LEARNING ARTIFICIAL INTELLIGENT
|
|
- Liani Glenna Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 LEARNING ARTIFICIAL INTELLIGENT
2 Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes
3 Data Latih 1 Decision Tree??? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2 Bagus Sedang P3 Bagus Sedang P4 Bagus Rendah P5 Cukup Tinggi P6 Cukup Sedang P7 Cukup Sedang P8 Cukup Rendah P9 Kurang Tinggi P10 Kurang Sedang P11 Kurang Rendah
4 Wawancara Tinggi Sedang Rendah IPK Bagus Cukup Kurang
5 Atruan (Rule) JIKA wawancara = baik MAKA diterima JIKA wawancara = buruk AND psikologi = sedang AND ipk = bagus MAKA diterima JIKA wawancara = buruk AND psikologi = sedang AND ipk = cukup MAKA diterima JIKA wawancara = buruk AND psikologi = sedang AND ipk = kurang MAKA ditolak JIKA wawancara = buruk AND psikologi = rendah MAKA ditolak JIKA wawancara = buruk AND psikologi = tinggi MAKA ditolak
6 Aturan (Rule) ' ' ')) ' ( ') ' ( ') ' (( ')) ' ( ') ' ( ') ' (( ') ' ( Diterima Cukup IPK Sedang Wawancara Bagus IPK Sedang Wawancara Wawancara
7 Diskusi Jika terdapat dua atribut dengan IG yang sama? Jika ada data yang sama tetapi kelasnya berbeda? Berapa jumlah learning data minimum? Imbalance Class?
8 Dua atribut dengan IG sama? Gain(S,IPK) = 0,0049 Gain(S,) = 0,4040 Gain(S,Wawancara) = 0,4040
9 Data sama, kelasnya beda? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2 Bagus Sedang P3 Bagus Sedang P4 Bagus Rendah P5 Cukup Tinggi P6 Cukup Sedang P7 Cukup Sedang P8 Cukup Sedang P9 Kurang Tinggi P10 Kurang Sedang P11 Kurang Rendah
10 Jumlah learning data? Masalah Sentiment Analysis atau Spam Filtering kata Masing-masing kata muncul kali Training data: postingan atau
11 Imbalance Class? Data latih untuk tiap kelas tidak seimbang Terutama untuk kasus data kesehatan (rekam medis) Misalnya: klasifikasi penyakit
12 Data 2 Decision Tree??? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2 Bagus Sedang P3 Bagus Sedang P4 Bagus Rendah P5 Cukup Tinggi P6 Cukup Sedang P7 Cukup Sedang P8 Cukup Rendah P9 Kurang Tinggi P10 Kurang Sedang P11 Kurang Sedang P12 Kurang Rendah
13 Wawancara (Wawancara '' ) Diterima ''
14 Data Uji 1 Pelamar IPK Wawancara Diterima P13 Bagus Tinggi P14 Bagus Rendah P15 Cukup Tinggi P16 Cukup Rendah P17 Kurang Tinggi P18 Kurang Rendah Akurasi = 6/6 = 100%
15 Data Uji 2 Pelamar IPK Wawancara Diterima P13 Bagus Tinggi P14 Bagus Rendah P15 Cukup Tinggi P16 Cukup Rendah P17 Kurang Tinggi P18 Kurang Rendah Akurasi = 3/6 = 50%
16 Data Latih 3 Decision Tree??? Pelamar IPK Wawancara Diterima G1 Bagus Tinggi G2 Bagus Tinggi G3 Bagus Sedang Kombinasi G4 Bagus Rendah = 3 x 3 x 4 = 36 G5 Cukup Tinggi Terdapat G6 Cukup 22 Sedang data yang lain G7 Cukup Sedang G8 Cukup Rendah G9 Cukup Rendah G10 Kurang Tinggi G11 Kurang Tinggi G12 Kurang Sedang G13 Kurang Sedang G14 Kurang Rendah
17 Decision Tree (ID3) IPK Bagus Cukup Kurang Untuk Data Latih, Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Akurasi = 14/14 = 100% Wawancara Wawancara
18 Pelamar IPK Wawancara Diterima G15 Bagus Tinggi G16 Bagus Tinggi G17 Bagus Sedang G18 Bagus Sedang G19 Bagus Sedang G20 Bagus Rendah G21 Bagus Rendah G22 Bagus Rendah G23 Cukup Tinggi Untuk G24 Cukup Data Tinggi Uji, G25 Cukup Tinggi G26 Cukup Sedang G27 Cukup Sedang Akurasi = 15/22 = 68% G28 Cukup Rendah G29 Cukup Rendah G30 Kurang Tinggi Overfit G31 Kurang Tinggi G32 Kurang Sedang G33 Kurang Sedang G34 Kurang Rendah G35 Kurang Rendah G36 Kurang Rendah
19 Overfit Terlalu pas (ngepres) akurat untuk data latih Kurang akurat untuk data uji (unseen data)
20 Overfit Data Latih: Data Uji: Ukuran pohon Akurasi (Latih) Akurasi (Uji) Akurasi Total % 70% / = 70, % 90% / = 90,04
21 1,00 0,95 0,90 0,85 Akurasi 0,80 0,75 0,70 0,65 0,60 Data latih Data uji Ukuran pohon keputusan (Jumlah simpul)
22 Mengatasi Overfit Reduced Error Pruning (REP) Rule Post-Pruning (RPP) Data dibagi menjadi 3 bagian: Data Latih membangun DT Data Validasi validasi DT Data Uji Porsi untuk ketiga data? Misal: 30%, 20%, 50%
23 Reduced Error Pruning (REP) Train 97% Validation 97% Test 95 % Tree size: 40 1,00 0,95 0,90 0,85 Akurasi 0,80 0,75 0,70 0,65 0,60 Training set Validation set Test set (dengan pemotongan) Test set (tanpa pemotongan) Ukuran pohon keputusan (Jumlah simpul)
24 Rule Post-Pruning (RPP) Dengan menggunakan sampel-sampel data pada training set, bangun pohon keputusan. Biarkan overfitting terjadi. Ubah pohon keputusan yang dihasilkan menjadi sekumpulan aturan. Pangkas setiap aturan dengan cara menghilangkan setiap prekondisi yang membuat akurasi perkiraan dari aturan tersebut menjadi lebih baik. Urutkan aturan-aturan hasil pemangkasan berdasarkan akurasi perkiraannya. Pilih aturan-aturan hasil pemangkasan berdasarkan urutan tersebut.
25 Data Latih 3 Decision Tree??? Pelamar IPK Wawancara Diterima G1 Bagus Tinggi G2 Bagus Tinggi G3 Bagus Sedang G4 Bagus Rendah G5 Cukup Tinggi G6 Cukup Sedang G7 Cukup Sedang G8 Cukup Rendah G9 Cukup Rendah G10 Kurang Tinggi G11 Kurang Tinggi G12 Kurang Sedang G13 Kurang Sedang G14 Kurang Rendah
26 Decision Tree (ID3) IPK Bagus Cukup Kurang Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Wawancara Wawancara
27 1. (IPK= Bagus ) (= Tinggi ) Diterima= 2. (IPK= Bagus ) (= Sedang ) Diterima= 3. (IPK= Bagus ) (= Rendah ) Diterima= 4. (IPK= Cukup ) (= Tinggi ) Diterima= 5. (IPK= Cukup ) (= Sedang ) Diterima= 6. (IPK= Cukup ) (= Rendah ) (Wawancara= ) Diterima= 7. (IPK= Cukup ) (= Rendah ) (Wawancara= ) Diterima= 8. (IPK= Cukup ) (= Rendah ) (Wawancara= ) Diterima= 9. (IPK= Cukup ) (= Rendah ) (Wawancara= )Diterima= 10.(IPK= Kurang ) (= Tinggi ) (Wawancara= ) Diterima= 11.(IPK= Kurang ) (= Tinggi ) (Wawancara= ) Diterima= 12.(IPK= Kurang ) (= Tinggi ) (Wawancara= ) Diterima= 13.(IPK= Kurang ) (= Tinggi ) (Wawancara= ) Diterima= 14.(IPK= Kurang ) (= Sedang ) Diterima= 15.(IPK= Kurang ) (= Rendah ) Diterima=
28 Decision Tree (ID3) IPK Bagus Cukup Kurang Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Wawancara Wawancara Akurasi Latih = 14/14 = 100% Akurasi Validasi = 15/22 = 68% Akurasi Total = 29/36 = 81%
29 Decision Tree (ID3) IPK Bagus Cukup Kurang Tinggi Sedang Rendah Tinggi Sedang Rendah Wawancara Wawancara Akurasi Latih = 13/14 = 93% Akurasi Validasi = 18/22 = 82% Akurasi Total = 31/36 = 86%
30 Decision Tree (ID3) IPK Bagus Cukup Kurang Tinggi Sedang Rendah Tinggi Sedang Rendah Wawancara Akurasi Latih = 12/14 = 86% Akurasi Validasi = 20/22 = 92% Akurasi Total = 32/36 = 89%
31 Decision Tree (ID3) IPK Bagus Cukup Kurang Tinggi Sedang Rendah Tinggi Sedang Rendah Akurasi Latih = 11/14 = 78% Akurasi Validasi = 22/22 = 100% Akurasi Total = 33/36 = 92%
32 Data Latih 3 Decision Tree??? Pelamar IPK Wawancara Diterima G1 Bagus Tinggi G2 Bagus Tinggi G3 Bagus Sedang Kombinasi G4 Bagus Rendah = 3 x 3 x 4 = 36 G5 Cukup Tinggi Terdapat G6 Cukup 22 Sedang data yang lain G7 Cukup Sedang G8 Cukup Rendah G9 Cukup Rendah G10 Kurang Tinggi G11 Kurang Tinggi G12 Kurang Sedang G13 Kurang Sedang G14 Kurang Rendah
33 Decision Tree (ID3) IPK Bagus Cukup Kurang Untuk Data Latih, Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Akurasi = 14/14 = 100% Wawancara Wawancara
34 Pelamar IPK Wawancara Diterima G15 Bagus Tinggi G16 Bagus Tinggi G17 Bagus Sedang G18 Bagus Sedang G19 Bagus Sedang G20 Bagus Rendah G21 Bagus Rendah G22 Bagus Rendah G23 Cukup Tinggi G24 Cukup Tinggi G25 Cukup Tinggi G26 Cukup Sedang G27 Cukup Sedang G28 Cukup Rendah G29 Cukup Rendah G30 Kurang Tinggi G31 Kurang Tinggi G32 Kurang Sedang G33 Kurang Sedang G34 Kurang Rendah G35 Kurang Rendah G36 Kurang Rendah Untuk Data Uji, Akurasi = 15/22 = 68% Overfit
35 Data Latih 2 Decision Tree??? Pelamar IPK Wawancara Diterima P1 Bagus Tinggi P2 Bagus Sedang P3 Bagus Sedang P4 Bagus Rendah P5 Cukup Tinggi P6 Cukup Sedang P7 Cukup Sedang P8 Cukup Rendah P9 Kurang Tinggi P10 Kurang Sedang P11 Kurang Sedang P12 Kurang Rendah
36 Wawancara (Wawancara '' ) Diterima ''
37 Data Uji 2 Pelamar IPK Wawancara Diterima P13 Bagus Tinggi P14 Bagus Rendah P15 Cukup Tinggi P16 Cukup Rendah P17 Kurang Tinggi P18 Kurang Rendah Akurasi = 3/6 = 50% Overfit
38 Data Latih 3 Decision Tree??? Pelamar IPK Wawancara Diterima G1 Bagus Tinggi G2 Bagus Tinggi G3 Bagus Sedang G4 Bagus Rendah G5 Cukup Tinggi G6 Cukup Sedang G7 Cukup Sedang G8 Cukup Rendah G9 Cukup Rendah G10 Kurang Tinggi G11 Kurang Tinggi G12 Kurang Sedang G13 Kurang Sedang G14 Kurang Rendah
39 Decision Tree (ID3) IPK Bagus Cukup Kurang Untuk Data Latih, Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Akurasi = 14/14 = 100% Wawancara Wawancara
40 Pelamar IPK Wawancara Diterima G15 Bagus Tinggi G16 Bagus Tinggi G17 Bagus Sedang G18 Bagus Sedang G19 Bagus Sedang G20 Bagus Rendah G21 Bagus Rendah G22 Bagus Rendah G23 Cukup Tinggi G24 Cukup Tinggi G25 Cukup Tinggi G26 Cukup Sedang G27 Cukup Sedang G28 Cukup Rendah G29 Cukup Rendah G30 Kurang Tinggi G31 Kurang Tinggi G32 Kurang Sedang G33 Kurang Sedang G34 Kurang Rendah G35 Kurang Rendah G36 Kurang Rendah Untuk Data Uji, Akurasi = 15/22 = 68% Overfit
41 Decision Tree (ID3) IPK Bagus Cukup Kurang Tinggi Sedang Rendah Tinggi Sedang Rendah Akurasi Latih = 11/14 = 78% Akurasi Validasi = 22/22 = 100% Akurasi Total = 33/36 = 92% Flexible (Latih & Validasi)
42 Data Kontinyu Pelamar IPK Wawancara Diterima P1 3,75 Tinggi P2 3,25 Sedang P3 3,93 Sedang P4 3,12 Rendah P5 2,85 Tinggi P6 2,79 Sedang P7 2,98 Sedang P8 2,83 Rendah P9 2,21 Tinggi P10 2,63 Sedang P11 2,50 Rendah
43 IPK 3,75 3,25 3,93 3,12 2,85 2,79 2,98 2,83 2,21 2,63 2,50
44 Referensi : Suyanto Artificial Intelligence: Searching, Reasoning, Planning and Learning. Informatika, Bandung Indonesia. ISBN: Russel, Stuart and Norvig, Peter Artificial Intelligence: A Modern Approach. Prentice Hall International, Inc.
LEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) IKG2J3 KECERDASAN BUATAN Disusun oleh: PROGRAM STUDI ILMU KOMPUTASI FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Semester (RPS) ini telah disahkan
Lebih terperinciTK36301 PENGANTAR KECERDASAN BUATAN
RENCANA PEMBELAJARAN SEMESTER (RPS) TK36301 PENGANTAR KECERDASAN BUATAN DISUSUN OLEH : APRIANTI PUTRI SUJANA, S.KOM., M.T. PROGRAM STUDI S1 SISTEM KOMPUTER FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
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 terperinciKI Kecerdasan Buatan Materi 6: Pencarian dgn. Lihat Status Lawan (Adversarial Search)
[AIMA] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, A Modern Approach" rd Ed., Prentice Hall, New Jersey, KI9 Kecerdasan Buatan Materi 6: Pencarian dgn. Lihat Status Lawan (Adversarial Search)
Lebih terperinciSuyanto, Artificial Intelligence
Suyanto, Artificial Intelligence 12/11/2009 1 Merupakan metode yang berusaha menemukan fungsi-fungsi pendekatan yang bernilai diskrit. Banyak digunakan dalam data mining untuk klasifikasi. Dua fase : Learning/pembelajaran
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN
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 terperinciData Mining Pengklasifikasian: Konsep Dasar, Pohon Keputusan, and Evaluasi Model. Pengklasifikasian: Definisi. Catatan Kuliah untuk Bab 4
Data Mining Pengklasifikasian: Konsep Dasar, Pohon Keputusan, and Evaluasi Catatan Kuliah untuk Bab 4 Pengantar Data Mining oleh Tan, Steinbach, Kumar dialihbahasakan oleh Tim Pengajar Konsep Data Mining
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
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 terperinciKECERDASAN BUATAN ARTIFICIAL INTELLIGENCE. Copyright: Anik Handayani FT-UM
KECERDASAN BUATAN ARTIFICIAL INTELLIGENCE Copyright: Anik Handayani FT-UM ARTIFICIAL INTELLIGENCE Mata Kuliah:Kecerdasan Buatan (Artificial Intelligence/AI) Deskripsi Mengenai Kecerdasan Buatan Kecerdasan
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CSG3G3 KECERDASAN ARTIFISIAL Disusun oleh: Tjokorda Agung B.W. Untari Novia Wisesty PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciPENERAPAN ALGORITMA BIDIRECTIONAL A* PADA MOBILE NAVIGATION SYSTEM
PENERAPAN ALGORITMA BIDIRECTIONAL A* PADA MOBILE NAVIGATION SYSTEM Indra Siregar 13508605 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih 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 terperinciLEARNING. Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan Buatan)
LEARNING Jiawei Han and Micheline Kamber. 2006. Data Mining Concepts and Techniques. San Fransisco : Elsevier M.Tim Jones. Artificial Intelligence A System Approach. Slide Kuliah Data Mining - Klasifikasi,
Lebih terperinciPengembangan Aplikasi Decision Tree Iterative Dichotomiser 3 untuk Klasifikasi Positif atau Negatif Obesitas pada Balita
ISSN 2356-4393 Pengembangan Aplikasi Decision Tree Iterative Dichotomiser 3 untuk Klasifikasi Positif atau Ne Obesitas pada Balita Dewi Kurnia Anggraeni 1), Yulius Denny Prabowo 2) Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT OUTLINE Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes JARINGAN SYARAF TIRUAN (JST) Intro Definisi ANN Model Matematis Neuron Fungsi Aktivasi
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciBAB I PENDAHULUAN. jurusan ditentukan berdasarkan standar kriteria tiap jurusan.
BAB I PENDAHULUAN 1.1 Latar Belakang Pratiwi (2014) berpendapat Sekolah Menengah Atas (SMA) merupakan suatu instansi pendidikan yang di dalamnya terdapat proses pengambilan keputusan jurusan siswa kelas
Lebih terperinciL ctur er: M. Mift Mi ak ft ul Am A i m n i,,s. Kom om,. M. M. ng.
POLITEKNIK NEGERI SRIWIJAYA Jurusan Teknik Komputer Program Studi D3 Teknik Komputer Lecturer: M. Miftakul Amin, S. Kom., M. Eng. Intelegensi Buatan Sesi 1 Pengantar Intelegensi Buatan 2015 Intelegensi
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 terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciPENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MENGGUNAKAN METODA POHON KEPUTUSAN ID3
PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MENGGUNAKAN METODA POHON KEPUTUSAN ID3 Youllia Indrawaty N 1), Mira Musrini Barmawi 2), Andreas Sinaga 3) 1,2,3) Jurusan Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciPERBANDINGAN ALGORITMA ID3 DAN C5.0 DALAM INDENTIFIKASI PENJURUSAN SISWA SMA
PERBANDINGAN ALGORITMA ID3 DAN C5.0 DALAM INDENTIFIKASI PENJURUSAN SISWA SMA *Holisatul Munawaroh, **Bain Khusnul K,S.T.,M.Kom ***Yeni Kustiyahningsih,S.Kom.,M.Kom Program Studi Teknik Informatika, Universitas
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih 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 terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
Lebih terperinciMateri Praktikum Data Mining Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala
Materi Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala Dosen Pengasuh Dr. Taufik Fuadi Abidin, M.Tech Dr. Muhammad Subianto, M.Si {tfa,subianto}@informatika.unsyiah.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih 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 terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap siswa di dalam kelas memiliki karakteristik diri yang berbeda beda, seperti : jujur, empati, sopan, menghargai dan sebagainya. Karakteristik diri tersebut berperan
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciPERBANDINGAN ALGORITMA C4.5 DENGAN C4.5 BAGGING DALAM MEMPREDIKSI DAN ANALISA DATA SET PEMILIH MINYAK PELUMAS MESIN (OLI) PADA KEDARAAN RODA DUA
D.1 PERBANDINGAN ALGORITMA C4.5 DENGAN C4.5 BAGGING DALAM MEMPREDIKSI DAN ANALISA DATA SET PEMILIH MINYAK PELUMAS MESIN (OLI) PADA KEDARAAN RODA DUA Tri Ginanjar Laksana *, Fahrudin Mukti Wibowo Jurusan
Lebih terperinciKI Kecerdasan Buatan Materi 7: Pencarian dgn. Batasan Kondisi (Constraint Satisfaction Problems)
[AIMA] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, A Modern Approach" 3rd Ed., Prentice Hall, New Jersey, 200 KI09322 Kecerdasan Buatan Materi 7: Pencarian dgn. Batasan Kondisi (Constraint
Lebih terperinciAgus Alim Muin S.Kom, M.Kom
Technologia Vol 7, No.4, Oktober Desember 2016 245 PENERAPAN SELEKSI ATRIBUT WEIGHTS BY INFORMATION GAIN DAN SELECT BY WEIGHTS PADA ALGORITMA NAÏVE BAYES UNTUK PREDIKSI KOLEKTIBILITAS PEMBIAYAAN USAHA
Lebih terperinciBAB I PENDAHULUAN. (intelligent system) adalah sistem yang dibangun dengan menggunakan
BAB I PENDAHULUAN A. Latar Belakang Kecerdasan buatan atau artificial intelligence merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit Kanker merupakan suatu peyakit yang paling ditakuti oleh masyakat karena proses penyembuhannya yang sulit, efek yang ditimbulkan dan memerlukan biaya yang
Lebih terperinciPenggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah
Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk Kuliah Selly Artaty Zega Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknik Informatika, Politeknik
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciBAB II 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 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 terperinciKETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI
KETEPATAN KLASIFIKASI STATUS KERJA DI KOTA TEGAL MENGGUNAKAN ALGORITMA C4.5 DAN FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS (FK-NNC) SKRIPSI Disusun Oleh : ATIKA ELSADINING TYAS 24010211120013 JURUSAN STATISTIKA
Lebih terperinciSTUDI PENERAPAN ALGORITMA DIJKSTRA DAN ALGORITMA A* DALAM MENENTUKAN RUTE TERPENDEK PADA ROBOT PEMADAM API
STUDI PENERAPAN ALGORITMA DIJKSTRA DAN ALGORITMA A* DALAM MENENTUKAN RUTE TERPENDEK PADA ROBOT PEMADAM API Akhmad Alfan Hidayatullah, Anik Nur Handayani, Muhammad Jauharul Fuady Teknik Elektro - Universitas
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENJURUSAN SLTA DENGAN METODE ID3 DAN C4.5.
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PENJURUSAN SLTA DENGAN METODE ID3 DAN C4.5. Eza Rahmanita1, Yeni Kustiyahningsih 1. Universitas Trunojoyo, Madura. Univesitas Trunojoyo, Madura Kontak Person:
Lebih terperinciPERANCANGAN SYSTEM PAKAR GENERIC MENGGUNAKAN BINARY TREE
PERANCANGAN SYSTEM PAKAR GENERIC MENGGUNAKAN BINARY TREE Luky Agus Hermanto, ST., MT. Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya Jl. Arif Rahman Hakim
Lebih terperinciPerbandingan Performansi Algoritma Decision Tree CART dan CHAID
Perbandingan Performansi Algoritma Decision Tree CART dan CHAID Mohamad Abdul Kadir / 13507134 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
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 terperinciPerancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Pemilihan ISP Dengan Algoritma C 4.5 Studi Kasus STMIK STIKOM BALI I Made Darma Susila 1), Ida Bagus Suradarma
Lebih terperinciAPLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3
APLIKASI KLASIFIKASI PEMENUHAN GIZI PADA LANSIA MENGGUNAKAN METODE DECISION TREE ID3 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem
Lebih terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciBAB I PENDAHULUAN. Jumlah spam di dunia semakin meningkat secara eksponensial.
BAB I PENDAHULUAN 1.1 Latar Belakang Jumlah email spam di dunia semakin meningkat secara eksponensial. Dilaporkan bahwa pada tahun 1978 sebuah email spam dikirimkan ke 600 alamat email. Sedangkan pada
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 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 terperinciImplementasi dan Analisa Granular Support Vector Machine with Data Cleaning (GSVM-DC) untuk Spam Filtering
Implementasi dan Analisa Granular Support Vector Machine with Data Cleaning (GSVM-DC) untuk E-mail Spam Filtering Proposal Tugas Akhir KBK: Rekayasa Perangkat Lunak dan Data (RPLD) Moh. Mahsus 113060088
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciSILABUS MATAKULIAH. Indikator Pokok Bahasan/Materi Strategi Pembelajaran KONTRAK KULIAH DAN PREVIEW MATERI. PENGENALAN KECERDASAN BUATAN a.
SILABUS MATAKULIAH Revisi : 2 Tanggal Berlaku : Maret 2014 A. Identitas 1. Nama Matakuliah : A11. 54605 / Kecerdasan Buatan 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot
Lebih terperinciDAFTAR ISI PHP... 15
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii HALAMAN PERSEMBAHAN... iv HALAMAN MOTTO... v KATA PENGANTAR... vi INTISARI... viii DAFTAR ISI... ix DAFTAR GAMBAR... xii
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 DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Deteksi Bola 2.1.1. Colorspace Colorspace adalah model abstraksi matematis
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciKonsep Data Mining. Klasifikasi : Pohon Keputusan. Bertalya Universitas Gunadarma 2009
Konsep Data Mining Klasifikasi : Pohon Keputusan Bertalya Universitas Gunadarma 2009 Definisi Klasifikasi Proses untuk menyatakan suatu objek ke salah satu kategori yg sudah didefinisikan sebelumnya. Proses
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih 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 terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4I3 SISTEM REKOGNISI Disusun oleh: Tjokorda Agung Wirayudha PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Semester
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciKECERDASAN BUATAN UNTUK MENYELESAIKAN RUBIK S CUBE DENGAN ALGORITMA IDA*
KECERDASAN BUATAN UNTUK MENYELESAIKAN RUBIK S CUBE DENGAN ALGORITMA IDA* Ardhan Wahyu R 1, Purwanto 2, dan Susy Kuspambudi A 3 Universitas Negeri Malang E-mail: ardhan.matematika@gmail.com; purmatum@yahoo.com;
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa,
BAB II TINJAUAN PUSTAKA 2.1 Terdahulu Dalam penelitian ini, peneliti juga menyertakan beberapa uraian singkat mengenai penelitian terdahulu, tentang prediksi lama masa studi mahasiswa, klasifikasi, metode
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciANALISIS DAN IMPLEMENTASI PERBANDINGAN ALGORITMA C.45 DENGAN NAÏVE BAYES UNTUK PREDIKSI PENAWARAN PRODUK
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 5029 ANALISIS DAN IMPLEMENTASI PERBANDINGAN ALGORITMA C.45 DENGAN NAÏVE BAYES UNTUK PREDIKSI PENAWARAN PRODUK Comparative Analysis
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
Lebih terperinciALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG
ALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG Ade Yuliana 1, Duwi Bayu Pratomo 2 1,2 Program Studi Teknik Informatika - Politeknik TEDC
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
Lebih terperinciBAB I PENDAHULUAN. dan masyarakat, karena melalui pendidikan pengembangan berbagai potensi yang
BAB I PENDAHULUAN 1. 1 Latar Belakang Pendidikan memegang peranan yang penting dalam menunjang kemajuan bangsa dan masyarakat, karena melalui pendidikan pengembangan berbagai potensi yang dimiliki oleh
Lebih terperinciSTANDART PENGUJIAN PADA LAPORAN TUGAS AKHIR PRODI TI STMIK ASIA MALANG T.A 2017/2018
STANDART PENGUJIAN PADA LAPORAN TUGAS AKHIR PRODI TI STMIK ASIA MALANG T.A 201/2018 1. Data Mining a. Uji Cross Validation c. Uji Pelatihan 2. Jaringan Syaraf Tiruan a. Uji Cross Validation c. Uji Pelatihan
Lebih terperinciANALISIS DAN IMPLEMENTASI KLASIFIKASI DATA MINING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN EVOLUTION STRATEGIS
ANALISIS DAN IMPLEMENTASI KLASIFIKASI DATA MINING MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN EVOLUTION STRATEGIS Naufar Rifqi, Warih Maharani, dan Shaufiah Fakultas Informatika, IT Telkom Bandung rudvanovaroy@yahoo.com,
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPENGEMBANGAN HEURISTIK DIFERENSIAL TERKOMPRESI UNTUK ALGORITMA BLOCK A*
PENGEMBANGAN HEURISTIK DIFERENSIAL TERKOMPRESI UNTUK ALGORITMA BLOCK A* Teguh Budi Wicaksono 1), Rinaldi Munir 2) Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Bandung, Jawa Barat
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pendidikan adalah salah satu hal penting bagi kehidupan seseorang. Semua orang sadar begitu penting pendidikan di perlukan. Pendidikan juga dapat di katakan
Lebih terperinciPrediksi Kelayakan Masuk Penjurusan Ipa Siswa Sekolah Menengah Atas Menggunakan C4.5 (Studi Kasus: Sma Tarakanita Gading Serpong)
PREDIKSI KELAYAKAN MASUK PENJURUSAN IPA SISWA SEKOLAH MENENGAH ATAS MENGGUNAKAN C4.5 (Studi Kasus: SMA Tarakanita Gading Serpong) Rasi Rahwali 1, Seng Hansun 2, Yustinus Widya Wiratama 3 1,2,3 Program
Lebih terperinciArtificial intelligence
Artificial intelligence Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E : andri.pranolo@tif.uad.ac.id Informatics Engineering,
Lebih terperinci1. Model Prediksi Ini Menggunakan Tools RapidMiner
1. Model Prediksi Ini Menggunakan Tools RapidMiner RapidMiner memiliki keunggulan tersendiri, RapidMiner merupakan aplikasi data mining berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia
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 terperinciSILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 04 September 2015
SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 04 September 2015 A. Identitas 1. Nama Matakuliah : Sistem Cerdas 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS
9 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK SELEKSI CALON PENERIMA BEASISWA TINGKAT UNIVERSITAS Nadiya Hijriana 1) dan Muhammad Rasyidan 2) 1,2 Program Studi Teknik Informatika Universitas Islam
Lebih terperinci