ANALISA PERBANDINGAN TEKNIK-TEKNIK DATA MINING UNTUK PREDIKSI PRESTASI AKADEMIK SISWA
|
|
- Hadi Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISA PERBANDINGAN TEKNIK-TEKNIK DATA MINING UNTUK PREDIKSI PRESTASI AKADEMIK SISWA Imam Syaifuddin (1), Reddy Alexandro Harianto (2) Sekolah Tinggi Teknik Surabaya (1), (2) ABSTRAK Kemampuan untuk memprediksi kinerja akademik siswa sangat penting dalam sistem pendidikan. Banyak penelitian yang dilakukan untuk memprediksi prestasi akademik, penelitian ini menelaah beberapa kajian tentang pemanfaatan data mining untuk memprediksi prestasi akademik siswa. Berbagai metode dan algoritma data mining digunakan dalam memprediksi prestasi akademik, pada penelitian ini dilakukan perbandingan dua model prediksi prestasi akademik siswa yaitu penggunaan Algoritma Decision Tree dan Bayesian Network. Hasil dari metode yang di teliti mempunyai akurasi yang hampir sama, Algoritma Decision Tree rata-rata akurasi mencapai 97,5669% sedangkan Bayesian Network rata-rata akurasinya 94,8199%. Hasil dari penelitian ini sangat membantu bagi lembaga pendidikan untuk memantau secara dini prestasi akademik siswa, sehingga bisa dilakukan pendampingan proses belajar agar dapat tercapai prestasi yang diharapkan. Kata kunci: Data Mining, Decison Tree, Multi Layer Perceptron, Prestasi akademik ABSTRACT The ability to predict the academic aptitude of students is very important in an education system. Many researches have been done to predict academic achievement, this research involves a few prior studies in the usage of data mining to predict students' academic achievements. There are many methods and algorithms in data mining that can be used to predict academic achievement, in this research a comparison will be done between two student academic achievement prediction models, the Decision Tree Algorithm and Bayesian Network. Results from the chosen methods have similar accuracy rates, with the Decision Tree Algorithm achieving an average of % accuracy, whereas the Bayesian Network reaches an average accuracy of %. The result of this research is useful for educational institutes to observe students' academic achievement from early on, so assistance in the learning process can be given in order to reach the expected achievement. Keywords: Data Mining, Decison Tree, Multi Layer Perceptron, Academic Performance. PENDAHULUAN Pendidikan adalah pembelajaran pengetahuan, keterampilan, dan kebiasaan sekelompok orang yang diturunkan dari satu generasi ke generasi berikutnya melalui pengajaran, pelatihan, atau penelitian [1]. Dalam sebuah proses pendidikan terdapat suatu sistem yang menunjang terhadap siklus pendidikan, sistem tersebut saling menunjang sehingga menghasilkan output yang diharapkan. Kegagalan salah satu sistem akan mengakibatkan output yang tidak diharapkan. Banyak upaya preventif yang dilakukan oleh lembaga pendidikan agar sistem berfungsi sebagaimana mestinya agar menghasilkan output yang maksimal. Salah satu yang dapat digunakan untuk memantau proses kegiatan pembelajaran adalah dengan data mining. Data Mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan dan mechine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar. Berbagai metode data mining dalam melakukan analisa dan prediksi prestasi akademik, baik 45
2 menggunakan algoritma tunggal maupun penggabungan beberapa algoritma dengan tujuan mendapatkan hasil yang lebih baik. Diantaranya adalah: Kajian yang dilakukan Behrouz Minaei Bidgoli dkk terhadap sistem pendidikan berbasis web untuk memprediksi prestasi akademik, yang mana semua siswa berinteraksi dengan sistem tersebut, mereka merancang, mengimplementasikan dan mengevaluasi serangkaian pola lalu membandingkan kinerja siswa. Selanjutnya dengan belajar suatu bobot yang sesuai dengan fitur yang digunakan pada algoritma genetika proses prediksi selanjutnya dilakukan. Selanjutnya kajian dengan topik yang sama juga dilakukan V. Ramesh, dkk dalam memprediksi prestasi akademik siswa pada lembaga pendidikan yang mana faktor personal, sosial-ekonomi, psikologi dan variabel lingkungan dikaji, mereka menggunakan klasifikasi, pohon keputusan dan Naive Bayes dengan metode multi layer perception. Penelitian ini dilakukan pada yang menerapkan sistem pendidikan berbasis teknologi informasi yang memanfaatkan berbagai sarana pendidikan berbasis sistem yang terdiri atas sistem kehadiran yang mewajibkan semua siswa melaksanakan absensi fingerprint, sistem penilaian dan sistem konseling yang terintegrasi untuk memprediksi prestasi akademik. Semua siswa berinteraksi dengan sistem tersebut, sehingga data yang dihasilkan oleh sistem yang digunakan dapat digunakan untuk diteliti dan dievaluasi untuk membentuk serangkaian pola sehingga dapat memprediksi kinerja siswa. Selanjutnya dengan belajar suatu bobot yang sesuai dengan fitur yang digunakan pada algoritma genetika proses prediksi selanjutnya dilakukan. Penelitian ini sangat berguna untuk mengidentifikasi prestasi siswa lebih dini, sehingga dapat di pantau untuk segera diberikan tindakan pada siswa agar mendapatkan prestasi yang optimal. Tujuan utama dari penelitian ini adalah: Mengidentifikasi variabel sekunder yang dapat mempengaruhi prestasi akademik siswa Memprediksi nilai akademik siswa berdasarkan aktivitas melakukan absensi melalui fingerprint Memprediksi perilaku dan akhlak siswa agar dilakukan penganan lebih dini Mengidentifikasi kelompok siswa terhadap variabel yang di berikan sebagai tolak ukur penelitian. Mengelompokkan problem yang dihadapi siswa sehingga dapat diberikan prioritas penanganan Mencari algoritma terbaik yang bisa digunakan untuk melakukan Identifikasi terhadap prestasi akademik siswa. Pada bagian berikut kita akan menggambarkan metodologi keseluruhan penelitian, platform datamining, model dan akan membandingkan tiap algoritma yang digunakan serta hasil akhir dari algoritma dalam memprediksi prestasi akademik siswa. METODOLOGI Pada bagian ini membahas proses yang dilakukan dalam melakukan penelitian terhadap prediksi prestasi akademik siswa, bagaimana tahapan masing-masing peneliti dalam mengumpulkan data dan menganalisanya. Dalam literatur data mining, berbagai kerangka umum telah dikenalkan bagaimana tata laksana pengumpulan data, menganalisa data, menyebarluaskan hasil, menerapkan hasil dan pemantauan perbaikan. Salah satu model adalah CRISP-DM (Proses Cross- Industry Standard untuk data mining) diusulkan pada pertengahan 1990-an oleh konsorsium Eropa Metodologi CRISP-DM terutama terdiri dari enam langkah: memahami tujuan, mengumpulkan data, menyiapkan data, membangun model, mengevaluasi model menggunakan salah satu metode evaluasi, dan akhirnya penyebaran yang menggunakan model untuk prediksi masa depan dari kinerja siswa. Sebelum pengumpulan data, pertama-tama tentukan perangkat yang digunakan dalam memproses dan menganalisa data mining, banyak sekali perangkat yang ditawarkan dalam pengelolaan data-mining, baik yang berbayar maupun yang open source, dari 30 daftar perangkat data-mining, kita menyeleksi 10 perangkat yang dapat digunakan untuk menganalisa dan memproses data dengan kapasitas yang besar, kemudian dari 10 perangkat kita seleksi menjadi 3 tool yaitu: weka, orange dan yale, dari 3 perangkat, weka sangat baik dalam proses data mining dengan data yang sangat besar. 46
3 1. Persiapan Data Data adalah salah satu bagian penting dari penelitian, ada beberapa langkah yang perlu diperhatikan dalam pengumpulan data, antara lain: Mengidentifikasi variabel-variabel yang diteliti Menjabarkan variabel-variabel dalam beberapa dimensi Mencari indikator-indikator setiap dimensi Mendeskripsikan kisi-kisi instrumen Merumuskan item-item pertanyaan atau pernyataan instrumen. Selama pengumpulan data, data yang relevan dikumpulkan dan kualitas data harus diverifikasi. Biasanya, data yang dikumpulkan tidak lengkap, mengandung kesalahan dan tidak konsisten. Oleh karena itu data harus dibersihkan agar hasil yang didapatkan dalam proses data mining lebih akurat. Pembersihan data melibatkan beberapa proses seperti mengisi nilai-nilai yang hilang; smoothing data, mengidentifikasi atau menghapus outlier, dan menyelesaikan inkonsistensi. Kemudian, data dibersihkan diubah menjadi bentuk tabel yang cocok untuk model data mining. Data yang dibersihkan akan dibagi menjadi dua; pelatihan atau data pembelajaran (60%) dan sisanya adalah untuk memvalidasi data. Pelatihan data ini diterapkan untuk mengembangkan model sedangkan data divalidasi digunakan untuk memverifikasi model yang dipilih. Pengumpulan data yang berpengaruh pada prestasi akademik siswa diidentifikasi, sejumlah faktor yang dianggap memiliki pengaruh dikategorikan sebagai variabel input sedangkan Variabel output pada sisi lain mewakili beberapa nilai, Data primer dikumpulkan dari siswa dan data sekunder dikumpulkan dari. Data primer dikumpulkan melalui kuesioner yang dibagikan kepada siswa secara acak, pertanyaan yang dihimpun melalui kuesioner berisi tentang aspek personal, sosial-ekonomi dan psikologi responden yang berhubungan erat dengan aspekaspek untuk prestasi akademik siswa. Persiapan data akademik dilakukan dengan menganalisis dan menyiapkan data historis penilaian tiap mata pelajaran dari catatan akademis pada yang dikumpulkan pada periode semester ganjil 2015/2016, berdasarkan model penilaian kurikulum 2013 yang diklasifikasikan dalam 10 kelompok, rentang nilai yang diberikan tiap mata pelajaran seperti pada Tabel 1. Tabel 1: Tabel Skala Penilaian berdasarkan Kurikulum 2013 No. SKOR NILAI skor 1,00 D 2 1,00 skor 1,33 D + 3 1,33 skor 1,66 C - 4 1,66 skor 2,00 C 5 2,00 skor 2,33 C + 6 2,33 skor 2,66 B - 7 2,66 skor 3,00 B 8 3,00 skor 3,33 B + 9 3,33 skor 3,66 A ,66 skor 4,00 A Hasil pengelompokan untuk persiapan data seperti pada Gambar 1, data yang diperoleh pada grafik adalah hasil distribusi nilai pada persiapan data, yang proses pengelompokan nilai berdasarkan Tabel Distribusi Nilai Gambar 1: Distribusi Nilai yang dikumpulkan dari Selain data nilai akademik data yang digunakan dalam penelitian ini adalah data absensi siswa. Data absensi siswa digunakan sebagai variabel pendukung yang berhubungan dengan prestasi akademik siswa. Sistem kehadiran pada ini menggunakan fingerprint yang direkam setiap hari oleh, pre processing data dilakukan untuk menghasilkan data prosentase kehadiran tiap bulan, berdasarkan Persamaan 1. = (1) Selanjutnya data prosentase tiap bulan jumlah kan berdasarkan Persamaan 2. = (2) Kemudian data prosentase tiap semester dikonversi menjadi {A, B, C, D, E}, dengan rentang data prosentase untuk A: , B: 75-84, C:55-74, D: dan E: A A- B+ B B- C+ C C- D+ D 47
4 Data Primer yang diperoleh dari siswa melalui kuesioner, digunakan sebagai variabel prediksi disajikan dalam Tabel 2. Tabel 2: Variabel dan Domain yang digunakan No Variabel Keterangan Domain 1 Jarak Jarak rumah siswa dari {0-5KM, 5-10KM, 10-15KM,15-20KM} 2 kendaraan 3 frekwensiblj 4 lamablj 5 lingkunganblj 6 organisasi 7 hambatan 8 hubdgguru 9 pd 10 pendidikan 11 saudara 12 penghasilan 13 problem 14 absensi 15 nilai sarana yang digunakan siswa untuk mencapai frekwensi belajar siswa di rumah setiap hari lama belajar setiap hari siswa di rumah suasana lingkungan belajar siswa organisasi yang diikuti siswa di hambatan yang dihadapi siswa di hubungan antara siswa dan guru pengembanga n diri yang dikuti siswa di pendidikan orang tua saudara yang dimiliki siswa penghasilan orang tua siswa tiap bulan problem keluarga yang di hadapi siswa presensi kehadiran dengan media fingerprint nilai akhir siswa {JALAN KAKI, ANGKUTAN UMUM, SEPEDA MOTOR, MOBIL PRIBADI} {TIDAK PERNAH, KADANG- KADANG,CUKUP,SERI NG} {0-1JAM, 1-2JAM, 2-3JAM, >3JAM} {MENDUKUNG, BIASA SAJA, MENDUKUNG} {TIDAK AKTIF,KADANG- KADANG,AKTIF} {ADA, KADANG- KADANG, TIDAK ADA} {KURANG BAIK, BIASA SAJA, SANGAT BAIK} {TIDAK AKTIF, KADANG-KADANG, KURANG AKTIF} {SD, SMP, SMA, UNIVERSITAS} {0-2, 3-4, >5} {<1 Jt, 1-2 Jt, 2-5 Jt, >5 Jt} {ADA, TIDAK ADA} {A, B, C, D, E} {A, A-, B+, B, B-, C+, C, C-, D+, D} Selanjutnya dari pengelompokan data tersebut dipilihlah atribut utama yang relevan sebagai variabel yang merepresentasikan dan mempengaruhi prestasi akademik siswa. Tabel 3 menunjukkan ringkasan dari atribut utama, pengelompokan data dan Information Gain setiap atribut untuk prediksi prestasi akademik siswa. Nilai Information Gain didapatkan dari nilai entropy yang dihasilkan dari sampel yang telah di splitting menggunakan nilai pada atribut kelompok sampel tersebut. Langkah ini menggunakan induksi Decision Tree dan berguna untuk mengidentifikasi atribut-atribut yang memiliki pengaruh terbesar pada klasifikasi. Tabel 3: Rangking Atribut yang bisa digunakan berdasarkan Information Gain Rangking Variabel Information Gain 1 frekwensiblj jarak penghasilan lamablj pendidikan lingkunganblj saudara organisasi absensi problem hubdgguru hambatan kendaraan Pd Proses pengelompokan untuk menentukan Information Gain menggunakan atribute evaluator, untuk memulai pemilihan atribut maka dua objek harus di set up, yaitu: atribute evaluator dan metode pencarian. Evaluator digunakan untuk menentukan atribut apa yang layak digunakan. Metode pencarian digunakan untuk menentukan teknik pencarian yang terbaik, dari 15 atribut 14 atribut yang dapat digunakan pada penelitian ini. 2. Pemodelan Prediksi Prestasi Akademik Seperti disebutkan sebelumnya, banyak sekali teknik yang digunakan para peneliti dalam memprediksi prestasi akademik siswa, pada bagian ini akan dijelaskan lebih detail teknik yang digunakan setelah persiapan data dilakukan. Teknik yang digunakan pada penelitian ini adalah menggunakan beberapa model kemudian membandingkan tiap-tiap teknik dan model yang mempunyai akurasi terbaik. Bayesian Network merupakan salah satu teknik yang populer yang digunakan untuk prediksi suatu permasalahan karena dibangun berdasarkan teori 48
5 probabilistik dan teori graf, teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin didapatkan dalam melakukan prediksi (Heckerman, 1995). Selain Bayesian Network, Teknik Decision Tree digunakan dalam penelitian ini, Decision Tree adalah pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari masalah tersebut. Decision tree memperlihatkan faktor-faktor probabilitas yang akan mempengaruhi alternatif-alternatif keputusan tersebut. Penelitian ini akan memodelkan prediksi prestasi akademik siswa dengan tiga model, model pertama berdasarkan data sebenarnya pada variabel nilai yaitu konversi nilai berupa {A, A-, B+, B, B-, C+, C, C-, D+, D}, model kedua dengan prediksi nilai berdasarkan {BAIK, GAGAL} dan model ketiga berdasarkan {BAIK, PERINGATAN,GAGAL}. Dengan menggunakan model tersebut atribut input di perbaiki dengan mengelompokkan rentang nilai pada klasifikasi baru untuk mengevaluasi akurasi perubahan prediksi. Hasil tuning terhadap rentang nilai dengan model algoritma Decision Tree dan Bayesian Network didapatkan perbedaan hasil prediksi, seperti yang terpapar pada Tabel 4 ANALISA DAN HASIL Ringkasan hasil prediksi menggunakan algoritma Decision Tree dan Bayesian Network terlihat pada Tabel 4. Hasil penelitian juga menunjukkan algoritma Bayesian Network rata-rata hasil prediksi dengan tepat mengungguli algoritma Decision Tree. Hasil training pada teknik Decision Tree terdapat UnClassified Instances pada tiap-tiap model. Model pertama sebanyak 12,4088 % data yang tidak dapat diprediksi, sedangkan model kedua 0,7299% dan model ketiga 2,1898%, sedangkan untuk teknik yang menggunakan Bayesian Network mampu memprediksi semua data training yang di berikan. Perbandingan hasil data training pada masingmasing model berbeda akurasinya, model pertama akurasinya sangat rendah dibandingkan dengan model kedua dan ketiga. Akurasi model pertama {A, A-, B+, B, B-, C+, C, C-, D+, D}, hanya mampu memprediksi benar 38,6861% dengan teknik Decision Tree dan 42,3358% dengan menggunakan Bayesian Network dibandingkan dengan model kedua {BAIK, GAGAL} dan model ketiga {BAIK, PERINGATAN, GAGAL} yang mencapai 90% Tabel 4: Perbandingan Hasil TrainingDecision Tree dan Bayesian Network dengan Data Asli Prediksi Nilai Akhir {A, A-, B+, B, B-, C+, C, C-, D+, D} {BAIK, GAGAL} {BAIK, PERINGATAN, GAGAL} Rata-Rata Teknik Correctly Hasil Data Asli Incorrectly DT 38,6861% 48,9051% BN 42,3358% 57,6642% DT 97,0803% 2,1898% BN 97,0803% 2,9197% DT 92,7007% 5,1095% BN 94,1606% 5,8394% DT 76,1557% 18,7348% BN 77,8589% 22,1411% Setelah pemeriksaan hasil lebih detail menggunakan confusion matrix di temukan ada ketidakseimbangan yang besar dalam distribusi output tiap kelompok dan akurasi kelompok yang lebih kecil jauh lebih rendah dibandingkan akurasi kelompok yang lebih besar, terutama pada model pertama. Untuk mengatasi masalah ini, maka dilakukan resample data menggunakan fasilitas yang ada pada weka, untuk membuat data lebih seimbang distribusinya. Prediksi menggunakan data resample jauh lebih akurat hasil nya yang ditunjukkan pada Tabel 5. Tabel 5: Perbandingan Hasil TrainingDecision Tree dan Bayesian Network dengan Data Re-Sample Prediksi Nilai Akhir {A, A-, B+, B, B-, C+, C, C-, D+, D} {BAIK, GAGAL} {BAIK, PERINGATAN, GAGAL} Rata-Rata Teknik Hasil Data Re-Sample Correctly Incorrectly DT 98,5401% 1,4599% BN 91,7591 % 8,7591% DT 99,2701% 0,7299% BN 99,2701% 0,7299% DT 94,8905% 5,1095% BN 93,4307% 6,5693% DT 97,5669% 2,4331% BN 94,8199% 5,3527% Hasil menggunakan data re-sample menunjukkan teknik Decision Tree lebih unggul dengan rata-rata 97,5669% dari pada Bayesian Network yang hanya mencapai akurasi 94,8199%, juga tidak ada UnClassified Instances pada tiap-tiap model pada Teknik Decision Tree, sehingga semua instance 49
6 dapat diprediksi dengan baik. Rata-rata kemampuan prediksi yang dihasilkan pada masing-masing teknik meningkat lebih akurat dan merata pada tiaptiap model yang diteliti. Re-sample yang dilakukan pada data asli memberikan dampak yang signifikan terhadap pola distribusi data, sehingga membuat algoritma prediksi yang digunakan bekerja dengan optimal dengan data dan variabel yang di buat pada masingmasing metode yang diteliti. System, International Journal on Computer Science and Engineering November. 4. V.Ramesh, P.Parkav and K.Ramar Predicting Student Performance: A Statistical and Data Mining Approach, International Journal of Computer Applications, Volume 63 No Prabowo Pudjo Widodo, dkk Penerapan Data Mining dengan MATLAB, Rekayasa Sains, Cetakan Pertama. KESIMPULAN 1. Secara umum akurasi hasil prediksi yang dilakukan menggunakan teknik Algoritma Decision tree dan Bayesian Network tidak berbeda nyata untuk ketiga model yang diteliti, kedua teknik mencapai akurasi rata-rata mencapai 90%, tetapi bila ditinjau lebih detail maka Algoritma Decision Tree lebih unggul dibandingkan Algoritma Bayesian Network. Sehingga kedua teknik Algoritma bisa direkomendasikan untuk digunakan pada kasuskasus prediksi. 2. Hasil pengujian dari variabel input dengan menggunakan information gain, didapatkan bahwa frekuensi belajar mempunyai peranan yang sangat penting dalam memprediksi prestasi belajar siswa, dibandingkan dengan variabelvariabel lain. 3. Dari penelitian ini dapat disimpulkan bahwa data mining untuk prediksi akademik siswa dapat berguna dalam banyak konteks, untuk penerimaan siswa, dapat mengidentifikasi siswa yang layak mendapat beasiswa dan memprediksi siswa akan lulus atau tidak pada akhir studi sehingga dapat dipantau lebih dini untuk dilakukan perhatian yang lebih maksimal agar tidak terjadi kegagalan. DAFTAR PUSTAKA 1. Muslihah Wook Predicting NDUM Student s Academic Performance Using Data Mining Techniques. International Conference on Computer and Electrical Engineering. 2. Nguyen Thai-Nghe, Paul Janecek, and Peter Haddawy A Comparative Analysis of Techniques for Predicting Academic Performance. IEEE. 3. Behrouz Minaei-Bidgoli, Deborah A. Kashy, Gerd Kortemeyer' Predicting Student Performance: an Application of Data Mining Methods With an Educational Web-Based 50
BAB 1 PENDAHULUAN Latar Belakang. Mahasiswa sebagai produk universitas dapat memberikan gambaran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Mahasiswa sebagai produk universitas dapat memberikan gambaran keberhasilan pendidikan dan manajemen pendidikan yang berlangsung di dalamnya. Banyak hal dilakukan
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih 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. 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 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 terperinciProsiding SNATIF Ke-1 Tahun 2014 ISBN:
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES Diana Laily Fithri, Eko Darmanto Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus
Lebih terperinciBAB I PENDAHULUAN. manusia karena faktor ini mampu mengarahkan dan menunjukkan kualitas hidup
1 BAB I PENDAHULUAN 1.1. Latar Belakang Pendidikan merupakan salah satu faktor utama dalam hidup seorang manusia karena faktor ini mampu mengarahkan dan menunjukkan kualitas hidup setiap orang. Namun keberadaan
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 terperinciJurnal Komputer Terapan Vol. 3, No. 2, November 2017, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 3, No. 2, November 2017, 233-240 233 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k- Nearest Neighbor dan Naïve Bayes
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
Lebih terperinciEvaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak)
n 1 Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak) Nurliana Nasution 1, Khairani Djahara 2, Ahmad Zamsuri 3 1,2,3 Program Studi Teknik Informatika
Lebih terperinciALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG
ALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG Ade Yuliana 1, Duwi Bayu Pratomo 2 1,2 Program Studi Teknik Informatika - Politeknik TEDC
Lebih terperinciAnalisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif
Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif Khafiizh Hastuti 1, Erwin Yudi Hidayat 2 1, 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 E-mail : 1 afis@dsn.dinus.ac.id,
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 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 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 terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS
9 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS Nadiya Hijriana 1) dan Muhammad Rasyidan 2) 1,2 Program Studi Teknik Informatika Universitas Islam
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rumah sakit merupakan suatu institusi atau organisasi kesehatan yang melalui tenaga medis profesional memberikan pelayanan kesehatan, asuhan keperawatan, diagnosis
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Pada penelitian ini bahan dan peralatan yang diperlukan sebagai berikut: 3.1.1 Bahan Dalam penelitian ini bahan yang dibutuhkan adalah data siswa kelas
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 terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
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 terperinciPENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO. Abstrak
PENERAPAN ALGORITMA ID3 UNTUK PREDIKSI MINAT STUDI MAHASISWA TEKNIK INFORMATIKA PADA UNIVERSITAS DIAN NUSWANTORO Sirli Fahriah 1, Heru Agus Santoso,Ph.D 2 Mahasiswa Universitas Dian Nuswantoro Semarang
Lebih 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 terperinciKlasifikasi Proses Penjurusan Siswa Tingkat SMA Menggunakan Data Mining
INFORMATICS FOR EDUCATORS AND PROFESSIONALS, Vol.1, No. 1, Desember 2016, 65 69 E-ISSN: 2548-3412 65 Klasifikasi Proses Penjurusan Siswa Tingkat SMA Menggunakan Data Mining Fata Nidaul Khasanah 1,* 1 Teknik
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 terperinciANALISIS PENENTUAN METODE DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA SEBAGAI PENUNJANG ANGKA EFISIENSI EDUKASI
ANALISIS PENENTUAN METODE DATA MINING UNTUK PREDIKSI KELULUSAN MAHASISWA SEBAGAI PENUNJANG ANGKA EFISIENSI EDUKASI Valentinus Roby Hananto 1) 1) Program Studi Sistem Informasi, Institut Bisnis dan Informatika
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 TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah suatu konsep yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih 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 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 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 terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
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 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 terperinciPENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok,
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 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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
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 terperinciBAB I PENDAHULUAN 1-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi informasi dan komputer akhir-akhir ini mengalami perkembangan yang sangat pesat tidak terkecuali pada aplikasi-aplikasi database. Di
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 terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Dropout Data mining
BAB 1 PENDAHULUAN Bab ini membahas mengenai latar belakang masalah, identifikasi masalah, ruang lingkup tugas akhir, maksud dan tujuan tugas akhir, metode penelitian tugas akhir, dan sistematika penulisan
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 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 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 terperinciImplementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga
Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga 207 Alfa Saleh Universitas Potensi Utama E-mail: alfasoleh1@gmail.com Abstrak Peranan listrik sangat
Lebih terperinciBAB 3 METODE PENELITIAN. Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain :
BAB 3 METODE PENELITIAN 3.1 Instrumen Penelitian Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain : 3.1.1 Bahan Bahan yang digunakan dalam penelitian ini yaitu data siswa kelas SMA
Lebih terperinciIMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA
IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA Betha Nurina Sari 1) 1) Informatika, Fakultas Ilmu Komputer, Universitas
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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting
Lebih terperinciPenerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa
ISSN: 2089-3787 1215 Penerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa Muhammad Faisal Amin Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru Faisal.indonesia@gmail.com
Lebih terperinciBAB I PENDAHULUAN. pendukung keputusan atau Decision Support System merupakan suatu sistem
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Kemajuan teknologi komputer pada saat ini sangatlah pesat di mana penggunaannya dimanfaatkan dalam berbagai bidang kehidupan. Komputer dapat membantu dalam
Lebih terperinciI.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan
BAB. I. PENDAHULUAN I.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan datanya secara elektronik dan bersifat
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
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 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 terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pendahuluan Didalam bab ini menceritakan semua teori-teori yang digunakan didalam proses algoritma decision tree, algoritma Random tree dan Random Florest serta teoriteori dan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinciALGORITMA NAÏVE BAYES UNTUK PENENTUAN JURUSAN PADA SISWA MADRASAH ALIYAH
Technologia Vol 9, No.1, Januari Maret 218 42 AGORITMA NAÏVE BAYES UNTUK PENENTUAN JURUSAN PADA SISWA MADRASAH AIYAH Fakhriani Ekawati Fakultas Teknologi Informasi Universitas Islam Kalimantan Muhammad
Lebih terperinciBAB I PENDAHULUAN. secara manual dari suatu kumpulan data. Defenisi lain data mining adalah sebagai
BAB I PENDAHULUAN I.1. Latar Belakang Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari
Lebih terperinciKLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION TREE. Yuli Hastuti
Jurnal Dinamika, September 2016, halaman 34-41 P-ISSN: 2087 7889 E-ISSN: 2503 4863 Vol. 07. No.2 KLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinci1. PENDAHULUAN. Kata Kunci: Data Mining, Clustering, Fuzzy C-Means
CLUSTERING BIDANG PEKERJAAN BERDASARKAN PEMETAAN MATA KULIAH MENGGUNAKAN ALGORITMA FUZZY C-MEANS PADA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG Taufiq Ramadhan Ashari 1, Ruri Suko Basuki
Lebih terperinciSPK PEMILIHAN JURUSAN BERDASARKAN KUESIONER MINAT BAKAT MENGGUNAKAN METODE NAIVE BAYES
SPK PEMILIHAN JURUSAN BERDASARKAN KUESIONER MINAT BAKAT MENGGUNAKAN METODE NAIVE BAYES Dhiya Uddin Lutfiansyah 1, Yan Watequlis Syaifudin,ST.,MMT 2, Budi Harijanto, ST., MMKom 3 1,2,3 Program StudiTeknik
Lebih terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
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 terperinciPROSIDING ISSN:
PM-19 PREDIKSI PERFORMA AKADEMIK SISWA PADA PELAJARAN MATEMATIKA MENGGUNAKAN BAYESIAN NETWORKS DAN ALGORITMA KLASIFIKASI MACHINE LEARNING Betha Nurina Sari Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG
ANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG TESIS IVAN JAYA 117038072 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tuntutan belajar bagi peserta didik tidak hanya menuntut kemampuan akedemik (hard skill), peserta didik juga dituntut untuk dapat meningkatkan kemampuan personalnya
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 terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Peminatan atau konsenterasi merupakan fokus mahasiswa terhadap suatu bidang studi tertentu yang sesuai dengan minatnya. Tujuannya yaitu untuk lebih memfokuskan
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 terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciMENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
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 terperinciSTUDI ALGORITMA CART DENGAN INDUKSI FUZZY DALAM MENGKLASIFIKASIKAN DATA
STUDI ALGORITMA CART DENGAN INDUKSI FUZZY DALAM MENGKLASIFIKASIKAN DATA SKRIPSI OKTAVIYANI DASWATI 1308230003 PROGRAM STUDI S-1 EKSTENSI MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciFUZZY MADM DALAM EVALUASI PROGRAM STUDI MENGGUNAKAN METODE SIMPLE ADDITIF WEIGHTING
FUZZY MADM DALAM EVALUASI PROGRAM STUDI MENGGUNAKAN METODE SIMPLE ADDITIF WEIGHTING Erliza Yubarda Jurusan Manajemen Informatika, AMIK Mitra Gama Jl. Kayangan No. 99 Duri Riau e-mail : erliza_yubarda@yahoo.co.id
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
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 terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciANALISIS KLASIFIKASI PADA NASABAH KREDIT KOPERASI X MENGGUNAKAN DECISION TREE C4.5 DAN NAÏVE BAYES SKRIPSI
ANALISIS KLASIFIKASI PADA NASABAH KREDIT KOPERASI X MENGGUNAKAN DECISION TREE C4.5 DAN NAÏVE BAYES SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA. Abstrak
PERBANDINGAN KINERJA ALGORITMA C4.5 DAN NAIVE BAYES UNTUK KETEPATAN PEMILIHAN KONSENTRASI MAHASISWA Wiwit Supriyanti 1), Kusrini 2), Armadyah Amborowati 3) STMIK AMIKOM Yogyakarta 1),2),3) Email : wiwitsupriyanti13@gmail.com
Lebih terperinci