DATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG )
|
|
- Ivan Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 DATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG ) Purnama Sari,S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang purnamasari05703@gmail.com Abstrak Alat kontrasepsi sangat berguna dalam program KB, akan tetapi tidak semua alat kontrasepsi cocok dengan kondisi setiap orang. Setiap pribadi harus bisa memilih alat kontrasepsi yang cocok untuk dirinya. Untuk memilih metoda atau alat kontrasepsi tidak mudah karena belum mengetahui tentang efek sebelum menggunakannya. Tidak semua metode atau alat kontrasepsi cocok untuk setiap tubuh, untuk itu dibutuhkan keterampilan yang tepat untuk memahami dan tepat dalam pemilihan metode atau kontrasepsi yang akan digunakan. Berdasarkan hasil pengujian terhadap Rosetta diperoleh kecocokan data 100% terhadap data pemakaian alat kontrasepsi di BKKBN kota Padang. Kata Kunci : Alat Kontrasepsi, KB, Rosetta. 1. PENDAHULUAN Data mining adalah suatu konsep yang yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Salah satu contohnya adalah, Nasereddin (2009), menjelaskan data mining merupakan bagian dari proses yang disebut penemuan KDD, pengetahuan dalam database. Proses ini pada dasarnya terdiri dari langkah langkah yang dilakukan yaitu pemilihan data, pra pengolahan dan transformasi data teknik association rule. Tujuannya adalah untuk mendeteksi hubungan atau asosiasi antara nilai-nilai tertentu dari variabel kategori dalam set data yang besar, sebagian besar proyek data mining telah berurusan dengan memverifikasi konsep, data mining yang sebenarnya dalam penelitian ini untuk berkonsentrasi pada pemecahan masalah menggunakan database dinamis data mining. Pawlak dan Skowron (2007), memperlihatkan bahwa teori Rough set telah menghasilkan banyak aplikasi yang menarik dan ekstensi, pendekatan set secara fundamental penting dalam kecerdasan dan kognitif ilmu buatan, terutama di daerah penelitian seperti pembelajaran mesin, sistem cerdas, penalaran induktif, pengenalan pola, mereologi, penemuan pengetahuan, keputusan sistem analisis, dan ahli. Berbagai metode yang digunakan untuk generasi aturan keputusan, reducts perhitungan dan variabel, metodologi berdasarkan discernibility dan penalaran boolean untuk perhitungan efisien entitas yang berbeda termasuk reducts dan keputusan aturan, secara khusus, telah menunjukkan bahwa pendekatan rough set dapat digunakan untuk sintesis dan analisis pendekatan konsep dalam lingkungan terdistribusi. Alat kontrasepsi sangat berguna dalam program KB, akan tetapi tidak semua alat kontrasepsi cocok dengan kondisi setiap orang. Setiap pribadi harus bisa memilih alat kontrasepsi yang cocok untuk dirinya. Untuk memilih metoda atau alat kontrasepsi tidak mudah karena belum mengetahui tentang efek sebelum menggunakannya. Tidak semua metode atau alat kontrasepsi cocok untuk setiap tubuh, untuk itu dibutuhkan keterampilan yang tepat untuk memahami dan tepat dalam pemilihan metode atau kontrasepsi yang akan digunakan. Alat kontrasepsi adalah untuk mencegah terjadinya kehamilan yang sifatnya bisa sementara atau permanen. Berdasarkan latar belakang tersebut penulis berkeinginan melakukan penelitian dengan menuangkannya dalam sebuah tesis dengan judul : DATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA (STUDI KASUS : DI BKKBN KOTA PADANG). 1.1 PERUMUSAN MASALAH Berdasarkan latar belakang di atas, maka masalah yang akan dibahas oleh penulis adalah sebagai berikut: Data Mining Rough Set Dalam Menentukan Pilihan Alat... 33
2 1. Bagaimana menentukan kriteria pemilihan alat kontrasepsi yang tepat? 2. Bagaimana menerapkan Data Mining menggunakan metoda Rough Set dalam menentukan alat kontrasepsi yang tepat pada wanita? 3. Bagaimana menentukan pemilihan alat kontrasepsi pada Rosetta? 1.2 Batasan Masalah Agar masalah yang akan dibahas tidak meluas dan tujuan dari penelitian ini tidak menyimpang dari pemahaman serta pembahasan yang terlalu luas, maka penulis mencoba memberikan batasan masalah antara lain yaitu: 1. Metode Rough Set dipakai untuk menganalisis pemilihan alat kontrasepsi pada wanita dan mendapatkan hasil. 2. Data hasil pelayanan KB merupakan data rill yang meliputi umur, jumlah anak dan status peserta 3. Tools yang digunakan di dalam pengolahan data adalah Rosetta. 1.3 Tujuan Penelitian Tujuan penelitian ini adalah: 1. Untuk mengetahui tingkat pemilihan alat kontrasepsi di BKKBN kota Padang. 2. Menganalisa setiap karateristik data hasil pelayanan KB yang telah diperoleh dari BKKB kota padang. 3. Merancang sebuah rule atau aturan Data Mining sesuai dengan parameter parameternya. 4. Menguji Decision System tersebut untuk mendapatkan pengetahuan baru dari proses ekstraksi menggunakan Tools yang ada. 1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini adalah sebagai referensi untuk pengembangan ilmu dalam Data mining khususnya dalam menentukan pemilihan alat kontrasepsi yang tepat. 2. LANDASAN TEORI 2.1 Definisi Data Mining Data mining merupakan salah satu langkah dari knowledge discovery yang digunakan untuk menemukan informasi atau pengetahuan yang tersembunyi dari faktafakta pada suatu basis data yang berskala besar. Data mining didefenisikan sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar (Prasetyo, 2006). Pada jurnal internasional data mining didefenisikan pendekatan secara luas digunakan untuk tranformasi data dan berguna untuk pola, membantu pengetahuan komprehensif dari informasi domain beton. Namun demikian data tradisional teknik pertambangan mengalami kesulitan pada aplikasi mereka pada skenario saat ini, karena kompleksitas disebutkan sebelumnya (Robles, dkk. 2008). Istilah data mining dan knowledge discovery in database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basisdata yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lainnya, dan salah tahapan dalam proses KDD adalah data mining. Proses KDD secara garis besarnya dapat dijelaskan sebagai berikut (Kusrini dan Luthfi, 2009): a. Data Selection, pemilihan data baru sekumpulan data operasional perlu dilakukan tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang digunakan untuk proses data Mining, disimpan dalam suatu berkas, terpisah dan berbasis data operasional. b. Pre-processing/Clearing, sebelum dilakukan proses data mining perlu dilaksanakan proses data cleaning yang mencakup antara lain membuang duplikasi data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipograph), juga dilakukan proses enrichment, yaitu proses mempekaya data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. Permasalahan semi terstruktur berada antara masalah yang terstruktur dengan masalah yang tidak terstruktur yang terdiri dari beberapa elemen terstruktur dan elemen tidak terstruktur. c. Transformation coding, adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. d. Data mining, adalah proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dan suatu kumpulan data dengan menggunakan metoda tertentu. Data Mining Rough Set Dalam Menentukan Pilihan Alat... 34
3 e. Interpretation/Evaluation, pola informasi yang dihasilkan dan proses data mining, perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. Adapun pengelompokan data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Susanto dan Suryadi, 2009) : 1. Deskripsi Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data. 2. Estimasi Estimasi hampir sama dengan klasifikasi kecuali variabel target estimasi lebih kearah numerik dari pada ke arah kategori. 3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada dimasa mendatang. 4. Klasifikasi Dalam klasifikasi terdapat target variabel kategori. Sebagai contoh penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu pendapatan tinggi, pendapatan sedang dan pendapatan rendah. 5. Pengklusteran Pengklusteran merupakan pengelompokan record, pengamatan atau memperhatikan dalam bentuk kelas objek objek yang memiliki kemiripan. 6. Aosiasi Tugas asosiasi dalam data mining adalah menemukan atribute yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja Metode Rough Set Rough Set adalah salah satu metoda Data Mining yang akan digunakan untuk memecahkan masalah yang peneliti gunakan. Teori Rough Set yang pertama kali dipublikasikan tahun 1982 oleh Zdzislaw Pawlak, berada dalam keadaan konstan pembangunan. Kutipan dari sebuah jurnal proses reduksi parameter dalam teori rough set dapat memilih parameter mana yang dianggap penting sesuai dengan nilai quality of service sehingga dari sekian banyak parameter akan terpilih parameter yang akan dijadikan bobot dalam topologi, hal ini akan mengurangi beban CO yang akan mengoptimalkan proses routing dalam jaringan (Saindra dan Pulungan, 2012). Kutipan dari sebuah jurnal internasional, mengatakan pendekatan teori rough set dapat digunakan untuk fundamental dalam kecerdasan dan kognitif ilmu buatan, terutama di daerah penelitian seperti pembelajaran mesin, sistem cerdas, penalaran induktif, pengenalan pola, mereologi, penemuan pengetahuan, keputusan, sistem analisis, dan ahli dan pendekatan konsep dalam lingkungan terdistribusi, teori fuzzy, teori bukti, metode penalaran Boolean, metode statistic (Andrzej Skowron, 2006). Dalam Rough Set kumpulan objek disebut sebagai information system (SI), dari SI tersebut objek-objekdiklasifikasikan ke dalam area-area tertentu yang disebut sebagai Lower approximation,bouddary region, dan autslide region. Dari pegelompokkan area tersebut, dapat dilakukan dipendensi antar atribut, reduksi atribut, rule generation sehingga dapat diperoleh rule dari data set yang digunakan. Teknik Artificial Intelligent Rough Set merupakan suatu teknik yang cocok digunakan, dengan teknik Artificial Intelligent Rough Set ini akan ditemukan suatu Knowledge yang dapat digunakan dalam pengambilan suatu keputusan, dengan melakukan tahapan tahapan KDD yang terdiri dari data selection, data cleaning, data transformation, data mining dan evaluation Langkah-langkah Teknik Rough Set Setelah data didapatkan langkahlangkah untuk menghasilkan knowledge dengan metode rough set dijelaskan pada sub bab berikut Information System Dalam rough set, sebuah set data direpresentasikan sebagai sebuah tabel, dimana baris dalam tabel merepresentasikan objek dan kolom-kolom merepresentasikan atribut dari objek-objek tersebut. Tabel tersebut disebut dengan information system yang dapat digambarkan sebagai berikut : IS = {U,A} Di mana U adalah set terhingga yang tidak kosong dari objek yang disebut dengan universe dan A setter hingga tidak kosong dari atribut di mana: Data Mining Rough Set Dalam Menentukan Pilihan Alat... 35
4 a: U V a untuk tiap a A. Set Va disebut value set dari a. U={e 1, e 2,, e m} merupakan sekumpulan example dan A={a 1, a 2,, a n} yang merupakan attribute kondisi secara berurutan. Contoh Information Systems dapat Decision System Dalam penggunaan information system, terdapat outcome dari klasifikasi yang telah diketahui yang disebut dengan atribut keputusan.information system tersebut disebut dengan Decision system. Decision system dapat digambarkan sebagai: IS=(U,{A,C}) Di mana : U = {x1, x2,..., xm} yang merupakan sekumpulan example. A ={a, a2,..., an} yang merupakan sekumpulan attribute kondisi secara berurutan atau attribute. C = Decision attributes (keputusan) Equivalence Class Equivalence class adalah mengelompokan objek-objek yang sama untuk attribute A (U, A). kita dapat memperoleh equivalence class (EC 1-EC 5) Discernibility Matrix atau Discernibility Matrix Modulo D Definisi Discerniblity Matrix: Diberikan sebuah IS A=(U,A) and B A, discernibility matrix dari A adalah MB, dimana tiap-tiap entry MB(I,j) tediri dari sekumpulan attribute yang berbeda antara objek X i dan X j. Selain menerapkan discernibility matrix di atas juga dapat menggunakan Discernibility Matrix Modulo D. Didefinisikan seperti berikut dimana MB(I,j) adalah sekumpulan atribute yang berbeda antara objek X i dan X j dan juga berbeda attribute keputusan. Diberikan sebuah DS A=(U,A{d{) dan subset dari attribute B A, discernibility matrix modulo D dari A, MBd Reduct Calculation Reduct adalah penyeleksian atribut minimal (interesting attribute) dari sekumpulan attribut kondisi dengan menggunakan Prime Implicant fungsi Boolean. Kumpulan dari semua Prime Implicant mendeterminasikan sets of reduct Generating Rules Generating Rules adalah suatu metoda Rough Set untuk menghasilkan rules/knowledge berdasarkan equivalence class dan reduct. Generating rules dapat juga dikatakan sebagai suatu algoritma dari Data Mining, yang mana nantinya dari proses generating rules ini akan dihasilkan suatu rules / knowledge yang dapat digunakan dalam sebuah pengambilan keputusan. Generating rules yaitu metode rough set untuk menghasilkan rules/knowledge berdasarkan equivalence class dan reduct Kontrasepsi Kontrasepsi berasal dari kata kontra berarti mencegah atau melawan, sedangkan konsepsi adalah pertemuan antara sel telur (sel wanita) yang matang dan sel sperma (sel pria) yang mengakibatkan kehamilan. Maksud dari kontrasepsi adalah menghindar dan mencegah terjadinya kehamilan sebagai akibat pertemuan antara sel telur yang matang dengan sel sperma tersebut. Cara kerja kontrasepsi bermacam-macam tetapi pada umumnya mempunyai fungsi mengusahakan agar tidak terjadi ovulasi, melumpuhkan sperma, menghalangi pertemuan sel telur dengan sperma. Kontrasepsi yang ideal harus dapat bekerja dalam waktu yang tahan lama, mempunyai efektifitas yang tinggi, aman, mudah dalam menggunakan dan melepaskannya dan memiliki beberapa atau tidak sama sekali efek samping Sekilas Tentang BKKBN BKKBN merupakan kepanjangan dari Badan Kependudukan dan Keluarga Berencana Nasional, dalam rangka peningkatan kualitas pelayanan, berbagai upaya telah dilakukan oleh BKKBN dalam meningkatkan pelayanan kontrasepsi, terutama sejak tahun Dalam ber KB merupakan instrumen pokok kualitas pelayanan yang menjadi prioritas BKKBN. Paradigma baru program keluarga berencana nasional telah diubah visinya dari mewujudkan NKKBS menjadi visi mewujudkan Keluarga Berkualitas Tahun Keluarga yang berkualitas adalah keluarga yang sejahtera, sehat, maju, mandiri, memiliki jumlah anak yang ideal, berwawasan ke depan, bertanggung jawab, harmonis, dan bertaqwa kepada Tuhan Yang Maha Esa. Data Mining Rough Set Dalam Menentukan Pilihan Alat... 36
5 3. HASIL DAN PEMBAHASAN Analisa Sistem Yang Sedang Berjalan Pada tahapan ini merupakan gambaran proses analisa suatu masalah dan gambaran dari penerapan metode untuk memecahkan masalah yang dihadapi. Untuk menunjang analisis data dalam pencarian knowledge, penulis mencoba untuk mentransformasi data manual yang terdapat pada BKKBN kota Padang tersebut ke dalam bentuk Microsoft Excel. Kemudian dalam melakukan uji analisis, sistem yang dipakai adalah Rosetta. Arsitektur Sistem Di dalam data mining terdapat beberapa teknik pengolahan data agar data yang diolah lebih bermanfaat atau mempunyai nilai pengetahuan, salah satunya adalah metoda Rough Set. teknik metode rough set terdapat beberapa langkah-langkah penyelesaian masalah sebagai berikut : 1. Decision System tersebut dilakukan teknik klasifikasi kreteria yang disebut Equivalence Class 2. Kemudian dilakukan proses Discernibility Matrix atau Discernibility Matrix Modulo D 3. Proses Reduction 4. Untuk memperoleh hasil akhir dilakukan proses General Rules. Dengan ke empat teknik atau langkah-langkah di atas dapat diperoleh hasil analisa dari kemungkinan yang terjadi di setiap kriteria atau data mining. Pengumpulan Data Metode pengumpulan data dilakukan dengan cara melakukan pengamatan langsung ke BKKBN kota Padang. Selain pengamatan, juga dilakukan wawancara kepada pihakpihak yang terkait dengan penelitian ini. Juga melakukan pengambilan sampel database masyarakat untuk menunjang penelitian ini. Data Hasil Pelayanan KB Pra Proses Sebelum dilakukan pengolahan data berdasarkan variabel yang digunakan, data yang telah diperoleh harus dibuat dalam klasifikasi. Hal ini dilakukan karena seluruh data nilai yang akan digunakan dalam bentuk angka yang nilainya bervariasi antara satu dengan yang lain. Berikut adalah data nilai yang akan digunakan dalam proses pengolahan. Setelah data tersedia akan dilakukan pra-proses dengan mengklasifikasikan atribut umur dan jumlah anak ke dalam kelas-kelas. Pembagian atribut tersebut ke dalam kelas-kelas akan menggunakan Algoritma Maximal Dicernibility (MD) Heuristic dengan tahapan sebagai berikut: 1. Bentuk Set Of Cuts Terdapat 2 buah atribut data yang akan diolah yaitu proses umur (a(u)), proses jumlah anak (b(u)). a(u) = {20,25,26,27,28,30,32,36,37,40,41,42,44,46} b(u) = {1,2,3,4,5,9} VB(A) = {Pa1,Pa2,Pa3,Pa4,Pa5,Pa6, Pa7, Pa8, Pa9, Pa10,Pa11,Pa12,Pa13 Pb1, Pb2, Pb3,Pb4,Pb5} Dimana nilai variabel Set of Cuts tertera pada tabel Variabel Set of Cuts 1. Membentuk Discernibility Formula Sebelum dilakukan proses Discernibility Formula, terlebih dahulu datatersebut harus dirubah menjadi suatu Decision System, di mana ditentukan terlebih dahulu atribut kondisi dan atribut keputusan, sebagaimana diperlihatkan pada tabel Data Mining Rough Set Dalam Menentukan Pilihan Alat... 37
6 Sampel Decision System Dari Setiap Atribut dengan memasukkan seluruh data yang mempunyai atribut hasil dengan nilai 1 dan sisanya merupakan data dengan atribut hasilnya adalah Membentuk Tabel Representasi dari Discernibility Formula. Dari hasil perhitungan Discernibility Formula pada tabel 4.5, selanjutnya membuat tabel representasi. Cara pembuatan tabel ini adalah dengan memberikan angka 1 pada variabel Set of Cut yang terbentuk pada setiap baris Discernibility Formula, sebagaimana yang akan ditunjukkan pada tabel 4.6. Pada tabel 4.3, kolom a dan b adalah atribut kondisi, sedangkan kolom d adalah atribut keputusan. Atribut keputusan ini bernilai 1 dan 0, di mana acuan penilaian tersebut dari tabel 4.3 yaitu apabila hasil = Pil maka bernilai 1 sedangkan apabila hasil = suntik maka bernilai 0. Dalam proses pembentukan Discernibility Formula, akan diambil sampel data sesuai dengan data pada tabel 4.3. adapun data tersebut dapat dilihat pada tabel Sampel Decision System Untuk Discernibility Formula Sampel Decision System Untuk Discernibility Formula (lanjutan) 4. Hapus Kolom Dengan Jumlah Angka 1 Paling Banyak Berdasarkan data pada tabel 4.6 jumlahkan nilai 1 pada setiap kolom lalu pilih kolom dengan jumlah nilai 1 yang paling banyak hapus kolom tersebut dan baris yang mempunyai nilai 1 pada kolom yang dihapus, ulangi proses hingga seluruh angka 1 pada tabel kosong. Selama proses penghapusan kolom, maka catat urutan penghapusan kolom tersebut. 5. Tulis Urutan Penghapusan Kolom Setelah proses pada tahapan 4 selesai dilakukan, maka diperoleh urutan penghapusan kolom variabel Set of Cuts. Adapun urutan penghapusan kolom yaitu : Pa12, Pb1, Pb2. Adapun nilai dari setiap variabel Set of Cuts tersebut adalah: Pa12 = ( ) / 2 = 43 Pb1 = (1 + 2) / 2 = 1,5 dibulatkan menjadi 2 Pb2 = (2 + 3) / 2 = 2.5 dibulatkan menjadi Klasifikasi Variabel Berdasarkan hasil perhitungan menggunakan algoritma MD Heuristic, maka diperoleh klasifikasi untuk masing-masing variabel. Adapun klasifikasi variabel adalah sebagai berikut 1. Klasifikasi Umur Hasil proses menggunakan algoritma MD Heuristic diperoleh bahwa klasifikasi variabel umur (a(u)) adalah Pa12 = 43, Data tabel 4.4 menunjukkan sebagian data yang akan digunakan untuk proses pembentukan Discernibility Formula dimana 2. Klasifikasi Jumlah Anak Hasil proses menggunakan algoritma MD Heuristic diperoleh bahwa klasifikasi variabel Jumlah Umur (b(u)) adalah Pb1 = 2, Pb = 3, Data Mining Rough Set Dalam Menentukan Pilihan Alat... 38
7 4.5 Penerapan Metode Rough Set Rough Set menawarkan dua bentuk presentasi data yaitu : Information System (IS) dan Decision System (DS). Decision System adalah sebuah pasangan Information System, di mana U anggota bilangan n dan yang merupakan sekumpulan example dan atribute kondisi secara berurutan. Definisi di atas memperlihatkan bahwa sebuah Information System yang terdiri dari sekumpulan example, seperti { Anggota 01, Anggota 02, dan Anggota bilangan m } dan atribut kondisi seperti kondisi awal. Berikut ini adalah contoh analisa penerapan metode Rough Set. Adapun studi kasus yang diangkat berdasarkan penelitian yaitu : Data Mining Rough Set Dalam Menentukan Pilihan Alat Kontrasepsi Pada Wanita. Algoritma penyelesaian masalah dari metode rough set yaitu sebagai berikut : 1. Informasi System merupakan data awal yang akan diproses yang akhirnya diperoleh sebuah engetahuan baru yang berasal dari proses reduction. 2. Decision System Decision System merupakan Information System yang telah memilki keputuasan atau hasil berdasarkan asumsi yang telah memenuhi syarat dan ketentuan berdasarkan atributnya. Berikut ini adalah tabel Decision System dari masyarakat pada data BKKBN kota Padang yang menjadi objek penelitian. 3. Equivalence Class Equivalence Class adalah mengelompokkan objek-objek yang yang memiliki atribute berbeda untuk setiap barisnya, sedangkan attribut yang memilik nilai yang sama untuk barisnya akan ditulis hanya sekali, adapun atribut yang dipilih adalah umur, jumlah anak dan status peserta. 4. Discernibility Matrix atau Discernibility Matrix Modulo D Setelah dilakukan pengelompokkan atau klasifikasi menggunakan Equivalance Class, langkah selanjutnya untuk menganalisa data tersebut adalah dengan salah satu proses antara Discernibility Matrix atau Discernibility Matrix Modulo D. 5. Reduction Untuk data yang jumlah variabel yang sangat besar sangat tidak mungkin mencari seluruh kombinasi variabel yang ada, karena jumlah Indiscernibility yang dicari = (2 n-1-1). Oleh karena itu dibuat satu teknik pencarian kombinasi atribut yang dikenal dengan Quik reduction dengan cara: a. Nilai indiscernibility yang pertama dicari adalah Indiscernibility untuk kombinasi atribut yang terkecil yaitu 1 b. Kemudian lakukan proses pencarian dependency atributes. Jika nilai dependency atributes yang didapat = 1 maka indiscernibility untuk himpunan minimal variabel adalah variabel tertentu. c. Jika pada proses pencarian kombinasi atribut tidak ditemukan dependency atributes = 1, maka lakukan pencarian kombinasi yang lebih besar, dimana kombinasi variabel yang dicari adalah kombinasi dari variabel yang dicari adalah kombinasi dari variabel di tahap sebelumnya yang nilai dependency atributes paling besar, lakukan proses (3), sampai didapatkan nilai dependency atributes = 1 Berdasarkan hasil yang diperoleh dari proses Dicernibility Matrix berikut ini adalah proses Reduction-nya : EC1 = (B C) (B) (C) (A B) = BB + BC (C) (A B) = B (1+ C) AC + BC = B AC + BC ={B}, {A,C}, {B,C} EC2 = (B C) (C) (B) (A C) = BC + CC (B) (A C) = C (1+B) (B) (A C) = C AB + BC = {C}, {A,B}, {B,C} EC3 = (B) (C) (B C) (A) = (B) BC + CC (A) = (B) C (1+B) (A) = (B) C (A) = A, B, C = {A,B,C} EC4 = (C) (B C) (A B C) = BC + CC (A B C) = C (1+B) (A B C) = C (A B C) = AC + BC + CC = AC + C (1+B) = AC + C = C (1+A) = C EC5 = (C) (B) (B C) (A B C) = (C) BB + BC (A B C) = (C) B (1+C) (A B C) = C B (A B C) = C AB + BB + BC = C B (1+A) + BC = C B + BC Data Mining Rough Set Dalam Menentukan Pilihan Alat... 39
8 EC6 EC7 = C B (1+C) = C B = B C = {B,C} = (A B) (A C) (A) (A B C) = (A B) AA + AC (A B C) = (A B) A (1+C) (A B C) = (A B) A (A B C) = AA + AB (A B C) = A (1+B) (A B C) = A (A B C) = AA + AB + AC = A (1+B) + AC = A + AC = A (1+C) = A = {A} = (B C) (B) (A B C) = BB + BC (A B C) = B (1+C) (A B C) = B (A B C) = AB + BB + BC = B (1+A) + BC = B + BC = B (1+C) = B Teknik Pengujian Proses pengujian dilakukan untuk mendapatkan data mengenai pemilihan alat kontrasepsi yang tepat pada wanita yaitu Suntik atau Pil pada BKKBN kota Padang menggunakan alat bantu prangkat lunak Rosetta. Proses analisa terhadap wakil kepala sekolah yang diketegorikan Suntik atau Pil menggunakan metode Rough Set, dimana metode tersebut digunakan untuk menentukan pilihan terhadap alat kontrasepsi yang tepat yaitu suntik atau pil pada BKKBN kota Padang yang diambil sebagai sampel berdasarkan atribut dan karateristiknya. Knowledge Yang Dihasilkan Adapun knowledge atau pengetahuan yang baru di hasilkan dari penelitian ini yaitu sebagai berikut: If umur < 43 = 1 And jumlah anak 2 3 = 2 And status peserta = jamkesmas => hasil suntik or pil. 3 = 3 And status peserta = jamkesmas => hasil suntik or pil. 3 = 3 And status peserta = pribadi => hasil suntik or pil. If umur < 43 = 1 And jumlah anak 2-3 = 2 And status peserta = askes => hasil suntik. If umur 43 = 2 And jumlah anak 2-3 = 2 And status peserta = jamkesmas => hasil suntik. If umur < 43 = 1 And jumlah anak 2-3 = 2 And status peserta = pribadi => hasil suntik or pil. If umur 43 = 2 And jumlah anak > 3 = 3 And status peserta = jamkesmas => hasil pil or suntik. 2 = 1 And status peserta = pribadi => hasil pil or suntik. 2 = 1 And status peserta = jamkesmas => suntik. If umur 43 = 2 And jumlah anak 2-3 = 2 And status peserta = pribadi => suntik. 2 = 1 And status peserta = askes => pil. If jumlah anak 2 3 = 2 And status peserta = jamkesmas => suntik or pil. If jumlah anak > 3 = 3 And status peserta = jamkesmas => suntik or pil. If jumlah anak > 3 = 3 And status peserta = pribadi => suntik or pil. If jumlah anak 2-3 = 2 And status peserta = askes => suntik. If jumlah anak 2-3 = 2 And status peserta = pribadi => suntik or pil. If jumlah anak > 2 = 1 And status peserta = pribadi => pil or suntik. If jumlah anak > 2 = 1 And status peserta = jamkesmas => suntik. If jumlah anak > 2 = 1 And status peserta = askes => pil. Hasil Pengujian Knowledge di atas menunjukkan terdapat 19 (sembilan belas) rule atau pengetahuan baru yang dihasilkan. Berdasarkan analisa yang saya lakukan, ada 2(dua) atribut yang sangat menentukan pilihan alat kontrasepsi yang tepat yaitu umur dan jumlah anak. Umur sangat menentukan, karena apabila telah melewati komposisi yang telah di atur, maka peserta KB yang bersangkutan akan sulit menentukan alat kontrasepsi yang tepat. Evaluasi Sistem Pada awal penelitian ini, telah dijelaskan menjadi salah satu point penting yang menjadi permasalahan atau kendala yang timbul adalah menentukan pilihan terhadap alat kontrasepsi yang tepat. Sistem Yang Lama Di dalam sistem yang lama, pencarian informasi terhadap peserta KB yang suntik atau pil mengalami kesulitan. Terutama di dalam identifikasi awal pemilihan suntik dan Data Mining Rough Set Dalam Menentukan Pilihan Alat... 40
9 pil, pihak BKKBN dengan memanfaatkan sistem belum menemukan formula atau komposisi yang tepat. Jadi berdasarkan permasalahan yang ada dan telah dijelaskan pada bab sebelumnya perlu adanya sebuah kajian dan solusi untuk memecahkan masalah tersebut di atas. Sistem Yang Baru Ada beberapa manfaat yang dirasakan sejak adanya sistem pengolahan data mining menggunakan Rough Set sebagai metode pemecahan masalah dan Rosetta sebagai software atau tools untuk menguji data dan menghasilkan parameter yang menentukan keputusan suntik atau pil serta knowledge baru yang dihasilkannya yaitu sebagai berikut: 1. Pencarian Informasi Pada sistem proses pencarian informasi menggunakan tools Rosetta lebih mudah karena kita di bantu pada proses klasifikasi data peserta KB sesuai dengan atribut yang dimiliki oleh setiap peserta KB. 2. Knowledge Yang Dihasilkan Dengan memanfaatkan tools Rosetta, knowledge yang di hasilkan dapat terlihat dengan jelas, baik parameter penentu yang disebut dengan Reduct dan juga kita dapat mengetahui General Rules-nya per objek penelitian lebih terperinci. 4. KESIMPULAN Berdasarkan hasil penulisan dari bab-bab sebelumnya, maka dapat diambil kesimpulan yang nantinya berguna bagi para pembaca sehingga penulisan tesis ini dapat lebih bermanfaat. Adapun kesimpulan tersebut adalah sebagai berikut : 1. BKKBN kota Padang dapat terbantu dalam menganalisa peserta KB yang memilih suntik dan pil berdasarkan kriteria - kriteria yang ada. 2. BKKBN kota Padang dapat mengklasifikasikan peserta KB yang ada, serta membedakan antara peserta KB yang suntik dan peserta yang pil pada data yang ada. 3. Metode Rough Set ini dapat diimplementasikan ke dalam sistem untuk menentukan pilihan peserta KB yang suntik dan pil. Herawati, Fajar Astuti. (2013). Data Mining. Yogyakarta. Andi. Kusrini dan Emha Taufiq Lutfi. (2009). Algoritma Data Mining Yogyakarta. Andi. Yiyu Yao and Yaohua Chen. (2006). Rough Set Approximations in Formal Concept Analysis Department of Computer Science, University of Regina Regina, Saskatchewan, Canada S4S 0A2. Sarjon Defit. (2007). Peranan Diskretisasi Data Dalam Menambang Rule Asosiasi Dari Databese Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI). Susanto, Sani dan Dedy Suryadi. (2010). Pengantar Data Mining: Menggali Pengetahuan Dari Bongkahan Data. Yogyakarta. Andi. Zdzisław Pawlak, Andrzej Skowron (2007). Rudiments of rough sets. Institute of Mathematics, Warsaw University, Banacha 2, Warsaw, Poland. Gede Saindra, Reza Pulungan (2012). Reduksi Parameter Quality-Of-Service Menggunakan Rough-Set-Theory Dalam Simulasi Routing Algoritma Dijkstra. IJCCS, Vol.6, No.1, January Marıa S. Perez, Alberto S anchez, Victor Robles, Pilar Herrero, Jose M. Pena (2008). Design and implementation of a data mining grid-aware architecture. Widodo, Prabowo Pudjo et.al. (2013). Penerapan Data Mining Dengan Matlab. Bandung. Rekayasa Sains. Sunjana. (2010). APLIKASI MINING DATA MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE. Seminar Nasional Aplikasi Teknologi Informasi 2010 (SNATI 2010). DAFTAR REFERENSI Deshpande and Thakare. (2010). Data Mining System And Applications: a review International Journal of Distributed and Parallel systems (IJDPS) Vol.1, No.1, September Data Mining Rough Set Dalam Menentukan Pilihan Alat... 41
METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA. Yanti Yusman 1 ABSTRACT
METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA Yanti Yusman 1 ABSTRACT In the process of research to see which type of housing most in demand according
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN
PENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN EMAIL Ratih Puspasari1) 1) Manajemen Informatika Universitas Potensi Utama Jl.K.L. Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia Medan Email : puspasariratih21@yahoo.com1)
Lebih terperinciANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG
ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG Helmi Kurniawan Jurusan Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos
Lebih terperinciANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water)
ANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water) Tania Dian Tri Utami 1, Dedy Hartama 2, Agus Perdana Windarto
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciAPLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA)
APLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA) Muhammad Romi Syahputra Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar
Lebih terperinciANALISIS KINERJA DOSEN STMIK IBBI DENGAN MENGGUNAKAN METODE ROUGH SET
ANALISIS KINERJA OSEN STMIK IBBI ENGAN MENGGUNAKAN METOE ROUGH SET edy Hartama 1), Hartono 2) 1), 2) Program Studi S-3 Ilmu Komputer, Universitas Sumatera Utara Medan, Indonesia Jalan Alumni No 9 Kampus
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining (DM) Data mining adalah proses menambang (mining) pengetahuan dari sekumpulan data yang sangat besar (Han & Kamber 2006). Menurut Connolly dan Begg, 2005. Data mining
Lebih terperinciLiza Efriyanti* Keywords: Artificial Intelligent Rough Sets, Decision Making System, DSS, Rosetta
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI BARANG- BARANG OPERASIONAL LABORATORIUM KOMPUTER STT PAYAKUMBUH Liza Efriyanti* Abstract: The
Lebih terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENGANALISA LABA/RUGI PADA SUATU PERUSAHAAN DISTRIBUTOR (STUDI KASUS : USAHA KITA PS PAYAKUMBUH)
IMPLEMENTASI METODE ROUG SET UNTU MENGANALISA LABA/RUGI PADA SUATU PERUSAAAN DISTRIBUTOR (STUDI ASUS : USAA ITA PS PAYAUMBU) M.Ardiansyah Sembiring *1), Zulfi Azhar 2) Program Studi Sistem Informasi, STMI
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014 ISSN :
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI PENJUALAN BARANG PADA TOKO SILUNGKANG ART CENTRE PADANG Ilmawati, S.Kom, M.Kom, Fakultas Ilmu
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 terperinciPERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK
SNTIKI III 20 ISSN : 2085-02 PERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK Novi Yanti Universitas Islam Negeri Sultan Syarif Kasim Riau Kampus Raja Ali Haji, Jl. HR
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 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
Lebih terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
Lebih terperinciJ. Informatika AMIK-LB Vol.2 No. 1/Januari/2014
IMPLEMENTASI DATA MINING ROUGH SET DALAM MENENTUKAN TINGKAT KERUSAKAN ALAT DAN BAHAN KIMIA (STUDI KASUS DI LABORATORIUM RESEP SMK S-16 FARMASI BENGKULU) Oleh : Marnis Nasution, S.Kom, M.Kom Dosen Prodi
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
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 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 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 terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih 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 terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
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 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Data Mining Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan
Lebih terperinciImplementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah
Implementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah Muhamad Jamaris Program studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Amik
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 terperinciPENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK
PENERAPAN DATA MINING UNTUK MENDISKRIPSIKAN TINGKAT KREDIT BERMASALAH PADA BANK Rizky Fajar Nugraha Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang ABSTRAK Pertumbuhan yang pesat dari akumulasi
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 terperinciPrediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set
TEKNOSI, Vol. 02, No. 01, April 2016 1 Prediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set Karmila Suryani* Jurusan Pendidikan Teknik Informatika
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 terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciData Mining : Klasifikasi Menggunakan Algoritma C4.5
Data Mining : Klasifikasi Menggunakan Algoritma C4.5 Yuli Mardi Dosen Akademi Perekam dan Informasi Kesehatan (APIKES) Iris Padang Jl. Gajah Mada No. 23 Padang, Sumatera Barat adimardi@yahoo.com ABSTRAK
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 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 terperinciDATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA
DATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA Muhammad Lukman Hakim dan Muhammad Rusli Staf Pengajar AMIK INTeL Com GLOBAL INDO ABSTRAK Data Mining adalah serangkaian
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 terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014 ISSN :
ALGORITMA C4.5 DALAM MENGANALISA KELAYAKAN KREDIT(STUDI KASUS DI KOPERASI PEGAWAI REPUBLIK INDONESIA (KP-RI) LENGAYANG PESISIR SELATAN, PAINAN, SUMATERA BARAT) Shary Armonitha Lusinia, S.Kom, M.Kom, Fakultas
Lebih 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 Sistem Informasi (Journal of Information Systems). 2/13 (2017), DOI:
Jurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), 97-102 DOI: http://dx.doi.org/10.21609/jsi.v13i2.553 EFEKTIVITAS PELATIHAN SERTIFIKASI KOMPUTER DASAR MENGGUNAKAN TEORY ROUGH SET
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 terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN DATA NASABAH POTENSIAL MENDAPATKAN PINJAMAN
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 015) Universitas Putra Indonesia YPTK Padang - 3 Oktober 015 Vol. 1, Oktober 015 ISSN : 460 4690 IMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN
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 terperinci3.1 Metode Pengumpulan Data
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data Sebuah penelitian memerlukan pengumpulan data dan metode pengumpulan data karena sangat berpengaruh terhadap akurasi dan kualitas data yang digunakan
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2012 (SNATI 2012) ISSN: 1907-5022 Yogyakarta, 15-16 Juni 2012 PENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU Mardiani
Lebih terperinciMateri 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
Lebih terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih terperinciPENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU
PENERAPAN KLASIFIKASI DENGAN ALGORITMA CART UNTUK PREDIKSI KULIAH BAGI MAHASISWA BARU Mardiani Jurusan Sistem Informasi, STMIK MDP Palembang Jln. Rajawali No.14 Palembang 30113 Telp. (0711) 376400, Faks.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peminatan siswa SMA Negeri 8 Bandung dilakukan di kelas X SMA setelah tahap daftar ulang. Hal tersebut berdasarkan aturan kurikulum 2013 [11]. Peminatan merupakan hal
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciPENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT
Jurnal Komputer dan Informatika (KOMPUTA) 53 PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT Angga Ginanjar Mabrur [1], Riani Lubis [2] 1,2 Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciProgram Studi Sistem Informasi, STMIK Triguna Dharma
Sains dan Komputer (SAINTIKOM) Vol.17, No.1, Februari 2018, pp. 01~07 ISSN: 1978-6603 1 Penerapan Data Mining Dalam Memprediksi Tingkat Kelulusan Uji Kompetensi (UKOM) Bidan Pada STIKes Senior Medan Dengan
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. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih terperinciPEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI
PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI Fana Wiza Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Lancang Kuning
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Bencana kebakaran dapat terjadi dimana saja dan kapan saja, misalkan terjadi di area tempat tinggal, di tambang atau di hutan. Untuk kebakaran hutan, kerugian yang
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciIMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI
IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menerapkan metode clustering dengan algoritma K-Means untuk penelitiannya.
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu cara untuk mengetahui faktor nilai cumlaude mahasiswa Fakultas Teknik Universitas Muhammadiyah Yogyakarta adalah dengan menerapkan
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 terperinciPENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG
PENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG Sri Mulyati 1) 1 Pascasarjana, Universitas Putra Indonesia YPTK Padang e-mail: mulyati.sri52@gmail.com Abstrak
Lebih terperinciKOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN. Andi Nurhayati 1, Andi Baso Kaswar 2
KOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN Andi Nurhayati 1, Andi Baso Kaswar 2 1),2) Teknik Informatika Universitas Cokroaminoto Palopo Jl Latammacelling
Lebih terperinciSurmayanti 1, Hari Marfalino 2, Ade Rahmi 3 Fakultas Limu Komputer Universitas Putra Indonesia YPTK Padang
PENERAPAN ANALYSIS CLUSTERING PADA PENJUALAN KOMPUTER DENGAN PERANCANGANAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA K-MEANS (STUDY KASUS TOKO TRI BUANA KOMPUTER KOTA SOLOK) Surmayanti 1, Hari Marfalino
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Mining Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya memiliki ketepatannnya masing-masing.
Lebih terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih 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 terperinciBAB 3 METODE PENELITIAN. Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain :
BAB 3 METODE PENELITIAN 3.1 Instrumen Penelitian Bahan dan peralatan yang dibutuhkan dalam penelitian ini antara lain : 3.1.1 Bahan Bahan yang digunakan dalam penelitian ini yaitu data siswa kelas SMA
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING
ANALISIS ASSOCIATION RULES ALGORITMA APRIORI PENJUALAN KAOS TRAVELLING Kanthi Wulandari Mahasiswa Program Studi Statistika Universitas Islam Indonesia kanthiwuland@gmail.com Asriyanti Ali Mahasiswa Program
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 terperinci2. Tinjauan Pustaka. Gambar 2-1 : Knowledge discovery in database
2. Tinjauan Pustaka 2.1 Data Mining Data mining merupakan ilmu yang mempelajari tentang proses ekstraksi informasi yang tersembunyi dari sekumpulan data yang berukuran sangat besar dengan menggunakan algoritma
Lebih terperinciMateri 4 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 4 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetensi Dasar Memahami pemrosesan awal data yang akan diproses
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Paradigma baru Program Keluarga Berencana Nasional telah diubah visinya dari mewujudkan Norma Keluarga Kecil Bahagia dan Sejahtera (NKKBS) menjadi visi untuk mewujudkan
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
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 terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan
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 terperinci