pada tahun kedua (yakni kelas XI), siswa SMA dapat memilih jurusan yang ada. Idealnya, pemilihan jurusan itu berdasarkan minat, bakat, dan kemampuan siswa, sehingga dengan itu mereka diharapkan akan berhasil dalam menyelesaikan studinya di SMA serta dapat melanjutkan pendidikan ke jenjang yang lebih tinggi. Proses penjurusan di SMAN 2 Bangkalan dilakukan pada saat siswa berada di kelas X dan akan naik ke kelas XI. Setelah wali kelas menerima seluruh nilai semester maka wali kelas akan memutuskan apakah siswa tersebut naik atau tidak. Jika siswa tersebut dinyatakan naik maka selanjutnya akan dilakukan proses penjurusan oleh tim yang terdiri dari Wakil Kepala Sekolah Bidang Kurikulum, Guru Bimbingan Konseling, Wali Kelas X dan Guru Mata Pelajaran yang berkaitan dengan penjurusan. Masalah yang sering terjadi dalam proses penjurusan adalah keterlambatan nilai siswa dari para wali kelas, akibatnya pada akhir proses penjurusan para tim penentu jurusan berburu waktu sehingga proses penjurusan kurang tepat, ditambah lagi dengan banyaknya jumlah siswa kelas X. Tahun ajaran 2011/2012 tercatat siswa kelas X sejumlah ± 320 orang. Penjurusan siswa yang dilakukan di SMAN 2 Bangkalan hanya pada dua jurusan yaitu IPA dan IPS. Penentuan penjurusan ini dipertimbangkan berdasarkan nilai akademik siswa, minat siswa dan bakat siswa yang dilihat dari hasil psikotest. Pada penelitian ini dibangun aplikasi untuk mengidentifikasi penjurusan siswa SMA. Aplikasi penjurusan SMA ini menggunakan algoritma ID3 dan C5.0 yang merupakan algoritma pohon keputusan yang sering digunakan karena memiliki tingkat akurasi yang tinggi dalam menentukan keputusan. Dalam studi kasus yang lain, penelitian terkait perbandingan kinerja pohon keputusan ID3 dan C4.5 pernah dilakukan oleh Sofi Defiyanti dan D L Crispina Pardede dengan judul perbandingan kinerja algoritma ID3 dan C4.5 dalam klasifikasi spam-mail membuktikan bahwa pohon keputusan dengan algoritma ID3 memiliki kinerja yang lebih baik dibandingkan algoritma C4.5 dalam mengklasifikasikan data spam . Berikutnya penelitian tentang prediksi keaktifan studi mahasiswa dengan algoritma C5.0 dan K-Nearest Neighbor yang melakukan prediksi untuk mengetahui keaktifan seorang mahasiswa. Dalam penelitian ini proses klasifikasi yang memberikan hasil bahwa atribut Indeks Prestasi Kumulatif (IPK) merupakan atribut yang menentukan status studi mahasiswa. Hasil penelitian ini memberikan informasi bahwa Algoritma C5.0 lebih baik dibandingkan algoritma K-Nearest Neighbor. Berdasarkan kedua penelitian tersebut, dapat dilihat bahwa kedua algoritma, ID3 dan C5.0 mempunyai kinerja yang baik dalam pengidentifikasiannya. Namun, belum diketahui algoritma
3 Holisatul Munawaroh. Perbandingan ID3 dan C5.0 dalam Identifikasi Penjurusan SMA 3 mana diantara keduanya yang lebih unggul kinerjanya. Oleh karena itu algoritma ini perlu dibandingkan. Pada penelitian ini membandingkan kinerja dari algoritma ID3 dan C5.0 dalam melakukan identifikasi penjurusan siswa SMA. Hasil akhir dari penelitian ini diharapkan dapat mengetahui algoritma mana yang memiliki akurasi yang paling tinggi. Rule yang dihasilkan juga akan digunakan sebagai penentu keputusan sehingga dapat memprediksi jurusan siswa IPA atau IPS. TINJAUAN PUSTAKA Profil SMA SMA Negeri 2 Bangkalan merupakan salah satu unit pelaksana teknis dinas pendidikan kota Bangkalan yang berada di Jl. Soekarno hatta 18 kelurahan Mlajah kecamatan Bangkalan. SMAN 2 Bangkalan ini dibuka pada tanggal 1 April 1978 dan memiliki status akreditasi sekolah yaitu A pada tahun Jumlah siswa kelas X tahun ajaran 2011/2012 adalah ± 320 siswa. Penjurusan siswa yang dilakukan di SMAN 2 Bangkalan hanya pada dua jurusan yaitu IPA dan IPS. Penentuan penjurusan ini dipertimbangkan berdasarkan nilai akademik siswa, minat siswa dan bakat siswa yang dilihat dari hasil psikotest. Data Mining Data Mining adalah salah satu bidang yang berkembang pesat karena besarnya kebutuhan akan nilai tambah dari database skala besar yang makin banyak terakumulasi sejalan dengan pertumbuhan teknologi informasi. Definisi umum dari Data Mining itu sendiri adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data [1]. Pohon Keputusan Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diinterpretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Algoritma pohon keputusan telah banyak digunakan dalam penelitian dari berbagai studi kasus. Penelitian terkait dengan proposal tugas akhir ini pernah dilakukan oleh Moh. Nugroho W (2012) dengan judul Perbandingan kinerja pohon keputusan ID3 dan C4.5 dalam identifikasi kelayakan kredit sepeda motor. Penelitian tersebut dilakukan untuk mengidentifikasi kelayakan kredit menggunakan algoritma pohon keputusan ID3 dan C4.5 serta untuk mengukur kinerja algoritma ID3 dan C4.5 dari sisi keakuratan hasil prediksi. Pengukuran kinerja yang dilakukan menggunakan sekelompok data uji untuk mengetahui persentase precision, recall dan accuracy. Hasil akhir dari penelitian ini menunjukkan bahwa algoritma C4.5 memiliki tingkat akurasi yang lebih tinggi daripada algoritma ID3. [3]
4 4 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013, hlm 1-12 Dalam studi kasus yang lain, penelitian terkait perbandingan kinerja pohon keputusan ID3 dan C4.5 pernah dilakukan Surbhi Hardikar, Ankur Shrivastava dan Vijay Choudhary (2012) dengan judul Comparison between ID3 and C4.5 in Contrast to IDS Pada penelitian ini, analisa perbandingan yang dilakukan berdasarkan kinerja parameter yaitu akurasi, penggunaan memory, model build time, search time dan error rate. Hasil dari penelitian ini menunjukkan bahwa algoritma C4.5 memiliki tingkat akurasi yang sama dengan algoritma ID3. [4] Selanjutnya penelitian tentang klasifikasi tumbunhan jamur dengan menggunakan algoritma C5.0 pada tahun 2009 yang menghasilkan dua kelas jamur, yaitu jamur yang dapat dimakan ( edible mushroom ) dan jamur beracun ( poisonous mushroom ). Dalam penelitian ini metode yang digunakan adalah decision tree yang merupakan metode klasifikasi yang paling banyak digunakan dengan algoritma C5.0. Dataset tumbuhan jamur dibagi menjadi 3 bagian yaitu 2 bagian untuk data training dan 1 bagian untuk data testing. Hasil klasifikasi menunjukkan bahwa presentase nilai akurasi mencapai 100%, yang menunjukkan bahwa algoritma yang digunakan sangat cocok dengan data yang diolah [5]. Pembangunan tree dimulai dengan data pada simpul akar (root node) yang dilanjutkan dengan pemilihan sebuah atribut, formulasi sebuah logical test pada atribut tersebut dan pencabangan pada setiap hasil dari test. Langkah ini terus bergerak ke subset ke contoh yang memenuhi hasil dari simpul anak cabang (internal node) yang sesuai melalui proses rekursif pada setiap simpul anak cabang. Langkah-langkah tersebut diulangi hingga dahan-dahan dari tree memiliki contoh dari satu kelas tertentu. Beberapa model decision tree yang sudah dikembangkan antara lain adalah IDS, ID3, C4.5, C5.0, CHAID dan CART. METODE PENELITIAN ID3 Algoritma ID3 atau Iterative Dichotomiser 3 (ID3) merupakan sebuah metode yang digunakan untuk membuat pohon keputusan yang telah dikembangkan oleh J. Ross Quinlan sejak tahun Algoritma pada metode ini menggunakan konsep dari entropy informasi. Algoritma ID3 dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri). [6]. Secara ringkas, langkah kerja Algoritma ID3 dapat digambarkan sebagai berikut [7]: 1. Hitung Entropy dan Information gain dari setiap atribut dengan menggunakan rumus: Entropy S) = P log 2 P P log 2 ( P (1) Dimana: S = ruang (data) sample yang digunakan untuk training. P + = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.
5 Holisatul Munawaroh. Perbandingan ID3 dan C5.0 dalam Identifikasi Penjurusan SMA 5 Gain S, A = Entropy S S v S Dimana: S = ruang (data) sample yang digunakan untuk training. A = atribut. V = suatu nilai yang mungkin untuk atribut A. Nilai(A) = himpunan yang mungkin untuk atribut A. S v = jumlah sample untuk nilai V. S = jumlah seluruh sample data. Entropy(Sv) (2) Entropy(S v ) = entropy untuk sample-sample yang memiliki nilai V. Tujuan dari pengukuran nilai information gain adalah untuk memilih atribut yang akan dijadikan cabang pada pembentukan pohon keputusan. 2. Pilih atribut yang memiliki nilai information gain terbesar. 3. Bentuk simpul yang berisi atribut tersebut. 4. Ulangi proses perhitungan information gain yang akan terus dilaksanakan sampai semua C5.0 data telah termasuk dalam kelas yang sama. Atribut yang telah dipilih tidak diikutkan lagi dalam perhitungan nilai information gain. Algoritma C5.0 merupakan merupakan penyempurnaan dari algoritma terdahulu yang dibentuk oleh Ross Quinlan pada tahun 1987, yaitu algoritma ID3 dan C4.5. Perbedaan utama C5.0 dari ID3 adalah: - C5.0 dapat menangani atribut kontinyu dan diskrit. Akan tetapi pada penelitian ini yang dipakai hanya atribut diskrit karena jika menggunakan atribut kontinyu pohon yang dihasilkan akan panjang dan tidak efisien. - Hasil pohon keputusan C5.0 dapat dipangkas atau terdapat pruning (pemangkasan). Atribut dengan nilai information gain tertinggi akan terpilih sebagai parent bagi node selanjutnya. Algoritma ini membentuk pohon keputusan dengan cara pembagian dan menguasai sampel secara rekursif dari atas ke bawah. Algoritma ini dimulai dengan semua data yang dijadikan akar dari pohon keputusan sedangkan atribut yang dipilih akan menjadi pembagi bagi sampel tersebut. m I s 1, s 2,, s m = i=1 p i log 2 p i (3) S adalah sebuah himpunan yang terdiri dari s data sampel. Diketahui atribut class adalah m dimana mendefinisikan kelas-kelas di dalamnya, Ci (for i= 1,,m), si adalah jumlah sampel pada S dalam class Ci. untuk mengklasifikasikan sampel yang digunakan maka diperlukan informasi dengan menggunakan aturan 3. Dimana pi adalah proporsi kelas dalam output seperti pada kelas Ci dan diestimasikan dengan si /s. Atribut A memiliki nilai tertentu {a1, a2,, av}. Atribut A dapat
6 6 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013, hlm 1-12 digunakan pada partisi S ke dalam v subset, {S1, S2,, Sv}, dimana Sj berisi sample pada S yang bernilai aj pada A. Jika A dipilih sebagai atribut tes (sebagai contoh atribut terbaik untuk split), maka subset ini akan berhubungan pada cabang dari node himpunan S. Sij adalah jumlah sample pada class Ci dalam sebuah subset Sj. Untuk mendapatkan informasi nilai subset dari atribut A tersebut maka digunakan formula, E A = s 1j +...+s mj s y s 1j +...+s mj j =1 I(s s 1j,, s mj ) (4) adalah jumlah subset j yang dibagi dengan jumlah sampel pada S, maka untuk mendapatkan nilai gain, selanjutnya digunakan formula, Gain A = I s 1, s 2,, s m E A (5) Pre Pruning Pre pruning yaitu pemangkasan yang dilakukan sejak awal pembentukan pohon dengan cara menghentikan pembangunan suatu subtree lebih awal, yaitu dengan memutuskan untuk tidak lebih jauh mempartisi data training. Cara kerja pre pruning adalah dengan menghitung dulu nilai information gain untuk mengetahui nilai parent dan child. Setelah parent dan child diketahui kemudian dihitung nilai errornya, jika nilai error child lebih kecil parent maka parent membentuk subtree lagi, tapi sebaliknya jika nilai error child lebih besar dari parent maka pruning dilakukan dan pembentukan subtree berhenti. Untuk menghitung nilai error digunakan rumus dibawah ini. Rumus pre pruning : 2 z r r z 2n n z 1 n e 2 2 r n 2 z 4n 2 (6) Dimana: r = nilai perbandingan error rate n = total sample z 1 c c = confidence level Post Pruning Post Pruning merupakan pemangkasan yang dilakukan setelah pohon terbentuk secara utuh. Reduced Error Pruning merupakan salah satu algoritma postpruning. Algoritma ini membagi data menjadi dua, yaitu training data dan test data. Training data adalah data yang digunakan untuk membentuk pohon keputusan, sedangkan test data digunakan untuk menghitung nilai error rate pada pohon setelah dipangkas.
7 Holisatul Munawaroh. Perbandingan ID3 dan C5.0 dalam Identifikasi Penjurusan SMA 7 Cara kerja REP adalah dengan memangkas internal node yang dimulai dari internal node paling bawah ke atas. Pemangkasan dilakukan dengan cara mengganti atribut dengan leaf node yang memiliki kelas yang dominan muncul. Setelah itu test data diproses menggunakan rule hasil pemangkasan, kemudian dihitung nilai error ratenya. Test data juga diproses dengan rule awal, yaitu rule yang terbentuk sebelum pohon dipangkas, kemudian dihitung nilai error ratenya. Apabila nilai error rate yang dihasilkan dari pemangkasan pohon lebih kecil, maka pemangkasan dilakukan. Rancangan Sistem Mulai Input data training, data testing Preprosesing (transformasi data numerik ke kategorikal) Mining ID3 Mining C5.0 Pohon Keputusan & Rule ID3 Pohon Keputusan & Rule C5.0 Proses klasifikasi data testing dengan rule ID3 Proses klasifikasi data testing dengan rule C5.0 Penilaian Kinerja ID3 & C5.0 Input Data Penentu Keputusan Proses Klasifikasi Jurusan IPA atau IPS Selesai Gambar 1. Flowchart Sistem HASIL DAN PEMBAHASAN Data yang digunakan dalam tugas akhir ini merupakan data siswa kelas X angkatan 2011/2012 yang diperoleh dari SMAN 2 Bangkalan. Jumlah data yang digunakan sebanyak 200 data dimana 140 data memiliki kelas ipa dan 60 memiliki kelas ips. Dalam implementasinya, data diujicoba menjadi 3 skenario. Skenario 1 digunakan untuk membandingakan algritma ID3 dan C50 pre
8 8 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013, hlm 1-12 pruning, skenario 2 digunakan untuk membandingkan algoritma post pruning dan skenario 3 digunakan untuk efektifitas dan efisiensi dari algoritma. Pada penelitian ini data dipecah menjadi 3 yaitu data training digunakan untuk membentuk pohon keputusan, data testing digunakan untuk ujicoba pada pohon yang telah dibentuk guna menghitung nilai error rate dan data test pruning digunakan untuk mengetes akurasi pada pohon yang telah dibentuk guna proses pemangkasan pohon Skenario 1 Skenario 1 digunakan untuk membandingkan algritma ID3 dan C5.0 pre pruning. Pada skenario 1 ini data yang digunakan yaitu 150 data training dan 50 data testing. Data yang akan digunakan dipecah menjadi 2 yaitu data training dan data testing, yaitu: Berikut keterangan dari jumlah populasi data, yaitu : Tabel 1. Data Skenario 1 ID3 C5.0 prepruning Training Testing Jumlah Skenario 2 Skenario 2 digunakan untuk membandingkan algoritma post pruning. Dalam algoritma post pruning data yang digunakan dipecah menjadi 3 yaitu data training, data testing dan data test pruning. Untuk membandingkan kinerjanya data post pruning dipecah menjadi 3 partisi, yaitu: partisi 50:100 adalah 50 data training, 100 data test pruning, partisi 75:75 adalah 75 data training, 75 data test pruning dan partisi 100:50 adalah 100 data training, 50 data test pruning. Dari ketiga partisi tersebut sama-sama menggunakan 50 data testing. Berikut keterangan jumlah populasi data : Tabel 2. Data Skenario 2 C5.0 Post Pruning 50:100 75:75 100:50 Training Test Pruning Testing Jumlah Skenario 3 Skenario 3 digunakan untuk membandingkan algoritma ID3, C5.0 pre pruning dan C5.0 post pruning guna untuk mengetahui efektifitas dan efisiensi dari algoritma tersebut. Berikut keterangan dari jumlah populasi data, yaitu :
9 Holisatul Munawaroh. Perbandingan ID3 dan C5.0 dalam Identifikasi Penjurusan SMA 9 Tabel 3. Data Skenario 3 ID3 C5.0 C5.0 post prepruning pruning Training Testing Test Pruning Jumlah Analisa Perbandingan Algoritma Setelah pohon dibentuk, selanjutnya dilakukan perbandingan dengan data yang merupakan data testing, data yang digunakan ada 50 data dimana data tersebut dilakukan pengklasifikasian menggunakan rule ID3 dan C5.0 yang telah dibentuk. Kemudian kelas yang terbentuk dibandingkan dan dihitung nilai error ratenya. Setelah proses klasifikasi, kemudian dihitung kinerja dari masing-masing algoritma yang meliputi akurasi, error rate, precision dan recall. Berikut tabel kinerja perbandingan : Tabel 4. Kinerja Perbandingan Algoritma Kinerja Skenario 1 Skenario 2 Skenario 3 C5.0 C5.0 C5.0 C5.0 Pre C5.0 Pre ID3 Post Post Post ID3 Pruning Pruning 150:50 Pruning Pruning Pruning 100: :50 100:100 50:100 75:75 100:50 Akurasi 86% 94% 94% 94% 90% 93% 93% 95% Error Rate 14% 6% 6% 6% 10% 7% 7% 5% C5.0 Post Pruning 100:100 Precision 89,74% 94,87% 94,87% 94,87% 90,24% 93,42% 92,31% 94,74% Recall 92,11% 97,37% 97,37% 97,37% 97,37% 97,26% 98,63% 98,63% Skenario 1 Pada Skenario 1 terdapat penilaian kinerja algoritma ID3 dan C50 pre pruning. Penilaian kinerja diperoleh dari hasil klasifikasi rule algoritma dengan data testing. Perbandingan skenario 1 ini digunakan untuk membandingkan kinerja dari kedua algoritma, guna mengetahui algoritma mana yang paling bagus kinerjanya. Dari Hasil penilaian kinerja diketahui algoritma C50 pre pruning memiliki akurasi yang lebih baik dari pada ID3. Ini terlihat dari nilai akurasi C50 pre pruning sebesar 94% sedangkan ID3 sebesar 86%.
10 10 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013, hlm 1-12 Perbandingan pada skenario 1 dari kedua algoritma dapat digambarkan pada grafik berikut: 120% 100% 80% 60% 40% 20% 0% ID3 150:50 C5.0 prepruning 150:50 Precision Recall Akurasi Error Rate Gambar 2. Grafik Skenario 1 Skenario 2 Pada Skenario 2 terdapat penilaian kinerja algoritma C5.0 post pruning. Penilaian kinerja diperoleh dari hasil klasifikasi rule algoritma c50 post pruning dengan 50 data testing. Dalam skenario 2 ini terdapat 3 partisi data yaitu 50:100 adalah 50 training dan 100 test pruning, 75:75 adalah 75 training dan 75 test pruning, 100:50 adalah 100 training dan 50 test pruning. Perbandingan skenario 2 ini digunakan untuk membandingkan kinerja algoritma dari tiap partisi, guna mengetahui algoritma mana yang paling bagus kinerjanya. Dari Hasil penilaian kinerja diketahui algoritma C5.0 post pruning 50:100 dan 75:75 memiliki akurasi yang sama dan lebih baik dari pada C5.0 post pruning 100:50. Ini terlihat dari nilai akurasi C5.0 post pruning 50:100 dan 75:75 sebesar 93,88% sedangkan C5.0 post pruning 100:50 sebesar 90%. Perbandingan pada skenario 2 dari ketiga partisi data dari algoritma C5.0 post pruning dapat digambarkan pada grafik berikut: 120% 100% 80% 60% 40% 20% 0% C5.0 post pruning 50:100 C5.0 post pruning 75:75 C5.0 post pruning 100:50 Precision Recall Akurasi Error Rate Gambar 3. Grafik Skenario 2 Skenario 3 Pada Skenario 3 terdapat penilaian kinerja algoritma ID3, C50 pre pruning dan C5.0 post pruning. Penilaian kinerja diperoleh dari hasil klasifikasi rule algoritma dengan data testing. Perbandingan skenario 3 ini digunakan untuk membandingkan kinerja dari kedua algoritma, guna mengetahui algoritma mana yang paling bagus kinerjanya selain itu untuk efektifitas dan efisiensi dari algoritma tersebut. Dari Hasil penilaian kinerja diketahui algoritma C50 post pruning memiliki
11 Holisatul Munawaroh. Perbandingan ID3 dan C5.0 dalam Identifikasi Penjurusan SMA 11 akurasi yang lebih baik dari pada ID3. Ini terlihat dari nilai akurasi C50 post pruning sebesar 95% sedangkan ID3 sebesar 93%. Perbandingan pada skenario 3 dari kedua algoritma dapat digambarkan pada grafik berikut: 120% 100% 80% 60% 40% Precision Recall 20% 0% ID3 100:100 C5.0 pre pruning 100:100 C5.0 post pruning 100:100 Akurasi Error Rate Gambar 4. Grafik Skenario 3 KESIMPULAN DAN SARAN Kesimpulan Beberapa kesimpulan yang dapat diambil dari hasil penelitian ini adalah : 1. Hasil ujicoba pengukuran kinerja kedua algoritma menggunkanan 3 skenario yang telah dilakukan, dapat disimpulkan bahwa pada skenario 3 merupakan ujicoba paling efektif karena akurasi yang dihasilkan mencapai 95% pada algoritma C5.0 post pruning 100: Algoritma pohon keputusan yang terbaik adalah algoritma C5.0 karena memiliki kinerja (precision, recall, accuracy dan error rate) yang lebih baik dibandingkan algoritma ID3. Ini terlihat dari nilai akurasi C5.0 post pruning 100:100 sebesar 95% sedangkan untuk ID3 100:100 sebesar 93%. 3. Hasil penilaian kinerja yang telah diketahui dapat disimpulkan juga bahwa semakin banyak data testing yang digunakan semakin tinggi tingkat akurasi yang dihasilkan. Ini terlihat dari hasil skenario 1 menggunakan 50 data testng algoritma ID3 sebesar 86% dan C5.0 post pruning sebesar 90%. Sedangkan menggunakan 100 data testing hasil kinerjanya meningkat pada algoritma ID3 sebesar 93% dan C5.0 post pruning sebesar 95%. Saran Saran-saran yang bisa disampaikan adalah sebagai berikut: 1. Aplikasi ini masih bisa dikembangkan untuk algoritma pohon keputusan lainnya dan untuk metode pruning yang digunakan juga masih bisa dikembangkan lagi. 2. Algoritma C5.0 pada aplikasi ini tidak bisa mengklasifikasi data yang mengandung missing value, sehingga dapat lebih disempurnakan lagi. 3. Tampilan dari aplikasi ini masih terlihat kaku, sehingga dapat dibuat lebih menarik lagi.
12 12 Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013, hlm 1-12 DAFTAR PUSTAKA [1] Pramudiono I. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data <URL: diakses tanggal 17 Oktober [2] Nugroho, Fanuel., Kristanto, Harianto., dan Oslan, Yetli. Validitas Suatu Alamat menggunakan Pohon keputusan dengan Algoritma ID3. Jurnal Informatika, Volume 3 Nomor 2 April : [3] Hardikar S, Shrivastava A, Choudhary V. Comparison between ID3 and C4.5 in Contrast to IDS. VSRD-IJCSIT. Vol. 2 (7) [4] Humairah, N. Klasifikasi Data Tumbuhan Jamur Dengan Menggunakan Algoritma C5.0 [Skripsi]. UPN Veteran. Jakarta [5] Nugroho M.W. Perbandingan kinerja pohon keputusan ID3 dan C4.5 dalam klasifikasi kelayakan kredit sepeda motor (studi kasus Bussan Auto Finance) [Skripsi]. Universitas Trunojoyo. Bangkalan [6] Wahyudin. Metode Iterative Dichotomizer 3 (ID3) Untuk Penerimaan Mahasiswa Baru. Tanpa Tahun. <URL: KOMPUTER/WAHYUDIN/metode_ID3_untuk_mhsbaru.pdf> diakses tanggal 17 Oktober [7] Defianti, S dan Pardede, D. L. C. Perbandingan Kinerja Algoritma ID3 dan C4.5 dalam Klasifikasi SpamMail <URL: ~mwiryana/kommit/per-artikel/ perbandingan%5bsofi%5d.pdf>, diakses tanggal 5 Oktober [8] Ernawati, I. Prediksi Status Keaktifan Studi Mahasiswa Dengan Algoritma C5.0 dan K- Nearest Neighbor [Tesis]. Institut Pertanian Bogor. Bogor [9] Tanpa Nama. Constructing Decision Trees. Tanpa Tahun. <URL: diakses tanggal 3 Oktober 2012.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENJURUSAN SLTA DENGAN METODE ID3 DAN C4.5.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENJURUSAN SLTA DENGAN METODE ID3 DAN C4.5. Eza Rahmanita1, Yeni Kustiyahningsih 1. Universitas Trunojoyo, Madura. Univesitas Trunojoyo, Madura Kontak Person:
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciPENERAPAN 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 terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciPROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3
32 PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 Yo el Pieter Sumihar* 1, Idris Efendi 2 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains dan Komputer,
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN
116 IMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN Rismayanti 1 1 Dosen Tetap Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jl. H.M Joni No.70
Lebih terperinciALGORITMA C4.5 UNTUK PENILAIAN KINERJA KARYAWAN
SCAN VOL. IX NOMOR JUNI 014 ISSN : 1978-0087 ALGORITMA C4.5 UNTUK PENILAIAN KINERJA KARYAWAN Windy Julianto 1, Rika Yunitarini, Mochammad Kautsar Sophan 3 Universitas Trunojoyo Madura windy.julianto@gmail.com
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA
53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data
Lebih terperinciDAFTAR ISI PHP... 15
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii HALAMAN PERSEMBAHAN... iv HALAMAN MOTTO... v KATA PENGANTAR... vi INTISARI... viii DAFTAR ISI... ix DAFTAR GAMBAR... xii
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciKETEPATAN 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 terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK)
IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK) [1] Beti Novianti, [2] Tedy Rismawan [3] Syamsul Bahri [1][2][3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciIDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA MENGGUNAKAN ALGORITMA C4.5
IDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (Studi Kasus Lulusan Fakultas Sains dan Matematika Universitas Diponegoro Tahun 2013/2014) asa M arga ro) C ng Semara
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014 ISSN :
ALGORITMA C4.5 DALAM MENGANALISA KELAYAKAN KREDIT(STUDI KASUS DI KOPERASI PEGAWAI REPUBLIK INDONESIA (KP-RI) LENGAYANG PESISIR SELATAN, PAINAN, SUMATERA BARAT) Shary Armonitha Lusinia, S.Kom, M.Kom, Fakultas
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
Lebih terperinciSISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE
SISTEM REKOMENDASI PENENTUAN JUDUL SKRIPSI MENGGUNAKAN ALGORITMA DECISION TREE A Sofalul Khazari 1), Fitri Marisa 2), Indra Dharma Wijaya 3) 1) Mahasiswa Fakultas Teknik, Universitas Widyagama Email: khazari.sofalul@gmail.com
Lebih terperinciIMPLEMENTASI DECISION TREE UNTUK MEMPREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
IPLEENTASI DECISION TREE UNTUK EPREDIKSI JULAH AHASISWA PENGABIL ATAKULIAH DENGAN ENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORATIKA ITS Romauli anullang - 5108100501 Latar Belakang Pembuatan jadwal pada
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE
IMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE Asmah 1), Mussallimah 2), Indrianti 3) 1,2,3) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos Sudarso rt. 06
Lebih terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciImplementasi Data Mining Menggunakan Algoritma C4.5 Untuk Klasifikasi Penjurusan Siswa Pada SMA Negeri 2 Pemalang
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Implementasi Data Mining Menggunakan Algoritma C4.5 Untuk Klasifikasi Penjurusan Siswa Pada SMA Negeri 2 Pemalang IMPLEMENTATION OF DATA MINING USING
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Berbagai penelitian yang menerapkan algoritma ID3 (Iterative Dichotomizer Three) sebagai metode perhitungannya telah banyak dilakukan. ID3 (Iterative Dichotomizer
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciPENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE
PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE 1 Fitroh Rizky Muwardah, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciBAB I PENDAHULUAN. waktu mendatang. Perkembangan teknologi informasi membuat pencarian. data data sangat mudah bahkan cenderung berlebihan.
BAB I PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini kebutuhan akan informasi yang akurat sangat dibutuhkan, dikarenakan informasi akan menjadi suatu elemen penting dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciAlgoritma Iterative Dichotomizer 3 (ID3) Pengambilan Keputusan
Algoritma Iterative Dichotomizer 3 (ID3) Pengambilan Keputusan Decision Making Using Iterative Dichotomizer 3 Algorithm Arief Kelik Nugroho 1, Dadang Iskandar 2 1 ariefkeliknugroho@gmail.com 2 dadangiskandar83@gmail.com
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE
IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem
Lebih terperinciJURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI
JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI C4.5 ALGORITHM IMPLEMENTATION IN DETERMINING THE DEPARTMENT OF SMK PEMUDA PAPAR KEDIRI Oleh: MARISA FITRI FATMAWATI
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 595-604 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA
Lebih terperinciSistem Klasifikasi Jamur Dengan Algoritma Iterative Dichotomiser 3
ISSN: 2528-4061 27 Sistem Klasifikasi Jamur Dengan Algoritma Iterative Dichotomiser 3 Junita Eka Sari 1, Nesi Syafitri 2 1,2 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Islam Riau e-mail:
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciAlgoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan
Algoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan Decision Making Using Iterative Dichotomizer 3 Algorithm Arief Kelik Nugroho *1,Dadang Iskandar *2 ariefkeliknugroho@gmail.com dadangiskandar83@gmail.com
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperincikhazanah informatika 1 Program studi Informatika Universitas Muhammadiyah Surakarta Surakarta 1.
1 khazanah informatika Jurnal Ilmu Komputer dan Informatika 1* 1 1 Program studi Informatika Universitas Muhammadiyah Surakarta Surakarta *Yusuf.Nugroho@ums.ac.id SMA N 3 Boyolali merupakan salah satu
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih terperinciPENERAPAN ALGORITMA ID3 DAN C45 DALAM MENEMUKAN HUBUNGAN DATA AWAL MASUK MAHASISWA DENGAN PRESTASI AKADEMIK
PENERAPAN ALGORITMA ID3 DAN C45 DALAM MENEMUKAN HUBUNGAN DATA AWAL MASUK MAHASISWA DENGAN PRESTASI AKADEMIK Novyana Arista 1, Martaleli Bettiza, S.Si, M.Sc,. 2, Hendra Kurniawan, S.Kom., M.Sc.Eng. 3 Mahasiswa
Lebih terperinciMembangun Rule Dengan Algoritma Iterative Dichotomiser 3 (Id3) Untuk Penjurusan Siswa SMA
Membangun Rule Dengan Algoritma Iterative Dichotomiser 3 (Id3) Untuk Penjurusan Siswa SMA 1 Didik Kurniawan, 2 Anie Rose Irawati, 3 Hilman hudaya 1 Jurusan Ilmu Komputer FMIPA Unila 2 Jurusan Ilmu Komputer
Lebih terperinciDIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP
DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP Endah Rakhmawati 1, Entin Martiana K, M.Kom 2, Nur Rosyid Mubtadai,
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciDecision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan)
Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan) Rismayanti Program Studi Teknik Informatika Universitas Harapan
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciISSN : e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1768
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1768 IMPLEMENTASI KLASIFIKASI DECISION TREE DENGAN ALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN PERMOHONAN KREDIT OLEH DEBITUR (STUDI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pendidikan adalah salah satu hal penting bagi kehidupan seseorang. Semua orang sadar begitu penting pendidikan di perlukan. Pendidikan juga dapat di katakan
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciPrediksi Kelayakan Masuk Penjurusan Ipa Siswa Sekolah Menengah Atas Menggunakan C4.5 (Studi Kasus: Sma Tarakanita Gading Serpong)
PREDIKSI KELAYAKAN MASUK PENJURUSAN IPA SISWA SEKOLAH MENENGAH ATAS MENGGUNAKAN C4.5 (Studi Kasus: SMA Tarakanita Gading Serpong) Rasi Rahwali 1, Seng Hansun 2, Yustinus Widya Wiratama 3 1,2,3 Program
Lebih terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Data Latih 1 Decision Tree??? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2
Lebih terperinciPERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA
PERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh
Lebih terperinciAPLIKASI PENDUKUNG KEPUTUSAN KLASIFIKASI KARYAWAN MUTASI WILAYAH MENGGUNAKAN ALGORITMA C4.5
APLIKASI PENDUKUNG KEPUTUSAN KLASIFIKASI KARYAWAN MUTASI WILAYAH MENGGUNAKAN ALGORITMA C4.5 (Study Kasus PT. Indosat) Laporan Tugas Akhir Diajukan Untuk Melengkapi Salah Satu Syarat Memperoleh Gelar Sarjana
Lebih terperinciAnalisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal
234 Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal Comparative Analysis Of ID3 And C4.5 Algorithm For Classification Of Grant
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) adalah sistem komputer yang saling berhubungan dan menjadi alat bantu bagi seorang
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru Wahyudin Program Studi Ilmu Komputer Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu konsep teori graf
Lebih terperinciPERBANDINGAN 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 terperinciDwi Anggih Yosepta 1), Tria Aprilianto 2) 1. STMIK Asia Malang, 1 2
ANALISA POLA KELULUSAN MAHASISWA PADA SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER ASIA MALANG DENGAN MENGGUNAKAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) Dwi Anggih Yosepta 1), Tria Aprilianto 2) 1
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciDATA DAN METODE Data
DATA DAN METODE Data Sumber data yang digunakan dalam penelitian berasal dari data mahasiswa tahun angkatan 2000 sampai dengan 2005, dan dari tiga program studi yaitu S1- Sistem Informasi, S1-Teknik Informatika,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Tinjauan pustaka atau disebut juga kajian pustaka (literature review) merupakan sebuah aktivitas untuk meninjau atau mengkaji kembali berbagai
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciPENERAPAN ALGORITMA C4.5 PADA APLIKASI DATA MINING PEMILIHAN BEASISWA BAGI MAHASISWA DI UNIVERSITAS DIPONEGORO
PENERAPAN ALGORITMA C4.5 PADA APLIKASI DATA MINING PEMILIHAN BEASISWA BAGI MAHASISWA DI UNIVERSITAS DIPONEGORO SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer pada Jurusan
Lebih terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciMENGIDENTIFIKASI DATA REKAM MEDIS. (Studi Kasus Penyakit Diabetes Mellitus di Balai Kesehatan Kementerian. Perindustrian, Jakarta) SKRIPSI
ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) UNTUK MENGIDENTIFIKASI DATA REKAM MEDIS (Studi Kasus Penyakit Diabetes Mellitus di Balai Kesehatan Kementerian Perindustrian, Jakarta) SKRIPSI Oleh: AVIA ENGGARTYASTI
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
6 BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
Lebih terperinciPERANCANGAN 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 terperinciBAB 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 terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciSuyanto, Artificial Intelligence
Suyanto, Artificial Intelligence 12/11/2009 1 Merupakan metode yang berusaha menemukan fungsi-fungsi pendekatan yang bernilai diskrit. Banyak digunakan dalam data mining untuk klasifikasi. Dua fase : Learning/pembelajaran
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Akademi Manajemen Informatika Komputer Tunas Bangsa atau disingkat dengan AMIK Tunas Bangsa adalah salah satu perguruan tinggi swasta di Sumatera Utara yang
Lebih terperinciii
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 terperinciANALISIS KETERHUBUNGAN REKAM JEJAK AKADEMIK MAHASISWA TERHADAP PRESTASI BELAJAR MENGGUNAKAN ALGORITMA C4.5 DAN ID3,
ANALISIS KETERHUBUNGAN REKAM JEJAK AKADEMIK MAHASISWA TERHADAP PRESTASI BELAJAR MENGGUNAKAN ALGORITMA C4.5 DAN ID3, SERTA PENERAPAN UJI KORELASI PEARSON (Studi Kasus : Mahasiswa Teknik Informatika Universitas
Lebih terperinciResearch of Science and Informatic
Sains dan Informatika Vol.1 (N0.1) (2015): 20-29 22 Nisfa Ridha Yani, Gunadi Widi Nurcahyo, Implementasi Data Mining JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciBAB 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 terperinciAPLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,
Lebih terperinciPrediksi Ketepatan Waktu Kelulusan Dengan Algoritma Data Mining C4.5
DOI: http://dx.doi.org/0./fij.vi.0 Prediksi Ketepatan Waktu Kelulusan Dengan Algoritma Data Mining C4.5 Indah Puji Astuti Dosen eknik Informatika, Universitas Muhammadiyah Ponorogo Abstrak Mahasiswa merupakan
Lebih terperinci