HASIL DAN PEMBAHASAN. Metode
|
|
- Ratna Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 nilai mutu beberapa mata kuliah pokok bidang Statistika, yaitu Metode Statistika I, Metode Statistika II, Teori Statistika I, Teori Statistika II, Perancangan Percobaan, dan Metode Penarikan Contoh. Metode Dalam penelitian ini, selain menggunakan simple naive ayesian, juga akan dicobakan metode semi naive ayesian menggunakan algoritma (SE, FSS, SEJ, dan TN) dan indeks asosiasi. Langkah-langkah metode penelitian adalah sebagai berikut : 1. Melakukan proses cleaning data untuk menyamakan kode-kode mata kuliah yang digunakan. 2. Membagi data ke dalam dua bagian. Dari total data nilai 353 mahasiswa, sebanyak 282 data (80%) dijadikan data in-sample untuk membangun model dan sisanya sebanyak 71 data (20%) dijadikan data outsample untuk validasi. 3. Membuat model klasifikasi Simple Naive ayesian dan menghitung akurasi dugaan klasifikasi in-sample dan out-sample. 4. Membuat model klasifikasi Semi Naive ayesian dengan menggunakan algoritma SE, FSS, SEJ, dan TN. 5. Membuat model klasifikasi Semi Naive ayesian dengan menggunakan indeks asosiasi. 6. Menghitung tingkat kesalahan klasifikasi dengan mempertimbangkan jenis kesalahan yang terjadi. Jenis kesalahan prediksi yang jauh dari aktual diberi bobot/koefisien pengali yang lebih besar. Selain itu, dihitung juga korelasi antara prediksi dengan aktual untuk setiap metode klasifikasi semi naive ayesian dan SN. 7. Membandingkan akurasi dugaan klasifikasi Semi Naive ayesian, baik yang menggunakan algoritma maupun indeks asosiasi, terhadap akurasi dugaan klasifikasi simple naive ayesian. Perangkat lunak yang digunakan dalam penelitian ini adalah Microsoft Excel, SPSS 13.0 for Windows, dan MINIT 14. HSIL DN PEMHSN Deskripsi Data Nilai Mahasiswa Pengklasifikasian nilai mutu Ujian Komprehensif mahasiswa Departemen Statistika IP dilakukan dengan menggunakan data nilai dari 353 mahasiswa Departemen Statistika IP angkatan Data nilai yang digunakan meliputi nilai mutu dari tujuh mata kuliah, yaitu Ujian Komprehensif, Metode Statistika I Metode Statistika II, Teori Statistika I, Teori Statistika II, Perancangan Percobaan, serta Metode Penarikan Contoh. Nilai mutu Ujian Komprehensif merupakan peubah respon, sedangkan nilai mutu dari keenam mata kuliah lainnya merupakan peubah penjelas. Peubah respon dan peubah penjelas yang digunakan dalam penelitian ini masing-masing bersifat kategorik. Daftar peubah penjelas dan kategori dari masing-masing peubah penjelas disajikan pada Tabel 1. Penentuan kategori dari setiap peubah penjelas mengikuti kaidah bahwa kategori dari setiap peubah penjelas yang banyak individunya tidak mencapai 5% dari total seluruh individu, akan digabung dengan kategori terdekat dari peubah penjelas yang sama. Sedangkan Gambar 3 menunjukkan pola pergerakan rata-rata nilai mata kuliah Ujian Komprehensif, Metode Statistika I, Metode Statistika II, Teori Statistika I, Teori Statistika II, Perancangan Percobaan, serta Metode Penarikan Contoh dari mahasiswa Departemen Statistika IP angkatan Terlihat bahwa Teori Statistika I dan Teori Statistika II memiliki profil yang sangat mirip. Selama kurun waktu tersebut dapat dilihat bahwa mata kuliah Teori Statistika I dan Teori Statistika II memiliki rata-rata nilai yang cenderung berada di bawah rata-rata nilai mata kuliah lainnya. Mata kuliah lain yang memiliki kemiripan profil adalah Metode Statistika II, Metode Penarikan Contoh, dan Ujian Komprehensif. Ketiga mata kuliah tersebut memiliki rata-rata nilai yang cenderung meningkat pada tahun angkatan , kemudian menurun pada tahun angkatan , dan sejak tahun angkatan kembali mengalami peningkatan. Sedangkan mata kuliah Metode Statistika I dan Perancangan Percobaan memiliki profil yang berbeda dengan mata kuliah lainnya. Perancangan Percobaan terlihat cenderung memiliki rata-rata nilai yang lebih tinggi dibandingkan seluruh mata kuliah lainnya. Namun, sama seperti Metode Statistika II, Perancangan Percobaan juga cenderung mengalami perubahan rata-rata nilai yang cukup besar pada setiap pergantian tahun angkatan mahasiswa. Koefisien Korelasi (indeks asosiasi) antar peubah penjelas pada Lampiran 1 menunjukkan bahwa antar peubah penjelas (nilai mutu dari enam mata kuliah) tidak saling bebas. Koefisien korelasi yang seluruhnya bernilai positif memiliki arti bahwa seorang 5
2 mahasiswa yang memiliki nilai mutu yang baik pada satu jenis mata kuliah akan cenderung memiliki nilai mutu yang baik pula pada mata kuliah yang lainnya. Selain itu, tabel koefisien korelasi pada Lampiran 1 juga menunjukkan bahwa setiap peubah penjelas memiliki asosiasi yang cukup kuat terhadap peubah respon. Indeks asosiasi terbesar antar peubah penjelas terjadi di antara Metode Statistika II dan Metode Penarikan Contoh. Sedangkan peubah penjelas yang memiliki asosiasi terkuat dengan peubah respon adalah Metode Penarikan Contoh. 4 RT-RT NILI MT KULIH MHSISW DEPRTEMEN STTISTIK IP Rata-rata Nilai Mutu METSTT I METSTT II TS I TS II MPC RNCO KOMPRE Tahun ngkatan Mahasiswa Gambar 3. Grafik Nilai Rata-Rata Mata Kuliah Ujian Komprehensif dan Mata Kuliah Pokok Mahasiswa Departemen Statistika IP Tabel 1. Daftar Kategori dari Peubah Penjelas Peubah Penjelas Kategori Nilai mutu Metode Statistika I (mst1) Nilai mutu Metode Statistika II (mst2) Nilai mutu Teori Statistika I (ts1) Nilai mutu Teori Statistika II (ts2) Nilai mutu Metode Penarikan Contoh (mpc) Nilai mutu Perancangan Percobaan (rcb) CD CD C D C DE CD CD Klasifikasi Menggunakan Simple Naive ayesian Tahapan dalam penentuan klasifikasi nilai mutu Ujian Komprehensif dengan metode simple naive ayesian : 1. Menentukan peluang prior dari masingmasing kategori nilai mutu Ujian Komprehensif. Tabel 2. Peluang Prior Ujian Komprehensif Nilai mutu Ujian Peluang N Komprehensif Prior C D Menentukan peluang bersyarat dari setiap kategori peubah penjelas. Lampiran 2-7 menyajikan nilai peluang bersyarat dari enam peubah penjelas. 3. Menentukan peluang bersama yang diperoleh dengan mengalikan peluang prior 6
3 pada tahap 1 dan peluang bersyarat pada tahap Menentukan kaidah klasifikasi berdasarkan nilai peluang bersama yang terbesar. Dengan menerapkan tahapan di atas, akan diperoleh prediksi klasifikasi nilai mutu Ujian Komprehensif dari masing-masing mahasiswa Departemen Statistika IP. Tabel klasifikasi nilai mutu Ujian Komprehensif yang dihasilkan adalah sebagai berikut: Tabel 3. Ketepatan Klasifikasi Data In-sample SN D ktual % 2.8%.7%.0% % 14% 16%.0% C % 8.9% 37% 1.4% D %.0% 3.5% 1.4% Tabel 4. Ketepatan Klasifikasi Data Out-Sample SN D ktual % 2.8% 1.4%.0% % 15% 25%.0% C % 14% 30% 4.2% D % Tingkat ketepatan klasifikasi (Correct Classification Rate) yang dihasilkan oleh metode SN untuk data in-sample sebesar 59.93%, sedangkan tingkat ketepatan klasifikasi untuk data out-sample sebesar 47.89%. Klasifikasi Menggunakan Metode Semi Naive ayesian ackwards Sequential Elimination (SE) Penerapan algoritma SE menghasilkan susunan peubah penjelas baru yang merupakan himpunan bagian dari enam peubah penjelas pada simple naive ayesian yang dapat menyebabkan terjadinya peningkatan akurasi dari metode simple naive ayesian. Susunan peubah penjelas baru tersebut terdiri dari tiga peubah penjelas, yaitu nilai mutu Metode Statistika II, nilai mutu Metode Penarikan Contoh, dan nilai mutu Perancangan Percobaan. Tabel klasifikasi nilai mutu Ujian Komprehensif yang dihasilkan dari penerapan algoritma SE adalah sebagai berikut: Tabel 5. Ketepatan Klasifikasi Data In-Sample SE ktual % 2.1% 1.1% % 14.9% 16.7% C % 7.4% 38.7% D %.4% 4.6% Tabel 6. Ketepatan Klasifikasi Data Out-Sample SE ktual %.0% 4.2% % 11.3% 25.4% C % 5.6% 39.4% Tingkat ketepatan klasifikasi yang dihasilkan oleh metode SE untuk data insample sebesar 62.06%, sedangkan tingkat ketepatan klasifikasi untuk data out-sample sebesar 53.52%. Forward Sequential Selection (FSS) Sama halnya dengan algoritma SE, penerapan algoritma FSS juga menghasilkan susunan peubah penjelas baru yang merupakan himpunan bagian dari enam peubah penjelas yang digunakan pada simple naive ayesian. Susunan peubah penjelas yang baru tersebut dipilih karena dapat meningkatkan akurasi dari metode simple naive ayesian. Susunan peubah penjelas baru yang terbentuk dari penerapan algoritma FSS tersebut terdiri dari lima peubah penjelas, yaitu nilai mutu Metode Statistika I, nilai mutu Metode Statistika II, nilai mutu Teori Statistika II, nilai mutu Metode Penarikan Contoh, dan nilai mutu Perancangan Percobaan. Sedangkan Tabel klasifikasi nilai mutu Ujian Komprehensif yang dihasilkan adalah sebagai berikut: 7
4 Tabel 7. Ketepatan Klasifikasi Data In-Sample FSS ktual % 2.1% 1.4% % 14.2% 15.6% C % 7.8% 39.0% D %.0% 5.0% Tabel 8. Ketepatan Klasifikasi Data Out-Sample FSS ktual % 1.4% 2.8% % 15.5% 25.4% C % 9.9% 38.0% Tingkat ketepatan klasifikasi yang dihasilkan oleh metode FSS untuk data insample sebesar 61.35%, sedangkan tingkat ketepatan klasifikasi untuk data out-sample sebesar 56.34%. ackward Sequential Elimination and Joining (SEJ) Penerapan algoritma SEJ menciptakan susunan peubah penjelas baru yang terdiri dari hanya satu peubah penjelas baru hasil penggabungan keenam peubah penjelas pada simple naive ayesian. Jika peubah penjelas baru yang dihasilkan dari algoritma SEJ adalah join, maka join ini merupakan penggabungan dari keenam peubah penjelas pada simple naive ayesian. Jika seorang mahasiswa memiliki nilai mutu Metode Statistika I =, nilai mutu Metode Statistika II =, nilai mutu Teori Statistika I =, nilai mutu Teori Statistika II =, nilai mutu Metode Penarikan Contoh =, dan nilai mutu Perancangan Percobaan =, mahasiswa tersebut akan memiliki peubah penjelas join =. Tabel klasifikasi nilai mutu Ujian Komprehensif yang dihasilkan berdasarkan algoritma SEJ adalah sebagai berikut: Tabel 9. Ketepatan Klasifikasi Data In-Sample SEJ ktual % 2.1% 6.7% % 25.2% 9.6% C % 1.4% 47.2% D %.4% 4.6% Tabel 10. Ketepatan Klasifikasi Data Out-Sample SEJ ktual % 1.4% 4.2% % 12.7% 29.6% C % 8.5% 40.8% Tingkat ketepatan klasifikasi yang dihasilkan oleh metode SEJ untuk data insample sebesar 75.18%, sedangkan tingkat ketepatan klasifikasi untuk data out-sample sebesar 54.93%. Tree ugmented Naive ayesian (TN) Penerapan algoritma TN menghasilkan perubahan struktur simple naive ayesian yang menggambarkan adanya ketidakbebasan (saling mempengaruhi) antar peubah penjelas. Peubah penjelas yang terbentuk masih terdiri dari enam peubah penjelas, yaitu nilai mutu Metode Statistika I, nilai mutu Metode Statistika II, nilai mutu Teori Statistika I, nilai mutu Teori Statistika II, nilai mutu Metode Penarikan Contoh, dan nilai mutu Perancangan Percobaan. Perbedaannya adalah dalam penentuan peluang bersyarat setiap kategori dari peubah penjelas nilai mutu Teori Statistika I, nilai mutu Teori Statistika II, dan nilai mutu Perancangan Percobaan, yang selain dipengaruhi oleh peubah kelas juga dipengaruhi oleh salah satu peubah penjelas lain. Nilai mutu Teori Statistika I dan nilai mutu Teori Statistika II sama-sama dipengaruhi oleh nilai mutu Metode Statistika I, sedangkan nilai mutu Perancangan Percobaan dipengaruhi oleh nilai mutu Teori Statistika I. Struktur tree augmented naive 8
5 ayesian yang dihasilkan dapat dilihat pada Lampiran 8. Tabel klasifikasi nilai mutu Ujian Komprehensif yang dihasilkan berdasarkan algoritma TN adalah sebagai berikut: Tabel 11. Ketepatan Klasifikasi Data In-Sample TN D ktual % 2.1% 1.8%.0% % 19% 13%.0% C % 7.4% 40%.4% D %.0% 3.5% 1.4% Tabel 12. Ketepatan Klasifikasi Data Out-Sample TN D ktual % 2.8% 1.4%.0% % 14% 27%.0% C % 9.9% 34% 4.2% D % Tingkat ketepatan klasifikasi yang dihasilkan oleh metode TN untuk data insample sebesar 67.73%, sedangkan tingkat ketepatan klasifikasi untuk data out-sample sebesar 50.70%. Perbandingan Metode SN, SE, FSS, SEJ dan TN Metode klasifikasi dinyatakan memiliki akurasi yang baik jika memiliki tingkat kesalahan klasifikasi yang minimum. Tingkat kesalahan klasifikasi yang dihasilkan oleh metode klasifikasi SN dan semi naive ayesian disajikan pada Tabel 13. Dari Tabel 13 terlihat bahwa metode semi naive ayesian efektif digunakan untuk meningkatkan akurasi dari metode simple naïve ayesian. Namun, peningkatan akurasi yang dihasilkan belum tentu merupakan peningkatan akurasi yang terbesar (maksimal). Hal ini ditunjukkan dengan adanya perbedaan tingkat kesalahan klasifikasi yang dihasilkan oleh SE dan FSS. Tabel 13. Perbandingan Tingkat Kesalahan Klasifikasi SN dan Semi Naive ayesian Metode Misclassification Klasifikasi in-sample out-sample SN 40.07% 52.11% SE 37.94% 46.48% FSS 38.65% 43.66% SEJ 24.82% 45.07% TN 32.27% 49.30% Secara keseluruhan dapat dilihat bahwa keempat metode semi naive ayesian memiliki tingkat kesalahan klasifikasi yang lebih kecil dibandingkan dengan metode simple naive ayesian, baik untuk data insample maupun out-sample. danya perbedaan tingkat kesalahan klasifikasi yang cukup jauh antara data insample dan out-sample disebabkan oleh ukuran data yang digunakan tidak cukup besar, sehingga berakibat pada nilai peluang dari setiap kategori peubah penjelas maupun peubah respon yang belum stabil. Kesalahan prediksi klasifikasi yang dihasilkan untuk data in-sample, baik dalam simple naive ayesian maupun dalam semi naive ayesian, didominasi oleh jenis kesalahan prediksi yang tidak jauh dari nilai data aktual, misalnya saja kebanyakan mahasiswa yang memiliki nilai mutu Ujian Komprehensif diprediksi akan mendapat nilai mutu Ujian Komprehensif antara -. egitu pula dengan mahasiswa yang memiliki nilai mutu Ujian Komprehensif aktual, sebagian besar akan diprediksi mendapat nilai mutu Ujian Komprehensif -C. Mahasiswa yang memiliki nilai mutu Ujian Komprehensif aktual C juga sebagian besar akan diprediksi mendapat nilai mutu Ujian Komprehensif -C. Sedangkan mahasiswa yang memiliki nilai mutu Ujian Komprehensif aktual D sebagian besar akan diprediksi mendapat nilai mutu Ujian Komprehensif C. Penerapan Metode Semi Naive ayesian Menggunakan Indeks sosiasi Selain menggunakan algoritma SE, FSS, dan SEJ, metode semi naive ayesian (deleting dan joining ) dapat diterapkan dengan menggunakan indeks asosiasi (korelasi). Tahapan metode semi naive ayesian dalam mengklasifikasikan nilai mutu Ujian Komprehensif menggunakan indeks asosiasi (korelasi) adalah sebagai berikut : 1. Menggerombolkan keenam mata kuliah yang menjadi peubah penjelas. Indeks 9
6 asosiasi digunakan sebagai ukuran kemiripan antar dua mata kuliah (peubah penjelas). anyaknya gerombol yang terbentuk menunjukkan banyaknya peubah penjelas yang akan digunakan. 2. Deleting : mbil satu mata kuliah sebagai peubah penjelas dari seiap gerombol yang terbentuk. Kemudian lakukan proses klasifikasi SN. Ulangi langkah 2 ini untuk semua susunan kombinasi peubah penjelas yang mungkin. Kombinasi peubah penjelas yang dipilih adalah kombinasi peubah penjelas yang menghasilkan tingkat ketepatan klasifikasi terbesar. Joining : Gabungkan setiap peubah penjelas (mata kuliah) yang berada dalam satu gerombol, sehingga seolah-olah membentuk peubah penjelas baru yang banyaknya sesuai dengan banyaknya gerombol yang terbentuk pada langkah 1. Kemudian lakukan proses klasifikasi SN. Setelah melakukan eksplorasi terhadap beberapa metode perbaikan jarak (pautan), digunakan metode pautan Complete Linkage untuk menggerombolkan peubah penjelas dengan ukuran kedekatan adalah korelasi antar peubah penjelas. Metode pautan Complete Linkage tersebut menghasilkan tiga gerombol. Gerombol pertama terdiri dari Metode Statistika I, Teori Statistika I, dan Teori Statistika II. Gerombol kedua terdiri dari Metode Statistika II dan Metode Penarikan Contoh. Sedangkan gerombol ketiga hanya terdiri dari Perancangan Percobaan. Metode Statistika II, Teori Statistika II, dan Perancangan Percobaan merupakan susunan peubah penjelas yang menghasilkan tingkat ketepatan klasifikasi terbaik pada deleting. esarnya tingkat kesalahan klasifikasi yang dihasilkan disajikan pada Tabel 14. Tabel 14. Tingkat Kesalahan Klasifikasi Semi Naive ayesian dengan Indeks sosiasi Metode semi Misclassification Rate naive ayesian in-sample out-sample deleting 42.20% 53.52% joining 34.04% 45.07% Tabel 14 menunjukkan bahwa penggunaan indeks asosiasi dalam membangun model klasifikasi semi naive ayesian tidak memberikan hasil sebaik penggunaan algoritma SE, FSS, SEJ, dan TN. Penggunaan indeks asosiasi pada deleting menghasilkan tingkat kesalahan klasifikasi yang lebih besar dibandingkan dengan SN, baik untuk data in-sample maupun out-sample. Sedangkan penggunaan indeks asosiasi pada joining masih cukup efektif dalam meningkatkan akurasi prediksi klasifikasi dari metode SN, karena menghasilkan tingkat kesalahan klasifikasi yang lebih kecil dibandingkan SN, baik untuk data in-sample maupun out-sample. Namun, tingkat kesalahan ini masih lebih besar jika dibandingkan dengan tingkat kesalahan klasifikasi SEJ. Tabel 15. Ketepatan Klasifikasi Data In-Sample Deleting ktual % 2.8% 1.4% % 9.6% 20.6% C % 5.7% 40.8% D %.0% 5.0% Tabel 16. Ketepatan Klasifikasi Data Out-sample Deleting ktual %.0% 2.8% % 5.6% 32.4% C % 8.5% 36.6% Tabel 15 dan Tabel 16 menunjukkan bahwa metode deleting memiliki peluang salah mengklasifikasikan nilai mutu Ujian Komprehensif yang cukup besar. Terutama dalam mengklasifikasikan mahasiswa yang sebenarnya mendapat nilai mutu Ujian Komprehensif. Mahasiswa yang secara aktual mendapat nilai mutu Ujian Komprehensif memiliki peluang yang lebih besar untuk diklasifikasikan mendapat nilai mutu Ujian Komprehensif C. Selain itu, jenis kesalahan yang dihasilkan oleh deleting memiliki resiko kesalahan yang cukup besar. Hal ini dapat dilihat dari adanya salah klasifikasi nilai mutu Ujian Komprehensif yang seharusnya diprediksi 10
7 menjadi C, diprediksi menjadi D, atau sebaliknya. Peluang terjadinya jenis kesalahan ini pada deleting cukup besar dibandingkan metode semi naive ayesian lainnya. Tabel 17. Ketepatan Klasifikasi Data In-sample Joining ktual % 2.5% 1.4% % 18.1% 14.2% C % 7.4% 40.1% D %.0% 5.0% Tabel 18. Ketepatan Klasifikasi Data Out-sample Joining ktual % 1.4% 2.8% % 15.5% 25.4% C % 9.9% 36.6% Tabel 17 dan Tabel 18 menunjukkan bahwa metode joining memiliki peluang kesalahan klasifikasi yang lebih kecil dibandingkan deleting. Dapat dilihat bahwa mahasiswa yang mendapat nilai mutu Ujian Komprehensif memiliki peluang terbesar untuk diprediksi mendapat nilai mutu Ujian Komprehensif. Peluang terjadinya jenis kesalahan dengan resiko kesalahan yang cukup tinggi pada joining tidak sebesar pada deleting. Tingkat Kesalahan Klasifikasi dengan Mempertimbangkan Jenis Kesalahan yang Dihasilkan Penghitungan tingkat kesalahan klasifikasi (misclassification rate) hingga sejauh ini dilakukan dengan tidak mempertimbangkan jenis kesalahan yang dihasilkan. Mahasiswa yang sebenarnya mendapat nilai mutu Ujian Komprehensif, namun diprediksi mendapat nilai mutu Ujian Komprehensif C, dibandingkan dengan mahasiswa yang sebenarnya mendapat nilai mutu Ujian Komprehensif, namun diprediksi mendapat nilai mutu Ujian Komprehensif, dianggap memiliki resiko kesalahan yang sama. Penghitungan tingkat kesalahan klasifikasi dengan mempertimbangkan jenis kesalahan perlu dilakukan pada penelitian ini. Hal ini dimungkinkan karena data nilai mutu Ujian Komprehensif yang akan diprediksi merupakan data kategorik ordinal. Dengan mempertimbangkan jenis kesalahan yang dilakukan, maka mahasiswa yang sebenarnya mendapat nilai mutu Ujian Komprehensif, namun diprediksi mendapat nilai mutu Ujian Komprehensif C akan memiliki resiko kesalahan yang lebih tinggi dibandingkan dengan mahasiswa yang sebenarnya mendapat nilai mutu Ujian Komprehensif, namun diprediksi mendapat nilai mutu Ujian Komprehensif. Sedangkan penghitungan tingkat ketepatan klasifikasi (correct classification rate) masih tetap sama, yaitu 1 dikurangi misclassification rate. Pada penghitungan tingkat kesalahan klasifikasi dengan mempertimbangkan jenis kesalahan, jenis kesalahan yang memiliki resiko kesalahan lebih tinggi akan diberi bobot pengali yang lebih besar. Prosedur penghitungan tingkat kesalahan klasifikasi adalah sebagai berikut: 1. Menentukan besarnya bobot/koefisien pengali untuk setiap jenis kesalahan yang terjadi. - hasil prediksi yang sama dengan nilai aktual diberi bobot 0 - kesalahan prediksi yang menyimpang satu tingkat dari nilai aktual diberi bobot 1 - kesalahan prediksi yang menyimpang dua tingkat dari nilai aktual diberi bobot 2 - kesalahan prediksi yang menyimpang tiga tingkat dari nilai aktual diberi bobot 3 2. Mengalikan setiap unsur pada Tabel Ketepatan Klasifikasi yang dihasilkan dari metode SN dan semi naive ayesian dengan bobot pengali yang telah ditentukan pada tahap Menjumlahkan setiap unsur pada Tabel Ketepatan Klasifikasi yang telah dikalikan dengan bobot pengalinya. 4. Tingkat kesalahan klasifikasi diperoleh dengan membagi hasil yang diperoleh pada tahap 3 dengan tiga kali total amatan/objek pada Tabel Ketepatan Klasifikasi yang bersesuaian. Setelah melakukan tahapan di atas diperoleh tingkat kesalahan klasifikasi yang baru untuk setiap metode klasifikasi yang digunakan (SN dan semi naive ayesian). Tingkat kesalahan klasifikasi yang baru ini dapat dilihat pada Tabel
8 Tabel 19. Perbandingan Tingkat Kesalahan Klasifikasi SN dan Semi Naive ayesian dengan obot Pengali Metode Misclassification Rate Klasifikasi in-sample out-sample SN 14.18% 18.31% SE 13.95% 18.31% FSS 13.95% 15.96% SEJ 10.64% 16.43% TN 11.70% 17.37% Tabel 20. Tingkat Kesalahan Klasifikasi Semi Naive ayesian menggunakan Indeks sosiasi dengan obot Pengali Metode semi Misclassification Rate naive ayesian in-sample out-sample deleting 15.25% 20.19% joining 12.17% 16.90% Tabel 19 menunjukkan bahwa dengan mempertimbangkan jenis kesalahan yang dihasilkan, tingkat kesalahan klasifikasi dari metode SN dan semi naive ayesian menjadi lebih kecil dibandingkan dengan tingkat kesalahan klasifikasi yang tidak mempertimbangkan jenis kesalahan (Tabel 13). Namun informasi yang diperoleh masih sama, yaitu metode semi naive ayesian efektif digunakan untuk meningkatkan akurasi dari metode simple naive ayesian. Informasi tambahan yang bisa diperoleh adalah penghitungan tingkat kesalahan dengan mempertimbangkan jenis kesalahan mampu menunjukkan bahwa FSS lebih baik dari SE dalam mengklasifikasikan nilai mutu Ujian Komprehensif. Selain itu juga terlihat bahwa tingkat kesalahan klasifikasi yang dihasilkan oleh SEJ dan TN tidak jauh berbeda. Tabel 20 juga menunjukkan bahwa dengan mempertimbangkan jenis kesalahan yang dihasilkan, tingkat kesalahan klasifikasi dari metode semi naive ayesian menggunakan indeks asosiasi menjadi lebih kecil dibandingkan dengan tingkat kesalahan klasifikasi yang tidak mempertimbangkan jenis kesalahan (Tabel 14). Perubahan tingkat kesalahan klasifikasi ini tidak mengubah hasil yang diperoleh, yaitu penggunaan indeks asosiasi dalam membangun model klasifikasi semi naive ayesian tidak memberikan hasil sebaik penggunaan algoritma SE, FSS, SEJ, dan TN. Terlihat bahwa deleting tetap memiliki tingkat kesalahan klasifikasi yang lebih besar dari SN. Selain menghitung tingkat kesalahan klasifikasi dengan mempertimbangkan jenis kesalahan, dihitung juga nilai korelasi antara prediksi nilai mutu Ujian Komprehensif dengan nilai mutu Ujian Komprehensif aktual yang dihasilkan oleh SN dan semi naive ayesian. Koefisien korelasi yang dihasilkan dapat dilihat pada Tabel Tabel 21. Koefisien Korelasi antara dan ktual dari SN dan Semi Naive ayesian Koefisien korelasi Metode Spearman s rho Klasifikasi in-sample out-sample SN SE FSS SEJ TN Tabel 22. Koefisien Korelasi antara dan ktual dari Semi Naive ayesian Menggunakan Indeks sosiasi Koefisien korelasi Metode semi Spearman s rho naive ayesian in-sample out-sample deleting joining Dari Tabel 21 diketahui bahwa metode semi naive ayesian yang menghasilkan korelasi paling tinggi antara prediksi dan aktual adalah TN, baik untuk data in-sample maupun out-sample. Meskipun TN bukanlah algoritma yang memiliki tingkat kesalahan klasifikasi terkecil dibandingkan algoritma lainnya (Tabel 19), namun jenis kesalahan yang dihasilkan TN memiliki resiko kesalahan yang paling kecil (Tabel 11). rtinya, TN memiliki peluang salah mengklasifikasikan nilai mutu Ujian Komprehensif ( menjadi C, menjadi D, atau sebaliknya) yang paling kecil dibandingkan metode semi naive ayesian lainnya. Sedangkan SE merupakan metode semi naive ayesian yang menghasilkan korelasi paling rendah antara prediksi dan aktual. Hal ini sejalan dengan hasil yang diperoleh pada Tabel 19, yaitu SE memiliki tingkat kesalahan klasifikasi tertinggi dibandingkan dengan metode semi naive ayesian lainnya, baik untuk data in-sample maupun out-sample. 12
9 Tabel 22 menunjukkan bahwa metode deleting menghsilkan korelasi paling rendah antara prediksi dengan aktual, baik untuk data in-sample maupun out-sample. ahkan, koefisien korelasi ini tetap yang paling rendah jika dibandingkan dengan koefisien korelasi yang dihasilkan oleh SE, FSS, SEJ, dan TN. Metode deleting juga cenderung memiliki peluang salah mengklasifikasikan yang cukup besar, serta menghasilkan jenis kesalahan dengan resiko kesalahan yang cukup besar juga dibandingkan dengan metode semi naive ayesian lainnya (Tabel 15). KESIMPULN DN SRN Kesimpulan Metode semi naive ayesian memiliki kemampuan yang lebih baik dalam mengklasifikasikan nilai mutu Ujian Komprehensif mahasiswa Departemen Statistika IP dibandingkan dengan metode SN. Hal ini ditunjukkan dengan tingkat kesalahan klasifikasi yang dihasilkan oleh keempat metode semi naive ayesian lebih kecil dibandingkan dengan SN. Meskipun efektif dalam meningkatkan ketepatan klasifikasi dari metode SN, peningkatan akurasi yang dihasilkan belum tentu merupakan peningkatan akurasi yang paling maksimum. Penggunaan indeks asosiasi pada metode semi naive ayesian memiliki komputasi yang lebih sederhana dan lebih cepat dibandingkan penggunaan algoritma, namun tidak memberikan hasil sebaik algoritma SE, FSS, SEJ, dan TN dalam meningkatkan ketepatan prediksi klasifikasi dari SN. Metode semi naive ayesian yang menghasilkan korelasi tinggi antara prediksi nilai mutu Ujian Komprehensif dengan nilai mutu Ujian Komprehensif aktual akan cenderung memiliki tingkat kesalahan klasifikasi yang kecil dengan jenis kesalahan yang dihasilkan memiliki resiko kesalahan yang kecil juga. Sebaiknya dilakukan pengembangan terhadap algoritma SE, FSS, SEJ, dan TN agar penggunaan metode semi naive ayesian dapat meningkatkan akurasi dugaan klasifikasi SN secara maksimum. DFTR PUSTK Cerquides J., R. L. de Mantaras Tractable ayesian Learning of Tree ugmented Naive ayes Classifiers. Technical Report TR ( III-TR pdf) [22 Mei 2008] Dit. JMP-IP Panduan Program Sarjana. Edisi IP Press, ogor. Nasoetion. H.,. Rambe Teori Statistika Untuk Ilmu-Ilmu Kuantitatif. Edisi kedua. hratara Karya ksara, Jakarta. Sartono Pengklasifikasian Kolektibilitas Nasabah Kredit Menggunakan Metode Simple Naïve ayesian Classifier. Institut Pertanian ogor, ogor. Wikipedia Naive ayes Classifier. ( _classifier) [14 Januari 2008] Zheng F., G. I. Webb Comparative Study of Semi-naive ayes Methods in Classification Learning. In S.J. Simoff, G.J. Williams, J. Galloway and I. Kolyshkina (Eds.), Proceedings of the Fourth ustralasian Data Mining Conference (usdm05) Sydney, ustralia. Sydney: University of Technology, pages Saran Perlu adanya ukuran data yang cukup besar dan pemenuhan asumsi kebebasan agar tingkat kesalahan klasifikasi dapat diperkecil. Ukuran data yang digunakan sebaiknya lebih besar dari total kemungkinan kombinasi kategori seluruh peubah penjelas. 13
PENGKLASIFIKASIAN NILAI MUTU UJIAN KOMPREHENSIF MAHASISWA DEPARTEMEN STATISTIKA IPB MENGGUNAKAN SEMI NAIVE BAYESIAN CLASSIFIER IIN LESMANAWATI
PENGKLASIFIKASIAN NILAI MUTU UJIAN KOMPREHENSIF MAHASISWA DEPARTEMEN STATISTIKA IPB MENGGUNAKAN SEMI NAIVE BAYESIAN CLASSIFIER IIN LESMANAWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciANALISIS TINGKAT KESUKAAN KONSUMEN DENGAN METODE BAYESIAN NETWORK (Studi Kasus Produk Biskuit) ASEP KHOERUDIN
ANALISIS TINGKAT KESUKAAN KONSUMEN DENGAN METODE BAYESIAN NETWORK (Studi Kasus Produk Biskuit) ASEP KHOERUDIN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPEMBAHASAN Deskripsi data Metode Peubah Respon
5 penggabungan beberapa kategori menjadi kategori yang lebih umum. Kategori yang baru terdiri atas lima kategori yaitu: 1 : sangat tidak suka 2 : tidak suka 3 : biasa saja 4 : suka 5 : sangat suka Metode
Lebih terperinciPenerapan Algoritma Tree Augmented Naive Bayesian pada Penentuan Peubah Penting
Statistika, Vol. 11 No. 2, 13 114 Nopember 211 Penerapan Algoritma Tree Augmented Naive Bayesian pada Penentuan Peubah Penting Pingkan Awalia 1, Aji Hamim Wigena 2, Anang Kurnia 3 1Student of Statistics
Lebih terperinciPENERAPAN ALGORITMA TREE AUGMENTED NAIVE BAYESIAN PADA PENENTUAN PEUBAH PENTING PINGKAN AWALIA
PENERAPAN ALGORITMA TREE AUGMENTED NAIVE BAYESIAN PADA PENENTUAN PEUBAH PENTING PINGKAN AWALIA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRAK
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
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 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 terperinciBAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) Odds Ratio
21 BAB III REGRESI LOGISTIK BINER DAN CLASSIFICATION AND REGRESSION TREES (CART) 3.1 Regresi Logistik Biner Regresi logistik berguna untuk meramalkan ada atau tidaknya karakteristik berdasarkan prediksi
Lebih terperinciOthers Institution Credit Job Code
4. Residence status (status kepemilikan rumah) yang dinotasikan dengan RS. Peubah ini dibagi menjadi enam kelompok. 5. Job code (kode pekerjaan) yang dinotasikan dengan JC. Peubah ini dibagi menjadi lima
Lebih terperinciBAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM
BAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM 4.1 Indeks Harga Saham Saham merupakan salah satu investasi yang menjanjikan bagi investor pada saat ini. Pertumbuhan ekonomi Indonesia yang cukup baik,
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 terperinciPEMBENTUKAN POHON KLASIFIKASI DENGAN METODE CHAID
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 1 (2013), hal 45 50. PEMBENTUKAN POHON KLASIFIKASI DENGAN METODE CHAID Yustisia Wirania, Muhlasah Novitasari Mara, Dadan Kusnandar INTISARI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Job Order merupakan pekerjaan yang dilakukan apabila ada order yang diterima dari konsumen. Setiap detil pekerjaan 100% ditentukan oleh calon pembeli, pihak pembuat
Lebih terperinciBab I Pendahuluan. 1.1 Latar Belakang
Bab I Pendahuluan 1.1 Latar Belakang Klasifikasi merupakan task dari data mining yang bertujuan untuk memberikan label kelas terhadap suatu data. Pemberian label kelas ini dilakukan oleh classifier. Suatu
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
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 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 terperinciHASIL DAN PEMBAHASAN. Praproses
5 4 MySQL sebagai database. 5 Mozilla Firefox sebagai web browser. 6 Microsoft Excel untuk perhitungan hasil penelitian dan pembuatan grafik. Perangkat keras: 1 Prosesor Intel Core i3. 2 RAM 2 GB. 3 Harddisk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Deposito merupakan salah satu tabungan berjangkaayangamodel pengambilannya berdasarkan pada kesepakatan dari pihak bank dengan nasabah deposito [1].Suku bunga
Lebih terperinciUKDW. BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penerimaan mahasiswa baru merupakan proses yang selalu dilakukan setiap tahunnya oleh Universitas Kristen Duta Wacana Yogyakarta (UKDW). Mahasiswa baru merupakan mahasiswa
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciBAB III OBJEK DAN METODE PENELITAN. dalam penelitian. Objek penelitian menjelaskan tentang apa dan atau siapa yang
BAB III OBJEK DAN METODE PENELITAN 3.1 Objek Penelitian Objek Penelitian adalah proses yang mendasari pemilihan, pengolahan, dan penafsiran semua data yang berkaitan dengan apa yang menjadi objek di dalam
Lebih terperinciISSN : STMIK AMIKOM Yogyakarta, 6-8Februari 2015
KLASIFIKASI DATA NAP (NOTA ANALISIS PEMBIAYAAN) DENGAN 5C+1S UNTUK PENENTUAN TINGKAT KEAMANAN PEMBIAYAAN MENGGUNKAN ALGORITMA NAÏVE BAYES CLASSIFIER PADA BANK SYARIAH Sumarni Adi1) 1) Teknik Informatika
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciPENDAYAGUNAAN MICROSOFT EXCEL SEBAGAIPERANGKAT EVALUASI KINERJA PERSONIL ORGANISASI(KASUS : IKATAN MAHASISWA TEKNIK KIMIA 2016, UNIVERSITAS INDONESIA)
PENDYGUNN MICROSOFT EXCEL SEBGIPERNGKT EVLUSI KINERJ PERSONIL ORGNISSI(KSUS : IKTN MHSISW TEKNIK KIMI 2016, UNIVERSITS INDONESI) Ivransa Z. Pane 1, Irfan F. Pane 2, Fadhila. nindria 2, Radifan Fajaryanto
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciSekip Utara Yogyakarta * 1 2
IJCCS, Vol.9, No.1, January 2015, pp. 1~12 ISSN: 1978-1520 1 Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain
Lebih terperinciBAB I PENDAHULUAN 1.1.Latar Belakang Masalah
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Mengingat kondisi perekonomian saat ini sedang tumbuh dan berkembang secara signifikan, di negara khususnya Indonesia, memiliki peningkatan permintaan produk
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. Pada Restaurant Bumbu Desa Cabang Laswi Bandung, penulis melakukan
BAB III OBJEK DAN METODE PENELITIAN 3.1. Objek Penelitian Untuk mengumpulkan data yang dijadikan bahan dalam penyusunan Tugas Akhir yang berjudul Analisis Penilaian Citra Perusahaan Oleh Konsumen Pada
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pesatnya pertumbuhan pasar pada sektor telekomunikasi seluler semakin terlihat dengan banyaknya jumlah pelanggan yang ada pada setiap para penyedia jasa telepon seluler.
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 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 terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN METODE MINIMAX LINKAGE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 253-260 PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN 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 terperincimenjadi empat kategori sedangkan peubah SDM, kelembagaan keuangan, dan karakteristik daerah terbagi menjadi tiga kategori.
Tahap-tahapan yang dilakukan dalam penelitian ini sebagai berikut : 1. Menyeleksi dan mengolah data sesuai dengan ketentuan KNPDT untuk mendapatkan peubah respon status daerah. 2. Mendiskretisasi peubah
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPENERAPAN METODE CART
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 2, Juli 2017, pp. 78-83 PENERAPAN METODE CART (CLASSIFICATION AND REGRESSION TREES) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : E124909 / Data Mining Revisi ke : 4 Satuan Kredit Semester : 2 SKS Teori Tgl revisi : 16 Juli 2015 Jml Jam kuliah dalam seminggu
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciBAB I PENDAHULUAN. basis data dan mengubahnya menjadi informasi yang berguna. Metode data
BAB I PENDAHULUAN 1.1 Latar Belakang Data-data pinjaman yang tersimpan pada Koperasi XYZ yang selama ini hanya dijadikan arsip koperasi sebenarnya dapat dimanfaatkan menjadi sesuatu yang lebih berguna.
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Implementasi Biplot Kanonik dan Analisis Procrustes dengan Mathematica Biplot biasa dengan sistem perintah telah terintegrasi ke dalam beberapa program paket statistika seperti SAS,
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 terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang ,
1. BAB I PENDAHULUAN 1.1. Latar Belakang Hasil survey Badan Kesejahteraan Keluarga Pemberdayaan Perempuan dan Keluarga Berencana (BKKPPKB) tahun 2009 menunjukkan angka kemiskinan di Kabupaten Bantul sebanyak
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS (The Application of Random Forest in Driver Analysis)
, April 2011 p : -43 ISSN : 0853-811 Vol 16 No.1 PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS (The Application of Random Forest in Driver Analysis) Nariswari Karina Dewi 1, Utami Dyah Syafitri
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciBAB III METODE PENELITIAN. kuantitatif, yaitu pendekatan yang memungkinkan dilakukannya pencatatan data
57 BAB III METODE PENELITIAN A. Pendekatan penelitian Pendekatan yang digunakan dalam penelitian ini adalah pendekatan kuantitatif, yaitu pendekatan yang memungkinkan dilakukannya pencatatan data hasil
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. Menurut Husein Umar menerangkan bahwa: ditambahkan hal-hal lain jika di anggap perlu.
BAB III OBJEK DAN METODE PENELITIAN 3.1 Objek Penelitian Menurut Husein Umar menerangkan bahwa: Objek Penelitian menjelaskan tentang apa dan atau siapa yang menjadi obyek penelitian. Juga di mana dan kapan
Lebih terperinciBAB III METODE PENELITIAN
43 BAB III METODE PENELITIAN A. Pendekatan dan Metode Penelitian Pendekatan yang digunakan dalam penelitian ini adalah penelitian kuantitatif. Zainal Arifin (2011:29) mengemukakan, Penelitian kuantitatif
Lebih terperinciBAB III METODE PENELITIAN. Dalam bab ini akan diuraikan rancangan penelitian yang dianggap relevan
27 BAB III METODE PENELITIAN Dalam bab ini akan diuraikan rancangan penelitian yang dianggap relevan dengan permasalahan yang diteliti, untuk menjelaskan hubungan antara minat mahasiswa dalam membaca buku
Lebih terperinciSeminar Tugas Akhir. Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING. Surabaya, Juli 2011
Surabaya, Juli 2011 Seminar Tugas Akhir Analisis Klasifikasi Kesejahteraan Rumah Tangga di Propinsi Jawa Timur dengan Pendekatan CART ARCING Ibrahim Widyandono 1307 100 001 Pembimbing : Dr. Bambang Widjanarko
Lebih terperinciBAB III METODE PENELITIAN. perwalian terhadap kepuasan pengguna dengan menggunakan metode Webqual
BAB III METODE PENELITIAN Tahapan Penelitian Terdapat empat tahapan penelitian pada analisis pengaruh kualitas Website perwalian terhadap kepuasan pengguna dengan menggunakan metode Webqual 4.0, yaitu:
Lebih terperinciKonsumsi Pangan. Preferensi Pangan. Karakteristik Makanan:
23 KERANGKA PEMIKIRAN Menurut Suhardjo (1989), latar belakang sosial budaya mempengaruhi pemilihan jenis pangan melalui dua cara yaitu informasi mengenai gizi dan preferensi berdasarkan konteks dua karakteristik
Lebih terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih terperinciKeoptimalan Naïve Bayes Dalam Klasifikasi
Keoptimalan Naïve Bayes Dalam Klasifikasi M. Ammar Shadiq Program Ilmu Komputer FPMIPA Universitas Pendidikan Indonesia ammar.shadiq@gmail.com Abstrak Naïve Bayes adalah salah satu algoritma pembelajaran
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 1-10 Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 1-10 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS DISKRIMINAN FISHER DAN NAIVE BAYES UNTUK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini teknologi informasi sangat berkembang dengan pesat. Sejalan dengan hal tersebut, Hampir semua bidang membutuhkan kemudahan untuk penanganan informasi yang
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciBAB I PENDAHULUAN. yang perlu diketahui, yang disebut sebagai variabel. Variabel adalah sebuah
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam melakukan inferensi terhadap populasi, tidak semua ciri populasi harus diketahui, hanya satu atau beberapa karakteristik populasi yang perlu diketahui, yang
Lebih terperinciLingkungan Pengembangan Pelatihan HASIL DAN PEMBAHASAN Seleksi Fitur Pelatihan (deskripsi training Klasifikasi Akurasi
6 diberikan sesuai dengan beban SKS mata kuliah yang bersangkutan, sedangkan fitur IP TPB disesuaikan. Untuk fitur mata kuliah yang sudah terseleksi, bobot yang dipakai sesuai dengan beban SKS, sedangkan
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 C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Beredarnya iklan penawaran kepemilikan kendaraan sepeda motor yang cukup menarik dengan menawarkan berbagai syarat kemudahan pembayaran membuat bagi sebagian orang
Lebih terperincidapat diidentifikasi karakteristiknya sebanyak 604 orang. Dari 604 mahasiswa tersebut
5 HSIL DN PEMHSN Deskripsi Mata ahasa Inggris Pada setiap awal semester I mahasiswa baru Sekolah Pascasarjana IP (SPs-IP) diwajibkan mengikuti ujian awal untuk menentukan status kemampuan bahasa inggrisnya.
Lebih terperinciMETODE PENELITIAN Disain, Lokasi dan Waktu Penelitian Teknik Penarikan Contoh Jenis dan Cara Pengumpulan Data
19 METODE PENELITIAN Disain, Lokasi dan Waktu Penelitian Disain penelitian adalah cross sectional study, yakni data dikumpulkan pada satu waktu (Singarimbun & Effendi 1995. Penelitian berlokasi di Kota
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini menggunakan rancangan penelitian diferensial. Penelitian diferensial adalah
BAB III METODOLOGI PENELITIAN 3.1. Rancangan penelitian dan prosedur penelitian Penelitian ini menggunakan rancangan penelitian diferensial. Penelitian diferensial adalah membandingkan dua atau lebih kelompok
Lebih terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN (GBPP)
GARIS-GARIS BESAR PROGRAM PENGAJARAN (GBPP) Mata Kuliah : Statistik Bobot Mata Kuliah : 3 Sks Deskripsi Mata Kuliah : Pengertian dasar statistik, pengolahan dan penyajian data, ukuran dan lokasi (central
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 terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
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 terperinciBAB III METODE POHON KLASIFIKASI QUEST
BAB III METODE POHON KLASIFIKASI QUEST 3.1 Metode Berstruktur Pohon Istilah pohon dalam matematika dikenal dalam teori graf. Pertama kali konsep pohon digunakan oleh Gustav Kirchhoff (184-1887) dalam bidang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bagi kebanyakan orang, statistika dianggap suatu ilmu yang ruwet, penuh dengan rumus-rumus yang rumit dan diperlukan ketelitian serta ketepatan dalam menghitungnya.
Lebih terperinciBAB III METODOLOGI. CSR dengan citra perusahaan. Menggunakan dua pendekatan, yaitu pendekatan
26 BAB III METODOLOGI 3.1. Pendekatan Penelitian Penelitian ini dilakukan untuk menganalisis hubungan implementasi program CSR dengan citra perusahaan. Menggunakan dua pendekatan, yaitu pendekatan kuantitatif
Lebih terperinciKlasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees)
1 Klasifikasi Kegiatan Partisipasi Ekonomi Perempuan Di Jawa Timur Dengan Pendekatan CART (Classification And Regression Trees) Sharfina Widyandini dan Vita Ratnasari Jurusan Statistika, Fakultas MIPA,
Lebih terperinciAPLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y. Mohammad Iqbal 1. Abstrak
APLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y Mohammad Iqbal Jurusan Matematika, FMIPA-Institut Teknologi Sepuluh Nopember iqbalmohammad.math@gmail.com Abstrak Dalam penilaian,
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciBAB III METODE PENELITIAN
45 BAB III METODE PENELITIAN A. Metode Penelitian Metode penelitian yang digunakan dalam rancang bangun multimedia pembelajaran interaktif ini adalah Research and Development (R&D). karena menurut Sugiyono
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi informasi terutama di Indonesia semakin berkembang. Dengan adanya teknologi informasi dan komunikasi dapat memudahkan untuk mendapatkan informasi
Lebih terperinciGambar 2. Kerangka berpikir mengenai perilaku penggunaan pembalut pada mahasiswi
16 KERANGKA PEMIKIRAN Menstruasi merupakan keadaan yang dialami oleh seorang perempuan normal setiap bulan. Agar cairan menstruasi yang keluar dari dinding rahim tidak menodai pakaian yang dipakai maka
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dan metode yang digunakan pada tugas akhir ini dalam pengklasifikasian dokumen teks. Pembahasan dimulai dengan penjelasan mengenai klasifikasi
Lebih terperinciMETODE QUEST DAN CHAID PADA KLASIFIKASI KARAKTERISTIK NASABAH KREDIT
E-Jurnal Matematika Vol. 4 (4), November 2015, pp. 163-168 ISSN: 2303-1751 METODE QUEST DAN CHAID PADA KLASIFIKASI KARAKTERISTIK NASABAH KREDIT Nur Faiza 1, I Wayan Sumarjaya 2, I Gusti Ayu Made Srinadi
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 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 terperinciBAB II TINJAUAN PUSTAKA
digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1. Landasan Teori 2.1.1. Twitter API Twitter API terdiri dari dua komponen yang berbeda, REST dan SEARCH API. REST API memungkinkan pengembang/developer Twitter
Lebih terperinciBAB V EKSPERIMEN TEXT CLASSIFICATION
BAB V EKSPERIMEN TEXT CLASSIFICATION Pada bab ini akan dibahas eksperimen untuk membandingkan akurasi hasil text classification dengan menggunakan algoritma Naïve Bayes dan SVM dengan berbagai pendekatan
Lebih terperinciANALISIS GEROMBOL MENGGUNAKAN METODE TWO STEP CLUSTER (Studi kasus : data Potensi Desa Sensus Ekonomi 2003 wilayah Jawa Barat)
Forum Statistika dan omputasi, pril 007, p: 8-3 ISSN : 0853-85 NLISIS GEROMOL MENGGUNN METODE TWO STEP CLUSTER (Studi kasus : data Potensi Desa Sensus Ekonomi 003 wilayah Jawa arat) I Made Sumertaaya dan
Lebih terperinciBAB III METODOLOGI PENELITIAN. A. Lokasi dan Subjek Populasi/Sampel Penelitian 1. Lokasi Penelitian
BAB III METODOLOGI PENELITIAN A. Lokasi dan Subjek Populasi/Sampel Penelitian 1. Lokasi Penelitian Lokasi Penelitian akan dilaksanakan di UPT Balai Pengembangan Instrumentasi Lembaga Ilmu Pengetahuan Indonesia
Lebih terperinciPENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI
PENERAPAN METODE RANDOM FOREST DALAM DRIVER ANALYSIS NARISWARI KARINA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 RINGKASAN NARISWARI KARINA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. 1.2 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Pendahuluan Dewasa ini komputer berkembang sangat pesat di berbagai bidang kehidupan. Perkembangan ini didukung oleh proses komputasi yang sangat cepat dan juga dukungan pengolahan
Lebih terperinciBAB III METODE PENELITIAN. Penilitian ini adalah penelitian kuantitatif. Berdasarkan pada Variabel yang
27 BAB III METODE PENELITIAN A. Metode Penelitian Penilitian ini adalah penelitian kuantitatif. Berdasarkan pada Variabel yang diteliti, masalah yang dirumuskan dan hipotesis yang diajukan, maka penelitian
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 terperinci