IMPLEMENTASI DECISION TREE UNTUK MEMPREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
|
|
- Hartanti Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IPLEENTASI DECISION TREE UNTUK EPREDIKSI JULAH AHASISWA PENGABIL ATAKULIAH DENGAN ENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORATIKA ITS Romauli anullang
2 Latar Belakang Pembuatan jadwal pada Jurusan Teknik lnformatika ITS harus dilakukan pada setiap pergantian semester. Pembuatan jadwal ini membutuhkan waktu, tenaga dan ketelitian. Adanya kesulitan untuk menentukan jumlah mahasiswa yang mengambil matakuliah tertentu pada tiap semester. 3
3 Perumusan asalah Bagaimana melakukan prediksi jumlah mahasiswa, yang mengambil matakuliah tertentu menggunakan pendekatan metode klasifikasi dalam decision tree? Bagaimana menentukan metode decision tree yang tepat berdasarkan karakteristik data? Bagaimana membangun rule pengklasifikasian prediksi jumlah mahasiswa pengambil matakuliah? Bagaimana mngimplementasikan metode klasifikasi decision tree? Bagaimana melakukan uji coba decision tree tersebut ke dalam atlab. 4
4 Tujuan embuat implementasi decision tree untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan menggunakan studi kasus di Jurusan Teknik Informatika ITS. 5
5 Batasan asalah Data yang diambil dari Sistem Informasi Akademik ITS telah benar. Studi kasus yang digunakan adalah Jurusan Teknik Informatika ITS Surabaya. embatasi nilai mahasiswa yang mengulang matakuliah yang memiliki nilai sebelumnya BC dan C. etode decision tree yang digunakan adalah C4.5 Implementasi dibuat dengan menggunakan atlab
6 Algoritma C4.5 Secara umum Algoritma C4.5 membangun pohon keputusan: a. Pilih atribut sebagai root. b. Buat cabang untuk masing-masing nilai. c. Bagi kasus dalam cabang. d. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama. 9
7 Information Gain Atribut A (Gain(a)) Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Dengan: S : Himpunan Kasus A : Atribut n : Jumlah partisi atribut A S i : Jumlah Kasus pada partisi ke i S : Jumlah kasus dalam S 10
8 Entropy (Teori Informasi) Kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai Entropy maka semakin baik untuk digunakan dalam mengekstraksi suatu kelas. Dengan: S : Himpunan Kasus n : Jumlah partisi S p : Proporsi dari S i terhadap S 11
9 Algoritma Alpha Beta Alpha-beta pruning adalah algoritma pencarian yang mengurangi secara drastis jumlah simpul yang dibangkitkan untuk dievaluasi pada pohon pencarian yang dieksplorasi dalam algoritma inimax. Simpul IN akan dianggap sebagai simpul dengan urutan nilai dari rendah ke tinggi, dan simpul AX dari tinggi ke rendah. 12
10 Perancangan Blok Diagram Sistem Informasi Akademik Pengambil atakuliah 13
11 Diagram Alir Desain Sistem Secara Umum ulai Data Analisa Pengambil atakuliah Y Decision Tree dengan Prioritas pengambil atakuliah T Decision Tree dengan Pengambil atakuliah Decision Tree dengan Pengambil atakuliah Solusi Prediksi Pengambil atakuliah Selesai 14
12 Data Rule Decision Tree No. Nama Data Keterangan 1. Id ID untuk tiap kondisi. 2. Parent ID ID yang mewarisi kondisi. 3. Level Level tiap kondisi dalam tree. 4. Atribut Atribut yang ditunjuk oleh level. 5. Kondisi Nilai atribut yang ditunjuk oleh atribut. 16
13 Implementasi embaca file xls (read file xls). Inisialisasi kolom file xls. Filter, digunakan untuk mengklasifikasi data maka sesuai dengan atribut. Get data entropy, menghitung nilai entropy dari data xls pada setiap kategori. Get total entropy, menghitung nilai entropy total setiap atribut. Calculate max gain, menghitung nilai gain dari setiap atribut berdasarkan nilai entropy dari kategori dan mencari nilai maksimal dari nilai gain. Get child node, sama tapi memanggil eliminate_category yang berfungsi membuang kategori parent (parent sebelumnya tidak anggap). 18
14 Pruning 1. emeriksa node tiap level, dimulai level terdalam. 2. Pada tiap level mengelompokkan node sesuai parent nodenya. 3. Pada setiap kelompok, diperiksa apakah memiliki value yg sama (mengulang/tidak mengulang) 4. Bila sama maka parent kelompok tersebut diubah node nya menjadi value, lalu node kelompok tersebut dipotong (pruning) 5. Bila berbeda maka dilanjut ke kelompok selanjutnya. 19
15 Uji Coba dan Evaluasi Data Uji Coba Data hasil analisa dari faktor-faktor yang mendukung mahasiswa pengambil matakuliah setiap semester yang diperoleh dari Sistem Informasi Akademik jurusan Teknik Informatika ITS Surabaya. 20
16 UJI COBA SKENARIO 1 Berdasarkan pemilihan atribut Nilai, Jenis Kelamin, Angkatan, Tahun Lahir, Semester dan Umur dari mahasiswa pengambil matakuliah 23
17 ALJABAR LINEAR TAHUN 2007 Berdasarkan pemilihan atribut Nilai, Jenis Kelamin, Tahun Lahir, Angkatan, IPK, dan Semester. Node Parent Label Level Type Atribut 1 NULL 'NILAI' 0 1 'NULL' 2 1 'TDK ENGULANG' 1 0 'A-B' 3 1 'KELAIN' 1 1 'BC-C' 4 3 'IPK' 2 1 'L' 5 4 'LAHIR' 3 1 '2-2.9' 6 5 'ENGULANG' 4 0 ' ' 7 5 'ENGULANG' 4 0 ' ' 8 5 'ANGKATAN' 4 1 ' ' 9 8 'SEESTER' 5 1 '2007' 10 9 'TDK ENGULANG' 6 0 'Ganjil' 11 9 'ENGULANG' 6 0 'Genap' 12 9 'ENGULANG' 5 0 '2008' 13 9 'ENGULANG' 5 0 '2009' 14 4 'TDK ENGULANG' 3 0 '3-4' 15 3 'LAHIR' 2 1 'P' 'ENGULANG' 3 0 ' ' 'ENGULANG' 3 0 ' ' 'ANGKATAN' 3 1 ' ' 'SEESTER' 4 1 '2007' 'IPK' 5 1 'Ganjil' 'ENGULANG' 6 0 '2-2.9' 'TDK ENGULANG' 6 0 '3-4' 'ENGULANG' 5 0 'Genap' 'ENGULANG' 4 0 '2008' 'ENGULANG' 4 0 '2009' 26 1 'ENGULANG' 1 0 'D-E' 24
18 Bentuk Tree Uji Aljabar Linear
19 NodePENGENALAN Parent Label POLA Level Type TAHUN Atribut NULL 'ANGKATAN' 0 1 'NULL' 2 1 'NILAI' 1 1 '2007' 3 2 'ENGULANG' 2 0 'A-B' 4 2 'IPK' 2 1 'BC-C' 5 4 'KELAIN' 3 1 '2-2.9' 6 5 'LAHIR' 4 1 'L' 7 6 'ENGULANG' 5 0 ' ' 8 6 'ENGULANG' 5 0 ' ' 9 6 'SEESTER' 5 1 ' ' 10 9 'ENGULANG' 6 0 'Ganjil' 11 9 'TDK ENGULANG' 6 0 'Genap' 12 5 'ENGULANG' 4 0 'P' 13 4 'TDK ENGULANG' 3 0 '3-4' 14 2 'ENGULANG' 2 0 'D-E' 15 1 'LAHIR' 1 1 '2008' 'ENGULANG' 2 0 ' ' 'ENGULANG' 2 0 ' ' 'IPK' 2 1 ' ' 'ENGULANG' 3 0 '2-2.9' 'KELAIN' 3 1 '3-4' 'SEESTER' 4 1 'L' 'ENGULANG' 5 0 'Ganjil' 'NILAI' 5 1 'Genap' 'TDK ENGULANG' 6 0 'A-B' 'TDK ENGULANG' 6 0 'BC-C' 'ENGULANG' 6 0 'D-E' 'ENGULANG' 4 0 'P' 28 1 'ENGULANG' 1 0 '2009' 26
20 Bentuk Tree Uji Pengenalan Pola A n g k a t a n N i la i L a h i r A - B B C - C D - E I P K I P K K e la m in T K e la m in L P L P L a h i r T S e m e s t e r A n g k a t a n G a n ji l G e n a p S e m e s t e r N il a i G a n j il G e n a p A - B B C - C D - E T T T 27
21 UJI COBA SKENARIO 2 Berdasarkan pemilihan atribut Nilai, Angkatan, Selisih tahun Prediksi, Penghasilan orangtua, IPS dan Umur dari mahasiswa pengambil matakuliah 28
22 ALJABAR LINEAR TAHUN 2007 Node Parent Label Level Type Atribut 1 'NULL' 'NILAI' 0 1 'NULL' 2 1 'UUR' 1 1 'BC' 3 2 'TDK ENGULANG' 2 0 '18-19' 4 2 'IPS' 2 1 '20-21' 5 4 'TDK ENGULANG' 3 0 '0-2.00' 6 4 'PENGHASILAN' 3 1 ' ' 7 6 'ENGULANG' 4 0 '>= ' 8 6 'ANGKATAN' 4 1 ' ' 9 8 'TDK ENGULANG' 5 0 '2004' 10 8 'SELISIH' 5 1 '2005' 'ENGULANG' 6 0 ' ' 'TDK ENGULANG' 6 0 ' ' 13 8 'ENGULANG' 5 0 '2006' 14 8 'ENGULANG' 5 0 '2007' 15 6 'TDK ENGULANG' 4 0 '<= ' 16 4 'SELISIH' 3 1 ' ' 'PENGHASILAN' 4 1 ' ' 'ENGULANG' 5 0 '>= ' 'TDK ENGULANG' 5 0 ' ' 'ANGKATAN' 5 1 '<= ' 'TDK ENGULANG' 6 0 '2004' 'ENGULANG' 6 0 '2005' 'ENGULANG' 6 0 '2006' 'ENGULANG' 6 0 '2007' 'TDK ENGULANG' 4 0 ' ' 26 2 'TDK ENGULANG' 2 0 '22-23' 27 1 'PENGHASILAN' 1 1 'C' 'UUR' 2 1 '>= ' 'ENGULANG' 3 0 '18-19' 'ENGULANG' 3 0 '20-21' 'TDK ENGULANG' 3 0 '22-23' 'UUR' 2 1 ' ' 'TDK ENGULANG' 3 0 '18-19' 'IPS' 3 1 '20-21' 'ENGULANG' 4 0 '0-2.00' 'TDK ENGULANG' 4 0 ' ' 'ANGKATAN' 4 1 ' ' 'TDK ENGULANG' 5 0 '2004' 'SELISIH' 5 1 '2005' 'ENGULANG' 6 0 ' ' 'TDK ENGULANG' 6 0 ' ' 'ENGULANG' 5 0 '2006' 'ENGULANG' 5 0 '2007' 'SELISIH' 3 1 '22-23' 'ANGKATAN' 4 1 ' ' 'IPS' 5 1 '2004' 'ENGULANG' 6 0 '0-2.00' 'TDK ENGULANG' 6 0 ' ' 'ENGULANG' 6 0 ' ' 'ENGULANG' 5 0 '2005' 'ENGULANG' 5 0 '2006' 'ENGULANG' 5 0 '2007' 'TDK ENGULANG' 4 0 ' ' 'TDK ENGULANG' 2 0 '<= ' 29
23 Bentuk Tree Aljabar linier tahun 2007 NILAI BC C Umur Hasil <=1jt 1jt-5jt >=5jt T IPS T T Umur Umur T Hasil Selisih T IPS Selisih T >=5jt 1jt-5jt <=1jt Angka tan T T Hasil T Angka tan T Angka tan T Selisih >=5jt 1jt-5jt T >=1jt Angk atan T Selisih IPS T T T 30
24 Tree Sebelum Dipruning Pengenalan Pola tahun 2007 Nod e Paren t Label Level Typ e Atribut 1 'NULL' 'PENGHASILAN' 0 1 'NULL' 2 1 'UUR' 1 1 '>= ' 3 2 'ENGULANG' 2 0 '18-19' 4 2 'ENGULANG' 2 0 '20-21' 5 2 'ENGULANG' 2 0 '22-23' 6 2 'TDK ENGULANG' 2 0 '24-25' 7 1 'TDK ENGULANG' 1 0 ' ' 8 1 'TDK ENGULANG' 1 0 '<= ' 31
25 Tree Setelah Dipruning Node Parent Label Level Type Atribut 1 'NULL' 'PENGHASILAN' 0 1 'NULL' 2 1 'ENGULANG' 1 0 '>= ' 7 1 'TDK ENGULANG' 1 0 ' ' 8 1 'TDK ENGULANG' 1 0 '<= ' 32
26 Bentuk Tree Pada Uji Coba Skenario 3 Uji coba yang dilakukan pada skenario 3 ini adalah berdasarkan pemilihan atribut Nilai, Selisih tahun Prediksi, Angkatan, IPS dan Umur dari mahasiswa pengambil matakuliah. 33
27 ALJABAR LINEAR TAHUN 2007 Node Parent Label Level Type Atribut 1 'NULL' 'NILAI' 0 1 'NULL' 2 1 'UUR' 1 1 'BC' 3 2 'TDK ENGULANG' 2 0 '18-19' 4 2 'IPS' 2 1 '20-21' 5 4 'TDK ENGULANG' 3 0 '0-2.00' 6 4 'ANGKATAN' 3 1 ' ' 7 6 'TDK ENGULANG' 4 0 '2004' 8 6 'SELISIH' 4 1 '2005' 9 6 'ENGULANG' 4 0 '2006' 10 6 'ENGULANG' 4 0 '2007' 11 4 'SELISIH' 3 1 ' ' 'ANGKATAN' 4 1 ' ' 'TDK ENGULANG' 4 0 ' ' 14 2 'TDK ENGULANG' 2 0 '22-23' 15 2 'ENGULANG' 2 0 '24-25' 16 1 'SELISIH' 1 1 'C' 'IPS' 2 1 ' ' 'ENGULANG' 3 0 '0-2.00' 'UUR' 3 1 ' ' 'ENGULANG' 4 0 '18-19' 'ANGKATAN' 4 1 '20-21' 'ANGKATAN' 4 1 '22-23' 'ENGULANG' 4 0 '24-25' 'ANGKATAN' 3 1 ' ' 'UUR' 4 1 '2004' 'ENGULANG' 4 0 '2005' 'ENGULANG' 4 0 '2006' 'ENGULANG' 4 0 '2007' 'IPS' 2 1 ' ' 'TDK ENGULANG' 3 0 '0-2.00' 'TDK ENGULANG' 3 0 ' ' 'ANGKATAN' 3 1 ' ' 'TDK ENGULANG' 4 0 '2004' 'UUR' 4 1 '2005' 'ENGULANG' 4 0 '2006' 'ENGULANG' 4 0 '2007' 34
28 Bentuk Tree Aljabar linier tahun
29 PENGENALAN POLA TAHUN 2007 Node Parent Label Level Type Atribut 1 'NULL' 'IPS' 0 1 'NULL' 2 1 'TDK ENGULANG' 1 0 '0-2.00' 3 1 'TDK ENGULANG' 1 0 ' ' 4 1 'NILAI' 1 1 ' ' 5 4 'TDK ENGULANG' 2 0 'BC' 6 4 'UUR' 2 1 'C' 7 6 'ENGULANG' 3 0 '18-19' 8 6 'ENGULANG' 3 0 '20-21' 9 6 'ANGKATAN' 3 1 '22-23' 10 9 'ENGULANG' 4 0 '2004' 11 9 'ENGULANG' 4 0 '2005' 12 9 'SELISIH' 4 1 '2006' 13 9 'ENGULANG' 4 0 '2007' 14 6 'TDK ENGULANG' 3 0 '24-25' 36
30 Bentuk Tree Pengenalan Pola tahun
31 Uji Coba Skenario 1 Ringkasan untuk uji coba sebelum dan setelah tree dipruning berdasarkan pemilihan atribut. Beberapa atribut yang dipilih untuk uji coba yaitu Nilai, Jenis Kelamin, Lahir, IPK, Angkatan dan Semester. atakuliah Jumlah Data engulang Sebenarnya Prediksi engulang Selisih Error (e) Aljabar Linear % Aljabar Linear ,3% Pengenalan Pola % Pengenalan Pola % Rata-rata 58,33% 38
32 Uji Coba Skenario 2 Ringkasan untuk uji coba sebelum tree dipruning berdasarkan pemilihan atribut. Beberapa atribut yang dipilih untuk uji coba yaitu Nilai, Selisih, Hasil, IPS, Angkatan dan Umur sebelum tree dipruning. atakuliah Jumlah engulang Prediksi Selisih Error (e) Data Sebenarnya engulang Aljabar Linear ,5% Aljabar Linear ,3% Pengenalan Pola % Pengenalan Pola % Rata-rata 61,45% 39
33 Setelah tree dipruning atakuliah Jumlah Data engulang Sebenarnya Prediksi engulang Selisih Error (e) Aljabar Linear ,5% Aljabar Linear ,6% Pengenalan Pola % Pengenalan Pola % Rata-rata 63,5% 40
34 Uji Coba Skenario 3 Ringkasan untuk uji coba berdasarkan pemilihan atribut sebelum dan setelah tree dipruning. Beberapa atribut yang dipilih untuk uji coba yaitu Nilai, Selisih, Angkatan, IPS dan Umur. Hasil tree sebelum dipruning. atakuliah Jumlah Data engulang Sebenarnya Prediksi engulang Selisih Error (e) Aljabar Linear % Aljabar Linear % Pengenalan Pola % 2007 Pengenalan Pola % 2008 Rata-rata 112,5% 41
35 Kesimpulan Implementasi ini dapat digunakan untuk membangun Decision tree sesuai data training. Implementasi ini dapat digunakan untuk mengetahui jumlah mahasiswa pengambil matakuliah. Decision tree yang digunakan menggunakan metode C4.5, namun dalam implementasinya, pembuatan decision tree dilakukan semi-manual karena terdapat missing value. 42
36 Uji coba berdasarkan pemilihan atribut nilai, jenis kelamin, lahir, IPK, angkatan dan semester diperoleh nilai error sebelum dan setelah tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 50%, Aljabar Linear 2008 adalah 133,3%, Pengenalan Pola 2007 adalah 0% dan Pengenalan Pola 2008 adalah 50%. Nilai rata-rata error sebelum dan setelah pruning untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan pemilihan atribut Nilai, Jenis Kelamin, Lahir, IPK, Angkatan dan Semester sebelum dan setelah tree di pruning adalah 58,33% untuk 4 data uji coba yaitu matakuliah Aljabar Linear 2007, Aljabar Linear 2008, Pengenalan Pola 2007 dan Pengenalan Pola
37 Uji coba berdasarkan pemilihan atribut nilai, umur, penghaslan orangtua, selisih tahun prediksi dengan pengambilan, ips, dan angkatan diperoleh nilai error sebelum tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 12,5%, Aljabar Linear 2008 adalah 83,3%, Pengenalan Pola 2007 adalah 50% dan Pengenalan Pola 2008 adalah 100% dan setelah tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 137,5%, Aljabar Linear 2008 adalah 66,6%, Pengenalan Pola 2007 adalah 50% dan Pengenalan Pola 2008 adalah 0%. Nilai rata-rata error untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan pemilihan atribut nilai, umur, selisih tahun prediksi dengan pengambilan, penghasilan orangtua, ips, dan angkatan sebelum proses tree dipruning sebelum adalah 61,45% dan setelah tree dipruning adalah 63,5% untuk 4 data uji coba yaitu pada matakuliah Aljabar Linear 2007, Aljabar Linear 2008, Pengenalan Pola 2007 dan Pengenalan Pola
38 Uji coba berdasarkan pemilihan atribut nilai, umur, selisih tahun prediksi dengan pengambilan, ips, dan angkatan diperoleh nilai error sebelum dan setelah tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 100%, Aljabar Linear 2008 adalah 150%, Pengenalan Pola 2007 adalah 0% dan Pengenalan Pola 2008 adalah 200%. Nilai rata-rata error untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan pemilihan atribut nilai, umur, selisih tahun prediksi dengan pengambilan, ips, dan angkatan sebelum dan setelah proses tree di pruning adalah 112,5% untuk 4 data uji coba yaitu pada matakuliah Aljabar Linear 2007, Aljabar Linear 2008, Pengenalan Pola 2007 dan Pengenalan Pola
39 Saran Hendaknya untuk pengembangan lebih lanjut, harap memperhatikan kelengkapan data faktor-faktor yang lain yang lebih baik agar hasil yang didapat semakin baik. etode decision tree yang digunakan sebaiknya mampu mengatasi keberadaan missing value. elakukan uji coba terbatas pada enam matakuliah saja dengan rentang tahun antara 2007 sampai Untuk pengembangan lebih lanjut diharapkan dapat melakukan uji coba pada semua matakuliah yang ada, sehingga hasilnya dapat digunakan untuk menentukan prediksi semua matakuliah yang ada 46
40 Terima kasih 47
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciBAB 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 terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG
IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
Lebih 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 terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
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 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 terperinciBAB 3 ALGORITMA C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.
BAB 3 ALGORITMA C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. A. Pohon Keputusan Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciJURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI
JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI C4.5 ALGORITHM IMPLEMENTATION IN DETERMINING THE DEPARTMENT OF SMK PEMUDA PAPAR KEDIRI Oleh: MARISA FITRI FATMAWATI
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
Lebih terperinciDATA DAN METODE Data
DATA DAN METODE Data Sumber data yang digunakan dalam penelitian berasal dari data mahasiswa tahun angkatan 2000 sampai dengan 2005, dan dari tiga program studi yaitu S1- Sistem Informasi, S1-Teknik Informatika,
Lebih terperinciBelajar Mudah Algoritma Data Mining : C4.5
Belajar Mudah Algoritma Data Mining : C4.5 Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan dan bersifat prediktif.
Lebih 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 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 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 terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Di Era globalisasi seperti sekarang ini berdampak semakin banyaknya kebutuhan yang berhubungan dengan Teknologi Informasi. Hubungan antara manusia, pekerjaan dan Teknologi
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 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 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 terperinciPROGRAM BANTU PEMILIHAN PAKAIAN DAN BAHAN BATIK BAGI KONSUMEN DENGAN PENDEKATAN DECISION TREE Studi Kasus : Toko InBATIK
PROGRAM BANTU PEMILIHAN PAKAIAN DAN BAHAN BATIK BAGI KONSUMEN DENGAN PENDEKATAN DECISION TREE Studi Kasus : Toko InBATIK Abet Alpha P Yetli Oslan Abstrak Ketepatan pemilihan rekomendasi produk bagi konsumen
Lebih terperinciALGORITMA C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Tabel 3.1. Keputusan Bermain Tenis
ALGORITMA C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Tabel 3.1. Keputusan Bermain Tenis NO OUTLOOK TEMPERATURE HUMIDITY WINDY PLAY 1 Sunny Hot High FALSE No
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE
IMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE Asmah 1), Mussallimah 2), Indrianti 3) 1,2,3) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos Sudarso rt. 06
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) atau dikenal Decision Support System(DSS) adalah sistem informasi interaktif yang menyediakan informasi, pemodelan
Lebih terperinciALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA
53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih 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 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 terperinciKONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.
KONVERSI DATA TRAINING TENTANG PENYAKIT HIPERTENSI MENJADI BENTUK POHON KEPUTUSAN DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN TOOLS RAPID MINER 4.1 Muhammad Syahril Program Studi Sistem Informasi, STMIK Triguna
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciBAB IV HASIL PENGUJIAN DAN ANALISIS
BAB IV HASIL PENGUJIAN DAN ANALISIS Pada bab ini akan dibahas mengenai pengujian alat serta analisis dari hasil pengujian. Tujuan dilakukan pengujian adalah mengetahui sejauh mana hasil perancangan alat
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN
116 IMPLEMENTASI ALGORITMA C4.5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN Rismayanti 1 1 Dosen Tetap Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jl. H.M Joni No.70
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 terperinciBurhanudin Junardi Karim Dr. Lintang Yuniar Banowosari, S.Kom., M.Sc
Implementasi Data Mining Pada Penjualan Produk Alat Medis di PT. Murti Indah Sentosa Menggunakan Metode Klasifikasi Burhanudin Junardi Karim 11112533 Dr. Lintang Yuniar Banowosari, S.Kom., M.Sc Latar Belakang
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciDIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP
DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP Endah Rakhmawati 1, Entin Martiana K, M.Kom 2, Nur Rosyid Mubtadai,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain dan tahapan yang dilakukan dalam penelitian ini dapat dilihat pada gambar berikut: Rumusan Masalah Pengembangan Perangkat Lunak Analisis Data Model
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sejalan dengan perkembangan teknologi informasi, semakin bertambah pula kemampuan komputer dalam membantu menyelesaikan permasalahanpermasalahan di berbagai
Lebih terperinciPohon Keputusan. 6.1 Inductive Learning
6 Pohon Keputusan Sometimes you make the right decision, sometimes you make the decision right. Phil McGraw Bab ini akan menelaskan salah satu varian pohon keputusan yaitu ID3 oleh Quinlan [27, 28] yang
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) adalah sistem komputer yang saling berhubungan dan menjadi alat bantu bagi seorang
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 595-604 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA
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 terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
Lebih 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 terperinciPENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE
PENENTUAN PENERIMAAN SISWA BARU MENGGUNAKAN DECISION TREE 1 Fitroh Rizky Muwardah, 2 Ricardus Anggi Pramunendar, M.Cs Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciIDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA MENGGUNAKAN ALGORITMA C4.5
IDENTIFIKASI LAMA STUDI BERDASARKAN KARAKTERISTIK MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (Studi Kasus Lulusan Fakultas Sains dan Matematika Universitas Diponegoro Tahun 2013/2014) asa M arga ro) C ng Semara
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 terperinciAnalisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif
Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif Khafiizh Hastuti 1, Erwin Yudi Hidayat 2 1, 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 E-mail : 1 afis@dsn.dinus.ac.id,
Lebih terperinciClassification. Decision Tree. Decision Tree. Konsep Decision Tree. Penggunaan Decision Tree. When To Consider Decision Tree?
Classification Decision Tree esi 09 Dosen Pembina : Danang Junaedi IF-UTAMA 1 IF-UTAMA Konsep Decision Tree Decision Tree Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik
Lebih terperinciKlasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit
Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit Larissa Navia Rani Dosen Sistem Informasi UPI YPTK Padang Jl. Raya Lubuk Begalung Padang - Sumatera Barat larissa_navia_rani@upiyptk.ac.id
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Berdasarkan analisis masalah, maka perangkat lunak sistem data mining menggunakan algoritma C4.5 untuk prediksi ketepatan waktu kelulusan yang
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciPENERAPAN 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 terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK)
IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK PENJURUSAN SISWA (STUDI KASUS: SMA NEGERI 1 PONTIANAK) [1] Beti Novianti, [2] Tedy Rismawan [3] Syamsul Bahri [1][2][3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciPENERAPAN METODE C4.5 DALAM MENENTUKAN STATUS DIET
Seminar Nasional Teknologi Informasi dan Multimedia 2016 PENERAPAN METODE C4.5 DALAM MENENTUKAN STATUS DIET Edy Victor Haryanto Universitas Potensi Utama Jl. K. L. Yos Sudarso Km 6,5 No 3 A Tanjung Mulia
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PENERIMAAN CALON KARYAWAN PT. TELKOM AKSES AREA LAMPUNG BERBASIS WEBSITE
PENERAPAN ALGORITMA C4.5 DALAM PENERIMAAN CALON KARYAWAN PT. TELKOM AKSES AREA LAMPUNG BERBASIS WEBSITE Tosy Caesar Kurniawan 1,2 Jl. Zainal Abidin Pagar Alam No.93, Kedaton, Bandar Lampung 3 Teknik Informatika,
Lebih terperinciAlgoritma Data Mining (2) Tugas Klasifikasi
Algoritma Data Mining (2) Tugas Klasifikasi Anief Fauzan Rozi, S. Kom., M. Eng. 1 Kompentensi Mahasiswa mengetahui algoritma data mining pada tugas klasifikasi 2 Pokok Bahasan Algoritma C4.5 3 Supervised
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 terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM Pada bab ini akan dibahas mengenai Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT. Telkom, Tbk Medan Dengan Metode
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Laboratorium komputer merupakan tempat berlangsungnya praktikum sebagai salah satu kegiatan akademik di Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara.
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru Wahyudin Program Studi Ilmu Komputer Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu konsep teori graf
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
Lebih terperinciAPLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 APLIKASI DATA MINING DENGAN METODE CLASSIFICATION BERBASIS ALGORITMA C4.5 Rizky Tahara Shita 1), Nita Marliani 2) 1, 2) Universitas Budi Luhur,
Lebih 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 terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinci4.1. Pengambilan Data
BAB IV HASIL PENGUJIAN DAN PEMBAHASAN Hasil pengujian adalah hasil final yang berarti penelitian telah selesai dilakukan, semua yang berkaitan dengan pengujian akan dibahas pada bab ini mulai dari pengolahan
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 terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih 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 terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 1.1. Analisa Masalah 3.1.1. Analisa Algoritma Midi (Musical Instrument Digital Interface) merupakan sebuah teknologi yang memungkinkan alat musik elektrik, komputer,
Lebih terperinciSKRIPSI. Diajukan Untuk Melengkapi Syarat Mencapai Gelar Sarjana Strata Satu (S1) Disusun Oleh : JUNARTO
SKRIPSI PERANCANGAN DAN PEMBUATAN APLIKASI DATAMINING BERBASIS WEB MENGGUNAKAN ALGORITMA C4.5 UNTUK MEMPREDIKSI KELULUSAN MAHASISWA S-1 PADA UNIVERSITAS DARMA PERSADA Diajukan Untuk Melengkapi Syarat Mencapai
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Tinjauan pustaka atau disebut juga kajian pustaka (literature review) merupakan sebuah aktivitas untuk meninjau atau mengkaji kembali berbagai
Lebih terperinciPENERAPAN ALGORITMA DECISION TREE PADA PENENTUAN KEBERHASILAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA DECISION TREE PADA PENENTUAN KEBERHASILAN AKADEMIK MAHASISWA Ratih Kumalasari Niswatin 1), Resty Wulanningrum 2) 1), 2) Teknik Informatika Universitas Nusantara PGRI Kediri Kampus 2
Lebih terperinciIMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG
IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG NASKAH PUBLIKASI diajukan oleh Rezki Badriza 11.11.5436 kepada JURUSAN
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Implementasi Algoritma C4.5 dalam Memprediksi Masa Studi Mahasiswa STMIK Dumai. Asparizal Jurusan Teknik Informatika,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih terperinciPROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3
32 PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 Yo el Pieter Sumihar* 1, Idris Efendi 2 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains dan Komputer,
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 terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Berbagai penelitian yang menerapkan algoritma ID3 (Iterative Dichotomizer Three) sebagai metode perhitungannya telah banyak dilakukan. ID3 (Iterative Dichotomizer
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Dalam pengoperasian pekerjaan gondola di ketinggian membutuhkan keahlian khusus dan pengetahuan dibidangnya agar tidak terjadi kendala yang dapat
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI KELAYAKAN KREDIT NASABAH PADA BMT BUMI MIZAN SEJAHTERA YOGYAKARTA MENGGUNAKAN ALGORITMA C4.
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI KELAYAKAN KREDIT NASABAH PADA BMT BUMI MIZAN SEJAHTERA YOGYAKARTA MENGGUNAKAN ALGORITMA C4.5 NASKAH PUBLIKASI diajukan oleh Ardun 12.11.6692 kepada SEKOLAH TINGGI
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 terperinciALGORITMA C4.5 UNTUK PENILAIAN KINERJA KARYAWAN
SCAN VOL. IX NOMOR JUNI 014 ISSN : 1978-0087 ALGORITMA C4.5 UNTUK PENILAIAN KINERJA KARYAWAN Windy Julianto 1, Rika Yunitarini, Mochammad Kautsar Sophan 3 Universitas Trunojoyo Madura windy.julianto@gmail.com
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE
IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem
Lebih terperinciResearch of Science and Informatic
Sains dan Informatika Vol.1 (N0.1) (2015): 20-29 22 Nisfa Ridha Yani, Gunadi Widi Nurcahyo, Implementasi Data Mining JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciPENERAPAN ALGORITMA C4.5 UNTUK PENGELOMPOKAN PENYAKIT HASIL DIAGNOSA PASIEN PENGGUNA JAMKESMAS PADA PUSKESMAS KOTAGEDE II NASKAH PUBLIKASI
PENERAPAN ALGORITMA C4.5 UNTUK PENGELOMPOKAN PENYAKIT HASIL DIAGNOSA PASIEN PENGGUNA JAMKESMAS PADA PUSKESMAS KOTAGEDE II NASKAH PUBLIKASI diajukan oleh Devanda Anggi Mahardikaraga 12.11.6093 kepada SEKOLAH
Lebih terperinciPENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL
PENERAPAN DECISION TREEALGORITMA C4.5 DALAM PENGAMBILAN KEPUTUSAN HUNIAN TEMPAT TINGGAL Besse Helmi Mustawinar Teknik Informatika FTKOM Universitas Cokroaminoto Palopo Jl Latamacelling Nomor 19 Palopo,
Lebih terperinciBAB III ANALISA DAN PERANCANGAN. tersebut menghasilkan data yang sangat banyak dalam waktu cepat dan dibiarkan
BAB III ANALISA DAN PERANCANGAN III.1. Analisis Masalah Pertumbuhan penjualan yang sangat pesat sehingga dibutuhkan sistem informasi yang mampu mengakumulasi setiap transaksi. Dari hasil transakti tersebut
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dalam pengaturan jadwal mata kuliah dan kelas pada awal semester Ketua Program Studi membutuhkan persiapan kelas untuk memprediksi kelas yang akan dibuka serta
Lebih terperinciAlgoritma C4.5. Untuk memudahkan penjelasan mengenai algoritma C4.5 berikut ini disertakan contoh kasus yang dituangkan dalam Tabel 1.
Algoritma C4.5 1 Kusrini, 2 Emha Taufiq Luthfi 1 Jurusan Sistem Informasi, 2 Jurusan Teknik Informatika 1, 2 STMIK AMIKOM Yogykakarta 1,2 Jl. Ringroad Utara Condong Catur Sleman Yogyakarta Untuk memudahkan
Lebih terperinciModul IV KLASIFIKASI
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul IV KLASIFIKASI TUJUAN PRAKTIKUM Setelah mengikuti praktikum modul ini diharapkan: 1. Mahasiswa
Lebih terperinci