KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO
|
|
- Dewi Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Data Spasial untuk Kemunculan Hotspot di Provinsi Riau Menggunakan Algoritme ID3 adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2014 Vikhy Fernando NIM G
4 ABSTRAK VIKHY FERNANDO. Klasifikasi Data Spasial untuk Kemunculan Hotspot di Provinsi Riau Menggunakan Algoritme ID3. Dibimbing oleh IMAS SUKAESIH SITANGGANG. Kebakaran hutan merupakan salah satu persoalan lingkungan yang muncul hampir setiap tahun di Indonesia termasuk di Provinsi Riau, yang menyebabkan dampak negatif bagi kehidupan manusia. Data kebakaran persebaran hotspot yang berukuran besar dapat dianalisis menggunakan teknik spatial data mining, salah satunya pohon keputusan spasial. Penelitian ini bertujuan untuk mengklasifikasikan kemunculan hotspot di Provinsi Riau yang dapat digunakan untuk mendapatkan aturan-aturan klasifikasi. Dalam penelitian ini, pembentukan pohon keputusan spasial dilakukan dengan menggunakan algoritme ID3. Hasil penelitian menunjukkan bahwa akurasi tertinggi adalah 70.80%. Model klasifikasi ini terdiri dari 125 aturan klasifikasi yang dapat digunakan untuk prediksi kemunculan titik api. Kata kunci: algoritme ID3, hotspot, klasifikasi, pohon keputusan spasial ABSTRACT VIKHY FERNANDO. Spatial Classification for Hotspot Occurrences in Riau Province using ID3 Algorithm. Supervised by Imas Sukaesih Sitanggang. Forest fire is one of the environmental issues that occurs almost every year in Indonesia including in Riau Province, which causes negative impacts for human life. The large data of hotspot distribution can be analyzed using one of spatial data mining techniques, namely spatial decision tree. The purpose of this research is to classify the hotspot occurences in Riau province in order to obtain the classification rules. In this research, the spatial decision tree is developed using ID3 algorithm. The result shows that the highest accuracy is 70.80%. The classification model consists 125 classification rules that can be used to predict the hotspot occurrences. Keywords: ID3 Algorithm, classification, hotspots, spatial decision tree
5 KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
6
7 Judul Skripsi : Klasifikasi Data Spasial untuk Kemunculan Hotspot di Provinsi Riau Menggunakan Algoritme ID3 Nama : Vikhy Fernando NIM : G Disetujui oleh Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus:
8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah spatial data mining dengan judul Klasifikasi Data Spasial untuk Kemunculan Hotspot di provinsi Riau Menggunakan Algoritme ID3. Dalam pelaksanaan penelitian tugas akhir ini, penulis ingin menyampaikan terima kasih kepada: 1 Allah Shubanallah Wa Taala yang atas izin karunia dan rahmat-nya penulis dapat menyelesaikan tugas akhir ini. 2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing atas nasihat dan bimbingannya selama proses pengerjaan tugas akhir ini. 3 Bapak Hari Agung Adrianto, SKom MSi dan Bapak Endang Purnama Giri, SKom MKom selaku dosen penguji atas kesediaannya menjadi penguji pada ujian tugas akhir ini. 4 Ayahanda Jontrifizal, Ibunda Gusmiyetty, Kakak, Adik dan keluarga yang senantiasa memberikan doa dan dukungan. 5 Teman-teman satu bimbingan yang senantiasa saling memberikan semangat. 6 Rekan-rekan dari Departemen Ilmu Komputer IPB Alih Jenis angkatan 6 yang senantiasa memberikan semangat dan motivasi. Semoga karya ilmiah ini bermanfaat. Bogor, Januari 2014 Vikhy Fernando
9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 1 Tujuan Penelitian 1 Manfaat Penelitian 1 Ruang Lingkup Penelitian 2 METODE 2 Data Penelitian dan Area Studi 2 Tahapan Penelitian 2 Praproses 2 Klasifikasi Menggunakan Algoritme ID3 4 Penggunaan Klasifikasi Data Baru 6 Lingkungan Pengembangan 6 HASIL DAN PEMBAHASAN 6 Pra Proses 6 Penentuan Data Latih dan Data Uji 11 Klasifikasi Menggunakan Algoritme ID3 11 Akurasi Model 14 Penggunaan Klasifikasi pada Data Baru 14 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 15 DAFTAR PUSTAKA 16 LAMPIRAN 17 RIWAYAT HIDUP 23
10 DAFTAR TABEL 1 Jarak terdekat hotspot ke pusat kota 9 2 Jarak terdekat hotspot ke sungai 10 3 Jarak terdekat hotspot ke jalan 10 4 Kategori untuk jarak terdekat ke pusat kota 10 5 Kategori untuk jarak terdekat ke sungai 10 6 Kategori untuk jarak terdekat ke jalan 11 7 Pembagian fold dan akurasi pohon keputusan 12 8 Ketepatan prediksi model klasifikasi 14 9 Contoh data baru 14 DAFTAR GAMBAR 1 Tahapan praproses 3 2 Tahapan penelitian 4 3 Hotspot di Provinsi Riau tahun Non hotspot di Provinsi Riau tahun Layer pusat kota di Provinsi Riau 8 6 Layer Sungai di Provinsi Riau 8 7 Layer Jalan di Provinsi Riau 8 8 Sub pohon keputusan spasial untuk jarak terdekat ke sungai dengan interval (8.5 km, 16 km] 13
11 PENDAHULUAN Latar Belakang Kebakaran hutan merupakan salah satu persoalan lingkungan yang muncul hampir setiap tahun di Indonesia termasuk di Provinsi Riau. Padahal, dampak yang ditimbulkan dari kebakaran hutan sangat merugikan. Dampak tersebut tidak hanya dialami oleh masyarakat di Provinsi Riau saja, tetapi juga oleh masyarakat di Provinsi sekitar Riau yakni, Provinsi Sumatera Barat dan Provinsi Sumatera Utara. Selain dekat dengan Provinsi lain di Indonesia, Provinsi Riau juga dekat dengan wilayah negara tetangga, yaitu Singapura dan Malaysia. Data persebaran hotspot yang berukuran besar dapat dianalisis menggunakan teknik spatial data mining. Salah satu teknik dalam spatial data mining adalah spatial decision tree. Hasil dari spatial decision tree akan membangun sebuah decision tree dari data spasial yang dapat digunakan untuk membentuk aturan-aturan klasifikasi. Klasifikasi spasial bertujuan memberikan sebuah label atau menentukan kelas dari sebuah objek berdasarkan nilai atribut yang ada dalam spasial dataset dengan memperhatikan objek tetangganya. Penelitian ini menggunakan data hotspot di wilayah Indonesia yang bersumber dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen Kehutanan Republik Indonesia. Penelitian ini mengklasifikasikan data spasial persebaran hotspot di wilayah Riau pada tahun 2005 menggunakan algoritme ID3. Perumusan Masalah Rumusan permasalahan pada penelitian ini adalah bagaimana membuat model klasifikasi untuk data kebakaran hutan di wilayah Provinsi Riau pada tahun Tujuan Penelitian Tujuan dari penelitian ini adalah: 1 Membuat model klasifikasi untuk data kebakaran hutan di wilayah Provinsi Riau pada tahun Evaluasi model klasifikasi untuk prediksi kemunculan titik api. Manfaat Penelitian Penelitian ini diharapkan dapat membentuk model klasifikasi dari persebaran hotspot di Provinsi Riau pada tahun 2005 dan dapat memprediksi kemunculan titik api di wilayah baru sehingga dapat mengantisipasi kebakaran hutan di wilayah tersebut.
12 2 Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini adalah: 1 Penelitian difokuskan pada pembentukan model klasifikasi menggunakan algoritme ID3 pada data persebaran hotspot di wilayah Provinsi Riau pada tahun Data spasial yang digunakan adalah data sebaran hotspot tahun 2005, non hotspot, sungai, jalan dan pusat kota di wilayah Riau. METODE Data Penelitian dan Area Studi Luas wilayah Provinsi Riau adalah km 2 yang membentang dari lereng Bukit Barisan hingga Selat Malaka, hal ini membuat Provinsi Riau berada pada jalur yang sangat strategis karena terletak pada jalur perdagangan Regional dan Internasional di kawasan ASEAN. Provinsi Riau memiliki luas daratan km 2 dan luas lautan km 2, di daratan terdapat 15 (lima belas) sungai di antaranya ada 4 (empat) sungai dapat digunakan sebagai prasarana perhubungan (Pemerintah Provinsi Riau 2013). Data spasial yang digunakan adalah data sebaran hotspot tahun 2005 yang berjumlah 7169 titik hotspot, 7200 titik non hotspot, 457 segmen aliran sungai, segmen jalan dan 6 titik pusat kota di wilayah Riau. Tahapan Penelitian Penelitian ini akan dilakukan dalam beberapa tahap. Tahapan dari metode penelitian ini dapat dilihat pada Gambar 1. Praproses Data spasial diolah menggunakan perangkat lunak Quantum GIS Lisboa untuk mendapatkan data hotspot, non hotspot, pusat kota, sungai dan jalan di Provinsi Riau pada tahun Selanjutnya, data tersebut di-import ke basis data menggunakan PosgreSQL 9.1 yang didalamnya telah terintegrasi dengan PostGIS 2.0. Kemudian dilakukan kueri pada data yang diperlukan hingga didapatkan data yang dibutuhkan untuk diklasifikasikan. Agar kueri sesuai dengan kode yang telah dibuat di perangkat lunak Python, maka digunakan Microsoft Excel 2010 sebagai perangkat lunak pembantu. Berikut alur dari praproses yang dapat dilihat pada Gambar 2.
13 3 Gambar 1 Tahapan praproses Beberapa tahapan yang dilakukan pada tahap praproses adalah: 1 Seleksi data Pada proses ini dilakukan pemilihan data hotspot dan data non hotspot yang terjadi di Provinsi Riau pada tahun Selanjutnya, data tersebut juga akan dipilih menjadi data pusat kota, sungai dan jalan di Provinsi Riau. 2 Pemberian label kelas Pemberian label kelas ini digunakan untuk mendapatkan hasil data. Label T digunakan pada data hotspot dan label F digunakan pada data non hotspot. 3 Perhitungan jarak Pada tahap ini dilakukan perhitungan jarak terdekat dari kelas T dan kelas F ke pusat kota, kelas T dan kelas F ke sungai dan kelas T dan kelas F ke jalan di Provinsi Riau. 4 Transformasi jarak terdekat dari hotspot Pada tahap ini dilakukan transformasi hasil data menjadi kategorik agar lebih memudahkan untuk diproses bahasa perograman Python.
14 4 5 Transformasi tipe fail Pada penelitian ini digunakan data dengan format.file sebagai fail masukan data latih dan data uji. Gambar 2 Tahapan penelitian Klasifikasi Menggunakan Algoritme ID3 Pada tahap ini dibangun model klasifikasi untuk membentuk pohon keputusan spasial. Kemudian dilakukan perhitungan akurasi dari pohon keputusan spasial yang terbentuk. Pembentukan pohon keputusan spasial ini menggunakan algoritme ID3. Contoh algoritme pohon keputusan adalah algoritme ID3 atau Iterative Dischotomister 3. Algoritme ini menggunakan konsep entropi informasi. Secara umum algoritme ID3 (Han dan Kamber 2006) adalah sebagai berikut:
15 5 Algoritme ID3 (Han dan Kamber 2006) Input : Data latih, data uji Output : Decision tree Metode : a Buat node N; b Jika semua sampel memiliki kelas yang sama yaitu C, maka jadikan node N sebagai leaf node dan beri label C; c Jika daftar atribut kosong, maka jadikan node N sebagai leaf node dengan label = nilai kelas yang terbanyak pada sampel; d Pemilihan atribut uji dengan nilai information gain yang terbesar; e Beri label node N dengan atribut uji; f Untuk setiap nilai a i dalam atribut uji yang diketahui, g Tambahkan cabang di bawah node N untuk atribut uji = a i ; h Tentukan s i sebagai subset dari sampel dimana atribut uji = a i ; i Jika sampel s i kosong, j Tambahkan leaf node dengan label = nilai kelas yang terbanyak pada sampel; k Selainnya, tambah cabang baru di bawah cabang yang sekarang dengan memanggil fungsi ID3 (s i daftar atribut-atribut uji); Pohon Keputusan Spasial Proses pembentukan pohon keputusan spasial dari data sebaran hotspot di Provinsi Riau menggunakan tabel gabungan yang terdiri dari beberapa hubungan spasial yang terbentuk dari kelas targetnya. Perhitungan Akurasi Pada tahap ini menghitung akurasi dari model klasifikasi yang diperoleh dari proses klasifikasi. Akurasi menunjukkan tingkat kebenaran pengklasifikasian data terhadap kelas yang sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi pada data baru. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati 100%. Dalam penelitian, metode yang digunakan dalam proses perhitungan akurasi ini adalah metode K-fold cross validation. K- fold cross validation (Stone 1974 diacu dalam Fu 1994) adalah sebuah metode yang membagi himpunan contoh secara acak menjadi k himpunan bagian (subset). Pada metode ini dilakukan pengulangan sebanyak k kali untuk data pelatihan dan pengujian. Pada setiap pengulangan, satu subset digunakan untuk pengujian sedangkan subset sisanya digunakan untuk pelatihan. Akurasi diperoleh berdasarkan data pengujian terhadap model klasifikasi. Untuk menghitung akurasi digunakan rumus sebagai berikut:
16 6 Penggunaan Klasifikasi Data Baru Model klasifikasi yang terbentuk akan digunakan untuk menentukan kelas dari data baru yang belum diketahui label kelasnya. Label kelas didapatkan dengan menelusuri model pohon keputusan yang terbentuk atau aturan yang telah diturunkan dari model pohon yang dihasilkan pada data latih. Lingkungan Pengembangan Pembentukan pohon keputusan spasial ini dibangun dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut: 1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut: Processor Intel Core I3 CPU Memori 2048MB RAM Mouse Keyboard 2 Perangkat lunak Sistem Operasi Windows 8 Quantum GIS (1.8.0) untuk analisis dan visualisasi data spasial Sistem Manajemen Basis Data PostgreSQL PostGIS 2.0 sebagai ekstensi PostgreSQL untuk analisis data spasial Bahasa Pemrograman Python HASIL DAN PEMBAHASAN Pra Proses Seleksi Data Data yang digunakan dalam penelitian ini merupakan data persebaran hotspot pada tahun 2005, data non hotspot, data pusat kota, data sungai dan data jalan untuk Provinsi Riau. Secara terperinci dapat dilihat sebagai berikut a. Data persebaran Hotspot Data persebaran hotspot yang digunakan adalah data hotspot tahun Data ini memiliki atribut wkt_geom, longitude, latitude, bulan, minggu dan tanggal. Pada awalnya, data persebaran hotspot Indonesia berbetuk shapefile. Data tersebut di-clip menjadi daerah Provinsi Riau saja menggunakan perangkat lunak Quantum GIS. Pada wilayah Provinsi Riau terdapat 7169 titik hotspot. Gambar 3 menunjukkan persebaran hotspot di provinsi Riau pada tahun 2005.
17 7 Gambar 3 Hotspot di Provinsi Riau tahun b. Data Persebaran Non Hotspot Data persebaran non hotspot diperoleh dari titik-titik di luar hotspot. Data ini didapat dengan cara membangkitkan titik acak di sekitar hotspot. Titik non hotspot tersebut dibangkitkan di luar buffer dengan radius 1 km dari sebuah hotspot. Buffer dibuat menggunakan operasi Geo processing Tools pada Quantum GIS. Data non hotspot yang dibangkitkan sebanyak 7200 titik. Gambar 4 menunjukkan persebaran non hotspot di Provinsi Riau pada tahun Gambar 4 Non hotspot di Provinsi Riau tahun c. Data Pusat kota Riau Data pusat kota Riau merupakan data yang berisi mengenai ibu kota tiap kota/kabupaten wilayah Riau. Data ini berbentuk shapefile yang diolah menggunakan Quantum GIS. Data pusat kota Riau ini memiliki 6 pusat kota yaitu Tembilahan, Selatpanjang, Balai pungut, Duri, Bengkalis dan Dumai. Gambar 5 menunjukkan titik pusat kota di Provinsi Riau pada tahun 2005.
18 8 Gambar 5 Layer pusat kota di Provinsi Riau d. Data Sungai Riau Data sungai Riau merupakan data yang berisi mengenai wilayah Riau yang dilalui oleh aliran sungai. Data ini berbentuk shapefile yang diolah menggunakan Quantum GIS. Terdapat 457 segmen aliran sungai di data sungai Riau. Gambar 6 menunjukkan aliran sungai di Provinsi Riau pada tahun Gambar 6 Layer Sungai di Provinsi Riau e. Data Jalan Riau Data jalan Riau merupakan data yang berisi seluruh jalan di wilayah Riau. Data ini berbentuk shapefile yang diolah menggunakan Quantum GIS. Data jalan Riau memiliki sebanyak segmen jalan. Gambar 7 menunjukkan segmen jalan di Provinsi Riau pada tahun Gambar 7 Layer Jalan di Provinsi Riau
19 Pemberian label kelas Pemberian label kelas ini digunakan untuk mendapatkan hasil data. Setelah semua shape di-import ke Sistem Manajemen Basis Data postgresql menjadi beberapa tabel dilakukan pemberian label kelas dengan kueri. Label T (True) digunakan pada data hotspot yang berjumlah 7169 titik hotspot dan label F (False) digunakan pada data non hotspot yang berjumlah 7200 titik non hotspot. Tabel tersebut diberi nama tabel hotspot. Perhitungan Jarak Pada tahap ini dilakukan perhitungan jarak dari kelas T dan kelas F ke pusat kota, kelas T dan kelas F ke sungai serta kelas T dan kelas F ke jalan di Provinsi Riau. Setelah setiap tabel diberikan label kelas True (T) dan False (F) dilakukan perhitungan jarak menggunakan kueri di PostgreSQL. Data sebaran hotspot, non hotspot, pusat kota, sungai dan jalan awalnya diolah di Quantum GIS berbentuk shapefile. Agar PostgreSQL dapat membaca shapefile yang berbentuk data spasial harus menggunakan PostGIS yang terintegrasi dengan PostgreSQL. Data tersebut di import dari Quantum GIS untuk menjadi tabel-tabel di PostgreSQL. Perhitungan jarak hotspot dan non hotspot ke pusat kota terdekat, ke jalan terdekat dan ke sungai terdekat dilakukan dengan mengeksekusi pernyataan kueri spasial dalam PostgreeSQL. Berikut kueri untuk menghitung jarak hotspot dan non hotspot ke pusat kota (maincities) terdekat. SELECT [h.gid as ID_hotspot],[h.geom as geom], min(st_distance (h.geom, m.geom)) FROM [riau_maincities AS m], [hotspot AS h] GROUP BY [h.gid]; Dataset jarak harus dikonversi dari decimal degree menjadi km untuk menyiapkan dataset akhir (1 degree = m = km). Jarak terdekat beberapa hotspot ke pusat kota, ke sungai dan ke jalan diberikan berturut-turut dalam Tabel 1, 2 dan 3. Tabel 1 Jarak terdekat hotspot ke pusat kota Id_Hotspot Jarakterdekat_Pusatkota (km) Kelas T T T F F 9
20 10 Tabel 2 Jarak terdekat hotspot ke sungai Id_Hotspot Jarakterdekat_Sungai (km) Kelas T T T F F Tabel 3 Jarak terdekat hotspot ke jalan Id_Hotspot Jarakterdekat_Jalan (km) Kelas T T T F F Transformasi Jarak Terdekat dari Hotspot Pada tahap ini dilakukan transformasi hasil data menjadi kategorik agar lebih dimudahkan. Tahapan transformasi ini menggunakan perangkat lunak Microsoft Excel 2010 dengan menggunakan tools data analyst histogram. Kategori untuk jarak terdekat ke pusat kota, ke sungai dan ke jalan diberikan berturut-turut dalam Tabel 4, 5 dan 6. Tabel 4 Kategori untuk jarak terdekat ke pusat kota Pusat Kota Bin Frequency Kategori Range (km) M1 (0, 31] M2 (31, 48] M3 (48, 74] M4 (74, 105] More 2854 M5 > 105 Tabel 5 Kategori untuk jarak terdekat ke sungai Sungai Bin Frequency Kategori Range (km) RI1 (0, 2] RI2 (2, 4.5] RI3 (4.5, 8.5] RI4 (8.5, 16] More 2821 RI5 > 16
21 11 Tabel 6 Kategori untuk jarak terdekat ke jalan Jalan Bin Frequency Kategori Range(km) (0, 0.22] (0.22, 0.68] (0.68, 1.5] (1.5, 3.5] More 2812 RO5 > 3.5 Transformasi Tipe fail Dalam tahap ini dilakukan perubahan format data latih dan data uji dari format CSV menjadi format.file sehingga dapat diolah ke dalam perangkat lunak Python Penentuan Data Latih dan Data Uji Pemisahan data ke dalam data latih dan data uji untuk membentuk pohon keputusan spasial ini menggunakan 10-folds cross validation. Data akan dibagi ke dalam 10 bagian (folds). Setiap bagian akan digunakan sebagai data uji, 9 bagian (folds) akan dijadikan sebagai data latih, dan 1 bagian (fold) lainnya akan dijadikan sebagai data uji. Data latih akan digunakan untuk membentuk model klasifikasi. Sedangkan, data uji akan digunakan untuk menghitung akurasi yang diperoleh dari model klasifikasi. Setelah tahap transformasi tipe fail dilakukan, tahap selanjutnya adalah membagi data menjadi 10 fold. Fold inilah yang akan digunakan pada tahap klasifikasi sebagai data latih dan data uji. Subset yang terbentuk memiliki jumlah instance sebanyak 1000 per fold dengan mengabaikan proporsi perbandingan antarkelas. Klasifikasi Menggunakan Algoritme ID3 Proses klasifikasi dilakuan dua tahap, yaitu pembentukan pohon keputusan spasial dan perhitungan akurasi dari pohon keputusan spasial yang terbentuk. Pohon Keputusan Spasial Pembentukan pohon keputusan spasial dilakukan dengan menggunakan algoritme ID3 yang telah diimplementasikan dalam bahasa pemrograman Python Modul ID3 dalam Python diperoleh dari Onlamp (2013). Dalam pembuatan pohon keputusan spasial di pemrograman Python ini terdapat 3 modul penting antara lain decision tree, ID3 dan modul test. Pada modul decision tree adalah proses untuk mendapatkan atribut terbaik dari himpunan atribut yang ada dengan menggunakan fungsi fitness yaitu information gain sebagai parameter. Dataset yang telah terbentuk diolah dan menghasilkan sebuah pohon keputusan. Atribut yang dipilih sebagai atribut uji adalah atribut yang memiliki information gain tertinggi sesuai dengan algoritme ID3.
22 12 Pada pohon keputusan spasial yang dihasilkan diketahui bahwa semua atribut yang diberikan muncul sebagai node pada pohon keputusan spasial. Atribut yang dijadikan label pada akar pohon keputusan adalah jarak terdekat ke sungai. Pembagian fold dan akurasi pohon keputusan spasial untuk data training dan data testing dapat dilihat pada Tabel 7. Percobaan Tabel 7 Pembagian fold dan akurasi pohon keputusan Data Training Data Testing Pohon Keputusan Akurasi Data Training(%) Akurasi Data Testing(%) 1 Fold1 sd fold 9 Fold 10 Tree fold1 sd fold 8, dan 2 Fold 10 Fold 9 Tree fold1 sd fold 7, dan 3 Fold 9 sd fold10 Fold 8 Tree Fold1 sd fold 6, 4 dan fold 8 sd fold10 Fold 7 Tree Fold1 sd fold 5, dan fold 7 sd fold10 Fold1 sd fold 4, dan fold 6 sd fold10 Fold1 sd fold 3, dan fold 5 sd fold10 Fold1 sd fold 2, dan fold 4 sd fold10 Fold 6 Tree Fold 5 Tree Fold 4 Tree Fold 3 Tree Fold1, dan fold 3 9 Fold 2 Tree sd fold10 10 Fold2 sd fold 10 Fold 1 Tree Akurasi Rata-Rata Dari Tabel 7 dapat dilihat bahwa akurasi terbesar terdapat pada percobaan keempat dan akurasi terkecil terdapat pada percobaan pertama dan kesembilan. Hal itu menunjukan bahwa tingkat kesalahan klasifikasi subset 1 dan 9 lebih tinggi dari subset yang lainnya. Hal itu dapat disebabkan oleh instance-instance yang ada pada data latih dan data uji belum dapat mewakili setiap fitur untuk dapat diklasifikan pada kelas tertentu. Akurasi rata-rata untuk data training adalah 73.07% dan 68.85% untuk data testing. Berikut sub pohon keputusan spasial yang terbentuk untuk jarak terdekat ke sungai dengan interval (8.5 km, 16 km] yang dapat dilihat pada Gambar 8. Pohon keputusan selengkapnya dapat dilihat pada Lampiran 1.
23 13 Gambar 8 Sub pohon keputusan spasial untuk jarak terdekat ke sungai dengan interval (8.5 km, 16 km] Berdasarkan pohon keputusan spasial yang terbentuk dapat dibuat 125 aturan klasifikasi. Sebagai contoh, aturan yang terbentuk dari pohon keputusan spasial pada Gambar 8 adalah sebagai berikut: Aturan 1: JIKA jarak lokasi ke sungai terdekat pada interval (2 km, 4.5 km] DAN jarak lokasi ke pusat kota terdekat pada interval (48 km, 74 km] DAN jarak lokasi ke jalan terdekat pada interval (0.22 km, 0.68 km] MAKA kemunculan titik api adalah T (True). Aturan 2: JIKA jarak lokasi ke sungai terdekat pada interval (0 km, 2 km] DAN jarak lokasi ke jalan terdekat pada interval (0.22 km, 0.68 km] DAN jarak lokasi ke pusat kota terdekat pada interval (48 km, 74 km] MAKA kemunculan titik api adalah F (False). Aturan 3: JIKA jarak lokasi ke sungai terdekat pada interval (8.5 km, 16 km] DAN jarak lokasi ke pusat kota terdekat pada interval (0 km, 31 km] DAN jarak lokasi ke jalan terdekat pada interval (1.5 km, 3.5 km] MAKA kemunculan titik api adalah T (True). Aturan 4: JIKA jarak lokasi ke sungai terdekat pada interval (2 km, 4.5 km] DAN jarak lokasi ke pusat kota terdekat pada interval (74 km, 105 km] DAN jarak lokasi ke jalan terdekat pada interval (0 km, 0.22 km] MAKA kemunculan titik api adalah F (False).
24 14 Aturan 5: JIKA jarak lokasi ke sungai terdekat pada interval > 16 km DAN jarak lokasi kepusat kota terdekat pada interval (31 km, 48 km] DAN jarak lokasi ke jalan terdekat pada interval > 3.5 km MAKA kemunculan titik api adalah T (True). Akurasi Model Pada penelitian ini didapat akurasi model yang dapat dilihat pada Tabel 8. Tabel 8 Akurasi Model Kelas Hasil Kelas Hasil Prediksi Aktual T F Total T F Total Dari Tabel 8 diketahui dari 450 data di kelas hasil aktual T, sebanyak 324 atau 72% data diprediksi secara benar sebagai label kelas T (True Positif) dan 126 data diprediksi salah sebagai label kelas F (False Negative). Dari 550 data di kelas hasil aktual F, sebanyak 384 data diprediksi benar sebagai label kelas F (True Negative) atau 66.12% dan 166 data diprediksi salah sebagai label kelas F (False Negative). Akurasi rata-ratanya sebesar 70.91%. Penggunaan Klasifikasi pada Data Baru Pada tahap ini, terdapat beberapa record data contoh untuk menunjukkan bagaimana penggunaan klasifikasi pada data baru yang belum memiliki label kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi. Untuk pengisian masing-masing record dilakukan dengan cara menelusuri model pohon yang didapat dengan melihat dari aturan pohonnya. Ilustrasi data contoh dapat dilihat pada Tabel 9. Tabel 9 Contoh data baru Record_ID JARAKTERDEKAT JARAKTERDEKAT JARAKTERDEKAT PUSAT KOTA (km) SUNGAI (km) JALAN (km) Kelas 1 M2 (31, 48] RI5> 16 RO5> 3.5? 2 M4 (74, 105] RI2 (2, 4.5] (0, 0.22]? 3 M3 (48, 74] RI2 (2, 4.5] (0.22, 0.68]? 4 M3 (48, 74] RI1 (0, 2] (1.5, 3.5]? 5 M1 (0, 31] RI4 (8.5, 16] (1.5, 3.5]? Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai tes atribut jarak dengan pusat kota terdekat pada interval (31 km, 48 km], jarak
25 dengan sungai interval > 16 km dan jarak dengan jalannya sejauh > 3.5 km maka kemunculan titik api adalah kelasnya T (True). Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai tes atribut jarak dengan pusat kota terdekat pada interval (74 km, 105 km], jarak dengan sungai interval (2 km, 4.5 km] dan jarak dengan jalannya sejauh interval (0 km, 0.22 km] maka kemunculan titik api adalah kelasnya F (False). Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai tes atribut jarak dengan pusat kota terdekat pada interval (48 km, 74 km], jarak dengan sungai interval (2 km, 4.5 km] dan jarak dengan jalannya sejauh interval (0.22 km, 0.68 km] maka kemunculan titik api adalah kelasnya T (True). Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai tes atribut jarak dengan pusat kota terdekat pada interval (48 km, 74 km], jarak dengan sungai interval (0 km, 2 km] dan jarak dengan jalannya sejauh interval (1.5 km, 3.5 km] maka kemunculan titik api adalah kelasnya F (False). Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules3 dengan nilai test atribut jarak dengan pusat kota terdekat pada interval (0 km, 31 km], jarak dengan sungai interval (8.5 km, 16 km] dan jarak dengan jalannya sejauh interval (1.5 km, 3.5 km] maka kemunculan titik api adalah kelasnya T (True). 15 SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang dilakukan dalam membentuk model klasifikasi hotspot di wilayah Riau pada tahun 2005, dapat diambil kesimpulan sebagai berikut: 1 Pohon keputusan spasial yang telah dibentuk memiliki label akar yaitu jarak terdekat sungai. Pohon keputusan spasial ini terdiri dari 31 node. 2 Dari pohon keputusan spasial yang dihasilkan dapat diturunkan 125 aturan klasifikasi untuk menentukan kemunculan hotspot. 3 Pohon keputusan spasial telah diuji pada data training dan data testing dengan menggunakan metode 10-fold cross validation. Akurasi terbesar pohon keputusan spasial pada data training adalah 75%, sedangkan pada data testing adalah 70.80%. 4 Akurasi rata-rata pada data training adalah 73.07% dan pada data testing adalah 68.85%. Saran Saran-saran yang dapat diberikan untuk pengembangan lebih lanjut adalah penambahan data spasial lainnya terkait kebakaran hutan yang menentukan kemunculan titik api, sehingga pohon keputusan yang dihasilkan lebih akurat.
26 16 DAFTAR PUSTAKA Fu L Neural Network in Computers Intelligence. Singapura: McGraw-Hill. Han J, Kamber M Data Mining : Concepts and Techniques. San Francisco : Morgan Kaufman Publisher. Onlamp Onlamp [Internet]. [diunduh 2013 Dec 1].Tersedia pada =2 Pemerintah Provinsi Riau Pemerintah Provinsi Riau [Internet]. [diunduh 2013 Dec 1].Tersedia pada:
27 17 LAMPIRAN Lampiran 1 Pohon Keputusan Spasial. JARAKTERDEKAT_RIVER RI4 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2
28 18 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 RI5 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3
29 19 M2 RI2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3
30 20 M2 RI3 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3
31 21 M2 RI1 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3
32 22 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2 JARAKTERDEKAT_MAINCITIES M5 M4 M1 M3 M2
33 23 RIWAYAT HIDUP Penulis dilahirkan di Padang Panjang, Sumatera Barat pada tanggal 10 Desember Penulis merupakan anak kedua dari tiga bersaudara dari pasangan Bapak Jontrifizal SSos dan Ibu Gusmiyetty Spd. Penulis menempuh pendidikan formal di SMA N 1 Payakumbuh, Sumatera Barat dan diselesaikan pada tahun Selanjutnya pada tahun yang sama, penulis diterima sebagai mahasiswa Program Diploma Institut Pertanian Bogor, Program Keahlian Teknik Komputer melalui jalur Undangan Seleksi Masuk Institut Pertanian Bogor (USMI). Penulis kemudian melanjutkan pendidikan S1 Alih Jenis pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2011.
emrrata MATEMATIKA, FISIKA, KIMIA, BIOLOGI, STATISTIKA, KOMPUTER, STEM, GEOFISIKA DAN METEOROLOGI
A 181 S. 2014 emrrata SEMIRATA 2014 Bidang MIPA BKS-PTN-Barat "Integrasi sains MIPA untuk mengatasi masalah pangan, energi, kesehatan, reklamasi, dan lingkungan" IPB International Convention Center dan
Lebih terperinciSISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK KLASIFIKASI KEMUNCULAN TITIK API DI PROVINSI RIAU MENGGUNAKAN POHON KEPUTUSAN C4.
SISTEM INFORMASI GEOGRAFIS BERBASIS WEB UNTUK KLASIFIKASI KEMUNCULAN TITIK API DI PROVINSI RIAU MENGGUNAKAN POHON KEPUTUSAN C4.5 KHAIRIL AMRI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih 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 terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
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 terperinciANALISIS DATA DERET WAKTU HOTSPOT PROVINSI RIAU BERDASARKAN TIPE PENUTUPAN LAHAN ANESIA MEILA ROSA
ANALISIS DATA DERET WAKTU HOTSPOT PROVINSI RIAU BERDASARKAN TIPE PENUTUPAN LAHAN ANESIA MEILA ROSA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPERBANDINGAN ALGORITME FEATURE SELECTION INFORMATION GAIN DAN SYMMETRICAL UNCERTAINTY PADA DATA KETAHANAN PANGAN DELKI ABADI
PERBANDINGAN ALGORITME FEATURE SELECTION INFORMATION GAIN DAN SYMMETRICAL UNCERTAINTY PADA DATA KETAHANAN PANGAN DELKI ABADI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 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 terperinciKLASIFIKASI TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME ID3 SPASIAL YANG DIPERLUAS YAUMIL KHOIRIYAH
KLASIFIKASI TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME ID3 SPASIAL YANG DIPERLUAS YAUMIL KHOIRIYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI KERAPATAN TITIK API DI BENGKALIS RIAU DENGAN MENGGUNAKAN ALGORITME POHON KEPUTUSAN ID3 SPASIAL ROUDHOTUL JANNAH
KLASIFIKASI KERAPATAN TITIK API DI BENGKALIS RIAU DENGAN MENGGUNAKAN ALGORITME POHON KEPUTUSAN ID3 SPASIAL ROUDHOTUL JANNAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR
PENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciHIERARCHICAL CLUSTERING PADA DATA TIME SERIES HOTSPOT PROVINSI RIAU ILHAM ALPHA DINOV
HIERARCHICAL CLUSTERING PADA DATA TIME SERIES HOTSPOT PROVINSI RIAU ILHAM ALPHA DINOV DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciKLASIFIKASI DATA TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME POHON KEPUTUSAN BERBASIS SPATIAL ENTROPY INDRY DESSY NURPRATAMI
KLASIFIKASI DATA TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME POHON KEPUTUSAN BERBASIS SPATIAL ENTROPY INDRY DESSY NURPRATAMI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciKlasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor
Klasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor Yuandri Trisaputra, Indriyani, Shellafuri Mardika Biru, Muhammad Ervan Departemen Ilmu Komputer, FMIPA,
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciKLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM
KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciIDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI
IDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciALGORITMA C4.5 UNTUK PEMODELAN DAERAH RAWAN BANJIR STUDI KASUS KABUPATEN KARAWANG JAWA BARAT
ALGORITMA C4.5 UNTUK PEMODELAN DAERAH RAWAN BANJIR STUDI KASUS KABUPATEN KARAWANG JAWA BARAT Ahmad Khusaeri 1, Septian Ilham 2, Desi Nurhasanah 3, Derrenz Delpidat 4, Anggri 5, Aji Primajaya 6, Betha Nurina
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciANALISIS KLASIFIKASI PADA NASABAH KREDIT KOPERASI X MENGGUNAKAN DECISION TREE C4.5 DAN NAÏVE BAYES SKRIPSI
ANALISIS KLASIFIKASI PADA NASABAH KREDIT KOPERASI X MENGGUNAKAN DECISION TREE C4.5 DAN NAÏVE BAYES SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai
Lebih 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 terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciPOLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA
POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciMATEMATIKA, FISIKA, KIMIA, BIOLOGI, STATISTIKA, KOMPUTER, STEM, GEOFISIKA DAN METEOROLOGI
SEMIRATA 2014 Bidang MIPA BKS-PTN-Barat "Integrasi sains MIPA untuk mengatasl masalah pangan, energi, kesehatan, reklamasi, dan lingkungan'' IPB International Convention Center dan Kampus IPB Baranangsiang,
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih 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 terperinciPEMBUATAN SPATIAL DECISION TREE MENGGUNAKAN ALGORITME NBTREE UNTUK PERSEBARAN HOTSPOT DI PROVINSI RIAU PRITASARI PALUPININGSIH
PEMBUATAN SPATIAL DECISION TREE MENGGUNAKAN ALGORITME NBTREE UNTUK PERSEBARAN HOTSPOT DI PROVINSI RIAU PRITASARI PALUPININGSIH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB 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 terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM
KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih 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 terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciMODEL PENDUGA VOLUME POHON MAHONI DAUN BESAR (Swietenia macrophylla, King) DI HUTAN PENDIDIKAN GUNUNG WALAT, SUKABUMI, JAWA BARAT WAHYU NAZRI YANDI
MODEL PENDUGA VOLUME POHON MAHONI DAUN BESAR (Swietenia macrophylla, King) DI HUTAN PENDIDIKAN GUNUNG WALAT, SUKABUMI, JAWA BARAT WAHYU NAZRI YANDI DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT
Lebih terperinciPEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO
PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 1 PERNYATAAN MENGENAI
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Salah satu persoalan lingkungan yang muncul hampir setiap tahun di Indonesia terutama pasca tahun 2000 adalah kebakaran hutan, termasuk di wilayah provinsi Riau. Kebakaran hutan
Lebih terperinciBab III METODOLOGI PENELITIAN. Pada penelitian ini menggunakan ala penelitian berupa perangkat keras
Bab III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian Pada penelitian ini menggunakan ala penelitian berupa perangkat keras dan perangkat lunak, yaitu: a. Perangkat keras 1. Processor Intel Core
Lebih terperinciANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG
ANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG TESIS IVAN JAYA 117038072 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinciPERNYATAAN. dikutip dalam naskah ini dan disebutkan dalam daftar pustaka.
PERNYATAAN Dengan ini saya menyatakan bahwa dalam skripsi ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi dan sepanjang pengetahuan saya juga
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Data yang digunakan dalam penelitian ini adalah data warehouse
1.1.Pengumpulan data BAB IV HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data warehouse Graduation Universitas Muhammadiyah Yogyakarta pada Fakultas Teknik UMY tahun kelulusan 2013,
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciMANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR
MANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI TESIS DAN SUMBER
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 terperinciPOST PRUNING POHON KEPUTUSAN SPASIAL UNTUK KLASIFIKASI KEMUNCULAN TITIK PANAS ANDI DYNAWAVY NURZAKYAH
POST PRUNING POHON KEPUTUSAN SPASIAL UNTUK KLASIFIKASI KEMUNCULAN TITIK PANAS ANDI DYNAWAVY NURZAKYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih 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 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 terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih 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 terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dalam hal Penerimaan Mahasiswa Baru (PMB) khususnya di Universitas Kristen Duta Wacana (UKDW), keputusan akhir penerimaan ada ditangan Ketua Program Studi (Kaprodi)
Lebih terperinciTabel 2 Jumlah data prosedur uji. Crop Variable. Jumlah data LAI 104 SPAD 105 yield 64 LAI 104 SPAD 105 yield 64 LAI 62 SPAD 63 yield 34.
2. Cross validation 5 fold dengan pemisahan data Indramayu dan, menggunakan data berikut: 3. Supplied test set : training:, testing: Hymap training:, testing: Hymap 4. Percentage split dengan data training
Lebih terperinciMETODE PENELITIAN. Gambar 2 Tahapan penelitian. Praproses Data
daerah dalam lingkup R dan f(r) adalah fungsi yang dijalankan pada lingkup R. Mekanisme algoritme Naive adalah sebagai berikut : 1 Menentukan dataset D yang merupakan himpunan seluruh poligon / daerah
Lebih terperinciPEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO
PEMBANGUNAN SISTEM DATA MINING UNTUK DIAGNOSIS PENYAKIT DIABETES MENGGUNAKAN ALGORITME CLASSIFICATION BASED ASSOCIATION HERWANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 1 PERNYATAAN MENGENAI
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih 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 terperinciABSTRAK. Kata kunci : sistem pakar, penyakit gigi, konsultasi, algoritma ID3. vi Universitas Kristen Maranatha
ABSTRAK Aplikasi sistem pakar diagnosa penyakit gigi dengan pembelajaran mesin ini dibuat untuk membantu pasien dan juga pakar untuk melakukan diagnosa awal penyakit yang dialami pasien berdasarkan gejala-gejala
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciPEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI
PEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Lebih terperincia. Prosesor yang digunakan adalah Intel Core i3 1.9 Ghz b. RAM dengan ukuran 2GB c. Harddisk dengan ukuran 500GB d. Layar monitor 14.
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Beberapa perangkat yang digunakan untuk mengerjakan tugas akhir ini adalah sebagai berikut : 1. Perangkat Lunak Dalam melakukan penelitian, peneliti menggunakan
Lebih terperinciLingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENYALURAN KREDIT DI BANK UMUM MILIK NEGARA PERIODE TAHUN RENALDO PRIMA SUTIKNO
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENYALURAN KREDIT DI BANK UMUM MILIK NEGARA PERIODE TAHUN 2004-2012 RENALDO PRIMA SUTIKNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI
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 terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinciSTRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH
i STRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 iii PERNYATAAN
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah 1.2. Rumusan Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Suatu perusahaan yang memiliki jasa pengiriman barang yang bergerak di dalam kota mempunyai beberapa masalah. Salah satu analisis yang bisa dilakukan adalah
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 terperinciKLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME RANDOM FOREST RESA RUKMIGAYATRI
KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME RANDOM FOREST RESA RUKMIGAYATRI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENGEMBANGAN MODUL UPDATE DATA PADA SISTEM SPATIAL DATA WAREHOUSE HOTSPOT BOLIVIANTO KUSUMAH
PENGEMBANGAN MODUL UPDATE DATA PADA SISTEM SPATIAL DATA WAREHOUSE HOTSPOT BOLIVIANTO KUSUMAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
Lebih terperinciTEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH
TEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 TEMPORAL QUESTION ANSWERING
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciPENGEMBANGAN MODEL SINGLE SIGN-ON UNTUK LAYANAN INTERNET DAN PROXY IPB PRIYO PUJI NUGROHO
PENGEMBANGAN MODEL SINGLE SIGN-ON UNTUK LAYANAN INTERNET DAN PROXY IPB PRIYO PUJI NUGROHO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 PENGEMBANGAN
Lebih terperinciHALAMAN PERNYATAAN. Yogyakarta, 26 Juli 2017 Yang menyatakan, Jaenudin
HALAMAN PERNYATAAN Saya yang bertanda tangan di bawah ini: Nama : Jaenudin NIM : 20130140074 Program studi : Teknik Informatika Fakultas : Teknik Jenis karya : Skripsi Judul karya : Penerapan Transformasi
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih terperinciBAB III METODOLOGI PENELITIAN. digunakan pada proses rekomendasi penjurusan pada jenjang menengah. Merumuskan Masalah
A. Desain Penelitian BAB III METODOLOGI PENELITIAN Gambar 3.1 berikut ini merupakan desain penelitian yang akan digunakan pada proses rekomendasi penjurusan pada jenjang menengah atas. Merumuskan Masalah
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciAPLIKASI SEQUENTIAL PATTERN MINING PADA DATA TITIK PANAS DI LAHAN GAMBUT SUMATRA DAN KALIMANTAN AIZUL FADIN
APLIKASI SEQUENTIAL PATTERN MINING PADA DATA TITIK PANAS DI LAHAN GAMBUT SUMATRA DAN KALIMANTAN AIZUL FADIN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB III METODOLOGI 3.1. Prosedur Penelitian Identifikasi Masalah
BAB III METODOLOGI Dalam penelitian ini metodologi memegang peranan penting guna mendapatkan data yang obyektik, valid dan selanjutnya digunakan untuk memecahkan permasalahan yang telah dirumuskan. Maka
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinci