IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA NASKAH PUBLIKASI
|
|
- Sudirman Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA NASKAH PUBLIKASI diajukan oleh Burhan Alfironi Muktamar kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2013
2
3 IMPLEMENTATION OF DATA MINING WITH NAIVE BAYES CLASSIFIER TO SUPPORTING MARKETING STRATEGY IN PUBLIC RELATIONS STMIK AMIKOM YOGYAKARTA IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Burhan Alfironi Muktamar Erik Hadi Saputra Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA ABSTRACT Data mining is a process to finding new patterns in the data by filtering large quantities. Search pattern data mining using pattern recognition technology which is similar to the statistical techniques and mathematical techniques. Patterns found are expected to provide useful information to produce economic benefits, effectiveness and efficiency. One method of data mining is the naive Bayes classifier is a data mining technique which has the ability of classification. Naive Bayes classifier algorithm can be used to predict interest the study based on the evidence given. Naive Bayes classifier algorithm is one method of data mining that can be used to support effective marketing strategies and efficient. The results of this research is the application of data mining algorithms are constructed using a naive Bayes classifier which can provide important information such as the results of predictions of interest in the study of students who could be used to help Team Marketing STMIK AMIKOM Yogyakarta. The data used is the student enrollment the previous year. Prediction of the results obtained, is expected to help to support the marketing strategies that have an impact on the effectiveness and efficiency of marketing and increasing the number of new students who enroll. Keywords : data mining, naive bayes classifier, classification
4 1. PENDAHULUAN 1.1 Latar Belakang Masalah Banyak perusahaan dan instansi pemerintah yang menggunakan data mining untuk menggali informasi. Informasi ini sangat berguna untuk meningkatkan keuntungan ataupun membantu dalam penyusunan strategi pemasaran. Selain perusahaan dan instansi pemerintah, penerapan data mining juga dilakukan dalam dunia pendidikan baik oleh perguruan tinggi negeri maupun swasta. Hal ini karena banyak perguruan tinggi yang berupaya untuk mendapatkan competitive intelligence. STMIK AMIKOM Yogyakarta merupakan salah satu perguruan tinggi swasta yang berkedudukan di Yogyakarta di bawah naungan Yayasan AMIKOM Yogyakarta. STMIK AMIKOM Yogyakarta merupakan sebuah perguruan tinggi hasil pengembangan dari Akademi Manajemen Informatika dan Komputer "AMIKOM Yogyakarta 1. Salah satu penerapan data mining dengan naive bayes classifier dalam perguruan tinggi adalah untuk mengetahui minat dan ketertarikan calon mahasiswa baru terhadap program studi yang tersedia dengan memprediksi probabilitas keanggotaan suatu class. Informasi ini dapat digunakan untuk mendukung strategi pemasaran agar lebih efektif dan efisien. Dengan informasi ini suatu perguruan tinggi dapat mengetahui tingkat ketertarikan calon mahasiswa terhadap suatu program studi yang terdapat di perguruan tinggi tersebut. Sehingga perguruan tinggi dapat mengetahui serta menentukan target atau sasaran pasar dengan lebih rinci. Dengan demikian, di bagian Hubungan Masyarakat (HUMAS) STMIK AMIKOM Yogyakarta diperlukan suatu aplikasi data mining untuk menggali atau mencari informasi dari data pendaftaran tahun-tahun sebelumnya sebagai bahan evaluasi dan analisa untuk mendukung strategi pemasaran tahun berikutnya. Konsep bayesian classification ditujukan untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. 1 Anonim, Sejarah Berdirinya Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM Yogyakarta, diakses 12 Juli 2013 pukul
5 2. LANDASAN TEORI 2.1 Pengertian Data Mining Data mining, sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Sehingga istilah pattern recognition sekarang jarang digunakan karena termasuk bagian dari data mining. (Santosa, 2007:10). Dalam prosesnya data mining menggunakan apa yang dihasilkan oleh data warehouse. Data warehouse adalah kumpulan data dari berbagai sumber internal maupun eksternal yang dikumpulkan menjadi satu dalam tempat penyimpanan yang berukuran besar yang bisa digunakan untuk pengambilan keputusan, dan bersifat berorientasi subjek, terintegrasi, time-variant, dan non-volatine. Data warehouse bertugas untuk menarik data dari basis data mentah untuk memberikan hasil data yang nantinya digunakan oleh proses data mining. 2.2 Konsep Klasifikasi Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan pelatihan/pembelajaran terhadap fungsi target f yang memetakan setiap set atribut (fitur) x ke satu dari sejumlah label kelas y yang tersedia. Pekerjaan pelatihan tersebut akan menghasilkan suatu model yang kemudian disimpan sebagai memori. (Prasetyo, 2012 : 45). Algoritma klasifikasi menggunakan data training untuk membuat sebuah model. Model yang sudah dibangung tersebut kemudian digunakan untuk memprediksi label kelas data baru yang belum diketahui. Dalam proses klasifikasi terdapat banyak algoritma yang telah dikembangkan oleh para peneliti seperti K-Nearest Neighbor, Artifical Neural Network, Support Vector Machine, Decision Tree, Naïve Bayes Classifier dan lain sebagainya. Setiap algoritma dalam klasifikasi data mining tersebut memiliki kelebihan dan kekurangan. Tetapi prinsip dari masing-masing algoritma tersebut sama, yaitu melakukan suatu pelatihan sehingga di akhir pelatihan model dapat memprediksi setiap vektor masukan ke label kelas output dengan tepat 2. Salah satu pengukur kinerja klasifikasi adalah tingkat akurasi. Sebuah sistem dalam melakukan klasifikasi diharapkan dapat mengklasifikasi semua set data dengan benar, tetapi tidak dipungkiri bahwa kinerja suatu sistem tidak bisa 100% akurat 3. 2 Eko Prasetyo, Data Mining Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta : Penerbit Andi, 2012, hal Ibid, hal 48. 2
6 Untuk menghitung akurasi digunakan formula : Akurasi = Jumla data yang diprediksi secara benar jumla prediksi yang dilakukan = f 11 + f 00 f 11 + f 10 + f 01 + f 00 Untuk menghitung kesalahan prediksi (error) digunakan formula: Error = Jumla data yang diprediksi secara sala jumla prediksi yang dilakukan = f 10 + f 01 f 11 + f 10 + f 01 + f Konsep Naive Bayes Classifier Teori keputusan Bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (pattern recognition). Pendekatan ini didasarkan pada kuantifikasi tradeoff antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang ditimbulkan dalam keputusan-keputusan tersebut.(santosa, 2007:75). Naive bayes classifier merupakan salah satu metode yang digunakan dalam data mining yang didasarkan pada teori keputusan Bayes. Naive bayes classifier memiliki kemampuan klasifikasi seperti metode decision tree dan neural network. Metode ini dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class 4. Seperti yang dikatakan Eko Prasetyo (2012:61), formulasi Naive Bayes Classifier adalah sebagai berikut : P Y X = P(Y) Dimana untuk formula diatas : q i=1 P(X i Y) P(X) P(Y X) adalah probabilitas data dengan vector X pada kelas Y. P(Y) adalah probabilitas awal kelas Y. q i=1 P(X i Y) adalah probabilitas independen kelas Y dari semua fitur dalam vector X. Nilai P(X) selalu tetap sehingga dalam perhitungan prediksi nantinya tinggal menghitung bagian P(Y) kelas yang dipilih sebagai hasil prediksi. q i=1 P(X i Y) dengan memilih yang terbesar sebagai Naive Bayes Classifier (NBC) membutuhkan jumlah record data yang sangat besar untuk mendapatkan hasil yang baik. Jika kategori prediktor tidak ada dalam data training, maka naive bayes classifier mengasumsikan bahwa record baru dengan kategori predictor memiliki probabilitas nol. 4 Kusrini, dan Emha, Taufiq Luthfi, Algoritma Data Mining, Yogyakarta : Penerbit Andi, 2009, hal
7 3. ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis PIECES Analisis Kinerja Sistem (Performance Analysis) Dari analisa kinerja di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil seperti yang ditampilkan pada tabel 3.1. Tabel 3.1 Analisis Kinerja (Performance Analysis) Parameter Sistem Lama Jumlah total pendaftar pada tahun ajaran 2013/2014 yang dihasilkan dari proses marketing kurang lebih sebesar orang. Kemudian Throughput yang melakukan verifikasi pendaftaran sebesar orang dan diterima sebesar 2080 orang. Respontime untuk pelayanan marketing dari customer service Respontime marketing kurang lebih 10 menit/orang Analisis Informasi (Information Analysis) Dari analisa informasi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil seperti yang ditampilkan pada tabel 3.2. Tabel 3.2 Analisis Informasi (Information Analysis) Parameter Sistem Lama Dari sistem yang lama belum ada informasi yang akurat Akurat berhubungan dengan hasil klasifikasi dan prediksi minat studi proses marketing. Untuk mendapatkan perhitungan informasi mengenai hasil analisa yang berhubungan dengan klasifikasi dan prediksi minat Tepat Waktu studi serta statistik teknik marketing secara manual membutuhkan waktu kurang lebih 2 jam. Informasi secara umum yang berhubungan dengan data Relevan pendaftar dalam proses marketing dinilai relevan karena dikelola dengan baik oleh Innovation Center Analisis Ekonomi (Economic Analysis) Dari analisa ekonomi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil seperti yang ditampilkan pada tabel
8 Tabel 3.3 Analisis Ekonomi (Economic Analysis) Parameter Biaya Sistem Lama Anggaran biaya yang dikeluarkan untuk proses marketing dialokasikan untuk pembuatan brosur, periklanan dengan berbagai media seperti televisi, koran, dan radio, kunjungan, serta proses marketing lainnya Analisis Kendali (Control Analysis) Dari analisa kendali di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil seperti yang ditampilkan pada tabel 3.4. Tabel 3.4 Analisis Kendali (Control Analysis) Parameter Sistem Lama Kontrol Keamanan Kontrol terhadap data dilakukan oleh Innovation Center dengan melakukan back up data setiap malam. Keamanan dikelola dengan pemberian hak akses dan keamanan database serta didukung dengan keamanan sistem operasi dan jaringan oleh Innovation Center Analisis Efisiensi (Efficiency Analysis) Dari analisa efisiensi di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil seperti yang ditampilkan pada tabel 3.5. Tabel 3.5 Analisis Efisiensi (Efficiency Analysis) Parameter Sistem Lama Dengan proses marketing yang dilakukan dan biaya yang Efisien dikeluarkan dihasilkan jumlah pendaftar kurang lebih orang, sehingga proses marketing dinilai efisien Analisis Pelayanan (Service Analysis) Dari analisa pelayanan di HUMAS STMIK AMIKOM Yogyakarta didapatkan hasil seperti yang ditampilkan pada tabel 3.6. Tabel 3.6 Analisis Pelayanan (Service Analysis) Parameter Sistem Lama Pelayanan pada customer service marketing di STMIK AMIKOM Yogyakarta dilaksanakan dari jam WIB pada hari Pelayanan senin sampai dengan jumat dan jam WIB pada hari sabtu. 5
9 3.2 Analisis Kelayakan Sistem Kelayakan Teknologi Kelayakan teknologi berhubungan dengan ketersediaan sarana pembuatan dan implementasi sistem. Teknologi di STMIK AMIKOM Yogyakarta sangat baik, sehingga dapat mendukung proses pembuatan dan implementasi sistem. Di bagian HUMAS STMIK AMIKOM Yogyakarta sudah tersedia komputer dengan spesifikasi diatas standard yang diperlukan dan siap terkoneksi dengan Innovation Center untuk mengakses database yang berisi data-data yang diperlukan untuk diproses. Sehingga dari segi teknologi sistem dapat diusulkan layak untuk diterapkan Kelayakan Hukum Kelayakan hukum ditujukan untuk memberikan penilaian apakah sistem yang dibuat melanggar hukum atau tidak. Di STMIK AMIKOM Yogyakarta, khususnya pada bagian humas dan Innovation Center menggunakan software resmi dalam pengimplementasian sistem ini. Karena software yang berhubungan dengan sistem yang akan dibuat tersebut bersifat legal dan aplikasi yang dibuat tidak mengandung unsur SARA dan ponografi, maka secara hukum perancangan sistem ini dinilai layak untuk diterapkan Kelayakan Operasional Kelayakan operasioanal ditujukan untuk mengetahui kesiapan sumber daya manusia di bagian Humas STMIK AMIKOM Yogyakarta. Sumber daya manusia di bagian Humas hampir semua mempunyai basic pendidikan pada bidang IT. Sehingga tidak ada masalah yang ditemukan dalam segi kelayakan operasional. 3.3 Perancangan Sistem 3.1 Perancangan Konsep Aplikasi ini memberikan informasi mengenai hasil klasifikasi dan prediksi minat studi dari target marketing dengan menggunakan algoritma naive bayes classifier. Aplikasi ini memanfaatkan data pendaftar mahasiswa tahun-tahun sebelumnya sebagai sumber pengetahuan yang terdiri dari kota, jenis kelamin, asal sekolah dan jurusan. Kemudian dengan rumus perhitungan bayesian, aplikasi ini dapat melakukan perhitungan probability dan memberikan hasil prediksi minat studi dari data target yang diinputkan. Selain informasi mengenai hasil klasifikasi dan prediksi minat studi, aplikasi ini juga akan memberikan informasi tentang presentase keberhasilan dari masing-masing usaha marketing yang sudah dilakukan. Informasi tersebut akan disajikan dengan menggunakan chart agar lebih mudah dipahami. Selain itu, aplikasi ini juga akan memberikan informasi mengenai usaha marketing yang memiliki presentase keberhasilan paling tinggi di setiap kota yang diinputkan. 6
10 3.2 Flowchart Perancangan flowchart ini bertujuan untuk memberi gambaran bagaimana aliran proses dari aplikasi untuk prediksi minat studi ini berjalan. Mulai dari awal ketika task menu prediksi minat studi diklik hingga tampil hasil prediksi minat studi. Mulai Input Data Target Marketing Hitung Prior Probability ( P(Ci) ) Hitung Probability Attribut Target Marketing Terhadap Masing-Masing Class ( P(X Ci) ) Hitung perkalian Prior Probability dengan Probability Attribut Target Marketing ( P(Ci) x ( P(X Ci) ) Mencari nilai maksimal dari P(Ci) x ( P(X Ci) Tampil Hasil Prediksi Selesai Gambar 3.1 Alur Aplikasi Program 3.3 Perancangan Interface Interface merupakan tampilan yang digunakan sebagai mediator interaksi antara sistem yang dibuat atau sebuah perangkat dengan pengguna (user). Interface sangat berpengaruh terhadap penggunaan aplikasi untuk memberikan kemudahan terhadap user. Dibawah ini adalah perancangan interface aplikasi Smart Marketing. 7
11 3.3.1 Halaman Menu Utama Halaman menu utama adalah halaman awal dari aplikasi yang dibuat. Halaman ini yang menampung menu-menu utama yang terdapat dalam aplikasi ini. Gambar 3.2 Tampilan Halaman Menu Utama Halaman Prediksi Minat Studi Halaman ini adalah halaman yang terdapat pada menu prediksi minat studi. Halaman ini digunakan untuk melakukan perhitungan probability yang digunakan untuk memprediksi minat studi yang dimiliki target marketing. Gambar 3.3 Tampilan Halaman Prediksi Minat Studi Halaman Statistik Marketing Halaman ini adalah halaman yang terdapat pada menu statistik marketing. Halaman ini digunakan untuk mengetahui tingkat keberhasilan langkah-langkah marketing yang digunakan. 8
12 Gambar 3.4 Tampilan Halaman Statistik Marketing Halaman About Halaman ini adalah halaman yang terdapat pada menu about. Halaman ini digunakan untuk memberikan informasi singkat mengenai aplikasi Smart Marketing. Gambar 3.5 Tampilan Halaman About Halaman Credit Halaman ini adalah halaman yang terdapat pada menu credit. Halaman ini digunakan untuk memberikan informasi dan contact mengenai pembuat aplikasi Smart Marketing. 9
13 Gambar 3.6 Tampilan Halaman Credit Halaman Help Halaman ini adalah halaman yang terdapat pada menu help. Halaman ini digunakan untuk memberikan informasi mengenai manual program (bagaimana menggunakan) aplikasi Smart Marketing. Gambar 3.7 Tampilan Halaman Credit 10
14 4. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Uji Coba Sistem dan Program White-box Testing White-box testing dilakukan dengan menguji logika jalur program yang meliputi : 1. Menggunakan semua modul minimal satu kali untuk memberikan jaminan bahwa semua jalur program berfungsi seperti yang diharapkan. 2. Menggunakan semua keputusan logis pada sisi true dan false. 3. Mengeksekusi semua loop pada batasan operasional mereka. Hasil yang didapatkan menunjukkan tidak adanya kesalahan logika dalam pemrograman. Pengujian syntax program dilakukan dengan pengecekan pada setiap listing program. Pada tool Microsoft Visual Studio 2010 jika terdapat kesalahan syntax maka akan ditunjukan dengan tanda error garis merah seperti yang ditunjukkan pada gambar 4.1. Setelah dilakukan pengecekan terhadap seluruh source code program menunjukkan tidak ada kesalahan syntax. Gambar 4.1 Contoh Syntax Error Black-box Testing Black-box testing dilakukan pada seluruh modul program untuk mengetahui apakah program yang dibuat sudah sesuai dengan kebutuhan fungsionalnya. Tabel 4.1 Uji Coba Kebutuhan Fungsional No Kebutuhan Fungsional Keterangan 1 User dapat melakukan penginputan data target marketing yang berupa sekolah asal, kota, jenis kelamin, dan jurusan. Terpenuhi 2 Sistem dapat melakukan perhitungan probability keanggotaan suatu class. Terpenuhi 3 User dapat menganalisa hasil output perhitungan probability. Terpenuhi 4 Sistem dapat memberikan hasil prediksi minat studi yang diinginkan oleh target marketing. Terpenuhi 11
15 5 Sistem dapat memberikan statistik keberhasilan teknik marketing berdasarkan dari informasi yang didapat oleh para pendaftar untuk masuk STMIK AMIKOM Yogyakarta. Terpenuhi Hasil dari uji coba dari 1000 data testing dengan aplikasi Smart Marketing untuk prediksi minat studi ditampilkan pada daftar hasil uji coba prediksi minat studi (terlampir). Dengan menggunakan rumus (2.1), hasil uji coba prediksi minat studi tersebut mendapatkan nilai akurasi sebagai berikut : Akurasi = 927 = 0,927 = 92,7 % 1000 Dari perhitungan akurasi untuk kinerja klasifikasi didapatkan akurasi sebesar 92,7%, kemudian dengan hasil uji coba prediksi minat studi menggunakan rumus (2.2) didapatkan kesalahan prediksi (error) sebagai berikut : Error = 73 = 0,025 = 7,3 % 1000 Setelah dilakukan perhitungan kesalahan prediksi (error) dari 1000 data testing didapatkan bahwa kesalahan prediksi klasifikasi sebesar 7,3%. Tabel 4.2 Nilai Akurasi dan Kesalahan Klasifikasi (Error) Algoritma Data Training Data Testing Akurasi Error Naive Bayes Classifier Data pendaftar tahun 2009 sampai dengan data pendaftar tahun 2012 yang diambil secara acak 92,7% 7,3% 4.2 Pembahasan Interface Dalam aplikasi Smart Marketing ini terdiri dari beberapa interface yaitu Menu Utama, Menu Prediksi Minat Studi, Menu Statistik Marketing, Menu About, Menu Credit, dan Menu Help Halaman Menu Utama Menu utama adalah halaman yang akan ditampilkan setelah user berhasil login, pada menu utama ini terdapat beberapa pilihan menu yaitu Prediksi Minat Studi, Statistik Marketing, About, Credit, Help, Log Out, dan Exit. 12
16 Gambar 4.2 Tampilan Menu Utama Halaman Prediksi Minat Studi Prediksi Minat Studi adalah halaman yang akan tampil ketika user menekan task item Prediksi Minat Studi pada menu utama. Pada halaman Prediksi Minat Studi ini akan menampilkan combo box untuk input data target marketing berupa provinsi, kota, sekolah asal, jenis kelamin, dan jurusan. Pada halaman ini juga terdapat 2 tombol yaitu tombol PROSES dan tombol RESET. Selain itu pada halaman ini juga terdapat chart dan text field untuk menampilkan hasil dari prediksi minat studi. Gambar 4.3Tampilan Prediksi Minat Studi Halaman Statistik Marketing Statistik Marketing adalah halaman yang akan tampil ketika user menekan task item Statistik Marketing pada menu utama. Pada halaman Statistik Marketing ini akan menampilkan combo box untuk memilih tampilan statistik, apakah ingin ditampilkan statistik marketing dari semua data yang ada atau berdasarkan kota yang dipilih. Pada halaman ini juga terdapat 2 tombol yaitu tombol PROSES dan tombol RESET. Selain itu pada halaman ini juga terdapat chart dan text field untuk menampilkan hasil dari perhitungan statistik marketing. 13
17 Gambar 4.4 Tampilan Statistik Marketing Halaman About Halaman About adalah halaman yang akan tampil ketika user menekan task item About pada menu utama. Pada halaman About ini akan menampilkan informasi singkat mengenai aplikasi Smart Marketing. Gambar 4.5 Tampilan About Halaman Credit Halaman Credit adalah halaman yang akan tampil ketika user menekan task item Credit pada menu utama. Pada halaman Credit ini akan menampilkan informasi dari pembuat aplikasi ini. 14
18 Gambar 4.6 Tampilan Credit Halaman Help Halaman Help adalah halaman yang akan tampil ketika user menekan task item Help pada menu utama. Pada halaman Help ini akan menampilkan manual program untuk mempermudah user dalam mengoperasikan aplikasi Smart Marketing. Gambar 4.7 Tampilan Help 15
19 5. Kesimpulan Kesimpulan yang dapat diambil adalah sebagai berikut: 1. Smart Marketing adalah aplikasi data mining menggunakan algoritma naive bayes classifier yang dapat memprediksi minat studi terhadap program studi S1 Teknik Informatika, S1 Sistem Informatika, D3 Teknik Informatika, D3 Manajemen Informatika di STMIK AMIKOM Yogyakarta dari target marketing dengan harapan dapat mendukung strategi pemasaran khususnya di bagian HUMAS STMIK AMIKOM Yogyakarta. 2. Hasil dari uji coba 1000 data testing yang diambil secara acak dari data induk mahasiswa tahun 2012 dengan data training yang diambil dari data induk mahasiswa tahun 2009 sampai dengan 2011 menggunakan aplikasi Smart Marketing untuk prediksi minat studi didapatkan akurasi sebesar 92,7% dan error sebesar 7,3%. 5.1 Saran Untuk pengembangan lebih lanjut terhadap aplikasi Smart Marketing, ada beberapa saran yang dapat diambil: 1. Smart Marketing menggunakan data training dari data induk mahasiswa tahun 2009 sampai dengan Untuk menjaga akurasi prediksi minat studi, data training dapat diperbaharui dengan data induk mahasiswa tahun berikutnya. 2. Selain variabel kota, sekolah, jenis kelamin, dan jurusan, untuk meningkatkan akurasi dapat ditambah variable baru seperti penghasilan orang tua. 3. Jika kategori prediktor tidak ada dalam data training, maka naive bayes classifier mengasumsikan bahwa record baru dengan kategori predictor memiliki probabilitas nol. Untuk pengembangan berikutnya bisa dicoba dengan algoritma yang lain untuk mencari akurasi yang lebih tinggi seperti algoritma K-Nearest Neighbor, Artifical Neural Network, Support Vector Machine, Decision Tree, dan lain sebagainya. 4. Variabel jurusan yang berasal dari sekolah kejuruan hanya terdapat STM untuk kejuruan industri dan SMEA untuk kejuruan administrasi. Untuk pengembangan berikutnya, variable jurusan bisa diinputkan lebih spesifik, misalnya : otomotif, elektro, tata boga dan lain sebagainya. 5. Fitur statistik marketing hanya menggunakan data mahasiswa yang diterima di STMIK AMIKOM Yogyakarta. Untuk pengembangan lebih lanjut dapat menggunakan seluruh data mahasiswa yang mendaftar di STMIK AMIKOM Yogyakarta. 16
20 DAFTAR PUSTAKA Anonim Microsoft Visual C# Yogyakarta : Andi. Booch, G., James, R., dan Ivar, J The Unified Modeling Language User Guide First Edition. Addison Wesley Professional. Hermawan, J Analisa Desain dan Pemrograman Berorientasi Obyek denagn UML dan VB.NET. Yogyakarta : Andi. Kristanto, A Rekayasa Perangkat Lunak (Konsep Dasar. Yogyakarta : Gava Media. Kusrini, dan Emha, T.L Algoritma Data Mining. Yogyakarta : Andi. Prasetyo, E Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta : Andi. Santoso, B Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu. Yasin, V Rekayasa Perangkat Lunak Berorientasi Objek Pemodelan, Arsitektur, dan Perancangan (Modeling, Architecture and Design. Jakarta : Mitra Wacana Media. Anonim. Sejarah Berdirinya Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM Yogyakarta. Diakses pada 12 Juli 2013 pukul WIB. Anonim. Classification Diagram, Diakses pada 12 Juli 2013 pukul WIB. Ardi. Sejarah Bahasa Pemrograman C# (C Sharp), Diakses pada tanggal 16 Juli 2013 pukul WIB. Ashary, F. Pengertian UML (Unified Modeling Language). Diaskses pada 13 Juli 2013 pukul WIB. Microsoft User Group Indonesia. Panduan Praktis Membuat UML dengan Microsoft Visio Studio B11E643B%21115&app=WordPdf. Diakses pada 13 Juli 2013 pukul Raharja, P Modul UML. Diakses pada 13 Juli 2013 pukul WIB. 17
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 terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI (Studi kasus Universitas Bina Darma Palembang)
J u r n a l 1 IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PROMOSI (Studi kasus Universitas Bina Darma Palembang) Deny Wahyudi 1, A.Haidar Mirza,S.T.,M.Kom. 2, Merrieayu
Lebih terperinciIJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN:
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Klasifikasi Naive Bayes Untuk Strategi Pemasaran Mahasiswa Baru di Universitas Dian Nuswantoro Naive Bayes Classification in marketing strategy of
Lebih terperinciPREDIKSI 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 terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciPEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
Lebih terperinciANALISIS SISTEM INFORMASI PEMBAYARAN SISWA DI SMK BATIK SAKTI 1 KEBUMEN NASKAH PUBLIKASI. diajukan oleh Kartika Kusumaningrum
ANALISIS SISTEM INFORMASI PEMBAYARAN SISWA DI SMK BATIK SAKTI 1 KEBUMEN NASKAH PUBLIKASI diajukan oleh Kartika Kusumaningrum 06.11.1242 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA
Lebih terperinciANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER
ANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM INFORMASI BIMBINGAN KONSELING PADA MADRASAH ALIYAH NEGERI PURWOKERTO 2
ANALISIS DAN PERANCANGAN SISTEM INFORMASI BIMBINGAN KONSELING PADA MADRASAH ALIYAH NEGERI PURWOKERTO 2 Soffan Budi Cipta, Erik Hadi Saputra STMIK AMIKOM Yogyakarta email : erik@amikom.ac.id Abstraksi Kebutuhan
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 terperinciPERANCANGAN SISTEM INFORMASI PENILAIAN HASIL BELAJAR DAN KEPRIBADIAN SISWA PADA SD N GILIS REMBANG NASKAH PUBLIKASI
PERANCANGAN SISTEM INFORMASI PENILAIAN HASIL BELAJAR DAN KEPRIBADIAN SISWA PADA SD N GILIS REMBANG NASKAH PUBLIKASI diajukan oleh Agus Purwanto 12.22.1404 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM INFORMASI PERPUSTAKAAN DI SMK BATIK SAKTI 2 KEBUMEN. Naskah Publikasi
ANALISIS DAN PERANCANGAN SISTEM INFORMASI PERPUSTAKAAN DI SMK BATIK SAKTI 2 KEBUMEN Naskah Publikasi diajukan oleh Nunung Erfina 08.12.3123 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciSISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR)
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR) 1 Jatmika, S.Si, M.Kom 2 Lilis Anggraeni 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains
Lebih terperinciANALISIS DAN PERANCANGAN APLIKASI KEUANGAN PADA SMA PANCASILA PURWOREJO. Naskah Publikasi
ANALISIS DAN PERANCANGAN APLIKASI KEUANGAN PADA SMA PANCASILA PURWOREJO Naskah Publikasi diajukan oleh Winda Asti Devega 08.11.2404 Kepada JURUSAN TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciMETODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
Techno.COM, Vol. 15, No. 3, Agustus 216: 195-2 METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu
Lebih terperinciOleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Lebih terperinciPERANCANGAN SISTEM INFORMASI PENJUALAN PADA UD BATU ALAM MERAPI KLEREP KEMALANG KLATEN NASKAH PUBLIKASI. diajukan oleh Prasetyo Cahyono
PERANCANGAN SISTEM INFORMASI PENJUALAN PADA UD BATU ALAM MERAPI KLEREP KEMALANG KLATEN NASKAH PUBLIKASI diajukan oleh Prasetyo Cahyono 10.12.5310 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM INVENTORI PADA PT. PEC- TECH SERVICES INDONESIA RIAU SEBAGAI MEDIA PENINGKATAN KINERJA PERUSAHAAN NASKAH PUBLIKASI
ANALISIS DAN PERANCANGAN SISTEM INVENTORI PADA PT. PEC- TECH SERVICES INDONESIA RIAU SEBAGAI MEDIA PENINGKATAN KINERJA PERUSAHAAN NASKAH PUBLIKASI diajukan oleh Ardy Darwis 08.12.3458 kepada JURUSAN SISTEM
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1 Latar Belakang Di dalam perusahaan atau instansi tentu nya memiliki data yang cukup besar, salah satunya adalah inventory. Suatu kegiatan dalam proses pengolahan data pada suatu gudang
Lebih terperinciPENGEMBANGAN SISTEM INFORMASI PERPUSTAKAAN SEKOLAH BERBASIS VISUAL BASIC DI SMK MUHAMMADIYAH 2 MOYUDAN
Sistem Informasi Perpustakaan Sekolah Berbasis Visual Basic di SMK Muhammadiyah 2 Moyudan (Ahi Sholihin Saragih) 1 PENGEMBANGAN SISTEM INFORMASI PERPUSTAKAAN SEKOLAH BERBASIS VISUAL BASIC DI SMK MUHAMMADIYAH
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciBAB I PENDAHULUAN. SMP (Sekolah Menengah Pertama) merupakan sarana fasilitas umum bagi
BAB I PENDAHULUAN I.1 Latar Belakang SMP (Sekolah Menengah Pertama) merupakan sarana fasilitas umum bagi pendidikan untuk masyarakat yang sangat penting dan perlu dijaga agar tetap berada pada kondisi
Lebih terperinciSISTEM INFORMASI APOTEK FARAH FARMA DI TEMPEL SLEMAN YOGYAKARTA. Naskah Publikasi. diajukan oleh Yulianto
SISTEM INFORMASI APOTEK FARAH FARMA DI TEMPEL SLEMAN Naskah Publikasi diajukan oleh Yulianto 11.22.1344 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM 2012 INFORMATION SYSTEMS FARAH FARMA
Lebih terperinciBAB 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 terperinciABSTRAK. Kata kunci: Spam, Android, Pesan, Java, Webservice. Universitas Kristen Maranatha
ABSTRAK Penipuan dengan menggunakan pesan singkat pada ponsel yang diterima oleh pengguna sampai sekarang ini masih sangat banyak. Pesan penipuan ini dikirim oleh orang yang tidak bertanggung jawab dan
Lebih terperinciANALISIS PERANCANGAN DAN IMPLEMENTASI SISTEM INFORMASI STOK BARANG DIVISI PENJUALAN MORNING COFFE YOGYAKARTA. Skripsi
ANALISIS PERANCANGAN DAN IMPLEMENTASI SISTEM INFORMASI STOK BARANG DIVISI PENJUALAN MORNING COFFE YOGYAKARTA Skripsi disusun oleh Anita Manik 09.22.1079 JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN
Lebih terperinciBAB I PENDAHULUAN. ikan lele pada beberapa tahun ini mengalami peningkatan karena permintaan
BAB I PENDAHULUAN I.1 Latar Belakang Ikan lele merupakan ikan air tawar yang teknologi budidayanya relatif mudah dikuasai masyarakat dengan modal usaha yang cukup rendah. Konsumsi ikan lele pada beberapa
Lebih terperinciSISTEM INFORMASI PENJUALAN SPARE PARTS DAN SERVICE PADA BENGKEL ISTA MOTOR YOGYAKARTA. Naskah Publikasi. diajukan oleh Septian Permadi
SISTEM INFORMASI PENJUALAN SPARE PARTS DAN SERVICE PADA BENGKEL ISTA MOTOR YOGYAKARTA Naskah Publikasi diajukan oleh Septian Permadi 10.12.5009 kepada JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
Lebih terperinciPerancangan Data Warehouse Untuk Optimalisasi Pemasaran AMIK Cipta Darma Surakarta
Perancangan Data Warehouse Untuk Optimalisasi Pemasaran AMIK Cipta Darma Surakarta Afnan Rosyidi 1, Siti Rihastuti 2 AMIK CIPTA DARMA Surakarta Jl. A. Yani No.181, Gembongan, Kartasura Sukoharjo 57164
Lebih terperinciPEMBUATAN SISTEM INFORMASI PENERIMAAN SISWA BARU PADA SMP NEGERI 3 PEDAN KLATEN. Naskah Publikasi
PEMBUATAN SISTEM INFORMASI PENERIMAAN SISWA BARU PADA SMP NEGERI 3 PEDAN KLATEN Naskah Publikasi diajukan oleh Sapta Puji Astuti 08.12.2807 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM
Lebih terperinciPrediksi Tingkat Kelulusan Siswa Dalam UAN Di SMP Negeri 2 Deket Dengan Menggunakan Metode Teorema Bayes
Prediksi Tingkat Kelulusan Siswa Dalam UAN Di SMP Negeri 2 Deket Dengan Menggunakan Metode Teorema Bayes Miftahus Sholihin, Aizatus Sholikhiyah* ) 1) Program Studi Teknik Informatika Fakultas Teknik Universitas
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM INFORMASI KLINIK KECANTIKAN PADA PRINCESS SKIN AND BODY CARE YOGYAKARTA. Naskah Publikasi
ANALISIS DAN PERANCANGAN SISTEM INFORMASI KLINIK KECANTIKAN PADA PRINCESS SKIN AND BODY CARE YOGYAKARTA Naskah Publikasi diajukan oleh Fatimatuzzahro 07.12.2540 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA
Lebih terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciSistem Informasi Rekam Medis pada Puskesmas Sematang Borang
Seminar Perkembangan dan Hasil Penelitian Ilmu Komputer (SPHP-ILKOM) 605 Sistem Informasi Rekam Medis pada Puskesmas Sematang Borang Supermanto* 1, Ervi Cofriyanti 2 1,2 STMIK Global Informatika MDP Jl.
Lebih terperinciSISTEM INFORMASI AKADEMIK PADA PAUD YAYASAN ULUL AZMI MARDIKA GUNUNG KIDUL NASKAH PUBLIKASI
SISTEM INFORMASI AKADEMIK PADA PAUD YAYASAN ULUL AZMI MARDIKA GUNUNG KIDUL NASKAH PUBLIKASI disusun oleh Martcellyne Rossadina 10.12.4354 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM
Lebih terperinciDesain Aplikasi Laporan Arus Kas Serikat Pekerja PT GMF AeroAsia Employees Club (GEC)
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Desain Aplikasi Laporan Arus Kas Serikat Pekerja PT GMF AeroAsia Employees Club (GEC) Meta Amalya Dewi 1), Elma Permata
Lebih terperinciPEMBUATAN SISTEM INVENTARIS BARANG KOPERASI SISWA DI SMP N 2 GANTIWARNO, KLATEN. Naskah Publikasi. diajukan oleh Nanang Harbudi Irawan
PEMBUATAN SISTEM INVENTARIS BARANG KOPERASI SISWA DI SMP N 2 GANTIWARNO, KLATEN Naskah Publikasi diajukan oleh Nanang Harbudi Irawan 08.12.3401 kepada JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN
Lebih terperinciSISTEM INFORMASI MANAJEMEN PENJUALAN DAN SERVIS KOMPUTER PADA CV. JUSTIN KOMPUTER
1 SISTEM INFORMASI MANAJEMEN PENJUALAN DAN SERVIS KOMPUTER PADA CV. JUSTIN KOMPUTER Hendra 1, Mardiani 2 STMIK GI MDP, Jl. Rajawali No.14, Telp.0711-376400/Fax.0711-376365 Jurusan Sistem Informasi, STMIK
Lebih terperinciRancang Bangun Penentuan Modalitas Gaya Belajar Anak Dengan Metode Decision Tree. Kemal Farouq M, Miftahus Sholihin, Hikmatul lailiyah ABSTRAK
Rancang Bangun Penentuan Modalitas Gaya Belajar Anak Dengan Metode Decision Tree Kemal Farouq M, Miftahus Sholihin, Hikmatul lailiyah 1) Program Studi Teknik Informatika Universitas Islam Lamongan ABSTRAK
Lebih terperinciDESAIN APLIKASI PEMBAYARAN SPP DENGAN LAPORAN SMS GATEWAY DI SMK SAKTI SCHOOL
DESAIN APLIKASI PEMBAYARAN SPP DENGAN LAPORAN SMS GATEWAY DI SMK SAKTI SCHOOL Rosdiana 1), Dinizta Malini Daeli 2), Axel Desmond Kusen 3) 1) Dosen Jurusan Komputer Akuntansi, AMIK RAHARJA INFORMATIKA 2)
Lebih terperinciKata kunci : metode pencarian, perpustakaan, Naïve Bayes Classifier.
PENGGUNAAN METODE NAÏVE BAYES CLASSIFIER PADA APLIKASI PERPUSTAKAAN Selvia Lorena Br Ginting,S.Si., MT 1, Reggy Pasya Trinanda 2 1,2 Jurusan Teknik Komputer Unikom, Bandung 1 selvialorena@yahoo.com, 2
Lebih terperinciPERANCANGAN SISTEM INFORMASI PENERIMAAN SISWA BARU DI SMA NEGERI 2 BOYOLALI. Naskah Publikasi. diajukan oleh Singgih Adyanwar
PERANCANGAN SISTEM INFORMASI PENERIMAAN SISWA BARU DI SMA NEGERI 2 BOYOLALI Naskah Publikasi diajukan oleh Singgih Adyanwar 09.12.4185 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA
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 terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM INFORMASI PENJUALAN DAN STOK BARANG PADA TOKO JOKO WONOGIRI NASKAH PUBLIKASI
ANALISIS DAN PERANCANGAN SISTEM INFORMASI PENJUALAN DAN STOK BARANG PADA TOKO JOKO WONOGIRI NASKAH PUBLIKASI diajukan oleh Gita Kuswara Dhani 09.12.4277 Kepada SEKOLAH TINGGI ILMU MANAJEMEN INFORMATIKA
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
49 RANCANG BANGUN APLIKASI CHATBOT INFORMASI OBJEK WISATA KOTA BANDUNG DENGAN PENDEKATAN NATURAL LANGUAGE PROCESSING Elisabet Nila S. C. P 1, Irawan Afrianto 2 1,2 Program Studi Teknik Informatika Fakultas
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Sistem Pendukung Keputusan Pemberiaan Beasiswa PPA dan BBM Bagi Mahasiswa STMIK AKAKOM Yogyakarta Menggunakan Metode Naive Bayes dibuat oleh
Lebih terperinciIMPLEMENTASI 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 terperinciSistem Informasi Manajemen pada CV. Kusuma Agung Mandiri Palembang
Seminar Perkembangan dan Hasil Penelitian Ilmu Komputer (SPHP-ILKOM) 461 Sistem Informasi Manajemen pada CV. Kusuma Agung Mandiri Palembang Boby* 1, Marta Dilia Kosasih 2, Ervi Cofriyanti 3 1,2,3 STMIK
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 terperinciANALISIS DAN PERANCANGAN SISTEM INFORMASI PENJUALAN PADA PERUSAHAAN ROTI 33 KARANGMALANG SRAGEN NASKAH PUBLIKASI
ANALISIS DAN PERANCANGAN SISTEM INFORMASI PENJUALAN PADA PERUSAHAAN ROTI 33 KARANGMALANG SRAGEN NASKAH PUBLIKASI Disusun oleh : Beni Yuda Aji Waskito 08.11.2543 PROGRAM STUDI STRATA 1 JURUSAN TEKNIK INFORMATIKA
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG
1 IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG Muhammad Efendi Program Studi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
3 BAB I PENDAHULUAN 1.1. Latar Belakang Semakin banyaknya pengunaan teknologi informasi pada pemerintahan, dapat mempermudah masyarakat dalam pelayanan masyarakat itu sendiri. Seperti misalnya ketika sesorang
Lebih terperinciIMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO Sendy Winanta Yetli Oslan, Gunawan Santoso Abstrak Penjurusan siswa kelas X SMA yang akan naik
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciSISTEM INFORMASI PENJUALAN PADA TOKO AN NISA TURI SLEMAN NASKAH PUBLIKASI. diajukan oleh Susi Susanti
SISTEM INFORMASI PENJUALAN PADA TOKO AN NISA TURI SLEMAN NASKAH PUBLIKASI diajukan oleh Susi Susanti 10.12.5286 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2016
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI DATA ULANG PENSIUN
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MEMPREDIKSI DATA ULANG PENSIUN Wendi Wirasta, Novia Ervianti 2 Dosen Sistem Informasi, STMIK LPKIA Bandung 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung
Lebih terperinciSISTEM INFORMASI PERPUSTAKAAN SMP PGRI KASIHAN BANTUL NASKAH PUBLIKASI
SISTEM INFORMASI PERPUSTAKAAN SMP PGRI KASIHAN BANTUL NASKAH PUBLIKASI diajukan oleh Linawati Arrohmah 10.02.7824 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2013
Lebih terperinciTRANSFORMASI Jurnal Informasi & Pengembangan Iptek
APLIKASI DATA MINING UNTUK ANALISIS MEMBANGUN STRATEGI MARKETING DENGAN METODE KLASIFIKASI MENGGUNAKAN TEOREMA BAYES (Studi Kasus: STMIK Bina Patria Magelang) Sugeng Wahyudiono Program Studi Sistem Informasi
Lebih terperinciSISTEM KOMPUTERISASI PENGOLAHAN DATA SERVIS SEPEDA MOTOR PADA ARYO MOTOR YOGYAKARTA. Naskah Publikasi. diajukan oleh Heni Rusdiana Dewi
SISTEM KOMPUTERISASI PENGOLAHAN DATA SERVIS SEPEDA MOTOR PADA ARYO MOTOR YOGYAKARTA Naskah Publikasi diajukan oleh Heni Rusdiana Dewi 08.12.3449 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Bahan Dan Alat Penelitian 3.1.1 Bahan Penelitian Bahan yang digunakan di dalam penelitian ini berupa data, meliputi data master dan data pendukung. Data master adalah data
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 terperinciBAB III METODOLOGI PENELITIAN. dalam pengumpulan data atau informasi guna memecahkan permasalahan dan
BAB III METODOLOGI PENELITIAN 3.1 Metodologi Penelitian Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi guna memecahkan permasalahan dan menguji
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN Pada bab ini akan menjelaskan mengenai dasar awal pada pembuatan laporan tugas akhir. Dasar awal tersebut terdiri dari latar belakang masalah, rumusan masalah, maksud dan tujuan dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciPENERAPAN 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 terperinciIMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG
IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG NASKAH PUBLIKASI diajukan oleh Rezki Badriza 11.11.5436 kepada JURUSAN
Lebih terperinciSISTEM 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Teoritis 2.1.1 Autisme Monks dkk., mengungkapkan bahwa autisme berasal dari kata autos yang berarti aku. Pada pengertian nonilmiah kata tersebut dapat ditafsirkan bahwa
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM INFORMASI PENJUALAN BERBASIS WEB PADA TOKO BANGUNAN JAYA INDAH KULON PROGO NASKAH PUBLIKASI
ANALISIS DAN PERANCANGAN SISTEM INFORMASI PENJUALAN BERBASIS WEB PADA TOKO BANGUNAN JAYA INDAH KULON PROGO NASKAH PUBLIKASI diajukan oleh Yunanto Cahyo Prabowo 08.11.2265 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciPENGEMBANGAN APLIKASI PENJUALAN SPAREPART DI BENGKEL ANUGRAH JAYA MOTOR BERBASIS DESKTOP
PENGEMBANGAN APLIKASI PENJUALAN SPAREPART DI BENGKEL ANUGRAH JAYA MOTOR BERBASIS DESKTOP Nugraha Setiadi 1, Ridwan Setiawan 2 Jurnal Algoritma Sekolah Tinggi Teknologi Garut Jl. Mayor Syamsu No. 1 Jayaraga
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
Lebih terperinciABSTRAK. Kata Kunci: Beasiswa, sistem informasi, sistem pendukung keputusan. Universitas Kristen Maranatha
ABSTRAK Yayasan Baiturrahim adalah yayasan yang bergerak di bidang pendidikan yang terletak di Jalan Cianten kecamatan Limbangan. Saat ini Yayasan Baiturrahim masih menggunakan sistem manual untuk penerimaan
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 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 terperinciModel Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box
Model Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box Zulkifli Program Studi Teknik Informatika STMIK Teknokrat Bandar Lampung, Indonesia zulkiflist34@yahoo.co.id Abstrak
Lebih terperinciBAB I PENDAHULUAN. dan tepat sehingga dapat memberikan keputusan bagi dirinya dan orang lain.
BAB I PENDAHULUAN I.1 Latar Belakang Kemajuan teknologi informasi sebagai pengelolaan informasi yang baik akan sangat bermanfaat agar informasi tersebut dapat digunakan pada waktu yang tepat secara efektif
Lebih terperinciABSTRAK. Kata Kunci : Aplikasi Sistem Informasi Inventory pada perusahaan retail. ii Universitas Kristen Maranatha
ABSTRAK Perancangan Aplikasi Sistem Informasi Inventory pada Perusahaan Retail adalah sebuah aplikasi yang dirancang untuk mengelola penerimaan, Penjualan, permintaan Barang. Tujuan perancangan sistem
Lebih terperinciABSTRAK. Keywords : Data Mining, Filter, Data Pre-Processing, Association, Classification, Deskriptif, Prediktif, Data Mahasiswa.
ABSTRAK Kemajuan teknologi membuat begitu mudahnya dalam pengolahan suatu informasi. Waktu tidak lagi menjadi hambatan dalam pengolahan data yang sangat banyak. Hal ini didukung pula dengan adanya perkembangan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada saat ini berbagai macam teknologi khususnya dalam bidang teknologi informasi telah banyak diterapkan di berbagai bidang. Baik itu di bidang pendidikan, keuangan,
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM Pada bab ini akan dibahas mengenai Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT. Telkom, Tbk Medan Dengan Metode
Lebih terperinciAPLIKASI MOBILE PEMBELAJARAN REAKSI KIMIA BERBASIS ANDROID NASKAH PUBLIKASI. diajukan oleh Edi Hadi Widodo
APLIKASI MOBILE PEMBELAJARAN REAKSI KIMIA BERBASIS ANDROID NASKAH PUBLIKASI diajukan oleh Edi Hadi Widodo 08.11.2027 kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA
Lebih terperinciBAB I PENDAHULUAN. alternatif aksi yang bertujuan untuk memenuhi satu atau beberapa sasaran. Sistem
BAB I PENDAHULUAN I.1 Latar Belakang Pengambilan keputusan adalah proses pemilihan, diantara berbagai alternatif aksi yang bertujuan untuk memenuhi satu atau beberapa sasaran. Sistem pengambilan keputusan
Lebih terperinciBab 3 Metodologi Penelitian
Bab 3 Metodologi Penelitian 3.1 Metode dan Analisis Kebutuhan Sistem Metode yang digunakan untuk perancangan sistem ini adalah metode prototype Perancangan sistem dengan menggunakan metode prototype memiliki
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Alat dan Bahan 3.1.1 Alat Dalam penelitian ini, alat yang di gunakan adalah sebagai berikut: 1. Perangkat Keras (Hardware) a) Personal Computer (PC)/Laptop 32/64 bit architecture
Lebih terperinciAPLIKASI RENTAL MOBIL PADA CERIA RENT CAR SEMARANG. Edo Wahyu Kusprobo Jurusan Teknik Informatika UNIVERSITAS DIAN NUSWANTORO SEMARANG ABSTRAK
APLIKASI RENTAL MOBIL PADA CERIA RENT CAR SEMARANG Edo Wahyu Kusprobo Jurusan Teknik Informatika UNIVERSITAS DIAN NUSWANTORO SEMARANG ABSTRAK Peningkatan mobilitas masyarakat berpengaruh pada daya masyarakat
Lebih terperinciBab III METODOLOGI PENELITIAN. Pada penelitian ini menggunakan ala penelitian berupa perangkat keras
Bab III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian Pada penelitian ini menggunakan ala penelitian berupa perangkat keras dan perangkat lunak, yaitu: a. Perangkat keras 1. Processor Intel Core
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinci