KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
|
|
- Suharto Setiabudi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI Jakarta Jl. Nangka No. 58C (TB Simatupang), Kel. Tanjung Barat, Kec. Jagakarsa, Jakarta Selatan rayung_wulan@unindra.ac.id, 2 mei_lestari@unindra.ac.id, 3 ni_wayanparwati@unindra.ac.id ABSTRAK Kanker adalah pertumbuhan sel yang abnormal. Di negara berkembang seperti Indonesia, kasus kanker telah meningkat seiring dengan perubahan gaya hidup. Tujuan dari makalah ini adalah untuk membandingkan metode klasifikasi data mining Naïve Bayes dan k-nearest Neighbor (k-nn) untuk mendeteksi kanker payudara. Dan untuk membangun sebuah aplikasi berdasarkan metode yang dipilih. Confusion Matrix digunakan untuk menghitung kinerja kedua metode tersebut, dan berdasarkan perhitungan metode naïve bayes memiliki kinerja yang lebih baik daripada metode k-nn, memiliki akurasi 98,51% dan nilai Area Under Curve (AUC). Oleh karena itu aplikasi yang diajukan menerapkan metode naïve bayes untuk mendeteksi kanker payudara. Kata kunci : Breastcancer, Naïve Bayes, k-nn ABSTRACT Cancer is an abnormal growth of cells. In developing country like Indonesia, cancer case has increase inline with the lifestyles changes. Objectives of this paper is to compare data mining classification methods i.e. naive bayes and k-nearest Neighbor (k-nn) to detect breast cancer. and to built an application based on chosen methods. Confusion matrix is used to show the performance of both methods, and it shows that naive bayes has better performace than k-nn methods, it has 98,51% of accuracy and 1,000 of Area Under Curve (AUC). Therefore the proposed application applied naive bayes methods to detect breast cancer. Keywords : Breastcancer, Naïve Bayes, k-nn 1. PENDAHULUAN Di Indonesia ancaman terhadap kanker payudara terus meningkat seiring dengan perubahan gaya hidup. Organisasi penanggulangan kanker dunia dan badan kesehatan dunia memperkirakan terjadi peningkatan 300% pada tahun 2030 dan mayoritas terjadi di negara berkembang termasuk Indonesia. Pada tahun 2012, sekitar 8,2 juta kematian disebabkan oleh kanker. Kanker paru, kanker hati, kanker perut, kanker kolorektal, dan kanker payudara adalah penyebab kematian terbesar yang disebabkan oleh kanker setiap tahunnya (Kemenkes 2015). Sehingga perlu untuk mendeteksi kanker payudara sejak dini. Penggalian data atau data mining merupakan proses untuk mengidentifikasi dan mengekstrasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Proses data mining menggunakan statistik, matematika, kecerdasan buatan dan machine learning (Turban et al. 2011). Fungsi dasar pada data mining adalah (1) fungsi prediksi, digunakan untuk memprediksi variabel lain yang tidak diketahui jenis atau nilainya, (2) fungsi deskripsi, digunakan untuk menemukan karakteristik penting dari data dalam suatu basis data, (3)fungsi klasifikasi, digunakan untuk menemukan suatu model atau fungsi untuk menggambarkan class atau konsep dari suatu data, (4) fungsi asosiasi, digunakan untuk menemukan suatu hubungan yang terdapat pada nilai atribut dari sekumpulan data (Larose & Larose 219
2 2014). Pada penelitian ini digunakan fungsi klasifikasi data mining untuk mendeteksi penyakit kanker payudara. Metode klasifikasi yang digunakan adalah naïve bayes dan k- Nearest Neighbor. Metode klasifikasi naïve bayes dapat digunakan untuk memprediksi penggunaan listrik rumah tangga, hasil penelitian menunjukan metode naïve bayes dapat memprediksi besarnya penggunaan listrik rumah tangga dengan tingkat akurasi sebesar 78,3% (Saleh 2015). Penelitian menggunakan k-nearest neighbor pada bidang pendidikan dilakukan untuk memprediksi kelulusan mahasiswa, pada penelitian ini terdapat 2 kelas kelulusan yaitu tepat dan terlambat. Hasil yang didapat adalah tingkat akurasi pada k=5 adalah yang terbaik yaitu sebesar 85,15%(Rohman 2015).. 2. METODE PENELITIAN Metode penelitian yang dilakukan adalah metode Research and Development merupakan metode penelitian yang digunakan untuk menghasilkan suatu produk tertentu dan menguji keefektifan ptoduk tersebut. Borg and Gall mengungkapkan bahwa siklus R&D terdiri dari beberapa langkah penelitian, yaitu pengumpulan informasi, perencanaan, pengembangan produk, uji coba pendahuluan, perbaikan produk utama, uji coba utama, perbaikan produk operasional, uji coba operasional, perbaikan produk akhir, diseminasi dan pendistribusian (Gall et al. 2007). Kegiatan penelitian dimulai dengan melakukan riset dan analisa kebutuhan, pada tahap ini dilakukan komparasi antara dua metode klasifikasi pada data mining yaitu naïve bayes dan k-nearest neighbor, untuk itu perlu disiapkan data serta variabel-variabel yang digunakan. Data yang digunakan pada penelitian ini didapat dari UCI data repository yaitu berupa data kanker payudara yang terdiri dari 9 variabel yaitu Clump Thickness, Uniformity of cell size, Uniformity of cell shape, Marginal Adhesion, Single Ephithelial cell size, Bare nuclei, Bland Chromatin, Normal Nucleoli, Mitoses (UCI 2011). Tahap selanjutnya melakukan komparasi terhadap kedua metode klasifikasi naïve bayes dan k-nearest Neighbor untuk mendeteksi kanker payudara. Setelah dilakukan komparasi maka didapatkan algoritma terpilih dengan tingkat akurasi yang terbaik untuk diimplementasikan kedalam suatu aplikasi pendeteksi kankert payudara. Tahapan penelitian dapat dilihat pada gambar Metode klasifikasi data mining Gambar 2.1 Tahapan Penelitian Terdapat 2 langkah pada proses klasifikasi yaitu learning phase dan proses klasifikasi. Learning phase atau fase pembelajaran adalah proses dimana data training dianalisa dan dipresentasikan dalam bentuk rule klasifikasi, sedangkan pada fase klasifikasi menggunakan data uji (testing data) untuk memperkirakan akurasi dari rule klasifikasi (Jiawei et al. 2006). Terdapat 4 komponen proses klasifikasi yaitu, kelas, predictor, training dataset, testing dataset, dengan deskripsi sebagai berikut (Gorunescu 2011): 220
3 Kelas Predictor Tabel 2.1 Komponen pada metode klasifikasi data mining Komponen Training dataset Testing dataset Deskripsi Variabel dependen berupa kategorikal yang merepresentasikan label yang terdapat pada objek Variabel independen yang direpresentasikan oleh karakteristik atribut data Satu set data yang berisi nilai dari kedua komponen di atas yang digunakan untuk menentukan kelas yang cocok berdasarkan predictor Berisi data baru yang akan dikalsifikasikan oleh model yang terlah dibuat dan akurasi klasifikasi dievaluasi 3. HASIL DAN PEMBAHASAN Data yang digunakan pada penelitian ini didapat dari UCI data repository publik yang terdiri dari 536 data latih dan 134 data uji, yang kemudian diolah menggunakan metode naïve bayes dan metode k-nn. 3.1 Penerapan Metode Naïve Bayes Untuk menentukan apakah data tersebut masuk kedalam kanker payudara (malignant) atau tidak terkena kanker payudara (benign) langkah pertama yang dilakukan adalah menghitung probabilitas prior. Dari 536 data latih didapat probabilitas prior untuk kelas yang terkena kanker payudara P(malignant) = 0, dan kelas yang tidak terkena kanker payudara P(benign) = 0, Setelah itu mencari likelihood untuk tiap atribut. Tabel 3.1 merupakan tabel likelihood untuk atribut clump thickness. Tabel 3.1 Tabel likelihood untuk atribut clump thickness Malignant Benign Clump Thickness 1 0, , ,075 0, , , , , , , , , , , Setelah didapat perhitungan likelihood untuk setiap atribut, selanjutnya dilakukan perhitungan probabilitas posterior untuk menentukan apakah data yang diuji masuk kedalam kelas malignant atau benign. Atribut Tabel 3.2 Probabilitas posterior Data X P(X Ci) Nilai Malignant Benign Clump Thickness 4 0, , Uniformity of cell size 4 0, , Uniformity of cell shape 2 0, ,
4 Marginal Adhesion 1 0, , Single Ephithelial cell Size 2 0, , Bare Nuclei 5 0, , Bland Chromatin 2 0, , Normal Nucleoli 1 0, , Mitoses 2 0, , Setelah diketahui probabilitas setiap atribut terhadap probabilitas tiap kelas atau P(X Ci), maka langkah selanjutnya adalah menghitung total keseluruhan probabilitas tiap kelas P(X deteksi = malignant) = x 0,818182x 0,136364x 0,094276x 0,076087x 0,666667x 0,053571x 0,105919x 0,814815= 3,0294E-07 P(X deteksi = benign) = 0,877193x 0,181818x 0,863636x 0,905724x 0,923913x 0,333333x 0,946429x 0,894081x 0,185185x 0,006021= 0, P(X deteksi = malignant)p(malignant) = 3,0294E-07 x 0, = 1,15298E-07 P(X deteksi = benign)p(benign) = 0, x 0,619403= Dari hasil perhitungan tersebut di atas diketahui nilai P(benign X) lebih besar daripada P(malignant X), sehingga untuk kasus tersebut dapat disimpulkan masuk kedalam kelas benign (tidak terdeteksi kanker payudara). 3.2 Penerapan Metode k-nearest Neighbor (k-nn) Pada penelitian ini penggunaaan nilai k untuk k-nn adalah 9. Untuk memprediksi ketetanggan pada data baru maka dilihat kelas yang sering muncul. Atribut Tabel 3.3 Data Latih dan Data Uji Nilai Data (x) Clump Thickness 1 5 Uniformity of Cell Size 1 1 Uniformity of cell Shape 1 1 Marginal Adhesion 1 1 Single Ephithelial cell size 2 2 Bare Nuclei 1 1 Bland Chromatin 3 3 Normal Nucleoli 1 1 Mitoses 1 1 Class 2 5 Nilai Data Latih Berdasarkan data pada tabel 3.3 maka perhitungan kedekatan antara data latih dan data uji adalah (5-1) 2 +(1-1) 2 +(1-1) 2 +(1-1) 2 +(2-1) 2 +(1-1) 2 +(3-3) 2 +(1-1) 2 +(1-1) 2 =16. Setelah seluruh data latih dihitung kedekatannya dengan data uji, diurutkan nilai kedekatan data latih dan data uji tersebut sehingga didapat 9 data dengan nilai kedekatan terkecil. Dari 9 data latih tersebut dilihat label yang sering muncul benign sehingga data x pada tabel 3.3 diklasifikasikan sebagai benign (tidak terkena kanker payudara), dengan nilai kedekatan sebagai berikut: Tabel 3.4 Kedekatan data x dengan data latih dengan nilai k=9 CT UC Size UC Shape M A SEC Size BN BC NN MI class kedekatan 222
5 3.3 Evaluasi dan Validasi Evaluasi dilakukan dengan menggunakan confusion matrix dan ROC curve dengan hasil seperti tabel berikut: Tabel 3.5 Perbandingan nilai akurasi dan AUC Naïve Bayes k-nn Akurasi 98.51% 98.51% AUC 1,000 0, Implementasi Metode Terpilih Berdasarkan perhitungan dan evaluasi terhadap metode klasifikasi naïve bayes dan k-nn didapat nilai akurasi yang sama untuk kedua metode yaitu 98,51%. Tetapi metode k-nn memiliki nilai AUC yang lebih tinggi dibandingkan dengan metode Naïve bayes, sehingga metode yang diterapkan pada sistem pendeteksi kanker payudara adalah metode naïve bayes. Bahasa pemrograman yang digunakan untuk implementasi sistem adalah bahasa java. Dengan algoritma sebagai berikut: Gambar 3.1 Flowchart sistem pendeteksi kanker payudara Pada sistem pendeteksi kanker payudara ini dapat mengklasifikasikan data sebagai malignant dan benign, serta menyimpan data hasil klasifikasi tersebut sebagai data latih. Data training baru atau penambahan data training juga dapat dilakukan dengan memilih menu INPUT DATA TRAINING. Gambar 3.2 menunjukan antarmuka sistem pendeteksi kanker payudara. 223
6 4. PENUTUP Penelitian ini menyajikan komparasi metode klasifikasi Naïve bayes dan k-nn untuk mendeteksi kanker payudara. Hasil komparasi menunjukan metode naïve bayes memiliki tingkat akurasi yang sama dengan algoritma k-nearest Neighbor yaitu 98,51%, sedangkan untuk nilai Area Under ROC Curve (AUC) metode naïve bayes lebih tinggi dibandingkan algoritma k-nn yaitu 1,000. Sehingga metode Naïve bayes menjadi metode terpilih untuk diterapkan pada sistem pendeteksi kanker payudara. Untuk penelitian selanjutnya diharapkan pengembangan sistem berbasis web sehingga dapat digunakan oleh masyarakat umum, atau dapat dikembangkan lagi menjadi sebuah sistem yang interaktif serta dapat menyimpan data pasien dan berguna dibidang medis, 5. DAFTAR PUSTAKA Gambar 3.2 Antarmuka sistem pendeteksi kanker payudara [1]. Gall, M.D., Gall, J.P. & Borg, W.R., An Introduction to Educational Design Research. East, p.129. [2]. Available at: [3]. Gorunescu, F., Data Mining: Concepts and Techniques, Available at: [4]. Jiawei, H. et al., Data Mining: Concepts and Techniques, Available at: hniques#1%5cnhttp://scholar.google.com/scholar?hl=en&btng=search&q=intitle:data+mining+co ncepts+and+techniques%231%5cnhttp://scholar.google.com/scholar?hl=en&btng=se. [5]. Kemenkes, Infodatin. Journal of Chemical Information and Modeling, 53, p.160. [6]. Larose, D.T.. & Larose, C.D.., Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition, [7]. Rohman, A., Model Algoritma K-Nearest Neighbor (K-Nn) Untuk Prediksi Kelulusan Mahasiswa. Neo Teknika, 1(1). [8]. Saleh, A., Implementasi Metode Klasifikasi Naïve Bayes dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal, 2(3), pp Available at:ojs.amikom.ac.id/index.php/citec/article/download/375/355. [9]. Turban, E., Sharda, R. & Delen, D., Decision Support and Business Intelligence Systems, Available at: [10]. UCI, UCI Machine Learning Repository: Breast Cancer Wisconsin (Diagnostic) Data Set. ilable at: 224
DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
Lebih terperinciPenerapan Algoritma C4.5 untuk Klasifikasi Tingkat Keganasan Kanker Payudara
1 Penerapan Algoritma C4.5 untuk Klasifikasi Tingkat Keganasan Kanker Payudara Dwi Ayu Nursela A11.2010.05307 Teknik Informatika S1, Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jalan Nakula I No.
Lebih terperinciPENINGKATAN METODE NAIVE BAYES CLASSIFICATION UNTUK PENENTUAN TINGKAT KEGANASAN KANKER PAYUDARA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
PENINGKATAN METODE NAIVE BAYES CLASSIFICATION UNTUK PENENTUAN TINGKAT KEGANASAN KANKER PAYUDARA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Imma Rizki Fitriani Universitas Dian Nuswantoro Email : fitriani.imma@gmail.com
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 terperinciOptimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara
JURNAL INFORMATIKA, Vol.4 No.1 April 2017, pp. 46~53 ISSN: 2355-6579 E-ISSN: 2528-2247 46 Optimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara Farizul Ma
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciKlasifikasi Penyakit Kanker Payudara Menggunakan Metode K-NN Berbasis Web
Klasifikasi Penyakit Kanker Payudara Menggunakan Metode K-NN Berbasis Web Ernest Evan Zamora 1), Rika Perdana Sari 2), Kartina Diah Kusuma Wardhani 2) 1) Jurusan Teknik Informatika, Politeknik Caltex Riau,
Lebih terperinciPenerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi Penyakit Kanker Payudara
JURNAL TECH-E - VOL. NO. (207) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 258-96 (Online) Artikel Penerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi
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 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 terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih 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 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Pengujian Signifikansi Parameter a. Uji serentak parameter regresi logistik Uji serentak adalah uji yang mempunyai fungsi dimana untuk mengetahui signifikansi
Lebih terperinciUji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Uji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola Astris
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
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 terperinciKAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA
KAJIAN PENERAPAN ALGORITMA C4.5, NAIVE BAYES, DAN NEURAL NETWORK DALAM PEMILIHAN DOSEN TELADAN: STUDI KASUS UNIVERSITAS INDRAPRASTA LAKSANA PRIYO ABADI laksanarioabadi@gmail.com Program Studi Teknik Informatika
Lebih terperinci1. Model Prediksi Ini Menggunakan Tools RapidMiner
1. Model Prediksi Ini Menggunakan Tools RapidMiner RapidMiner memiliki keunggulan tersendiri, RapidMiner merupakan aplikasi data mining berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA
PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B
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 terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
Lebih terperinciBAB I PENDAHULUAN. jurusan ditentukan berdasarkan standar kriteria tiap jurusan.
BAB I PENDAHULUAN 1.1 Latar Belakang Pratiwi (2014) berpendapat Sekolah Menengah Atas (SMA) merupakan suatu instansi pendidikan yang di dalamnya terdapat proses pengambilan keputusan jurusan siswa kelas
Lebih 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 terperinciBAB I PENDAHULUAN. Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh
BAB I PENDAHULUAN A. Latar Belakang Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke bagian tubuh
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 Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode
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 terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
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 terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
Lebih terperinciMETODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
Techno.COM, Vol. 15, No. 3, Agustus 216: 195-2 METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu
Lebih terperinciALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA
ALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA Devi Sugianti Program Studi Sistem Informasi,STMIK WidyaPratama Jl. Patriot 25 Pekalongan Telp (0285)427816
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 terperinciBAB III PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
BAB III PEMBAHASAN A. Fuzzy Radial Basis Function (FRBFNN) 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari
Lebih terperinciPENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING
PENGKLASIFIKASIAN TINGKAT DANGEROUS DRIVING BEHAVIOR MENGGUNAKAN DATA ELEKTROENSEFALOGRAFI (EEG) DENGAN PENDEKATAN MACHINE LEARNING Nama : Alisca Damayanti NPM : 50412648 Jurusan : Teknik Informatika Fakultas
Lebih terperinciBAB 2. Landasan Teori
BAB 2 Landasan Teori 2.1 Pengertian Data Mining Menurut Han dan Kamber (2011:6) menjelaskan bahwa Data Mining merupakan pemilihan atau menggali pengetahuan dari jumlah data yang banyak. Berbeda dengan
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 ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciJurnal Komputer Terapan Vol. 3, No. 2, November 2017, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 3, No. 2, November 2017, 233-240 233 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k- Nearest Neighbor dan Naïve Bayes
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 terperinciKomparasi Algoritma Support Vector Machine, Naïve Bayes Dan C4.5 Untuk Klasifikasi SMS
Vol.2 No.2, November 2017, pp. 7~13 ISSN: 2527-449X E-ISSN: 2549-7421 7 Komparasi Algoritma Support Machine, Naïve Dan C4.5 Untuk Klasifikasi SMS Retno Sari STMIK Nusa Mandiri e-mail: bee.retno@gmail.com
Lebih terperinciAnalisis perbandingan Klasifikasi penyakit jantung dengan menggunakan naïve bayes
Analisis perbandingan Klasifikasi penyakit jantung dengan menggunakan naïve bayes Muhammad Sulkifly Said Program Studi Magister Teknologi Informasi, Universitas Gadjah Mada Jl. Grafika No.2 Kampus UGM,
Lebih terperinciPERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN 2012
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 831-838 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciBAB I PENDAHULUAN 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 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 terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih 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 terperinciPERANCANGAN SISTEM PAKAR PENENTU PROSES PERSALINAN DENGAN METODE NAIVE BAYES PADA KEPULAUAN DI DAERAH TERPENCIL PENEBEL TABANAN BALI
PERANCANGAN SISTEM PAKAR PENENTU PROSES PERSALINAN DENGAN METODE NAIVE BAYES PADA KEPULAUAN DI DAERAH TERPENCIL PENEBEL TABANAN BALI 1), 2),3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati S 3) Program
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 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 terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perguruan tinggi merupakan strata terakhir sebelum mahasiswa dapat bersaing didalam dunia kerja. Agar mampu bersaing didalam dunia kerja, mahasiswa dituntut
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciANALISIS PENENTUAN KARYAWAN TERBAIK MENGGUNAKAN METODE ALGORITMA NAIVE BAYES (STUDI KASUS PT. XYZ)
ANALISIS PENENTUAN KARYAWAN TERBAIK MENGGUNAKAN METODE ALGORITMA NAIVE BAYES (STUDI KASUS PT. XYZ) Ulfa Pauziah Tehnik Informatika, Universitas Indraprasta PGRI pelangi_ulfa@yahoo.com Abstrak. Di dalam
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 terperinciii
KLASIFIKASI PENDAFTAR BEASISWA BIDIKMISI UNIVERSITAS SEBELAS MARET MENGGUNAKAN ALGORITMA C4.5 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Program Studi Informatika Disusun
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 terperinciAPPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT
APPLICATION OF DATA MINING ALGORITHM TO RECIPIENT OF MOTORCYCLE INSTALLMENT Harry Dhika 1, Fitriana Destiawati 2 1,2 Teknik Informatika Fakultas Teknik, Matematika dan IPA, Universitas Indraprasta PGRI
Lebih terperinciBAB I PENDAHULUAN. masalah kecerdasan, desain, pemilihan, implementasi, dan monitoring (Tripathi,
BAB I PENDAHULUAN 1.1 Latar Belakang Pengambilan suatu keputusan dapat membantu dalam mencari solusi dari sekian banyak solusi yang ada. Pengambilan keputusan adalah hasil dari suatu proses yang termasuk
Lebih terperinciKOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS
Faktor Exacta 10 (1): 4049, 2017 pissn: 1979276X e ISSN: 2502339X KOMPARASI ALGORITMA BERBASIS NEURAL NETWORK DALAM MENDETEKSI PENYAKIT HEPATITIS SURANTO SAPUTRA surantosaputra@yahoo.com Program Studi
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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciIMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG
1 IMPLEMENTASI DATA MINING MENGGUNAKAN ALGORITMA NAÏVE BAYES DALAM MENENTUKAN PENGUNDURAN DIRI CALON MAHASISWA PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG Muhammad Efendi Program Studi Teknik Informatika
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 terperinciReview of Multiple Input Multiple Output Causal Strategies for Gene Selection
Review of Multiple Input Multiple Output Causal Strategies for Gene Selection Abstract Feature extraction is one of a problem in bioinformatics. Bioinformatics research using many feature in their dataset.
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 terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciLEARNING. Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan Buatan)
LEARNING Jiawei Han and Micheline Kamber. 2006. Data Mining Concepts and Techniques. San Fransisco : Elsevier M.Tim Jones. Artificial Intelligence A System Approach. Slide Kuliah Data Mining - Klasifikasi,
Lebih terperinciKOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN. Andi Nurhayati 1, Andi Baso Kaswar 2
KOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN Andi Nurhayati 1, Andi Baso Kaswar 2 1),2) Teknik Informatika Universitas Cokroaminoto Palopo Jl Latammacelling
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 terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 Dwi Untari A11.2010.05410 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB I 1 PENDAHULUAN. atas sekelompok vertebra, invertebrate discs, saraf, otot, medulla, dan sendi
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Tulang punggung merupakan bagian dari tulang belakang yang tersusun atas sekelompok vertebra, invertebrate discs, saraf, otot, medulla, dan sendi (Berthonnaud et
Lebih terperinciPenentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang
1 Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang Ari Sulistiyo 1 1,3 Jurusan Teknik Informatika, FASILKOM UDINUS Jln. Nakula 1 No.5-11 Semarang
Lebih terperinciMODEL ALGORITMA K-NEAREST NEIGHBOR
MODEL ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI KELULUSAN MAHASISWA Abdul Rohman Dosen Jurusan Elektronika Fakultas Teknik Universitas Pandanaran Semarang Abstrak Dalam sistem pendidikan mahasiswa
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
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 terperinciAnalisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan
Analisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan Danny Ibrahim 1*) 1 Program Magister Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciDATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5
DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION TREE C4.5 DATA MINING UNTUK MENGANALISA PREDIKSI MAHASISWA BERPOTENSI NON-AKTIF MENGGUNAKAN METODE DECISION
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu metode penambangan data adalah klasifikasi. Metode klasifikasi memiliki beberapa algoritma dan setiap algoritma klasifikasi pada
Lebih terperinciANALISIS AKURASI ALGORITMA POHON KEPUTUSAN DAN K-NEAREST NEIGHBOR (k-nn) TESIS HULIMAN
ANALISIS AKURASI ALGORITMA POHON KEPUTUSAN DAN K-NEAREST NEIGHBOR (k-nn) TESIS HULIMAN 117038025 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 651-659 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI TINGKAT KELANCARAN NASABAH DALAM MEMBAYAR PREMI
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciSISTEM INFORMASI PENILAIAN SISWA UNTUK PENJURUSAN PADA SMA NEGERI 1 PLOSOKLATEN KEDIRI MENGGUNAKAN METODE NAIVE BAYES SKRIPSI
SISTEM INFORMASI PENILAIAN SISWA UNTUK PENJURUSAN PADA SMA NEGERI 1 PLOSOKLATEN KEDIRI MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciBAB I PENDAHULUAN. basis data dan mengubahnya menjadi informasi yang berguna. Metode data
BAB I PENDAHULUAN 1.1 Latar Belakang Data-data pinjaman yang tersimpan pada Koperasi XYZ yang selama ini hanya dijadikan arsip koperasi sebenarnya dapat dimanfaatkan menjadi sesuatu yang lebih berguna.
Lebih terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinci