ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG
|
|
- Yuliana Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG Helmi Kurniawan Jurusan Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia helmikurniawan77@gmail.com Abstrak CV Sama Senang adalah sebuah usaha dagang yang bergerak pada penjualan kebutuhan bahan pokok baik dikota medan dan diluar kota Medan. Dengan banyaknya permintaan kebutuhan bahan pokok didalam dan diluar kota CV Sama Senang memiliki kesulitan dalam pendistribusian penjualan kebutuhan bahan pokok untuk memenuhi kebutuhan pasar. Sulitnya memprediksi kebutuhan pasar, serta persaingan bisnis yang semakin ketat, merupakan kendala yang dihadapi CV Sama Senang sehingga manajemen harus dapat mengambil keputusan yang tepat dan cepat guna memberikan pelayanan yang baik serta kepuasan kepada konsumen maupun menjaga konsistensi permintaan kebutuhan bahan pokok di pasar. Keputusan yang diambil harus mempertimbangkan dengan baik berdasarkan data-data yang dimiliki, terutama yang berkaitan erat dengan sistem distribusi. Dalam mengatasi masalah tersebut, salah satu solusi yang dapat digunakan adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian penjualan kebutuhan bahan pokok. Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis data yang tepat. Adapun metode yang digunakan dalam pengambilan keputusan adalah Metode Rough Set. Metode Rough Set menawarkan dua bentuk representasi data yaitu Information Systems (IS) dan Decision Systems (DS). Adapun perangkat lunak (Software) yang menerapkan Metode Rough Set ini adalah Rosetta. Hasil penelitian yang diperoleh berupa informasi perkiraan permintaan kebutuhan bahan pokok pada periode yang akan datang dan menjadi informasi keputusan manajemen dalam pendistribusian penjualan kebutuhan bahan pokok. Kata Kunci : Sistem Penunjang Keputusan, Data Mining, Metode Rough Set Pendahuluan Masalah distribusi seringkali masih menjadi kendala terbesar terutama bagi perusahaan yang memproduksi secara massal. Semakin luas wilayah pemasaran, semakin banyak pula kendala yang dihadapi sehingga perlu pembagian wilayah pemasaran pada setiap era dengan penempatan distributor. CV Sama Senang, sebagai salah satu perusahaan distribusi yang bergerak dalam distribusi penjualan kebutuhan bahan pokok yang sedang berkembang, juga memerlukan satu sistem distribusi yang baik untuk menjaga ketersediaan produknya di pasar, disamping juga untuk dapat memenuhi dan mengembangkan pasar yang telah ada. Untuk itu peramalan distribusi yang baik dengan menggunakan data-data yang telah ada di masa lalu untuk memprediksi kebutuhan distribusi dimasa yang akan datang sangat diperlukan oleh perusahaan ini. Sistem distribusi produk pada CV Sama Senang dihadapkan pada beberapa masalah yang berhubungan dengan besar produk yang harus didistribusikan pada wilayah-wilayah. Pada umumnya, kemacetan dalam mendistribusikan Produk-produk dan jasa-jasa akan banyak menimbulkan kesulitaan baik dipihak konsumen maupun produsen. Kesulitan yang akan terjadi di pihak produsen meliputi terganggunya penerimaan penjualan sehingga target penjualan yang telah di tentukan tidak dapat terpenuhi. Hal ini akan menyebabkan arus pendapatan yang dibutuhkan oleh perusahaan untuk melangsungkan kontinuitasnya tidak dapat diharapkan. Sedangkan kesulitan yang akan timbul di pihak konsumen akan menyebabkan tendensi harga yang meningkat. Tendensi harga yang meningkat terjadi akibat berkurangnya Produk yang ditawarkan di pasar. Oleh karena itu sangatlah tepat apabila perusahaan memahami kebijaksanaan distribusi terutama yang menyangkut pemilihan saluran distribusi dan penentuan distribusi fisik. Dalam menganalisa hal tersebut di atas, salah satu solusi yang dapat digunakan adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian produk.. Data mining tersebut akan menjadi tolak ukur ataupun acuan untuk mengambil keputusan. Pengolahan data mining dapat dilakukan dengan beberapa teknik 314
2 diantaranya adalah Metode Rough Set, Fuzzy, Algoritma Apriori dan lain - lain. Metode Rough Set salah satu dari metode di atas yang memungkinkan untuk mengambil keputusan dalam pendistribusian penjualan kebutuhan bahan pokok karena di dalam metode ini ada rumusan atau tahapan-tahapan pemecahan masalah dan adanya sebuah Result (keputusan) dari kombinasi yang mungkin terjadi dari kriteriakriteria diatas. Dari Result (keputusan) yang berasal dari hasil olahan data mining tersebut, dapat di jadikan sebagai acuan pengambilan keputusan. Berdasarkan permasalah tersebut penulis melakukan penelitian yang berkaitan dengan sistem pengambilan keputusan untuk distribusi penjualan kebutuhan pokok dengan menggunakan metode Rough Set. Metode Penelitian Tahapan dalam metode penelitian ini dapat dimodelkan pada diagram alir berikut ini: Gambar 1. Diagram Alir Distribusi dengan Metode Rought set Tinjauan Pustaka Data Mining (DM) Kemajuan Data Mining merupakan salah satu teknik yang dapat digunakan karena telah menggabungkan teknik klasik dengan algoritma yang canggih seperti teknik Artificial Intelligence untuk memproses data dalam skala besar. Data mining adalah proses pengolahan informasi dari sebuah database yang besar, meliputi proses ekstraksi, pengenalan, komprehensif, dan penyajian informasi sehingga dapat digunakan dalam pengambilan keputusan bisnis yang krusial.[1][3][6] Teori Rough Set Teori ini memberikan pendekatan matematika baru untuk permasalahan dengan tingkat ketidakpastian yang tinggi. Teori ini menjadi dasar penting untuk kecerdasan buatan, pembelajaran mesin, perolehan informasi, analisis keputusan, data mining, sistem pakar, hingga pengenalan pola. Kelebihan teori ini adalah tidak diperlukannya preliminary dan juga informasi tambahan mengenai data dalam melakukan analisis suatu data. Tujuan dari analisis Rough Set adalah untuk mendapatkan perkiraan rule yang singkat dari suatu tabel. Hasil dari analis Rough Set dapat digunakan dalam proses data mining dan knowledge discovery. Teknik ini digunakan untuk menangani masalah uncertainly, missing data, uncompleted, inconsistency data, imprecision, dan vagueness (tidak pasti, data hilang, tidak lengkap, tidak selaras, ketidaktepatan, ketidakjelasan).[2][3][4][5] Perancangan Berdasarkan hasil pengamatan langsung pada CV Sama Senang, sistem yang sedang berjalan pada saat ini masih dilakukan manual, yaitu pencatatan pada buku untuk pemesanan dari suppliers dan penjualan kebutuhan bahan Pokok dari konsumen, proses pendistribusian juga dilakukan atas kerjasama dan kepercayaan antara ke dua belah pihak. Oleh karena itu sangatlah tepat apabila perusahaan memahami kebijaksanaan distribusi terutama yang menyangkut pemilihan saluran distribusi dan penentuan distribusi fisik. Rancangan Umum Dalam Pendistribusian Arsitektur dari sistem pendukung keputusan dalam analisis data Pendistribusian CV. Sama Senang terdiri dari rancangan umum dan komponen-komponennya. Dalam bagian ini, diasumsikan database berisi dari data yang tidak lengkap (incomplete data) untuk mendapatkan keputusan (decision) yang tepat dan akurat, data yang tidak lengkap diproses untuk mendapatkan data lengkap dengan menggunakan metode data cleaning, seperti teknik remove incomplete data. Selanjutnya data lengkap tersebut ditransformasikan dengan menggunakan metode data transformation. Dari hasil data transformasi dilakukan proses pencarian knowledge / rules dengan cara generating rules sehingga menghasilkan keputusan (decision) yang lebih singkat dan mudah dipahami. rancangan umumnya dapat dilihat pada gambar 1. Gambar 2. Rancangan Umum Pendistribusian Produk dengan Metode Rough set 315
3 Use Case Diagram Use Case system pengambil keputusan dapat dilihat dalam gambar 2. user Gambar 3. Use Case Sistem Pengambil Keputusan Dari Use Case di atas terlihat user dalam pembentukan sistem pendukung keputusannya, dan hasil laporan yang diperoleh dari analisa sistem tersebut Pada Tabel tersebut yang merupakan U adalah {nama Barang} yang merupakan produk yang akan didistribusikan kebeberapa wilayah Sedangkan A adalah {Medan, Langkat, Brastagi, Tebing Tinggi} yang merupakan faktor atau kriteria yang menentukan tinggi rendahnya pendistribusian produk tersebut Dalam Penggunaan Information System, terdapat outcome dari klasifikasi yang telah diketahui yang disebut dengan atribut keputusan. Information system tersebut disebut dengan Decision System. Decision System dapat digambarkan pada tabel 2 berikut: Tabel 2. Laporan Distribusi Barang per Kota Gambar 4. Use Case Diagram Proses Pengambil Keputusan Analisa Metode Yang Digunakan Information System Dalam Rough Set, sebuah set data direpresentasikan sebagai sebuah tabel, dimana baris dalam tabel merepresentasikan objek dan kolom-kolom merepresentasikan atribut dari objek-objek tersebut. Tabel tersebut disebut dengan information system yang dapat digambarkan sebagai: S = (U,A)..[1] Dimana U adalah set terhingga yang tidak kosong dari objek yang disebut dengan universe dan A set terhingga tidak m kosong dari atribut dimana: a : U V a ).. [2] Untuk tiap a A. SetVa disebut value set dari a. information system dalam penelitian ini dapat ditunjukkan dalam tabel 1. Tabel 1. Laporan Distribusi Barang per Kota Pada tabel 2. tersebut, atribut A mengalami perluasan atribut, yaitu Keterangan (Ket) yang merupakan atribut keputusan dari Decision System. Keterangan : : Turun : Naik Indescernibility Relation Dalam decision system, sebuah objek dapat memiliki nilai yang sama untuk sebuah atribut kondisionalnya. Contohnya Beras, Telur memiliki nilai atribut distribusi pada kota Langkat yang sama, yaitu 80. Hubungan tersebut disebut dengan indiscernible (tidak dapat dipisah). Misalkan S = (U,A) adalah Information System, dan B A. Maka Sebuah indiscrenibility relation objek-objek menurut atribut B yang dilambangkan dengan IND s (B), dapat didefenisikan sebagai: IND s (B) ={( x,x ) U 2 a B a (x) = a (x )}. [3] disebut sebagai B- Indescernibility relation, INDs (B) merupakan Equivalent Relation. Jika ( x,x ) INDs (B) maka objek x dan x adalah objek yang tidak dapat dibedakan (indiscernible) satu sama lain oleh atribut B. kelas-kelas yang equivalent dengan B- Indescernibility relation dinotasikan dengan [x] B dan disebut dengan equivalent class. Berdasarkan tabel 2 maka didapatkan indiscernibility Relation sebagai berikut: IND A (Medan) 316
4 ={{178},{80},{120},{140},{300},{70},{134}} IND B (Langkat) ={{B 1,B 5 }{B 2 },{B 3 },{B 4, B 6 },{B 7 }} ={{80,80},{60},{90},{60,60},{160}} IND C () ={{240},{106},{80},{100},{70},{156},{100}} IND D (Berastagi) ={{60},{76},{160},{130},{100},{110},{70} IND ABCD Pengolahan Data Dengan Teknik Data Transformation Data telah didapat akan disederhanakan dengan menggunakan teknik data transformasi berdasarkan Algoritma Fungsi Interval.Sesuai dengan Algoritma Fungsi Interval, maka untuk masing-masing variabel ditentukan nilai terbesar, nilai terkecil dan range nilai, jumlah kelas dan nilai intervalnya. Dari hasil yang diperoleh tersebut maka dilakukan proses Data Transformasi untuk data lengkap, seperti berikut: 1. Untuk Kota Medan a. Nilai terbesar (X max )= 300 b. Nilai terkecil (X min ) = 70 c. Range Nilai (Xr ange )= = 230 d. Jumlah Kelas (k) = log (7) e. Nilai Interval (Int) = 230/1.52 = 152 Range antara ditransformasikan Range antara ditransformasikan 2. Untuk Kota Langkat : a. Nilai terbesar (X max )= 160 b. Nilai terkecil(x min ) = 60 c. Range Nilai (Xr ange )= =100 d. Jumlah Kelas (k) = log (7) e. Nilai Interval (Int) = 100/1.52 = 64 Range antara ditransformasikan Range antara ditransformasikan 3. Untuk Kota Berastagi : a. Nilai terbesar (X max )= 240 b. Nilai terkecil (X min ) = 70 c. Range Nilai (Xr ange )= = 170 d. Jumlah Kelas(k) = log (7) Nilai Interval (Int) = 170/1.52 = 112 Range antara ditransformasikan Range antara ditransformasikan 4. Untuk Nilai Tebing Tinggi : a. Nilai terbesar (X max )= 160 b. Nilai terkecil (X min ) =60 c. Range Nilai (Xr ange )= = 100 d. Jumlah Kelas(k) = log (7) Nilai Interval (Int) = 100/1.52 =64 Range antara ditransformasikan Range antara ditransformasikan Berdasarkan pengolahan data transformasi diatas, maka didapat hasil data transformasinya seperti pada tabel 3. Tabel 3. Data Dengan Teknik Data Transformation Generating Rules Berdasarkan data hasil transformasi yang telah didapatkan, maka data-data tersebut akan diolah sehingga menghasilkan suatu rules / knowledge yang dapat dipahami untuk pengambilan suatu keputusan. Dari data transformasi yang didapat pada tabel 4.3 maka dapat dilakukan proses pencarian knowledge seperti langkah-langkah ini : 1. Discernibility Matrix Dalam Discernibility Matrix maka variabelvariabel kondisi yang terdiri dari Medan, Binjai, Siantar, Kisaran Dan Variabel keputusan terdiri dari : Naik = 1 Turun= 2 Kemudian masing-masing nama dikelompokkan dalam bentuk Equivalence Class disederhanakan namanya menjadi EC1, EC2, EC3, EC4, EC5, EC6 dan EC7, sehingga hasilnya dapat dilihat seperti pada tabel 4. Tabel 4. Data Transformation Yang Disederhanakan 317
5 Dari hasil data transformasi yang telah disederhanakan pada tabel 5 kemudian dibandingkan data-data yang terdapat dalam masing-masing Equivalence Class. Dalam proses perbandingan ini, yang diperhatikan hanya variabel-variabel kondisinya saja, tanpa memperhatikan variabel keputusan, dan yang dibandingkan adalah antara data-data pada variabel kondisi yang sama. Dari proses perbandingan ini dihasilkan tabel Discernibility Matrix seperti tabel 5. EC4 = (D)^(D) EC5 = (A)^(AvD)^(A) EC6 = (BvC)^(D)^(A) EC7 = (D) Tabel 7. Reduct Tabel 5. Discernibility Matrix 2. Discernibility Matrix Modulo D Dari hasil pengolahan data dengan cara Discernibility Matrix sesuai tabel.6, maka selanjutnya data diolah dengan cara Discernibility Matrix Modulo D, dalam pengolahan dengan cara ini variabel kondisi dan keputusannya harus dibandingkan. Sehingga jika variabel keputusan juga dibandingkan maka hasilnya menjadi seperti pada tabel 6. Tabel 6. Discernibility Matrix Module D E EC EC EC EC2 C EC EC 7 EC1 - BC D - - BC - EC2 BC - - D A - - EC3 D AD - D EC4 - D D - EC5 - A AD - - A - EC6 BC - - D A - - EC7 - - D Keterangan : Jika nilai decision Atribut sama = kosong decision Atribut berbeda = terisi 3. Reduction Reduct adalah himpunan dari atribut yang dapat menghasilkan klasifikasi sama seperti jika semua atribut digunakan. Sedangkan atribut yang bukan reduct adalah atribut yang tidak berguna dalam proses klasifikasi. Pada proses Reduct ini dilakukan proses penyeleksian variabel minimal dari sekumpulan variabel kondisi dengan cara Prime Implicant fungsi Boolean, dengan cara berikut ini : EC1 = (BvC)^(D)^(BvC) EC2 = (BvC)^(D)^(A) EC3 = (D)^(A)^(D)^(D) Dari hasil reduct yang diperoleh maka didapatkan suatu rules / knowledge. Seperti contoh di atas, rules yang didapatnya adalah : Rules : D 1 E 1, B 1,C 1 E 2, D 1 A 2 E 2, D 2,A 1 E 2 D 2 E 2, A 2,D 1 E 1, B 1,C 1 E 2, D 1,A 1 E 2 D 1 E 1 EC1 : If D =1 Then E=1 If TebingTinggi = 60 Then Keputusan = Naik EC2 : If B =1, C=1 Then E=2, D=1, A=1 Then E=2 If Langkat = 130 & Berastagi = 106 Then If TebingTinggi = 76 & Medan = 80 Then EC3 : If D=2, A=1 Then E= 2 If TebingTinggi =160 & Medan =120 Then EC4 : If D=2 Then E = 2 : If TebingTinggi = 130 Then Keputusan = Turun EC5 : If A=2, D=1 Then E=1 If Medan= 150, TebingTinggi =100 Then Keputusan=Naik EC6 : If B =1, C=1 Then E=2, D=1, A=1 Then E=2 : If Lankat =60 & Berastagi = 156 Then Keputusan =Turun If TebingTinggi= 110 & Medan =70 Then EC7 : If D=1 Then E=1 If TebingTinggi = 70 Then Keputusan = Naik Pengujian Metode Rough Set Untuk menguji kebenaran dari hasil pengolahan data yang dikerjakan secara manual tersebut dapat digunakan salah satu software aplikasi Rough Set, yaitu Rosetta. Hasil pengujian dapat terlihat pada gambar 318
6 keputusan untuk pengalokasian produk pada setiap lokasi. DAFTAR PUSTAKA Gambar 5. Hasil Proses Generating Rules Dari hasil data lengkap, Reduct, dan Rules yang didapat, terbukti hasilnya sesuai dengan hasil perhitungan secara manual 4. Kesimpulan Atas analisis dan pembahasan yang dilakukan pada sistem pendukung keputusan, maka dapat diambil kesimpulan sebagai berikut: 1. Sistem pengambilan keputusan dengan metode rough set dapat membantu distribusi Penjualan kebutuhan bahan Pokok pada CV. Sama Senang untuk memenuhi kebutuhan pasar. 2. Penggunaan metode rough set sangat membantu dalam memperkirakan kebutuhan produk yang harus dipenuhi oleh perusahaan dalam periode yang akan datang. 3. Penggunaan aplikasi Data Mining Seperti Rosetta dapat membantu dalam pengambilan [1] D,Suryadi, (2001) Pengantar Data Mining, Andi, Yogyakarta [2] K. Thangavel and Q. Shen (2006), Application of Clustering for Feature Selection Based on Rough Set Theory Approach, AIML Journal, [3] Li, T, Ruan, D Geert, W, Song, W, & Xu,Y. (2007). A rough set based characteristic relation approach for dynamic attribute generalization in data mining, Knowledge Based System 20 (2007) [4] Marcin, Kierczak. (2009). Rosetta a rough set toolkit for analysis of data. April [5] Suraj, Z. (2004). An Introduction to Rough Set Theory and It s Applications. ICENCO 2004, December 27-30, 2004, [6] Susanto. (2010). Pengantar Data Mining. Informatika. Jakarta [7] Therling K. (2006). An Introduction to DataMining: Discovering hidden value in your data warehouse, diakses tanggal 21 Mei
ANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water)
ANALISIS TINGKAT KEPUASAN PELANGGAN TERHADAP PENJUALAN AIR MINUM ISI ULANG DENGAN MENGGUNAKAN METODE ROUGH SET (Studi Kasus: Rihata Water) Tania Dian Tri Utami 1, Dedy Hartama 2, Agus Perdana Windarto
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining (DM) Data mining adalah proses menambang (mining) pengetahuan dari sekumpulan data yang sangat besar (Han & Kamber 2006). Menurut Connolly dan Begg, 2005. Data mining
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN
PENERAPAN TEKNIK DATA MINING UNTUK MENGELOMPOKKAN EMAIL Ratih Puspasari1) 1) Manajemen Informatika Universitas Potensi Utama Jl.K.L. Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia Medan Email : puspasariratih21@yahoo.com1)
Lebih terperinciMETODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA. Yanti Yusman 1 ABSTRACT
METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA Yanti Yusman 1 ABSTRACT In the process of research to see which type of housing most in demand according
Lebih terperinciJurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014 ISSN :
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI PENJUALAN BARANG PADA TOKO SILUNGKANG ART CENTRE PADANG Ilmawati, S.Kom, M.Kom, Fakultas Ilmu
Lebih terperinciAPLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA)
APLIKASI ROUGH SET UNTUK MEMPREDIKSI PRESTASI CALON ANGGOTA KELOMPOK PROGRAMMING (STUDI KASUS : STMIK PELITA NUSANTARA) Muhammad Romi Syahputra Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar
Lebih terperinciDATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG )
DATA MINING ROUGH SET DALAM MENENTUKAN PILIHAN ALAT KONTRASEPSI PADA WANITA ( STUDI KASUS DI BKKBN KOTA PADANG ) Purnama Sari,S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang
Lebih terperinciImplementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah
Implementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah Muhamad Jamaris Program studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan Komputer Amik
Lebih terperinciANALISIS KINERJA DOSEN STMIK IBBI DENGAN MENGGUNAKAN METODE ROUGH SET
ANALISIS KINERJA OSEN STMIK IBBI ENGAN MENGGUNAKAN METOE ROUGH SET edy Hartama 1), Hartono 2) 1), 2) Program Studi S-3 Ilmu Komputer, Universitas Sumatera Utara Medan, Indonesia Jalan Alumni No 9 Kampus
Lebih terperinciLiza Efriyanti* Keywords: Artificial Intelligent Rough Sets, Decision Making System, DSS, Rosetta
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES PEMERIKSAAN KONDISI BARANG- BARANG OPERASIONAL LABORATORIUM KOMPUTER STT PAYAKUMBUH Liza Efriyanti* Abstract: The
Lebih terperinciPERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK
SNTIKI III 20 ISSN : 2085-02 PERBANDINGAN METODE ROUGH SET DAN NEURAL NETWORK UNTUK PREDIKSI STOK OBAT DI APOTEK Novi Yanti Universitas Islam Negeri Sultan Syarif Kasim Riau Kampus Raja Ali Haji, Jl. HR
Lebih terperinciJurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), DOI:
Jurnal Sistem Informasi (Journal of Information Systems). 2/13 (2017), 97-102 DOI: http://dx.doi.org/10.21609/jsi.v13i2.553 EFEKTIVITAS PELATIHAN SERTIFIKASI KOMPUTER DASAR MENGGUNAKAN TEORY ROUGH SET
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES Nama : Muhammad Rizki NPM : 54410806 Jurusan Pembimbing
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciPrediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set
TEKNOSI, Vol. 02, No. 01, April 2016 1 Prediksi Peluang Kelulusan Mahasiswa PTIK dalam Uji Kompetensi Microsoft Office 2010 menggunakan Teori Rough Set Karmila Suryani* Jurusan Pendidikan Teknik Informatika
Lebih terperinciLili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT
Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti Email : lili@potensi-utama.ac.id STMIK
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
Lebih 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 terperinciPENERAPAN DATA MINING DENGAN METODE INTERPOLASI UNTUK MEMPREDIKSI MINAT KONSUMEN ASURANSI (Studi Kasus Asuransi Metlife)
Media Informatika, Vol. 5, No. 2, Desember 2007, 113-128 ISSN: 0854-4743 PENERAPAN DATA MINING DENGAN METODE INTERPOLASI UNTUK MEMPREDIKSI MINAT KONSUMEN ASURANSI (Studi Kasus Asuransi Metlife) Sandy Kurniawan,
Lebih terperinciDATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA
DATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA Muhammad Lukman Hakim dan Muhammad Rusli Staf Pengajar AMIK INTeL Com GLOBAL INDO ABSTRAK Data Mining adalah serangkaian
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciMETODE FUZZY SIMPLE ADDITIVE WEIGHTING (SAW) DALAM MENENTUKAN KUALITAS KULIT ULAR UNTUK KERAJINAN TANGAN (STUDI KASUS : CV. ASIA EXOTICA MEDAN)
METODE FUZZY SIMPLE ADDITIVE WEIGHTING (SAW) DALAM MENENTUKAN KUALITAS KULIT ULAR UNTUK KERAJINAN TANGAN (STUDI KASUS : CV. ASIA EXOTICA MEDAN) Alfa Saleh 1, Ria Eka Sari 2, Harris Kurniawan 3 STMIK Potensi
Lebih terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENGANALISA LABA/RUGI PADA SUATU PERUSAHAAN DISTRIBUTOR (STUDI KASUS : USAHA KITA PS PAYAKUMBUH)
IMPLEMENTASI METODE ROUG SET UNTU MENGANALISA LABA/RUGI PADA SUATU PERUSAAAN DISTRIBUTOR (STUDI ASUS : USAA ITA PS PAYAUMBU) M.Ardiansyah Sembiring *1), Zulfi Azhar 2) Program Studi Sistem Informasi, STMI
Lebih terperinciBAB I PENDAHULUAN. cara berpikir manusia yang disebut sebagai artificial intelligence atau lebih
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan zaman tidak luput dari perkembangan teknologi informasi, Semakin pesatnya perkembangan teknologi informasi saat ini sangat mempengaruhi pola pikir dan
Lebih terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
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 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 terperinciANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN
ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,
Lebih terperinciBAB III METODOLOGI 3.1. Kerangka Pemikiran
31 BAB III METODOLOGI 3.1. Kerangka Pemikiran Penelitian tentang prediksi meledaknya wabah suatu penyakit sudah banyak dilakukan oleh para peneliti. Mereka mencoba mencari pola dan relasi dari data set
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran
3 METODE PENELITIAN 3.1 Kerangka Pemikiran Penelitian ini berangkat dari kenyataan yang dihadapi oleh industri kemasan karton dewasa ini, yaitu proses produksi dilakukan berdasarkan pesanan (make-to-order),
Lebih terperinciPENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)
PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciBAB 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 terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN DATA NASABAH POTENSIAL MENDAPATKAN PINJAMAN
IMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN DATA NASABAH POTENSIAL MENDAPATKAN PINJAMAN Dahlan Abdullah 1, Cut Ita Erliana 2, Juliana 3 1, 3 Prodi Teknik Informatika, Fakultas Teknik, Universitas Malikussaleh,
Lebih terperinciANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT
ANALISA KINERJA ALGORITMA C.45 DALAM MEMPREDIKSI PENCAPAIAN PROFIT Rika Nofitri, Muhammad Ardiansyah Sembiring Sekolah Tinggi Manajemen Informatika Dan Komputer Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciSistem Pendukung Keputusan Penentuan Jumlah Pemesanan Barang
Sistem Pendukung Keputusan Penentuan Jumlah Pemesanan Barang Asep Abdul Wahid 1, Andri Ikhwana 2, Partono 3 Jurnal Algoritma Sekolah tinggi Teknologi Garut Jl. Mayor Syamsu No. 1, Garut 44151 Indonesia
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 terperinciANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG
ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG Harison Dosen Jurusan Teknik Informatika Fakultas Teknologi Industri Institut Teknologi Padang Abstrak Keputusan
Lebih terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih terperinciIMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN DATA NASABAH POTENSIAL MENDAPATKAN PINJAMAN
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 015) Universitas Putra Indonesia YPTK Padang - 3 Oktober 015 Vol. 1, Oktober 015 ISSN : 460 4690 IMPLEMENTASI METODE ROUGH SET UNTUK MENENTUKAN
Lebih terperinciANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI
Seminar Nasional Informatika ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI Harris Kurniawan, Fujiati, Alfa Saleh STMIK Potensi Utama Jl.
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciIMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS
IMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS Alfa Saleh Teknik Informatika, Fak Ilmu Komputer Universitas Potensi Utama Jl KL Yos Sudarso KM 65 No3-A, Tanjung Mulia,
Lebih terperinciPENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA
PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia bisnis pada jaman sekarang, para pelaku bisnis senantiasa selalu berusaha mengembangkan cara-cara untuk dapat mengembangkan usaha mereka dan memperhatikan
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Dibutuhkannya ketelitian dalam Melihat hasil penjualan minuman pada kedai kopi Uleekareng & Gayo untuk menentukan minuman yang paling diminati
Lebih terperinciBAB I PENDAHULUAN. Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan
BAB I PENDAHULUAN I.1. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang sangat akurat sangat dibutuhkan dalam kehidupan sehari hari, sehingga informasi akan
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih terperinciIMPLEMENTASI FUZZY MAMDANI DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KESESUAIAN BIDANG PEMINATAN MAHASISWA (STUDI KASUS : UNIVERSITAS POTENSI UTAMA)
IMPLEMENTASI FUZZY MAMDANI DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KESESUAIAN BIDANG PEMINATAN MAHASISWA (STUDI KASUS : UNIVERSITAS POTENSI UTAMA) Alfa Saleh Teknik Informatika, Fak. Ilmu Komputer
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA BEASISWA BERPRESTASI MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE DECISION MAKING (FMADM) DENGAN METODE SAW
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PENERIMA BEASISWA BERPRESTASI MENGGUNAKAN FUZZY MULTIPLE ATTRIBUTE
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 terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
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. secara manual dari suatu kumpulan data. Defenisi lain data mining adalah sebagai
BAB I PENDAHULUAN I.1. Latar Belakang Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciBAB 1 PENDAHULUAN. membawa perubahan yang begitu pesat didalam segala bidang. Hal ini terlihat jelas
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi dan komunikasi yang begitu pesat didunia ini membawa perubahan yang begitu pesat didalam segala bidang. Hal ini terlihat jelas khususnya
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
Lebih terperinciAPLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER
APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER Aprilia Sulistyohati, Taufiq Hidayat Laboratorium Sistem Informasi dan Perangkat Lunak Jurusan Teknik Informatika Fakultas Teknologi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB 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 terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciBAB III PEMBAHASAN. Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel
BAB III PEMBAHASAN A. Sumber Data Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel peminjam dengan jaminan sertifikat tanah, tunjuk, dan Buku Pemilik Kendaraan Bermotor (BPKB) serta
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciPEMILIHAN OBJEK WISATA DI SUMATERA UTARA DENGAN METODE ANALYTICAL HIERARCHY PROCESS (AHP)
PEMILIHAN OBJEK WISATA DI SUMATERA UTARA DENGAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) Dahriani Hakim Tanjung Sistem Informasi, Teknik dan Ilmu Kompuer, Universitas Potensi Utama JL. KL. Yos Sudarso
Lebih terperinciJ. Informatika AMIK-LB Vol.2 No. 1/Januari/2014
IMPLEMENTASI DATA MINING ROUGH SET DALAM MENENTUKAN TINGKAT KERUSAKAN ALAT DAN BAHAN KIMIA (STUDI KASUS DI LABORATORIUM RESEP SMK S-16 FARMASI BENGKULU) Oleh : Marnis Nasution, S.Kom, M.Kom Dosen Prodi
Lebih terperinciPERANCANGAN SISTEM PENJUALAN DAN PEMBELIAN SPAREPAT KENDARAAN BERMOTOR PADA TOKO AHMAD SERVICE
PERANCANGAN SISTEM PENJUALAN DAN PEMBELIAN SPAREPAT KENDARAAN BERMOTOR PADA TOKO AHMAD SERVICE Harris Kurniawan Sistem Informasi Universitas Potensi Utama Jl. Kl. Yos Sudarso Km.6,5 No.3A Tanjung Mulia
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 terperinciSISTEM REKOMENDASI PEMILIHAN TIKET PESAWAT ONLINE MENGGUNAKAN METODE DECISION TREE DI PT. ANTA UTAMA KEDIRI
SISTEM REKOMENDASI PEMILIHAN TIKET PESAWAT ONLINE MENGGUNAKAN METODE DECISION TREE DI PT. ANTA UTAMA KEDIRI SKRIPSI Telah disetujui untuk diajukan Kepada Panitia Ujian / Sidang Skripsi Program Studi Teknik
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBERIAN INSENTIF BERDASARKAN PENILAIAN KINERJA KARYAWAN PADA PT. PRUDENTIAL LIFE ASSURANCE DENGAN METODE TOPSIS
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN INSENTIF BERDASARKAN PENILAIAN KINERJA KARYAWAN PADA PT. PRUDENTIAL LIFE ASSURANCE DENGAN METODE TOPSIS Janter Leonardo Sirait (0911547) Mahasiswa Program Studi Teknik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Rough Set Teori Rough set sampai saat ini pendekatan lain untuk ketidakjelasan (Pawlak, 1982). Demikian pula untuk teori himpunan fuzzy bukan merupakan alternatif untuk teori
Lebih terperinciPENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC )
PENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC ) Edy Victor Haryanto1), Fina Nasari) Universitas Potensi Utama Jl. K. L. Yos Sudarso Km. 6,5 No.
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUPPLIER PADA PT.BINTANG MEGA MEDIKA SEMARANG
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUPPLIER PADA PT.BINTANG MEGA MEDIKA SEMARANG Andi Trisetiawan Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang 1. Pendahuluan
Lebih terperinciPerangkat Lunak Penentuan Kredit pada PT. FIF Group Plaju Berbasis Android
Perangkat Lunak Penentuan Kredit pada PT. FIF Group Plaju Berbasis Android Fungky Saputra Jaya 1 Zanial Mazalisa, M.M., M.Kom 2 Nurul Adha Oktarini Saputri, M.Kom 3 1) Mahasiswa Informatika Universitas
Lebih terperinciMENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan teknologi informasi yang sangat pesat yang terjadi dewasa ini menuntut manusia untuk mampu beradaptasi dengan perkembangan tersebut. Upaya adaptasi yang dilakukan
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciTEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel )
TEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel ) Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong Catur
Lebih terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih terperinciANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.
ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Data penjualan pada CV. Auto Medan selama ini tidak tersusun dengan baik, sehingga data penjualan yang semakin hari semakin banyak tersebut hanya
Lebih terperinci