KLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER
|
|
- Farida Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Powered by TCPDF ( Tugas Akhir KLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER Agustina Ratna Puspitasari¹, -² ¹Teknik Informatika,, Universitas Telkom Abstrak Klasifikasi dapat diterapkan untuk mengatasi data explosion problem. Dengan adanya klasifikasi maka data-data yang sebelumnya kurang dimanfaatkan bisa digunakan untuk menemukan informasi berharga yang sebelumnya tidak diketahui. Pada Tugas Akhir ini dilakukan pembangunan perangkat lunak untuk klasifikasi menggunakan metode Naive Bayesian Classifier yang merupakan pendekatan dengan ilmu statistik yaitu pengklasifikasian data berdasarkan pemilihan probabilitas tertinggi. Atribut yang digunakan bisa berupa atribut continuous maupun atribut diskret. Selain itu pada Tugas Akhir ini juga dilakukan penanganan probabilitas nol dan missing value pada atribut non-class. Setelah dilakukan analisis dan pengujian ternyata metode yang sederhana ini mampu mengklasifikasikan data cukup akurat. Tugas Akhir ini dibangun menggunakan Borland Delphi 7 dan Oracle 8i versi Kata Kunci : klasifikasi, naive bayesian classifier, probabilitas Abstract Classification overcomes data explosion problems. With classification, the data that previously less be exploited can be used to find valuable information that unknown before. In this final project, the software for classification was built using Naive Bayesian Classifier method that uses statistics approach with highest probability for data classification. It uses continuous and discret attribute and also handling null probability and missing value in non-class attribute. After analysis and testing done, we can result that this simple method can classify data accurately enough. This final project was built using Borland Delphi 7 and Oracle 8i version Keywords : classification, naive bayesian classifier, probability
2 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 terutama dalam hal pencarian informasi berharga (knowledge). Untuk mengatasi hal tersebut salah satunya adalah dengan menggunakan data mining karena data mining dapat membantu membuat hipotesis baru ataupun membantu analis untuk menemukan informasi berharga dari data tersebut. Salah satu fungsionalitas data mining adalah klasifikasi. Klasifikasi adalah proses mencari identitas umum diantara entitas-entitas yang berbeda dan mengklasifikasikannya ke dalam class yang sesuai. Klasifikasi pada data yang berjumlah besar dan kompleks jika dilakukan secara manual akan sulit dan membutuhkan waktu yang lama. Hal ini dapat diatasi dengan pembangunan suatu tools klasifikasi karena dengan adanya tools klasifikasi data yang berjumlah besar dan kompleks tersebut akan lebih mudah dan cepat dikelompokkan sesuai dengan class-nya masing-masing. Klasifikasi dapat dilakukan pada banyak bidang, diantaranya bidang ekonomi, kesehatan, dan pendidikan. Pada Tugas Akhir ini metode yang digunakan dalam pembangunan klasifikasi adalah Naive Bayesian Classifier karena metode ini merupakan metode klasifikasi yang sederhana yaitu berdasarkan pada probabilitas namun mampu mengklasifikasikan data cukup akurat. 1.2 Perumusan Masalah Permasalahan yang dijadikan obyek penelitian dan pengembangan Tugas Akhir ini adalah bagaimana mengimplementasikan dan menganalisis metode 1
3 2 Naive Bayesian Classifier untuk klasifikasi pada data mining dengan beberapa macam tipe atribut, missing value terhadap akurasi pengklasifikasian data. 1.3 Tujuan Berdasarkan pada masalah yang telah didefinisikan di atas, maka tujuan Tugas Akhir ini adalah: 1. Mengimplementasikan metode Naive Bayesian Classifier untuk mengklasifikasikan data 2. Menangani missing value pada atribut. 3. Menangani probabilitas nol yang mungkin terjadi pada data training. 4. Menangani penghitungan atribut continuous dengan menggunakan Gaussian Density Function dan pendiskretisasian dengan menggunakan Entropy Minimum Description Length (E-MDL) 5. Menghitung keakuratan pengklasifikasian data yang didahului dengan uji kebenaran terhadap model yang dibangun 6. Menganalisis perilaku Naive Bayesian Classifier terhadap akurasi pengklasifikasian data. 1.4 Batasan Masalah Dalam Tugas Akhir ini, batasan masalah yang digunakan untuk pembangunan klasifikasi menggunakan Naive Bayesian Classifier sebagai berikut : 1. Data yang akan dijadikan kajian berupa record dan terbagi menjadi 2 kelompok, yaitu data training dan data testing. 2. Data sudah tersimpan dalam database, user memilih data yang ingin diklasifikasikan. 3. Nilai dari suatu atribut independence terhadap nilai atribut lainnya. 4. Tidak membandingkan metode naive bayesian classifier dengan metode klasifikasi lain. 5. Tidak membahas mengenai statistika.
4 3 6. Tidak melakukan penanganan noise. 1.5 Metodologi Langkah langkah yang digunakan dalam merealisasikan tujuan dan pemecahan masalah di atas adalah : 1. Studi Literatur Mempelajari konsep-konsep klasifikasi data mining dan Naive Bayesian Classifier secara global yang diperoleh dari buku dan jurnal. 2. Pendalaman materi Mendalami materi yang akan digunakan yaitu konsep klasifikasi dan metode Naive Bayesian Classifier 3. Perancangan dan implementasi Merancang dan membangun perangkat lunak sebagai alat bantu dalam proses analisis. 4. Analisis dan Evaluasi Melakukan uji kebenaran pengklasifikasian data dengan menghitung akurasi. 1.6 Sistematika Penulisan Tugas Akhir ini disusun berdasarkan sistematika sebagai berikut : BAB I Pendahuluan Bab ini meliputi latar belakang, perumusan masalah, tujuan, batasan masalah, metodologi dan sistematika penulisan. BAB II Dasar Teori Bab ini memuat berbagai dasar teori yang mendukung dan mendasari penulisan Tugas Akhir ini yaitu mengenai konsep data mining, klasifikasi, dan Naive Bayesian Classifier BAB III Analisis dan Perancangan Sistem
5 4 BAB IV BAB V Dalam bab ini diuraikan tentang analisis, perancangan pembangunan perangkat lunak sebagai alat bantu dalam proses analisis. Implementasi dan Pengujian Bab ini memuat tentang analisis terhadap keakuratan pegklasifikasian data menggunakan metode Naive Bayesian Classifier dengan menggunakan beberapa macam tipe atribut. Kesimpulan dan Saran Bab ini berisi kesimpulan yang diambil dari pembahasan bab-bab sebelumnya serta saran-saran untuk pengembangan selanjutnya.
6 Powered by TCPDF ( Tugas Akhir
7 BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Metode Uji Coba Sistem Pada bab ini dilakukan pengujian terhadap dataset untuk mengetahui tingkat akurasi ( kebenaran ) pengklasifikasian data menggunakan Naive Bayesian Classifier. Pengujian dilakukan untuk mengetahui pengaruh penggunaan parameter yaitu missing value, jumlah class serta pemilihan penghitungan atribut continuous terhadap akurasi pengklasifikasian data. Selain itu juga dilakukan analisis perilaku Naive Bayesian Classifier terhadap atribut yang mempunyai nilai numerik dengan range tertentu apakah diperlakukan sebagai atribut diskret atau continuous dan pengaruhnya terhadap akurasi pengklasifikasian data. 4.2 Data Uji yang Digunakan Data yang digunakan untuk melakukan klasifikasi terbagi menjadi 2 yaitu data training dan data testing. Data data tersebut mempunyai jumlah record yang berbeda. Atribut class terletak pada posisi paling kanan dari suatu record. Berikut adalah nama data beserta pertimbangan yang digunakan dalam pemilihan data: a. Breastcancer Mempunyai 9 atribut non-class yang bertipe continuous dan 1 atribut class bertipe diskret serta terdapat missing value pada atribut non-class. Nilai atribut non-class berkisar antara 1-10 dan akan digunakan untuk mengetahui perilaku Naive Bayesian Classifier terhadap atribut yang mempunyai nilai numerik dengan range tertentu. b. Iris Mempunyai 4 atribut non-class bertipe continuous dan 1 atribut class bertipe diskret. 31
8 32 c. Glass Mempunyai 9 atribut non-class bertipe continuous dan 1 atribut class bertipe diskret. Pada dataset terdapat 6 nilai class yang akan dikonversi menjadi 2 nilai class untuk mengetahui pengaruh jumlah class terhadap akurasi d. Zoo Mempunyai 15 atribut non-class bertipe diskret, 1 atribut nonclass bertipe continuous dan 1 atribut class bertipe diskret. Pada dataset terdapat 7 nilai class yang bisa dikonversi menjadi 2 nilai class untuk mengetahui pengaruh jumlah class terhadap akurasi. e. Lenses Mempunyai 4 atribut non-class dan 1 atribut class bertipe diskret. Tabel 4.1 Spesifikasi Data Pengujian Nama data training Jumlah record training Nama data testing Jumlah record testing Breastcancertest1 100 Breastcancertest2 100 Breastcancertes3 99 Keterangan semua atribut non-class bertipe continuous, tanpa penambahan missing value Breastcancer 400 Breastcancer_nom 400 Breastcancer5test1 100 Breastcancer5test2 100 Breastacncer5test3 99 Breastcancer10test1 100 Breastcancer10test2 100 Breastcancer10test3 99 Breastcancer_nom1 100 Breastcancer_nom2 100 Breastcancer_nom3 99 semua atribut non-class bertipe continuous, dengan penambahan missing value 5% pada atribut non-class semua atribut non-class bertipe continuous, dengan penambahan missing value 10% pada atribut non-class semua atribut non-class bertipe diskret tanpa penambahan missing value
9 33 Iris 100 Glass6class 150 Breastcancer5_nom1 100 Breastcancer5_nom2 100 Breastcancer5_nom3 99 Breastcancer10_nom1 100 Breastcancer10_nom2 100 Breastcancer10_nom3 99 Iristest1 25 Iristest2 25 Iris5test1 25 Iris5test2 25 Iris10test1 25 Iris10test2 25 Glass6classtest1 50 Glass6classtest2 14 Glass6class5test1 50 Glass6class5test2 14 Glass6class10test1 50 Glass6class10test2 14 Glass2classtest1 50 Glass2classtest2 14 semua atribut non-class bertipe diskret dengan penambahan missing value 5% pada atribut non-class semua atribut non-class bertipe diskret dengan penambahan missing value 10% pada atribut non-class semua atribut non class bertipe continuous tanpa penambahan missing value semua atribut non class bertipe continuous dengan penambahan missing value 5% pada atribut non-class semua atribut non class bertipe continuous dengan penambahan missing value 10% pada atribut non-class data glass dengan 6 nilai class tanpa penambahan missing value data glass dengan 6 nilai class dengan penambahan missing value 5% pada atribut non-class data glass dengan 6 nilai class dengan penambahan missing value 10% pada atribut non-class data glass dengan 2 nilai class tanpa penambahan missing value Glass2class 150 Lenses 19 Glass2class5test1 50 data glass dengan 2 nilai Glass2class5test2 14 class dengan penambahan missing value 5% pada atribut non-class Glass2class10test1 50 data glass dengan 2 nilai class dengan penambahan Glass2class10test2 14 missing value 10% pada atribut non-class Lensestest 5 semua atribut bertipe diskert tanpa penambahan missing value
10 34 Zoo2classtest1 10 Zoo2class 80 Zoo2classtest2 11 Zoo7classtest1 10 Zoo7class 80 Zoo7classtest2 11 Lenses5test 5 semua atribut bertipe diskert dengan penambahan missing value 5% pada atribut non-class Lenses10test 5 semua atribut bertipe diskert dengan penambahan missing value 10% pada atribut non-class data zoo dengan 2 nilai class tanpa penambahan missing value data zoo dengan 7 nilai class tanpa penambahan missing value 4.3 Skenario Pengujian Pengujian akurasi klasifikasi dilakukan terhadap 1 data training dan beberapa data testing untuk masing-masing dataset. Pengujian terhadap data training dilakukan untuk mengetahui apakah tool klasifikasi yang telah dibangun menggunakan metode Naive Bayesian Classifier cukup akurat dengan cara menghitung jumlah record pada data training yang diklasifikasikan benar dibagi dengan jumlah keseluruhan record dari data training tersebut. Jika tool yang dibangun cukup akurat maka dilakukan pengujian terhadap data testing untuk mengetahui pengaruh penggunaan beberapa parameter yaitu pengaruh missing value pada atribut non-class data testing suatu dataset, pengaruh pemilihan pemrosesan atribut continuous apakah dihitung menggunakan Gaussian Density Function atau melalui pendiskretisasian menggunakan Entropy-Minimum Description Length, serta pengaruh jumlah class terhadap akurasi pengklasifikasian data. Selain ketiga parameter tersebut, dilakukan juga pengujian untuk mengetahui perilaku Naive Bayesian Classifier untuk atribut numerik dengan range tertentu. 4.4 Pengujian Kebenaran Model yang Dibangun Pengujian dilakukan pada data training tiap dataset yang digunakan pada klasifikasi ini yaitu pada dataset breastcancer bertipe continuous, breastcancer bertipe diskret, iris, glass dengan jumlah class sebanyak 6 yang bisa
11 35 disederhanakan menjadi 2 class, zoo dengan jumlah class sebanyak 7 yang bisa disederhanakan mejadi 2 class, serta pada dataset lenses. Berikut hasil pengujian terhadap dataset tersebut: Tabel 4.2 Akurasi Model yang Dibangun Nama data Jumlah record training Akurasi ( % ) Gauss E-MDL Breastcancer ,25 97,50 Breastcancer_nom ,50 Iris ,00 97,00 Glass6class ,33 Glass2class ,33 100,00 Zoo2class ,00 100,00 Z007class ,00 Lenses ,00 Proses learning sangat berpengaruh terhadap kebenaran klasifikasi yang dihasilkan. Berdasarkan tabel di atas, tidak semua data mampu menghasilkan klasifikasi dengan tingkat akurasi 100%, hal ini disebabkan karena tidak semua data yang ada di sekitar kita mempunyai independencies antar atribut. Selain itu, persebaran data juga mempengaruhi tingkat akurasi yang dihasilkan. Semakin bagus persebaran data training akan menghasilkan tingkat akurasi klasifikasi yang semakin tinggi pula. 4.5 Pengaruh Penggunaan Parameter Pengujian dilakukan pada data testing untuk mengetahui pengaruh parameter yang digunakan terhadap akurasi pengklasifikasian data. Berikut adalah parameter yang digunakan : Pemilihan Penghitungan Atribut Continuous Pengujian terhadap penghitungan atribut continuous dengan Gaussian Density Function dan diskretisasi menggunakan Entropy Minimum Description Length (E-MDL) pada dataset yang mempunyai atribut continuous.
12 36 Table 4.3 Perbandingan Pemilihan Penghitungan Atribut Continuous terhadap Akurasi Jumlah record Akurasi ( % ) Waktu ( hh:mm:ss.ms ) Nama data testing testing Gauss E-MDL Gauss E-MDL breastcancertest ,00 96,00 00:00: :00: breastcancertest ,00 97,00 00:00: :00: breastcancertest ,97 97,98 00:00: :00: iristest ,00 100,00 00:00: :00: iristest ,00 96,00 00:00: :00: glass6classtest ,00-00:01: glass6classtest ,57-00:01: glass2classtest ,00 84,00 00:00: :00: glass2classtest ,00 100,00 00:00: :00: Zoo2classtest ,00 100,00 00:00: :00: Zoo2classtest ,00 100,00 00:00: :00: Zoo7classtest ,00-00:00: Zoo7classtest ,73-00:00: Akurasi ( % ) Pengaruh Pemilihan Penghitungan Atribut Continuous terhadap Akurasi breastcancertest1 breastcancertest2 breastcancertest3 iristest1 iristest2 glass6classtest1 glass6classtest2 glass2classtest1 glass2classtest2 zoo2classtest1 zoo2classtest2 zoo7classtest1 zoo7classtest2 Gauss E-MDL Gambar 4.1 Grafik Perbandingan Pemilihan Penghitungan Atribut Continuous terhadap Akurasi Pada gambar 4.1 terlihat bahwa pada data glass6classtest1 dan glass6classtest2 penghitungan akurasi menggunakan Gaussian Density Function tidak dapat dilakukan. Pada data testing breastcancertest1, breastcancertest2, dan breastcancertest3 penghitungan menggunakan Entropy Minimum Description
13 37 Length memberikan akurasi lebih tinggi daripada penghitungan menggunakan Gaussian Density Function, namun hal ini berlaku sebaliknya untuk data testing glass2classetest1. Dari semua data testing yang digunakan, dapat disimpulkan bahwa penghitungan atribut continuous menggunakan E-MDL cenderung mempunyai akurasi lebih bagus daripada menggunakan Gaussian Density Function karena tidak semua data continuous terdistribusi secara normal sebagaimana asumsi Gaussian Density Function, namun masing- masing teknik tersebut mempunyai kelebihan dan kekurangan masing-masing. a. Kelebihan dan kekurangan Gaussian Density Function: 1. Waktu yang dibutuhkan untuk klasifikasi lebih cepat 2. Data hanya bisa diklasifikasikan jika minimal terdapat 2 record tanpa missing value pada atribut continuous untuk tiap nilai class pada data training 3. Jika semua record pada tiap class untuk atribut continuous mempunyai nilai sama maka data tidak bisa diklasifikasikan karena akan menghasilkan standard deviation nol yang akan mengakibatkan pembagian dengan nol pada saat penghitungan probabilitas. b. Kelebihan dan kekurangan E-MDL: 1. Jumlah data training yang dibutuhkan cenderung lebih sedikit daripada menggunakan Gaussian Density Function karena pada E-MDL data bisa diklasifikasikan jika pada semua atribut continuous-nya minimal terdapat 1 nilai atribut tanpa missing value. 2. Jika semua nilai record pada suatu atribut continuous bernilai sama data masih bisa diklasifikasikan 3. Waktu yang dibutuhkan Entropy Minimum Description Length untuk melakukan klasifikasi lebih lama daripada Gaussian
14 38 Density Function karena harus melakukan rekursif diskretisasi untuk menentukan titik interval diskretisasi. 4. Data hanya bisa diklasifikasikan jika jumlah nilai dari tiap atribut continuous dari data training > 2 karena terdapat operasi log2(jumlah nilai-1) dalam pendiskretisasian data Jumlah Class Pengujian dilakukan terhadap dataset glass karena data ini mempunyai 6 nilai class yang bisa disederhanakan menjadi 2 class dan dataset zoo karena mempunyai 7 nilai class yang bisa disederhanakan menjadi 2 class, sedangkan penghitungan atribut continuous menggunakan Entropy Minimum Description Length karena pada datatest glass6class dab datatest zoo7class penghitungan menggunakan Gaussian Density Function tidak dapat dilakukan. Pengaruh Jumlah Class terhadap Akurasi 100 Akurasi ( % ) class 7 class 2 class 0 datatest1 glass datatest2 glass datatest1 zoo datatest2 zoo Gambar 4.2 Grafik Pengaruh Jumlah Class Terhadap Akurasi Dari grafik perubahan class pada dataset glass dan zoo di atas terlihat bahwa semakin banyak nilai class dalam suatu dataset akan mengakibatkan penurunan akurasi. Hal ini disebabkan pada jumlah nilai class yang lebih banyak dalam suatu dataset, probabilitas data tiap class yang dihasilkan lebih kecil daripada probabilitas pada jumlah nilai class yang lebih sedikit
15 Nilai Numerik pada Atribut dengan Range Tertentu Pengujian dilakukan terhadap dataset yang mempunyai nilai numerik pada atribut dengan range tertentu, dalam hal ini dataset yang digunakan adalah breastcancer karena semua atribut non-class nya mempunyai nilai antara 1 10, penghitungan menggunakan Entropy Minimum Description Length. Perilaku Naive Bayesian Classifier pada Atribut Numerik dengan Range Tertentu 100 Akurasi ( % ) Breastcancer continuous Breastcancer diskret 90 Data Test1 Data Test2 Data Test3 Gambar 4.3 Grafik Perilaku Naive Bayesian Classifier pada Nilai Numerik pada Atribut dengan Range Tertentu Dari grafik tersebut, terlihat bahwa pada data test1 nilai numerik dengan range tertentu yang diperlakukan sebagai atribut diskret memberikan akurasi lebih tinggi 1% daripada nilai numerik dengan range tertentu yang diperlakukan sebagai atribut continuous, namun pada data test2 dan data test3 keduanya memberikan hasil akurasi yang sama. Sehingga dapat disimpulkan bahwa nilai numerik dengan range tertentu pada atribut bisa diperlakukan sebagai atribut diskret maupun continuous karena setelah melalui pengujian ternyata keduanya memberikan akurasi yang hampir sama Missing Value Pengujian dilakukan terhadap dataset yang telah ditambahkan missing value sebanyak 5% dan 10% terhadap atribut non-class pada data testing. Missing value ditangani dengan cara mengabaikan nilai missing value dari suatu atribut dalam perhitungan.
16 40 Tabel 4.4 Perbandingan Akurasi Data Testing dengan Penambahan Missing Value Nama Data Testing Akurasi Tanpa penambahan missing value Penambahan missing value 5% Penambahan Missing value 10% E- Gauss E-MDL Gauss E-MDL Gauss MDL breastcancertest1 95,00 96,00 96,00 97,00 96,00 97,00 breastcancertest2 95,00 97,00 97,00 97,00 97,00 97,00 breastcancertest3 96,97 97,98 95,96 96,97 95,96 96,97 iristest1 100,00 100,00 100,00 100,00 100,00 100,00 iristest2 96,00 96,00 96,00 96,00 92,00 92,00 glass6classtest1-48,00-48,00-48,00 glass6classtest2-78,57-78,57-85,71 glass2classtest1 90,00 84,00 90,00 84,00 90,00 82,00 glass2classtest2 100,00 100,00 100,00 100,00 100,00 100,00 lensestest 100,00 100,00 100,00 breastcancer_nom1 97,00 96,00 97,00 breastcancer_nom2 97,00 98,00 98,00 breastcancer_nom3 97,98 97,98 97,98 Pengaruh Missing Value terhadap Akurasi ( Gauss ) 100 Akurasi ( % ) breastcancertest1 breastcancertest2 breastcancertest3 iristest1 iristest2 glass2classtest1 glass2classtest2 Tanpa Penambahan Missing Value Penambahan Missing Value 5% pada Atribut Nonclass Penambahan Missing Value 10% pada Atribut Non-class Gambar 4.4 Grafik Pengaruh Penambahan Missing Value terhadap Akurasi pada Data Continuous Menggunakan Gaussian Density Function
17 41 Pengaruh Missing Value terhadap Akurasi ( E-MDL ) Akurasi ( % ) breastcancertest1 breastcancertest2 breastcancertest3 iristest1 iristest2 glass6classtest1 glass6classtest2 glass2classtest1 glass2classtest2 Tanpa Penambahan Missing Value Penambahan Missing Value 5% pada Atribut Non-class Penambahan Missing Value 10% pada Atribut Non-class Gambar 4.5 Grafik Pengaruh Penambahan Missing Value terhadap Akurasi pada Data Continuous Menggunakan Entropy Minimum Description Length Pengaruh Missing Value terhadap Akurasi ( Diskret ) Akurasi ( % ) lensestest breastcancer_nom1 breastcancer_nom2 breastcancer_nom3 Tanpa Penambahan Missing Value Penambahan Missing Value 5% pada Atribut Non-class Penambahan Missing Value 10% pada Atribut Non-class Gambar 4.6 Grafik Pengaruh Penambahan Missing Value terhadap Akurasi pada Data Diskret Pada ketiga grafik di atas terlihat bahwa pada data testing breastcancertest2, iristest1, glass6classtest1, glass2classtest2 yang dihitung menggunakan Entropy Minimum Description Length, dan iristest1, glass2classetest1, glass2classtest2 yang dihitung menggunakan Gaussian Density Function serta pada data testing breastcancer_nom3 dan lenses, penambahan missing value terhadap atribut non-class pada data testing suatu dataset tidak mempengaruhi akurasi. Sedangkan pada data testing yang lain perubahan akurasinya hanya sedikit, sehingga dapat disimpulkan bahwa penambahan missing value terhadap atribut non-class pada suatu data testing suatu dataset tidak begitu
18 Powered by TCPDF ( Tugas Akhir mempengaruhi akurasi karena metode Naive Bayesian Classifier tidak mempedulikan berapa besar nilai probabilitas suatu class selama record tersebut diklasifikasikan ke dalam class yang benar. Namun semuanya tetap tergantung pada persebaran data.
BAB 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 terperinciAPLIKASI PEMELIHARAAN DATA DONATUR DI RUMAH ZAKAT MAINTENANCE DONATURE APPLICATION AT RUMAH ZAKAT
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2006 APLIKASI PEMELIHARAAN DATA DONATUR DI RUMAH ZAKAT MAINTENANCE DONATURE APPLICATION AT RUMAH ZAKAT Bayu Mahaliyanto¹, -² ¹Teknik Informatika,, Universitas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
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 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 terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
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 terperinciCONTOH KASUS DATA MINING
CONTOH KASUS DATA MINING CONTOH KASUS DATA MINING Sebuah rumah sakit ingin ingin menekan biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciMENENTUKAN KEPADATAN LALU LINTAS DENGAN PENGHITUNGAN JUMLAH KENDARAAN BERBASIS VIDEO PROCESSING
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 MENENTUKAN KEPADATAN LALU LINTAS DENGAN PENGHITUNGAN JUMLAH KENDARAAN BERBASIS VIDEO PROCESSING Muahamd Syukur¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciIMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO Sendy Winanta Yetli Oslan, Gunawan Santoso Abstrak Penjurusan siswa kelas X SMA yang akan naik
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciBAB I PENDAHULUAN I - 1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dunia pendidikan merupakan dunia yang memerlukan perhatian khusus karena pendidikan merupakan faktor yang sangat mempengaruhi kualitas para calon penerus bangsa
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan
Lebih terperinciIDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS)
Powered by TCPDF (www.tcpdf.org) IDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS) Inung Wijayanto¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciI.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan
BAB. I. PENDAHULUAN I.1 Latar Belakang Masalah Seiring berjalannya waktu dan perkembangan teknologi media penyimpanan elektronik, setiap organisasi dapat menyimpan datanya secara elektronik dan bersifat
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciBAB 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 terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciAngelina Prima Kurniati¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2005 ANALISIS DAN IMPLEMENTASI ALGORITMA PUBLIC SEBAGAI SEBUAH CLASSIFIER POHON KEPUTUSAN YANG SCALABLE DALAM DATA MINING ANALYSIS AND IMPLEMENTATION OF PUBLIC
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 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 I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Dalam melakukan pengolahan data, Sekolah Menengah Pertama (SMP) Baitul Anshor masih dilakukan secara manual. Pengolahan data yang dilakukan seperti data siswa, data
Lebih terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
Lebih terperinciPEMBANGUNAN APLIKASI KLASIFIKASI MAHASISWA BARU UNIVERSITAS ATMA JAYA YOGYAKARTA DENGAN METODE NAΪVE BAYES CLASSIFIER
PEMBANGUNAN APLIKASI KLASIFIKASI MAHASISWA BARU UNIVERSITAS ATMA JAYA YOGYAKARTA DENGAN METODE NAΪVE BAYES CLASSIFIER TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik
Lebih terperinciTugas Ujian Tengah Semester (UTS) Data Mining Lanjut ABSTRAK
PERBANDINGAN KLASIFIKASI KNN DAN NAIVE BAYESIAN SERTA PERBANDINGAN CLUSTERING SIMPLE K-MEANS YANG MENGGUNAKAN DISTANCE FUNCTION MANHATTAN DISTANCE DAN EUCLIDIAN DISTANCE PADA DATASET Dresses_Attribute_Sales
Lebih terperinci3.6 Data Mining Klasifikasi Algoritma k-nn (k-nearest Neighbor) Similaritas atribut numerik
DAFTAR ISI PERNYATAAN... iii PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR ALGORITMA... xvi DAFTAR LAMPIRAN... xvii INTISARI... xviii ABSTRACT...
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih 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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Basis data saat ini sudah berkembang menjadi sangat besar secara cepat ke dalam ukuran terabyte. Di dalam tumpukan data tersebut mungkin terdapat informasiinformasi
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tanggung jawab sosial PT. Telkom dalam program kemitraan dengan masyarakat sekitarnya adalah memberikan kredit lunak bagi pelaku Usaha Kecil Menengah (UKM).
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciAPLIKASI SISTEM KEUANGAN PT. WAHANA KREASI SEJATI
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2010 APLIKASI SISTEM KEUANGAN PT. WAHANA KREASI SEJATI Prita Puspasari¹, Hetti Hidayati², Shaufiah³ ¹Teknik Informatika,, Universitas Telkom Abstrak PT. Wahana
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciKata kunci : metode pencarian, perpustakaan, Naïve Bayes Classifier.
PENGGUNAAN METODE NAÏVE BAYES CLASSIFIER PADA APLIKASI PERPUSTAKAAN Selvia Lorena Br Ginting,S.Si., MT 1, Reggy Pasya Trinanda 2 1,2 Jurusan Teknik Komputer Unikom, Bandung 1 selvialorena@yahoo.com, 2
Lebih terperinciIna Ariani Firstaria¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2006 STUDI DAN IMPLEMENTASI ALGORITMA TWOFISH UNTUK FILE MP3 DENGAN PARTISI BLOK CIPHER STUDY AND IMPLEMENTATION TWOFISH ALGORITHM FOR MP3 FILE WITH PARTITION
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab ini dijelaskan latar belakang dari penelitian klasifikasi dokumen teks. Tujuan dan ruang lingkup dari tugas akhir memberikan penjelasan mengenai hasil yang ingin diketahui dan
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 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 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 I PENDAHULUAN 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Pemrograman web merupakan sebuah mata kuliah yang ada di IT Telkom, matakuliah pemrograman web ini merupakan matakuliah wajib yang memang di ambil setiap tahun kedua
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciPenerapan metode..., Novi Indriyani, FASILKOM UI, Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Banyak kegiatan atau aktifitas manusia yang banyak bergantung pada faktor cuaca. Faktor cuaca ini terkadang memiliki pengaruh yang sangat besar bagi keberlangsungan
Lebih terperinciAPLIKASI MANAJEMEN PRAKTIKUM LABORATORIUM INFORMATIKA IT- TELKOM
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2012 APLIKASI MANAJEMEN PRAKTIKUM LABORATORIUM INFORMATIKA IT- TELKOM Tia Wicaksono¹, Angelina Prima Kurniati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,,
Lebih terperinciKLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK
Lukman Syafie / JUPITER Volume XV No.2 (2016) 109 KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK Lukman Syafie Staf Pengajar Teknik Informatika, Fakultas Ilmu Komputer
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT.
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Perkembangan teknologi sekarang ini semakin pesat. Kebutuhan akan informasi dan komunikasi bertambah. Telah ditemukan berbagai perangkat teknologi yang memudahkan manusia
Lebih terperinciUKDW. BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penerimaan mahasiswa baru merupakan proses yang selalu dilakukan setiap tahunnya oleh Universitas Kristen Duta Wacana Yogyakarta (UKDW). Mahasiswa baru merupakan mahasiswa
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Teknologi semakin berkembang seiring dengan berjalannya waktu. Disadari atau tidak, sebagian besar kehidupan ini dibantu oleh teknologi dan banyak sekali manfaat yang
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kemajuan teknologi informasi saat ini berkembang semakin cepat. Sehingga banyak hal yang dapat dimanfaatkan oleh manusia dengan adanya kemajuan teknologi tersebut.
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB 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 terperinciOPTIMASI NAÏVE BAYES CLASSIFIER DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION PADA DATA IRIS
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) p-issn: 2355-7699 Vol. 4, No. 3, September 2017, hlm. 180-184 e-issn: 2528-6579 OPTIMASI NAÏVE BAYES CLASSIFIER DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini berisikan tentang alasan peneliti mengambil permasalahan ini. Pada bab ini poin-poin yang akan dipaparkan antara lain Latar Belakang, Perumusan Masalah, Batasan Masalah, Tujuan
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 terperinciOleh : Selvia Lorena Br Ginting, Reggy Pasya Trinanda. Abstrak
TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN (STUDI KASUS : PERPUSTAKAAN UNIVERSITAS PASUNDAN BANDUNG) Oleh : Selvia Lorena Br Ginting,
Lebih terperinciBAB I PENDAHULUAN BAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN BAB I PENDAHULUAN 1.1 Latar Belakang Intelligent agent, sebagai bagian dari kecerdasan buatan yang dapat diterapkan pada sistem dalam menyelesaikan sebuah permasalahan. Agen yang diterapkan
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 terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 262 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN CONTINOUS DENSITY HIDDEN MARKOV MODEL SIMULATION AND ANALYSIS
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Semakin hari semakin berkembang dan bertambahnya kuliner yang ada di kota Yogyakarta, dengan jumlah tempat makan yang semakin banyak dan cita rasa yang diberikan semakin
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) SKRIPSI Disusun Oleh : DHIMAS BAYUSUSETYO NIM. 24010212130081 DEPARTEMEN
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 terperinciEDU SOFT. Statement Of Work
EDU SOFT Aplikasi Penilaian Perkembangan Anak Usia 3-4 Tahun Statement Of Work Version: (1) Date: (02/18/2010) Document History and Distribution Revision History : Revision # Revision Date Description
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Indonesia. Klasifikasi topik menggunakan..., Dyta Anggraeni
BAB 1 PENDAHULUAN Pada bab ini dijelaskan latar belakang dari penelitian yang memberikan gambaran awal mengenai klasifikasi topik dan perannya dalam perkembangan teknologi informasi. Tujuan dan ruang lingkup
Lebih terperinciKata kunci : citra, pendeteksian warna kulit, YCbCr, look up table
Pendeteksian Warna Kulit berdasarkan Distribusi Warna YCbCr Elrica Pranata / 0422002 Email : cha_nyo2@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Marantha Jalan Prof. Suria Sumantri
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di
Lebih terperinciRaden Abi Hanindito¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) ANALISIS & IMPLEMENTASI IMAGE DENOISING DENGAN MENGGUNAKAN METODE NORMALSHRINK SEBAGAI WAVELET THRESHOLDING ANALYSIS & IMPLEMENTATION IMAGE DENOISING USING NORMALSHRINK
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sumber opini teks saat ini tersedia berlimpah di internet akan tetapi belum sepenuhnya dimanfaatkan karena masih kurangnya tool yang ada, sedangkan perkembangan
Lebih terperinciBAB 1 Pendahuluan 1.1 Latar Belakang Masalah
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 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 terperinciBAB I PENDAHULUAN. dari pemikiran-pemikiran manusia yang semakin maju, hal tersebut dapat. mendukung bagi pengembangan penyebaran informasi.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dan ilmu pengetahuan pada masa globalisasi ini dirasakan telah semakin pesat dan canggih. Semua ini dikarenakan hasil dari pemikiran-pemikiran
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 terperinciBab I Pendahuluan I 1 BAB I PENDAHULUAN
Bab I Pendahuluan I 1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Kantor Pelayanan Pajak (KPP) Tasikmalaya merupakan salah satu dari KPP yang ada di Indonesia yang bertugas mengelola administrasi pajak. Salah
Lebih terperinciDESAIN DAN IMPLEMENTASI APLIKASI PROBABILITAS DAN STATISTIKA PADA PERANGKAT ANDROID
DESAIN DAN IMPLEMENTASI APLIKASI PROBABILITAS DAN STATISTIKA PADA PERANGKAT ANDROID Putri Dwi Astuti¹, Agus Virgono², Indwiarti Dra. Msi³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Mata Kuliah
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Metode Pengumpulan Data Dalam kegiatan pengumpuan data untuk penelitian ini digunakan metode pengumpulan studi pustaka yag mana pada metode ini kegiatan dilakukan adalah
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
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 terperinci