IMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA
|
|
- Leony Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI TEKNIK DATA MINING CLASSIFICATION DENGAN METODE DECISSION TREE UNTUK MENENTUKAN TINGKAT KELULUSAN MAHASISWA Sudirman 1,2 Departement of Information Science, Faculty of Computer Science and Information Technology, University Mercu Buana, Jakarta, Indonesia 1 Departement of Information Science, Faculty of Computer Science and Information Technology, University of Malaya, Kuala Lumpur, Malaysia 2 sdr230868@yahoo.com ABSTRAK Data mining merupakan proses analisis data dengan menggunakan perangkat lunak untuk menemukan satu pola dan aturan dalam himpunan data. Data mining mampu menganalisa data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan. Salah satu teknik yang ada pada data mining adalah classification yaitu proses untuk menentukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Dalam paper ini dilakukan suatu analisis data yang mengimplementasikan salah satu metode dalam classification yaitu decision tree dengan algoritma ID 3. Pengujian dilakukan terhadap sampel data mahasiswa pada Mercu Buana Jakarta. Evaluasi terhadap hasil analisis dari pengujian data yang dilakukan untuk menjelaskan output yang dihasilkan, berupa decision tree yang menggambarkan informasi dari set data. Hasil analisis bertujuan untuk memberikan masukan informasi yang akurat dan lebih baik kepada pembuat keputusan (decision making) untuk selanjutnya digunakan sebagai bahan untuk menentukan metode dan target dalam penentuan kelulusan mahasiswa. Kata kunci : Data mining, Classification, Decission Tree, ID3. PENDAHULUAN Data mining merupakan disiplin ilmu baru dan sedang berkembang di dalam beberapa tahun terakhir ini seiring dengan perkembangan teknologi informasi dan komunikasi, teknologi data mining digunakan untuk menganalisa volume data yang besar menjadi popular saat ini. Data mining merupakan bidang ilmu yang multidisiplin, termasuk di dalamnya adalah system basis data, statistic, machine learning, visualisasi dan ilmu informasi. Selain itu, berdasarkan jenis datanya system data mining merupakan integrasi dari teknik-teknik lain seperti analisis data spasial, temu kembali informasi, pattern recognition, pemrosesan sinyal, grafika komputer, teknologi web, ekonomi, bisnis, bio informatika, atau psikologi [1]. Kehadiran data mining dilatarbelakangi dengan problema data explotion mahasiswa yang mengikuti kuliah di Mercubuana, Jakarta. Data Mining dapat melakukan klasifikasi terhadap data mahasiswa sesuai karakteristik yang diinginkan, seperti klasifikasi Fakultas, Program studi, Kelas dan karakteristik lainnya yang nantinya dapat menentukan jenis program yang akan dikembangkan berdasarkan analisis tingkat kelulusan mahasiswa. C-3-1
2 LANDASAN TEORI Data Mining Secara sederhana data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di basisdata yang besar. Data mining juga dikenal dengan nama KDD (Knowledge Discovery in Database)[2]. Data mining menggunakan pendekatan discovery-based dimana pencocokan pola (pattern - matching) dan algoritma-algoritma yang lain digunakan untuk menentukan relasi-relasi kunci di dalam data yang dieksplorasi. Data mining (penambangan data), sesuai dengan namanya, berkonotasi sebagai pencarian informasi bisnis yang berharga dari basis data yang sangat besar. Dengan tersedianya basis data dalam kualitas dan ukuran yang memadai, teknologi data mining memiliki kemampuan-kemampuan sebagai berikut : a. Mengotomatisasi prediksi trend an sifat-sifat bisnis. Data mining mengotomatisasi proses pencarian informasi di dalam basis data yang besar. b. Mengotomatisasi penemuan pola-pola yang tidak diketahui sebelumnya. Tools data mining menyapu basis data, kemudian mengidentifikasi pola-pola yang sebelumnya tersembunyi dalam satu sapuan. Contoh dari penemuan pola ini adalah analisis pada data penjualan ritel untuk mengidentifikasi produk-produk yang kelihatannya tidak berkaitan, yang seringkali dibeli secara bersamaan oleh customer. Classification Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari satu objek yang labelnya tidak diketahui [3]. Hal ini digambarkan sebagai berikut : Masukan Keluaran Atribut (x) Model Klasifikasi Label kelas (y) Gambar 1 : Klasifikasi memetakan atribut x ke dalam label kelas y Masukkan data untuk klasifikasi adalah kumpulan record. Setiap record dikenal sebagai instance atau contoh yang ditandai oleh tuple (x,y), dimana x adalah attribut dan y adalah attribute khusus yang menunjukkan label kelas (disebut juga kategori atau atribut target). Information Gain Information gain adalah saah satu attribute selection measure yang digunakan untuk memilih test attribute tiap node pada tree. Atribut dengan information gain tertinggi dipilih sebagai test attribute dari suatu node, Misalkan S berisi s data sampel, Atribut Class memiliki M nilai yang berbeda, Ci (untuk I = 1, 1), anggap S i menjadi sampel S pada Class C I, Maka besarnya informationnya dapat di hitung dengan : m I (S 1, S 2., S N) = p 1 * log 2 (p 1). (1) Dimana p1 = S1 I = 1 adalah probalistik dari sampel yang mempunyai class Ci. C-3-2
3 Attribut A mempunyai v nilai yang tersedia, (a1, a2 an), dimana Sj berisi sampel pada s yang mempunyai nilai aj dari A, jika A terpilih menjadi test atribut (yaitu best atribut untu splinting), maka subset-subset akan berhubungan dengan pertumbuhan node-node cabang yang berisi S, Sy sebagai jumlah sampel class Ci pada subset Sj, Entropy atau nilai information dari subset A adalah : M Sij + + Smj I (A) = I (S1, S2,.Sm) dan Sij + + Smj.(2) J=1 s s Adalah bobot dari sumber jth dan jumlah sampel pada subset (yang mempunyai nilai aj dari A) dibagi dengan jumlah total sampel pada S. Untuk subset Sj. M I (S1j, S2j..Smj) = - Py * log2 (Py) (3) J=1 Sy Dimana Py = adalah probabilitas sampel Sj yang mempunyai class Ci [Sj] Nilai Information Gain Attribut A pada subset S adalah. Gain (A) = I ( S1, S2, Sn ) E (A)...(4) Decision Tree Konsep klasifikasi dengan pengawasan (supervised classification) adalah untuk membangun sebuah model dari data yang telah diketahui, atau sering disebut sebagai classifier. Model atau fungsi ini kemudian dapat digunakan untuk memetakan data di dalam suatu basis data kepada suatu atribut target, selanjutnya dapat memperkirakan suatu kelas dari data yang baru [8]. Algoritma decision tree merupakan salah satu algoritma klasifikasi di dalam data mining yang bekerja berdasarkan teori informasi (information theory). Decision tree memiliki beberapa keunggulan yaitu mudah dalam pengembangan. Sebuah model, mudah dipahami oleh pengguna dan mampu menangani noisy data dan unknown data [3][6]. Decision tree classification memberikan label dan memasukkan record-record ke dalam kelas, sedang Regression tree digunakan untuk membuat estimasi nilai dari sebuah variabel target yang berdasar pada nilai numeric [5]. Decision tree terdiri dari beberapa bagian, yaitu simpul dalam (inside nodes), cabang (branches), dan simpul daun (leaf nodes). Simpul teratas disebu t juga simpul akar (root nodes), simpul dalam merepresentasikan nilai dari suatu atribut. Contoh dari Decision tree dapat di lihat pada gambar 2. Age? Student? <= >=40 Yes No Yes Excellent Fair Gambar 2 : Decision Tree Credit_Ratin No Yes Yes No C-3-3
4 METODOLOGI Penerapan dari algoritma ID.3 untuk membangun pohon keputusan (decision tree). Cara kerja algorithma ini yaitu dengan memilih atribut yang terbaik untuk memisahkan data secara rekursif dan mengembangkan simpul daun pada tree sampai ditemui kriteria untuk berhenti, untuk mendapatkan decision tree yang terbaik, maka dilakukan perhitungan information gain dari setiap atribut untuk mendapatkan atribut yang akan menyediakan prediksi terbaik untuk target atribut kelulusan. TreeGrowth (B,C) Buat simpul daun Ya Stop Temukan atribut terbaik dan temukan split terbaik pada atribut Bagi data berdasarkan split For setiap mahasiswa j pada simpul TreeGrowth(B_i, C_i) DATA PROCESSING Gambar 3 : Algorithma Induksi of Decision 3 (ID 3) Data yang digunakan dalam pengolahan data ini adalah sampel data mahasiswa Mercubuana, Jakarta. Tabel 1 : Sampel Data Mahasiswa Fakultas Program Studi Kelas Kelulusan Fakultas Teknik (FT) Teknik Mesin Reguler Lulus Fakultas Ekonomi (FE) Manajemen Karyawan Tidak Lulus Fakultas Psikologi (FP) Konseling Karyawan Lulus Fakultas Komunikasi (FIKOM) Broad Casting Reguler Tidak Lulus Fakultas Ilmu Komputer (FASILKOM) Sistem Informasi Karyawan Lulus Fakultas Teknik (FT) Teknik Mesin Reguler Tidak Lulus Fakultas Ekonomi (FE) Manajemen Karyawan Lulus C-3-4
5 Tabel 1 : Sampel Data Mahasiswa (lanjutan) Fakultas Program Studi Kelas Kelulusan Fakultas Psikologi (FP) Konseling Karyawan Tidak Lulus FakultasKomunikasi (FIKOM), Broad Casting Reguler Lulus Fakultas Ilmu Komputer (FASILKOM) Sistem Informasi Reguler Tidak Lulus N (500) Record Dari sampel data pada tabel 1, dilakukan proses konversi ke nilai nominal, dengan memasukan atribut-atribut variabel. Spesifikasi dari karakteristik untuk setiap variabel yang digunakan dalam pengujian ditentukan seperti pada tabel 2 : Tabel 2 : Variabel Characteristik Sampel Data Variabel Status Type Modalitas Fakultas Input Nominal FT = 1 FE = 2 dst Program Studi Input Nominal Sistem Informasi = 1 Manajemen = 2.dst Kelas Input Nominal Reguler = 1 Karyawan = 2 Keterangan Kelulusan Target Nominal Lulus = 1 Tidak Lulus = 2 Dengan menerapkan spesifikasi variabel, didapatkan konversi data ke bentuk nominal dari sampel data mahasiswa seperti pada tabel 3 : Tabel 3 : Sampel Data Bentuk Nominal dari Data Mahasiswa Fakultas Program Studi Kelas Kelulusan C-3-5
6 Berdasarkan Algoritma pada Gambar 3, untuk mendapatkan Decision tree yang terbaik (minimal), maka dilakukan perihitungan information gain dari setiap atribut untuk mendapatkan atribut yang akan menyediakan prediksi terbaik untuk target atribut kelulusan. Perhitungan Information Gain Level 1. Target atribut adalah Kelulusan yang memiliki Nilai LULUS atau TIDAK LULUS Atribut adalah Fakultas, Program Studi, Kelas. Jumlah data yang diteliti adalah 500 Record, dengan Prediksi LULUS 350 dan TIDAK LULUS 210, berdasarkan rumus (1) nilai informasinya adalah : I{350+, 210-I)= log log2 210 = 0, Informasi Gain Fakultas : Dengan menerapkan rumus (4), maka Informasi Gain dari setiap atribut : Values (Fakultas) = Fakultas Teknik (FT), Fakultas Ekonomi (FE), Fakultas Psikologi (FP), Fakultas Komunikasi (FIKOM), Fakultas Ilmu Komputer (FASILKOM) I FT = [125 +, 92 -] I FE = [49 +, 28 -] I FP = [51 +, 45 -] I FIKOM = [78 +, 25 -] I FASILKOM = [47 +, 20 -] Gain (I,Fakultas) = Entropy(I) - (217/560)Entropy(I FT) - (77/560)Entropy(I FE) (96/560)Entropy(I FP) - (103/560)Entropy(I FIKOM) - (67/560) Entropy(I FASILKOM). = 0,954 (217/560) 0,983 (77/560) 0,945 (96/560) 0,997 (103/560) 0,799 (67/560) 0,879 = 0,02017 Informasi Gain Program Studi : Values (Program Studi) = S. Informasi, Manajemen I S. Informasi = [240 +, 175 -] I Manajemen = [110 +, 35 - ] Gain (I,Program Studi) = Entropy(I) - (415/560)Entropy(I SI) - (145/560)Entropy(I MJN) = 0,954 (415/560) 0,982 (145/560) 0,797 = 0,00008 Informasi Gain Kelas : Values (Kelas) = Reguler, Karyawan I Reguler = [73 +, 45 - ], I Karyawan = [277 +, ] Gain (I,Kelas) = Entropy(I) - (118/560)Entropy(I Reguler) - (442/560)Entropy(I Karywan) = 0,954 (118/560) 0,959 (442/560) 0,953 = 0,00003 Hasil perhitungan Informasi Gain untuk ketiga atribut seperti pada tabel 4 : Tabel 4: Informasi Gain level 1 No Atribut/Variabel Nilai Informasi Gain 1 Fakultas 0, Program Studi 0, Kelas 0,00003 C-3-6
7 Atribut Fakultas memberikan prediksi terbaik untuk target dari atribut kelulusan. Decision Tree yang terbentuk seperti berikut: [ 1,2,3,4 560 ] [ ] Program???? [125+,92-] [49+,28-] [51+,45-] [78+,25] [47+,20] Gambar 4 : Decision Tree Level 1 untuk Tingkat Kelulusan Perhitungan Information Gain Level 2. Untuk mendapatkan branch node (cabang simpul) pada level berikutnya, dilakukan lagi information gain dari atribut-atribut yang ada untuk mendapatkan prediksi terbaik bagi suatu branch node tertentu. 1. Berikut adalah perhitungan Nilai Information Gain untuk branch node [Fakultas = Fak. Teknik ] Informasi Gain Program Studi : Values (Program Studi) = Mesin, Elektro I Mesin = [87 +, 72 -], I Elektro = [38 +, 20 - ] Gain (I,Program Studi) = Entropy(IFT) - (159/217)Entropy(I Msn) - (58/217)Entropy(I Elk) = 0,983 (159/217) 0,993 (58/217) 0,929 = 0,00684 Informasi Gain Kelas : Values (Kelas) = Reguler, Karyawan I Reguler = [25 +, 16 - ], I Karyawan = [100 +, 76 - ] Gain (I, FT, Kelas) = Entropy(IFT) - (41/217)Entropy(I Reguler) - (176/17)Entropy(I Karyawan) = 0,983 (41/217) 0,965 (176/217) 0,987 = 0,00079 Hasil perhitungan Informasi Gain untuk kedua atribut seperti pada tabel 5 : Tabel 5 : Informasi Gain level 2 No Atribut/Variabel Nilai Informasi Gain 1 Program Studi 0, Kelas 0,00079 Atribut kelas memberikan prediksi terbaik pada level Branch Node [ Fakultas = FT ], sehingga decision tree adalah sebagai berikut. C-3-7
8 [ 1,2,3,4 560 ] [ ] KELAS???? [49+,28-] [51+,45-] [78+,25] [47+,20] Reguler Karyawan [40+,60-] [50+,17-] Gambar 5 : Decision Tree Level 2 untuk tingkat kelulusan pada Fakultas Teknik 2. Berikut adalah perhitungan Nilai Information Gain untuk branch node [Fakultas = Fak. Ekonomi ] Informasi Gain Program Studi : Values (Program Studi) = Manajemen, Akutansi I Mnj = [43 +, 23 -], I Akt = [6+, 5 - ] Gain (I,Program Studi) = Entropy(IFE) - (66/77)Entropy(I Mnj) - (11/77)Entropy(I Akt) = 0,946 (66/77) 0,933 (11/77) 0,994 = 0,00419 Informasi Gain Kelas : Values (Kelas) = Reguler, Karyawan I Reguler = [9+, 10 - ], I Karyawan = [40 +, 18 - ] Gain (IFE, Kelas) = Entropy(IFe) - (19/77)Entropy(I Reguler) - (58/77)Entropy(I Karyawan) = 0,946 (19/77) 0,998 (58/77) 0,893 = 0,02632 Hasil perhitungan Informasi Gain untuk kedua atribut seperti pada tabel 6 : Tabel 6 : Informasi Gain level 2 No Atribut/Variabel Nilai Informasi Gain 1 Program Studi 0, Kelas 0,02632 Atribut Program Studi memberikan prediksi terbaik pada level Branch Node [ Fakultas = FE ], sehingga decision tree adalah sebagai berikut. C-3-8
9 [ 1,2,3,4 560 ] [ ] [125+,82-] [40+,25-]? Prog??? [51+,45-] [78+,25] [47+,20] Reguler Karyawan [35+, 36-] [1+,0-] Gambar 6 : Decision Tree Level 2 untuk tingkat kelulusan pada Fakultas Ekonomi 3. Berikut adalah perhitungan Nilai Information Gain untuk branch node [Fakultas = Fak. Psikologi / FP] Informasi Gain Program Studi : Values (Program Studi) = Industri, Konseling I Inds = [36 +, 40 -], I Kons = [15+, 5 - ] Gain (I,Program Studi) = Entropy(Ifp) - (76/96)Entropy(I Inds) - (20/96)Entropy(I Kons) = 0,997 (76/96) 0,998 (20/96) 0,811 = 0,03808 Informasi Gain Kelas : Values (Kelas) = Reguler, Karyawan I Reguler = [20+, 6 - ], I Karyawan = [31 +, 39 - ] Gain (IFP, Kelas) = Entropy(IFP) - (26/96)Entropy(I Reguler) - (70/96)Entropy(I Karyawan) = 0,997 (26/96) 0,779 (70/96) 0,990 = 0,06382 Hasil perhitungan Informasi Gain untuk kedua atribut seperti pada tabel 7 : Tabel 7 : Informasi Gain level 2 No Atribut/Variabel Nilai Informasi Gain 1 Program Studi 0, Kelas 0,06382 Atribut kelas memberikan prediksi terbaik pada level Branch Node [ Fakultas = FP ], sehingga decision tree adalah sebagai berikut. C-3-9
10 [ 1,2,3,4 560 ] [ ] [125+,82-] [40+,25-] [61+,45-]?? Prog. Std?? Reguler Karyawan [78+,25] [47+,20] [31+, 40-] [16+,0-] Gambar 7 : Decision Tree Level 2 untuk tingkat kelulusan pada Fakultas Psikologi 4. Berikut adalah perhitungan Nilai Information Gain untuk branch node [Fakultas = Fak. KOMUNIKASI / FIKOM] Informasi Gain Program Studi : Values (Program Studi) = Komunikasi, Broad Casting I Kom = [43+, 20 -], I BC = [35+, 5 -] Gain (I, Program Studi) = Entropy(IFikom) - (76/96)Entropy(I Kom) - (20/96)Entropy(I BC) = 0,799 (63/103) 0,901 (40/103) 0,543 = - 0,19469 Informasi Gain Kelas : Values (Kelas) = Reguler, Karyawan I Reguler = [12+, 7 -], I Karyawan = [66 +, 18 -] Gain (I Fikom, Kelas) = Entropy(I Fikom) - (19/103)Entropy(I Reguler) - (84103)Entropy(I Karyawan) = 0,799 (19/103) 0,949 (84/103) 0,750 = - 0,22586 Hasil perhitungan Informasi Gain untuk kedua atribut seperti pada tabel 8 : Tabel 8 : Informasi Gain level 2 No Atribut/Variabel Nilai Informasi Gain 1 Program Studi - 0, Kelas - 0,22586 Atribut kelas memberikan prediksi terbaik pada level Branch Node [ Fakultas = FIKOM ], sehingga decision tree adalah sebagai berikut. C-3-10
11 [ 1,2,3,4 560 ] [ ] [125+,82-] [40+,25-] [61+,45-]??? KELA Reguler [31+, 15-] [37+,10-]? [47+,20] Gambar 8 : Decision Tree Level 2 untuk tingkat kelulusan pada Fakultas Komunikasi 5. Berikut adalah perhitungan Nilai Information Gain untuk Branch node [Fakultas = Fak. ILMU KOMPUTER / FILKOM] Informasi Gain Program Studi : Values (Program Studi) = SISTEM INFORMASI, TEKNIK INFORMATIKA I SI = [31+, 20 -], I TI = [16+, 0 -] Gain (I,Program Studi) = Entropy(I FILKOM) - (51/67)Entropy(I SI) - (16/67)Entropy(I TI) = 0,879 (51/67) 0,966 (16/67) 0,000 = 0,14401 Informasi Gain Kelas : Values (Kelas) = Reguler, Karyawan I Reguler = [7+, 6 -], I Karyawan = [40 +, 14 -] Gain (I Filkom, Kelas) = Entropy(I Filkom) - (13/67)Entropy(I Reguler) - (54/67)Entropy(I Karyawan) = 0,879 (13/67) 0,996 (54/67) 0,826 = 0,02083 Hasil perhitungan Informasi Gain untuk kedua atribut seperti pada tabel 9 : Tabel 9 : Informasi Gain level 2 Karyawan No Atribut/Variabel Nilai Informasi Gain 1 Program Studi 0, Kelas 0,02083 Atribut Program Studi memberikan prediksi terbaik pada level Branch Node [ Fakultas = FASILKOM], sehingga decision tree adalah sebagai berikut. [ 1,2,3,4 560 ], [ ] [125+,82-] [40+,25-] [61+,45-]???? Reguler [47+,20-] Prog. Std Karyawan [31+, 20-] [16+, 0-] Gambar 9 : Decision Tree Level 2 untuk tingkat kelulusan pada Fakultas Ilmu Komputer C-3-11
12 Sampai pada tahap berikut, Branch Node selesai diproses yaitu pada Level 2, Node yang terbentuk dapat di lihat pada Gambar 10 : [ 1,2,3,4 560 ] [ 350 +, 210-] Level 1 [125+,82-] [49+,28-] [51+,45-] [78 +,25] [47+,20-] Level 2 [40+, 60-] [50+, 17-] [37+, 15-] [35+, 28-] [1+, 0-] [13+,0-] Gambar 10: Decision Tree Level 1 dan Level 2 Demikian tahapan ini dilakukan terus untuk mendapatkan Branch Node level-level berikutnya sampai terbentuk pohon keputusan (Global Decision Tree) yang terbaik yang akan memperlihatkan informasi tentang hubungan antara keseluruhan atribut yang terdapat pada sampel Data Mahasiswa berdasarkan tingkat kelulusan. KESIMPULAN DAN SARAN Data mining Classification dengan metode decision tree memberikan hasil analisis yang baik mengenai hubungan antara satu variable dengan variable lainnya yang ditentukan berdasarkan tingkat kelulusan mahasiswa. Melalui teknik data mining yang digunakan, paper ini telah berhasil mengumpulkan dan menganalisa data kelulusan siswa, dan menghasilkan beberapa rules yang dapat digunakan pihak dalam pengambilan keputusan di bidang pendidikan, khususnya dalam menganalisa tingkat kelulusan mahasiswa tiap Fakultas, program studi, maupun kelas. Penelitian lanjutan hendaknya dilakukan dengan menggabungkan Metode Decision Tree dengan metode lain seperti Association rules, Bayesian, Neural Network (NN) dan Sopport Vector Machine (SVM). Kuantitas data yang dilibatkan juga perlu ditambah,sehingga mampu memberikan hasil yang lebih signifikan. DAFTAR PUSTAKA Program Prg Std Prg Std Prg Reg/Ka Reg/K Reg/K Reg/K [1] Dong Peng, Y., et al., Application of Data Mining Methods in the Evaluationof Client Credibilty, Application of Data Mining in E-Business and finance, 105 Press PP [2] Dunham, H. Margareth, 2002, Data Mining : Introduction and Advanced, Prentice Hall [3] Han, J., et al., 2006, Data mining : Concepts and Techniques 2 nd Edition, Morgan Kaufman Publisher. [4] Indah [online] Tersedia : /index Reguler [5] Santoso, Budi, 2007, Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta Prg Karyawan C-3-12
13 [6] Sekaran, 2003, Research Methods for Business, John Wiley and Son Inc. [7] Kusuma Dewi,, Sri, 2003, Artificial Intelegence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta. [8] W More, Andrew, 2002, Decision Trees, Carnegie Mellon University, C-3-13
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih 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 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 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 terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih 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 terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih 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 terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih 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 terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih 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. 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 terperinciMODUL 12 Model Prediktif
MODUL 12 Model Prediktif Prediktif Analytics adalah teknologi yang menangkap proses data mining dalam rutinitas sederhana. Kadang-kadang disebut "one-click data mining," Model ini menyederhanakan dan mengotomatisasi
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih 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 terperinciLEARNING. Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan Buatan)
LEARNING Jiawei Han and Micheline Kamber. 2006. Data Mining Concepts and Techniques. San Fransisco : Elsevier M.Tim Jones. Artificial Intelligence A System Approach. Slide Kuliah Data Mining - Klasifikasi,
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih 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 terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG
IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciBAB 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 terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) adalah sistem komputer yang saling berhubungan dan menjadi alat bantu bagi seorang
Lebih 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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciPenggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah
Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah Selly Artaty Zega Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknik Informatika, Politeknik
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 terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE
IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
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 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 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 II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI penelitian. Pada bab ini akan dibahas literatur dan landasan teori yang relevan dengan 2.1 Tinjauan Pustaka Kombinasi metode telah dilakukan oleh beberapa peneliti
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 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 terperinciResearch of Science and Informatic
Sains dan Informatika Vol.1 (N0.1) (2015): 20-29 22 Nisfa Ridha Yani, Gunadi Widi Nurcahyo, Implementasi Data Mining JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciPENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO
PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciAPLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,
Lebih terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Tinjauan pustaka atau disebut juga kajian pustaka (literature review) merupakan sebuah aktivitas untuk meninjau atau mengkaji kembali berbagai
Lebih terperinciAPLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI )
Artikel Skripsi APLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
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 terperinciKONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.
KONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.1 Muhammad Syahril Program Studi Sistem Informasi, STMIK Triguna
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 terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
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 terperinciALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA
53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data
Lebih 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 terperinciJOIN Volume 2 No. 1 Juni 2017 ISSN
Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT.Arupadhatu Adisesanti Erlin Elisa 1 1 Sistem Informasi, Universitas Putera
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 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 terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Di dalam landasan teori ini, akan dibahas tentang teori teori dan konsep dasar yang mendukung pembahasan dari sistem yang akan dibuat. 2.1 Basis Data (Database) Basis data diperlukan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
6 BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
Lebih 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 terperinciModul IV KLASIFIKASI
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul IV KLASIFIKASI TUJUAN PRAKTIKUM Setelah mengikuti praktikum modul ini diharapkan: 1. Mahasiswa
Lebih terperinciBelajar Mudah Algoritma Data Mining : C4.5
Belajar Mudah Algoritma Data Mining : C4.5 Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan dan bersifat prediktif.
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
Lebih terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciDATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE
Didik Setiyadi, Ali Nurdin DATA MINING POTENSI AKADEMIK SISWA BERBASIS ONLINE 1 DIDIK SETIYADI, 2 ALI NURDIN 1,2 Sekolah Tinggi Manajemen Informatika dan Komputer Eresha Program Studi : Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciPENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA)
ISSN 1858-4667 JURNAL LINK VOL. 27/No. 1/Februari 2018 PENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA) Hariadi Yutanto 1, Nurcholis Setiawan 2
Lebih terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
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 terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciRayendra AMIK Kosgoro Solok
TEKNIK KLASIFIKASI PENYUSUTAN VOLUME PUPUK TERHADAP PENYIMPANAN DI GUDANG MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : GUDANG PERSEDIAAN PUPUK PT. PUSRI KOTA SOLOK) Rayendra AMIK Kosgoro Solok Email : rayzha1206@gmail.com
Lebih 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 terperinciKonsep Data Mining. Klasifikasi : Pohon Keputusan. Bertalya Universitas Gunadarma 2009
Konsep Data Mining Klasifikasi : Pohon Keputusan Bertalya Universitas Gunadarma 2009 Definisi Klasifikasi Proses untuk menyatakan suatu objek ke salah satu kategori yg sudah didefinisikan sebelumnya. Proses
Lebih terperinciIMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG
IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri 1), Yesi Novaria Kunang 2), Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas
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 terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciTUGAS KONSEP DASAR DATA MINING
TUGAS KONSEP DASAR DATA MINING Di susun Oleh: Nurkholifah Npm : 2014210052 FAKULTAS ILMU KOMPUTER JURUSAN SISTEM INFORMASI UNIVERSITAS INDO GLOBAL MANDIRI TAHUN 2016 BAB I PENDAHULUAN 1.1 Latar Belakang
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN
IMPLEMENTASI DATA MINING UNTUK MENGETAHUI PERILAKU SESEORANG DALAM MEMBELI ALAT PANAHAN PUBLIKASI ILMIAH Disusun sebagai salah satu syarat menyelesaikan Program Studi Strata I pada Program Studi Informatika
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih 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 terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciBAB II LANDASAN TEORI
II-8 BAB II LANDASAN TEORI 2.1. Perencanaan Produksi Pengertian perencanaan produksi, menurut Martin K.Starr (1997) adalah sebagai berikut production planning is an old venerable term used by engineers,
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 terperinciANALISA TEKNIK PENENTUAN ATRIBUT DALAM MEMBUAT POHON KEPUTUSAN PADA PENAMBANGAN DATA
ISSN : 1978-6603 ANALISA TEKNIK PENENTUAN ATRIBUT DALAM MEMBUAT POHON KEPUTUSAN PADA PENAMBANGAN DATA Dian Wirdasari Program Studi Ilmu Komputer, Universitas Sumatera Utara Jl. Alumni No. 9 Kampus USU
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Dalam pengoperasian pekerjaan gondola di ketinggian membutuhkan keahlian khusus dan pengetahuan dibidangnya agar tidak terjadi kendala yang dapat
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK PENENTUAN JURUSAN DENGAN MENGGUNAKAN PENDEKATAN BAYESIAN NETWORK
PERANCANGAN SISTEM PAKAR UNTUK PENENTUAN JURUSAN DENGAN MENGGUNAKAN PENDEKATAN BAYESIAN NETWORK EDWIEN SYAHRIAL MUCHTAR Jakarta, 082123474755, edwiensyahrial@ymail.com ANDRE GIOVAN Jakarta, 081310396049,
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 terperinciPERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA
PERBANDINGAN ANALISIS KLASIFIKASI ANTARA DECISION TREE DAN SUPPORT VECTOR MACHINE MULTICLASS UNTUK PENENTUAN JURUSAN PADA SISWA SMA (Studi Kasus Nilai Mata Pelajaran Pokok di SMA Negeri 1 Jepara) SKRIPSI
Lebih 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 terperinci