Kliknij ten link, aby zobaczyć inne rodzaje publikacji na ten temat: Rapid miner studio.
Artykuły w czasopismach na temat „Rapid miner studio”
Utwórz poprawne odniesienie w stylach APA, MLA, Chicago, Harvard i wielu innych
Sprawdź 50 najlepszych artykułów w czasopismach naukowych na temat „Rapid miner studio”.
Przycisk „Dodaj do bibliografii” jest dostępny obok każdej pracy w bibliografii. Użyj go – a my automatycznie utworzymy odniesienie bibliograficzne do wybranej pracy w stylu cytowania, którego potrzebujesz: APA, MLA, Harvard, Chicago, Vancouver itp.
Możesz również pobrać pełny tekst publikacji naukowej w formacie „.pdf” i przeczytać adnotację do pracy online, jeśli odpowiednie parametry są dostępne w metadanych.
Przeglądaj artykuły w czasopismach z różnych dziedzin i twórz odpowiednie bibliografie.
1
Mardalius, Mardalius. "PEMANFAATAN RAPID MINER STUDIO 8.2 UNTUK PENGELOMPOKAN DATA PENJUALAN AKSESORIS MENGGUNAKAN ALGORITMA K-MEANS." JURTEKSI 4, no. 2 (2018): 123–32. http://dx.doi.org/10.33330/jurteksi.v4i2.36.
Pełny tekst źródłaStreszczenie:
Pada toko Rafadel Acc menjual berbagai jenis aksesoris yang tersedia yang dijual di tok tersebut. Dari berbagai jenis aksesoris yang dijual tentu tidak semuanya yang laku terjual dan juga ada yang kurang laku serta ada juga yang tidak pernah terjual sama sekali. Dengan adanya masalah ini maka kita perlu melakukan perhitungan untuk menentukan atau mengelompokkan mana kategori aksesoris yang laku, kurang laku dan tidak laku terjual, dalam proses pengelompokan maka akan digunakan sebuah metode pengelompokan menggunakan Algoritma K-Means Clustering sebagai metode perhitungan secara manual dan dalam implementasinya maka digunakan sebuah software Data Mining menggunakan RapidMiner Studio versi 8.2. Dengan adanya aplikasi RapidMiner Studio ini pemilik toko dapat melihat hasil pengelompokan aksesoris mana yang paling laku, laku dan kurang laku. Maka, bila terdapat produk yang tidak laku, pemilik toko dapat mencari alternative lain agar aksesoris yang tidak laku dapat menjadi laku. Metode yang digunakan dalam pengumpulan data adalah observasi dan wawancara kepada pemilik toko Rafadel Acc.
2
Abdillah, Allif Rizki, and Firman Noor Hasan. "Analisis Sentimen Terhadap Kandidat Calon Presiden Berdasarkan Tweets Di Sosial Media Menggunakan Naive Bayes Classifier." SMATIKA JURNAL 13, no. 01 (2023): 117–30. http://dx.doi.org/10.32664/smatika.v13i01.750.
Pełny tekst źródłaStreszczenie:
Penelitian ini untuk menganalisis sentimen rakyat Indonesia tentang para kandidat presiden yang kemungkinan akan maju di pilpres tahun 2024 dari tweet pada aplikasi twitter. Tweet pada twitter ini ditulis,diketik dan dipublish oleh netizen Indonesia tentang para kandidat yang kemungkinan akan maju dalam pilpres tahun 2024. Pada penelitian ini, peneliti menggunakan tools yaitu RapidMiner Studio untuk mengumpulkan data tweet dari netizen Indonesia tentang para kandidat. Selanjutnya peneliti menggunakan algoritma Naïve Bayes Classifier untuk menentukan apakah sebuah statement atau sentimen itu bernilai positif atau negatif yang dilakukan menggunakan tools Rapid Miner juga. Dari keempat kandidat yang telah peneliti teliti, Anies mendapat 74% sentimen positif 26% sentimen negatif, lalu disusul oleh Sandi yaitu 57% sentimen positif 43% sentimen negatif, Ganjar mendapat 53% sentimen positif 47% sentimen negatif dan Prabowo mendapat 32% sentimen positif 68% sentimen negatif. Kesimpulan dari penelitian ini supaya bisa mengetahui mana kandidat yang disukai atau dipandang baik oleh rakyat Indonesia dari hasil analisis sentimen dengan algoritma Naïve Bayes dan tools yang digunakan yaitu Rapid Miner.
3
Azim, Fauzan, Yuli Hartati, and Eko Afrianto. "Increase Sales For The Best Seed Clustering Using Rapid Miner." PROCEEDING INTERNATIONAL CONFERENCE ON ECONOMICS, BUSINESS AND INFORMATION TECHNOLOGY (ICEBIT) 4 (July 24, 2023): 906–15. http://dx.doi.org/10.31967/prmandala.v4i0.850.
Pełny tekst źródłaStreszczenie:
The superiority of seeds is one of the main factors for farmers. UD. Tiara Bersaudara is a shop that sells seeds and agricultural needs. Poor sales of seeds and fertilizers can hurt UD. Tiara Brothers. To maintain the stock of seeds that are in demand by farmers, sellers must be able to analyze data on the sale of seeds that are in great demand by farmers so as not to cause losses in business. This process is difficult for UD Tiara Brothers to do because it has a lot of sales data. Existing problems can be solved by clustering seed sales data according to most farmers' interests. Clustering is the grouping of data into several clusters based on the level of data similarity. The purpose of the study was to group the best-selling seed data at UD. Tiara Brothers in increasing sales. The clustering method uses the K-Means algorithm by partitioning data into clusters based on the centroid closest to the data. Furthermore, testing by comparing the calculation results with RapidMiner studio software 9.7. The results of this study can later be used as a benchmark for decision support by UD. Tiara Brothers to set marketing strategies for increasing sales.
4
Julianto, Muhammad Fahmi, Sofian Wira Hadi, Setiaji Setiaji, Windu Gata, and Rangga Pebrianto. "CLUSTERING PENCAPAIAN TARGET PENJUALAN RUMAH PARA KARYAWAN MARKETING MENGGUNAKAN RAPID MINER DAN ALGORITMA K-MEANS." Bianglala Informatika 8, no. 2 (2020): 79–85. http://dx.doi.org/10.31294/bi.v8i2.8189.
Pełny tekst źródłaStreszczenie:
In the competition of the business world today, we are required to always develop business in order to always be successful in competition. Fachry PropertyLand is one of the business fields engaged in the sale of homes. Everywhere this shop must meet the needs of customers who are currently trending. On Land Fachry Property Around the issue that always appears regarding sales. Where many employees do not meet their sales targets. Based on this, it is expected to facilitate the Land Fachry Property in assessing the appropriateness of its employees in determining employees who have met the target, has not met the target and does not meet the target, in the grouping process, the grouping method will be used using the K-Me Clustering Algorithm as a method of manual replacement and in its implementation the Data Mining software uses RapidMiner Studio version 9.2. With the application of Rapid Miner Studio, it is expected that the owner of Fachry Propertyland can see the results of the grouping that meets the target, does not meet the target and does not meet the target. It is expected that the owner of Fachry Propertyland can take action on these employees.
5
Andry, Johanes Fernandes, Henny Hartono, Honni, Aziza Chakir, and Rafael. "Data Set Analysis Using Rapid Miner to Predict Cost Insurance Forecast with Data Mining Methods." Journal of Hunan University Natural Sciences 49, no. 6 (2022): 167–75. http://dx.doi.org/10.55463/issn.1674-2974.49.6.17.
Pełny tekst źródłaStreszczenie:
The insurance protection program cannot be separated from everyday human life because there will always be risks in every human activity. Most people have entered into insurance agreements with state-owned and national private-owned insurance companies. The information system is one of the resources to increase competitive advantage. Information systems can be used to obtain, process, and disseminate information to support day-to-day operations and support strategic decision-making activities. The rapid growth of data accumulation has created data-rich but insufficient information conditions. Data mining is the mining or discovery of new information by looking for specific patterns or rules from large amounts of data expected to overcome these conditions. It is hoped that customer data can accurately produce information about insurance cost predictions. In this analysis, the authors use the RapidMiner Studio version 9.1 software. With the RapidMiner Studio app, authors can analyze the insurance data. A scientific novelty of this research is investigating data set cost insurance with data mining techniques consisting of classification, association, and clustering. Research goals for data mining techniques with classification, association, and clustering case studies implemented are to find all associative rules with high confidence, organize objects into groups whose members are similar, and collect objects between them. The following methods can be used: decision tree for data modeling, FP-Growth for determining which dataset occurs most frequently, and K-Means to classify the data attributes to facilitate the analysis.
6
Mohamed, Saouabi, and Abdellah Ezzati. "A data mining process using classification techniques for employability prediction." Indonesian Journal of Electrical Engineering and Computer Science 14, no. 2 (2019): 1025. http://dx.doi.org/10.11591/ijeecs.v14.i2.pp1025-1029.
Pełny tekst źródłaStreszczenie:
The use of the data mining has become wider today; it can be applied in several fields like marketing, customer relationship management, medicine, engineering, etc. It can be used also in employability, the use of data mining in this field will give opportunities and solution for decision makers in this field in order to improve the employability and propose solutions. In this paper, we propose a data mining process for employability data using classification techniques, presenting in details all the phases in the process and what should be done in every phase. We used Rapid Miner Studio Educational Version 8.1.000, using an employability dataset.
7
Rudianto, Rudianto, Tedi Wahyudi, and Popon Handayani. "PERBANDINGAN AKURASI C4.5 DAN NAIVE BAYES UNTUK EVALUASI KINERJA KARYAWAN PT CATUR SENTOSA ADIPRANA." Jurnal Sistem Informasi dan Ilmu Komputer Prima(JUSIKOM PRIMA) 5, no. 2 (2022): 61–66. http://dx.doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2350.
Pełny tekst źródłaStreszczenie:
ABSTRAK- Proses evaluasi penilaian kinerja karyawan PT Catur Sentosa Adiprana (CSA) belum sepenuhnya efektif dikarenakan proses perhitungannya yang masih dilakukan secara manual dan masih terdapat unsur subjektif dalam proses penilaiannya, sehingga hasil penilaian yang diperolehpun menjadi kurang akurat dan Algoritmamenyebabkan ketidakpuasan serta ketidakadilan bagi karyawan. Menilai setiap karyawan tentunya bukan hal yang mudah jika jumlah karyawan begitu banyak, maka dari itu penerapan data mining dengan metode Algoritma klasifikasi C4.5 (Decision tree) dan Naïve Bayes dipilih untuk membantu proses evaluasi penilaian kinerja karyawan dalam menentukan mana karyawan yang layak dan mana yang tidak layak untuk dipertahankan dengan mengidentifikasi berbagai faktor apa saja yang dapat memengaruhinya. Pengimplementasian kedua metode algoritma ini diharapkan dapat digunakan untuk mengetahui perbadingan akurasi yang lebih komprehensif dengan mencari nilai tertinggi. Berdasarkan hasil penelitian yang dilakukan, diperoleh hasil uji komparasi algoritma klasifikasi C4.5 memiliki nilai akurasi sebesar 98.18% lebih unggul 3.03% dibandingkan dengan Naïve Bayes yang memiliki nilai akurasi 95.15%. sedangkan pada nilai uji ROC, kedua algoritma ini memiliki nilai uji ROC yang masuk tingkat paling baik (excellent classification), yaitu C4.5 sebesar 0.994 dan Naïve Bayes 0.981 dengan perbedaan yang tidak terlalu signifikan. Dengan demikian, Algoritma C4.5 memiliki performa lebih baik dan dapat diterapkan sebagai bahan dasar pertimbangan dalam menentukan karyawan yang layak atau tidak layak untuk dipertahankan secara adil, objektif, dan cepat oleh pihak pengambil keputusan dengan bantuan perangkat lunak Rapid Miner Studio.
 Kata kunci : Klasifikasi, Karyawan, Algoritma C4.5, Naïve Bayes, Rapid Miner.
8
Sinaga, Titin Handayani, Anjar Wanto, Indra Gunawan, Sumarno Sumarno, and Zulaini Masruro Nasution. "Implementation of Data Mining Using C4.5 Algorithm on Customer Satisfaction in Tirta Lihou PDAM." Journal of Computer Networks, Architecture, and High-Performance Computing 3, no. 1 (2021): 9–20. http://dx.doi.org/10.47709/cnahpc.v3i1.923.
Pełny tekst źródłaStreszczenie:
This application applies the C4.5 Algorithm to decide customer satisfaction, the C4.5 algorithm is one of the algorithms used to classify or segment, or group and it is predictive. This type of research is a classification with the concept of data mining involving 150 customers of PDAM Tirta Lihou in Totap Majawa Kab. Simalungun can be categorized as: "Satisfied and Dissatisfied". The meaning of Data Mining is an interdisciplinary subfield of computer science and statistics with the overall objective of extracting information (with intelligent methods) from data sets and converting information into understandable structures for further use. There are 5 criteria that can affect customer satisfaction, among others: Service Facilities (x1), Price Rates (x2), Smooth Water (x3), Corporate Image (x4), and Location (x5). The results of processing the C4.5 method using the RapidMiner Studio 5.3 software mean that Rapid Miner is a solution for analyzing data mining, text mining, and predictive analysis. Rapid Miner uses various descriptive and predictive techniques in providing insight to users so that they can make the best decisions with the level of accuracy, namely, class recall and class precision values, it is explained that the "Satisfied" category produces a class recall of 97.80% and a class precision of 97.80%. 98.89% and the "Not Satisfied" category resulted in a class recall of 98.31% and a class of precision of 96.67%. And the above accuracy results from the calculation of the C4.5 algorithm is 98.0%. Keywords: C4.5 Algorithm, Data Mining, Customer Satisfaction, PDAM Tirta Lihou
9
Irshadi, Ardandy Amrie, and Alam Wahyu Santoso. "PENGGUNAAN DATA MINING DALAM EKSTENSIFIKASI PENELITIAN ULANG." JURNAL PERSPEKTIF BEA DAN CUKAI 5, no. 2 (2021): 218–132. http://dx.doi.org/10.31092/jpbc.v5i2.1305.
Pełny tekst źródłaStreszczenie:
ABSTRACT Due to increasing volume of international trade, effect on increasing customs document, Customs play a role so that trade flows run without obstacles, this causes inspection of imported goods to be less than optimal, but on the other hand Customs are required to collect state revenues optimally. This study tries to solve this problem from the post-clearance control side with re-examination by construct an analytical data model to predict the suitable classification. This study uses data on the Notification of Imported Goods during 2020 at the Regional Office of DJBC XXX which using a sample of goods that has similarities but has the potential to be misclassified. This study uses the Cross-industry Standard Process for Data Mining (CRISP-DM) model and the Rapid Miner Studio 9.9.2 application. Based on the model formed, the prediction results obtained according to the appropriate classification according to data mining. It also found the factors that most impact to goods classification, the most impact is the Importer status, whereas the least impact is the goods lane. ABSTRAK: Seiring dengan volume perdagangan internasional yang semakin tinggi, jumlah dokumen kepabeanan yang harus diperiksa juga mengalami peningkatan. Hal ini menghambat peran Bea dan Cukai sebagai fasilitator perdagangan yang menyebabkan pemeriksaan barang impor kurang optimal. Di sisi lain, Bea dan Cukai dituntut untuk menghimpun penerimaan negara secara optimum. Penelitian ini mencoba untuk menyelesaikan permasalahan tersebut pada tahap post clearance dengan penelitian ulang, yaitu dengan membangun model data analitik untuk memprediksi klasifikasi barang yang diberitahukan oleh importir sudah sesuai atau belum. Penelitian ini menggunakan data Pemberitahuan Impor Barang selama tahun 2020 pada Kanwil DJBC XXX yang sampel data barangnya memiliki kemiripan tetapi berpotensi salah klasifikasi. Penelitian ini menggunakan model Cross-industry Standard Process for Data Mining (CRISP-DM) dan aplikasi Rapid Miner Studio 9.9.2. Berdasarkan permodelan yang dibentuk, didapatkan hasil prediksi klasifikasi yang sesuai menurut data mining. Didapat pula faktor yang paling memengaruhi kebenaran pemberitahuan klasifikasi barang impor, yaitu status importir, sedangkan yang paling tidak berpengaruh adalah jalur pengeluaran barang impor. Kata Kunci: Penelitian Ulang, Data Analitik, Penerimaan Negara, Klasifikasi Barang
10
Anggraini, Recha Abriana, Galih Widagdo, Arief Setya Budi, and M. Qomaruddin. "Penerapan Data Mining Classification untuk Data Blogger Menggunakan Metode Naïve Bayes." Jurnal Sistem dan Teknologi Informasi (JUSTIN) 7, no. 1 (2019): 47. http://dx.doi.org/10.26418/justin.v7i1.30211.
Pełny tekst źródłaStreszczenie:
Jumlah pengguna situs blogger yang semakin meningkat menyebabkan perlu dilakukan pengklasifikasian data untuk mengetahui pengguna tersebut masuk dalam kategori pengguna blogger professional atau bukan. Sebagai referensi terkait penelitian ini adalah penelitian yang sudah dilakukan oleh peneliti sebelumnya. Teknik pengklasifikasian pemodelan deskriptif dan prediktif dengan algoritma data mining yaitu menggunakan metode naïve bayes. Untuk mengelola data digunakan software rapid miner studio 6.0, dataset blogger diperoleh dari website UCI Machine learning Repository, Perhitungan performance vector menunjukkan akurasi klasifikasi metode Naive bayes diperoleh sebesar 86.67%. Sedangkan class precision dan class recall untuk prediksi yes menunjukkan tingkat precision sebesar 91.30% dan untuk prediksino sebesar 71.43%. Hasil klasifikasi dari data blogger dengan metode naïve bayes membagi 2 kelas klasifikasi PB yaitu class yes dan class no. Untuk nilai class yes yaitu 0.680 dan nilai class no yaitu 0.320. Dari hasil pengolahan data dapat diketahui bahwa tingkat akurasi pengklasifikasian data blogger mencapai 86.67%.
11
Kadafi, Muhamad. "Penerapan Algoritma FP-GROWTH untuk Menemukan Pola Peminjaman Buku Perpustakaan UIN Raden Fatah Palembang." MATICS 10, no. 2 (2019): 52. http://dx.doi.org/10.18860/mat.v10i2.5628.
Pełny tekst źródłaStreszczenie:
<p class="Text"><strong><em>Abstrak</em></strong><strong>–-Proses pengolahan data transaksi peminjaman buku Perpustakaan UIN Raden Fatah Palembang sudah menggunakan Sistem Informasi Perpustakaan, tetapi data buku yang ada belum di manfaatkan untuk analisa guna pengambilan keputusan di perpustakaan. Salah satunya adalah dengan cara penggalian informasi atau pola yang penting dan menarik dari jumlah data besar yang disebut data mining. Hal terpenting dalam teknik mining adalah aturan untuk menemukan pola frekuensi tinggi antara himpunan itemset yang disebut dengan association rule (aturan assosiasi). Tujuan dari penelitian ini adalah menemukan pola peminjaman buku dengan menggunakan algoritma FP-Growth. Hasil dari penelitian ini adalah pembandingan pola yang terbentuk dengan memasukan nilai support dan conffident yang berbeda pada data transaksi yg sama. Alat yang digunakan untuk membantu proses pengolahan data yaitu rapid miner studio versi 9.0. Pola yang terbentuk bisa digunakan sebagai salah satu referensi untuk pengambilan keputusan. </strong></p>
12
Andrade-Arenas, Laberiano, Inoc Rubio-Paucar, and Cesar Yactayo-Arias. "Data mining for predictive analysis in gynecology: a focus on cervical health." International Journal of Electrical and Computer Engineering (IJECE) 14, no. 3 (2024): 2822. http://dx.doi.org/10.11591/ijece.v14i3.pp2822-2833.
Pełny tekst źródłaStreszczenie:
Currently, data mining based on the application of detection of important patterns that allow making decisions according to cervical cancer is a problem that affects women from the age of 24 years and older. For this purpose, the Rapid Miner Studio tool was used for data analysis according to age. To perform this analysis, the knowledge discovery in databases (KDD) methodology was used according to the stages that this methodology follows, such as data selection, data preparation, data mining and evaluation and interpretation. On the other hand, the comparison of methodologies such as the standard intersectoral process for data mining (Crips-dm), KDD and sample, explore, modify, model, evaluate (Semma) is shown, which is separated by dimensions and in each dimension both methodologies are compared. In that sense, a graph was created comparing algorithmic models such as naive Bayes, decision tree, and rule induction. It is concluded that the most outstanding result was -1.424 located in cluster 4 in the attribute result date.
13
Nugraheni, Wahyu, and Adi Nugroho. "Penerapan Metode Market Basket Analysis (MBA) dengan Algoritma Apriori Untuk Menganalisis Pembelian Jajanan Khas Lebaran Pada Warung Sembako di Toko Win." Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) 7, no. 4 (2023): 639–41. http://dx.doi.org/10.35870/jtik.v7i4.1083.
Pełny tekst źródłaStreszczenie:
Market Basket Analysis merupakan strategi pemasaran untuk memenuhi produk yang akan dibeli secara bersamaan oleh konsumen yang yang sering digunakan dan paling bermanfaat untuk lingkungan marketing yang menerapkan pola “jika-maka". Bertujuan untuk mengidentifikasi pola beli konsumen yang dapat dijadikan acuan dalam menentukan penyusunan letak item dengan kombinasi barang yang sering dibeli dan saling berhubungan agar dapat meningkatkan penjualan dengan strategi pemasaran yang tepat. Penelitian dilakukan di Toko Win yang mana selama ini banyak data menumpuk yang hanya dijadikan arsip atau pembukuan sehingga untuk membantu meningkatkan penjualan dengan menjadikan data transaksi penjualan sebagai informasi baru dengan mengolah dengan menggunakan Metode Basket Analysis dan Algoritma Apriori menggunakan Rapid Miner Studio. Disini menggunakan 7 atribut data yaitu Astor, Kastangel, Keripik Bayam, Keripik Seblak, Keripik Usus, Monde, dan Nastar, dan 50 record data, dengan batas minimum support = 0.4 dan minimum confidence = 0.6 yang menghasilkan 14 rules. Dan pola kombinasi item set tertinggi yang diperoleh dalam penelitian ini adalah adalah [NASTAR, MONDE] => [KASTANGEL] menghasilkan confidence 85,7 %.
14
Puspitasari, Desy Ika. "PENERAPAN DATA MINING MENGGUNAKAN PERBANDINGAN ALGORITMA GREEDY DENGAN ALGORITMA GENETIKA PADA PREDIKSI RENTET WAKTU HARGA CRUDE PALM OIL." Elinvo (Electronics, Informatics, and Vocational Education) 2, no. 1 (2017): 21–26. http://dx.doi.org/10.21831/elinvo.v2i1.13033.
Pełny tekst źródłaStreszczenie:
Penelitian ini menerapkan data mining pada prediksi harga CPO (Crude Palm Oil) dengan membandingkan pemodelan optimasi seleksi fitur algoritma genetika dan algoritma greedy pada metode neural network (NN). Prediksi harga CPO dilakukan untuk memenuhi kebutuhan investor kelapa sawit, melalui analisa masalah fluktuasi harga CPO time series yang tidak pasti. Guna mempermudah dalam melakukan perhitungan, langkah-langkah dari algoritma Genetika dan algoritma Greedy diimplementasikan dengan program komputer Rapid Miner Studio. Adapun tujuan penelitian ini yaitu mengetahui perbandingan akurasi dengan parameter evaluasi RMSE yang dihasilkan dan waktu eksekusi program yang dibutuhkan oleh algoritma Genetika dan algoritma Greedy dalam menyelesaikan masalah prediksi harga CPO. Hasil pengujian akurasi menunjukkan bahwa penggunaan metode NN optimasi algoritma Genetika secara umum memberikan nilai RMSE yang lebih baik (0,096) dibandingkan algoritma Greedy-forward selection (0,111) dan algoritma Greedy-backward selection (0,101). Akan tetapi jika ditinjau dari waktu eksekusi program yang dibutuhkan dalam menyelesaikan masalah prediksi harga CPO, maka algoritma Genetika membutuhkan waktu yang lebih lama dari pada algoritma Greedy.Kata Kunci: algoritma Genetika, algoritma Greedy, neural network, prediksi harga CPO, time series.
15
Rubio Paucar, Inoc, and Laberiano Andrade-Arenas. "Public health challenges in the Cuzco region: a decade of anemia in vulnerable populations applying data mining." Bulletin of Electrical Engineering and Informatics 14, no. 3 (2025): 2171–87. https://doi.org/10.11591/eei.v14i3.8381.
Pełny tekst źródłaStreszczenie:
The objective of the research is to carry out an exhaustive analysis of anemia in the province of Cusco using the Rapid Miner Studio tool that allows an analysis of the number of most concurrent cases in each district of the province of Cusco. Different sources of information were consulted to take as a reference the impact of the disease in different parts of the world. Likewise, information was introduced about how information technologies manifest positive responses in certain diseases around the world. The knowledge discovery in databases (KDD) methodology was used, which consists of several phases proposed in the project, such as data selection, data preprocessing, data mining and evaluation of results. Consequently, this research will help to recognize the most abundant cases in the districts of the province of Cusco. The results obtained were that 348 confirmed cases of anemia occurred in the district of Espinar, being the most affected district. Finally, it was concluded that in different provinces, not only in Cusco, there is a high prevalence of the disease due to factors associated with its treatment.
16
Supriyatin, Wahyu. "Palm oil extraction rate prediction based on the fruit ripeness levels using C4.5 algorithm." ILKOM Jurnal Ilmiah 13, no. 2 (2021): 92–100. http://dx.doi.org/10.33096/ilkom.v13i2.714.92-100.
Pełny tekst źródłaStreszczenie:
Oil palm plantations are one of the main keys in supporting Indonesia’s economic growth. The rising consumption needs for palm oil products make it necessary to carry out data mining activities to increase CPO production. The maturity factor of palm fruit dramatically affects the quality of the oil extraction content (CPO yield) produced. This study aims to investigate the effect of fruit ripeness on the yield of CPO by using a data mining classification method with a decision tree. The algorithm used to generate decision tree classification is the C4.5 algorithm. The implementation of the C4.5 algorithm in the study was carried out using the Rapid Miner Studio 5.2 tools. The results shows that the yield of CPO is influenced by the attributes of the condition of the long and ripe fruit, the condition of the long and overripe fruit, the normal condition of the fruit and the age of 3-6 years and the condition of the fruit of normal and age of 7-10 years. Decision tree C4.5 algorithm generates 8 rules with 4 rules showing a high production value, which means that the four rules affect the yield of CPO.
17
Jaya, Rudi Tri, and Tri Wahyudi. "Classification of Booster Vaccination Symptoms Using Naive Bayes Algorithm and C4.5." Journal of Applied Engineering and Technological Science (JAETS) 4, no. 1 (2022): 131–38. http://dx.doi.org/10.37385/jaets.v4i1.941.
Pełny tekst źródłaStreszczenie:
Covid-19 is a respiratory infection that is transmitted through the air. The first case was reported on March 2, 2020, to be precise in Depok, West Java, Indonesia. To reduce the number of corona virus sufferers, the government has made various efforts including policies to limit activities outside the home, online learning, work from home, and even worship activities. To reduce the number of people infected with the Covid-19 virus, efforts are being made, one of which is the provision of vaccines. In this study, the types of booster vaccines are Pfizer and AstraZeneca. Due to the symptoms caused by the condition of the patient after vaccination, the researchers used the Naive Bayes Algorithm and C4.5 methods with attributes including gender, age, comorbidities (comorbidities), temperature, blood pressure, Covid 19 survivors > 1 month, pregnant condition, type of vaccine. primer and booster vaccine types which aim to get the highest accuracy value between the two algorithm methods which are tested using cross validation on the RapidMiner Studio tool. And obtained the Naive Bayes algorithm method with the highest accuracy value of 78.82%. 
 Keywords: Covid 19, booster, AEFI, Naive Bayes, C4.5, Rapid Miner
18
Nurhaliza, Siti, Rini Astuti, and Fadhil Muhamad Basysyar. "PENERAPAN ALGORITMA FP-GROWTH UNTUK MENENTUKAN POLA PENJUALAN PADA TOKO LARIS MANIS ANEKA KUE KERING KHAS CIREBON." JATI (Jurnal Mahasiswa Teknik Informatika) 8, no. 1 (2024): 386–91. http://dx.doi.org/10.36040/jati.v8i1.8350.
Pełny tekst źródłaStreszczenie:
Data mining telah menjadi alat yang sangat penting dalam mengatasi tantangan analisis data besar-besaran dan mendukung pengambilan keputusan yang lebih cerdas di berbagai sektor, Tujuannya adalah menemukan pola, tren, atau informasi yang dapat membantu perkiraan atau pengambilan keputusan di berbagai industri.Karena persaingan usaha yang semakin bervariasi, produsen perlu mempunyai rencana yang matang untuk mencapai tujuannya. Diantara metode utama yang diterapkan produsen untuk menangkis persaingan dan mempertahankan kelangsungan bisnis mereka adalah pemasaran melalui penggunaan data pembelian dari database yang dapat memberikan rincian tren penjualan pelanggan pada data transaksi dengan menerapkan metode Market Basket Analysis untuk mengidentifikasi barang yang dibeli sekaligus. Berdasarkan data perdagangan yang kemudian diproses menggunakan Rapid Miner Studio menggunakan algoritma fp-growth, maka perdagangan akan selesai. Salah satu manfaat dari proses data mining ini adalah dapat membantu bisnis dalam memperoleh angka dan kuantitas penjualan serta mengungkap informasi baru. Menurut temuan penelitian, data mining menggunakan algoritma FP-Growth bisa dalam menganalisis perilaku pelanggan dan direkomendasikan dalam ulasan produk untuk barang berkualitas tinggi. Oleh karena itu, produk yang sering dibeli secara kooperatif ditangani dengan hati-hati oleh pemilik toko. Dapat dihasilkan beberapa pola penjualan dalam penelitian ini dan dimanfaatkan untuk keberlangsungan toko.
19
Rahmawati, Novi, Ade Irma Purnamasari, and Agus Bahtiar. "PENGGUNAAN ALGORITMA FP-GROWTH UNTUK MENINGKATKAN POLA PENJUALAN PERLENGKAPAN HEWAN PELIHARAAN DI 23 PETSHOP." JATI (Jurnal Mahasiswa Teknik Informatika) 9, no. 2 (2025): 3389–95. https://doi.org/10.36040/jati.v9i2.13116.
Pełny tekst źródłaStreszczenie:
Data mining telah menjadi alat yang sangat penting dalam mengatasi tantangan analisis data besar-besaran dan mendukung pengambilan keputusan yang lebih cerdas di berbagai sektor, Tujuannya adalah menemukan pola, tren, atau informasi yang dapat membantu perkiraan atau pengambilan keputusan di berbagai industri. Karena persaingan usaha yang semakin bervariasi, produsen perlu mempunyai rencana yang matang untuk mencapai tujuannya. Diantara metode utama yang diterapkan produsen untuk menangkis persaingan dan mempertahankan kelangsungan bisnis mereka adalah pemasaran melalui penggunaan data pembelian dari database yang dapat memberikan rincian tren penjualan pelanggan pada data transaksi dengan menerapkan metode Market Basket Analysis untuk mengidentifikasi barang yang dibeli sekaligus. Berdasarkan data perdagangan yang kemudian diproses menggunakan Rapid Miner Studio menggunakan algoritma fp-growth, maka perdagangan akan selesai. Salah satu manfaat dari proses data mining ini adalah dapat membantu bisnis dalam memperoleh angka dan kuantitas penjualan serta mengungkap informasi baru. Menurut temuan penelitian, data mining menggunakan algoritma FP-Growth bisa dalam menganalisis perilaku pelanggan dan direkomendasikan dalam ulasan produk untuk barang berkualitas tinggi. Oleh karena itu, produk yang sering dibeli secara kooperatif ditangani dengan hati-hati oleh pemilik toko. Dapat dihasilkan beberapa pola penjualan dalam penelitian ini dan dimanfaatkan untuk keberlangsungan toko.
20
Zia Ghassani, Fildzah, Asep Jamaludin, and Agung Susilo Yuda Irawan. "MARKET BASKET ANALYSIS USING THE FP-GROWTH ALGORITHM TO DETERMINE CROSS-SELLING." Jurnal Informatika Polinema 7, no. 4 (2021): 49–54. http://dx.doi.org/10.33795/jip.v7i4.508.
Pełny tekst źródłaStreszczenie:
KAOCHEM Sinergi Mandiri Cooperative is a cooperative that provides various kinds of basic needs such as basic foodstuffs that can meet the needs of its members. The cooperative transaction data is only stored as a report. Association rules are a method in data mining that functions to identify items that have a value that is likely to appear simultaneously with other items. One implementation of the association method is Market Basket Analysis. The data used are transaction data for November 2019. Data mining is one of the processes or stages of the KDD method. The data mining process is carried out using the FP-Growth algorithm, which is one of the algorithms for calculating the sets that often appear from data. Researchers analyzed transaction data using the Rapid Miner Studio tools. In the data mining process using FP-Growth the researcher determines a minimum support value of 3% and a minimum confidence of 50%. The association process using these values produces 3 strong rules, namely if ades 350 ml, then fried / lontong with a support value of 0.030 and confidence 0.556 and if fried st, then fried / lontong with a support value of 0.048 and confidence 0.639, and if nasi uduk / bacang , then fried / rice cake with a support value of 0.031 and confidence 0.824. The results of the association rules can be applied using one of the marketing techniques, namely cross-selling to increase the sales of the cooperative.
21
Safruddin, Safruddin, Joni Wilson Sitopu, Azwar Anas Manurung, Indra Satria, and Anjar Wanto. "Pengelompokkan Produksi Tanaman Jagung di Sumatera Utara Menggunakan Algoritma K-Medoids." JURNAL MEDIA INFORMATIKA BUDIDARMA 7, no. 1 (2023): 484. http://dx.doi.org/10.30865/mib.v7i1.5562.
Pełny tekst źródłaStreszczenie:
Corn is a strategic commodity with bright marketing prospects, especially in North Sumatra. Therefore efforts to increase corn production need great attention because, with sufficient availability, it is hoped that the community's need for corn can be fulfilled and the selling price remains stable. This study aims to classify corn production in North Sumatra based on districts/cities so that districts/cities can be identified and developed into corn production centers to reduce food imports, specifically corn crops. This research uses a corn production dataset based on districts/cities in North Sumatra consisting of 25 regencies and eight cities in 2019-2021 obtained from the Food Crops and Horticulture Service of North Sumatra Province. The algorithm used is the K-Medoids algorithm with Rapid Miner Studio tools. The results of this study were grouping corn production which was divided into 5 (five) groups, including Group 1 was an area with very high corn production consisting of 1 Regency, Group 2 was an area with high corn production consisting of 2 Regencies, Group 3 was an area with moderate corn production consisting of 4 regencies, Group 4 is an area with low corn production consisting of 3 regencies, and Group 5 is an area with very low corn production consisting of 15 regencies and seven cities. Based on these results, Karo, Dairi, and Simalungun districts can be used as centers for corn production in North Sumatra because these three districts alone produce corn production of 65.7% of the total corn production in North Sumatra.
22
Novita Sari, Venny, Yupianti Yupianti, and Dewi Maharani. "Penerapan Metode K-Means Clustering Dalam Menentukan Predikat Kelulusan Mahasiswa Untuk Menganalisa Kualitas Lulusan." JURTEKSI 4, no. 2 (2018): 133–40. http://dx.doi.org/10.33330/jurteksi.v4i2.53.
Pełny tekst źródłaStreszczenie:
Abstract: The increasing number of students who graduated each year causes a lot of student data that need to be processed, causing difficulties in grouping the data. In this research apply Data Mining by using Clustering method to classify the quality of graduate students of Faculty of Computer Science Dehasen University of Bengkulu based on GPA and Study Program. The algorithm used is K-Means Clustering, where the data are grouped based on the same characteristics will be entered into the same group and the data set entered into the group does not overlap. Information displayed in the form of group ?? a group of graduate students who dominate the Study Program, so it is known to the group that has the best graduate quality. The results of this study will assist the University in analyzing the quality of graduated students and the most potential study programs. Software used to help this grouping is Rapid Miner. Keywords: K-Means Clustering, Study Program, Graduate Quality, Rapid Miner Abstrak: Semakin meningkatnya jumlah mahasiswa yang diluluskan setiap tahunnya menyebabkan banyaknya data mahasiswa yang perlu diolah sehingga menyebabkan kesulitan dalam pengelompokan data tersebut. Pada penelitian ini menerapkan Data Mining dengan menggunakan metode Clustering untuk mengelompokkan kualitas lulusan mahasiswa Fakultas Ilmu Komputer Universitas Dehasen Bengkulu berdasarkan IPK dan Program Studi. Algoritma yang digunakan yaitu K-Means Clustering, dimana data dikelompokkan berdasarkan karakteristik yang sama akan dimasukkan ke dalam kelompok yang sama dan set data yang dimasukkan ke dalam kelompok tidak tumpang tindih. Informasi yang ditampilkan berupa kelompok � kelompok lulusan mahasiswa yang mendominasi Program Studi, sehingga diketahui kelompok yang memiliki kualitas lulusan terbaik. Hasil penelitian ini akan membantu pihak Universitas dalam menganalisa kualitas mahasiswa yang diluluskan dan program studi yang paling berpotensi diminati. Software yang digunakan untuk membantu pengelompokan ini adalah Rapid Miner. Keyword: K-Means Clustering, Program Studi, Kualitas Lulusan, Rapid Miner
23
Fauzansyah, Fauzansyah. "IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN ARKETIPE PEMBELIAN SUKU CADANG DAN ASESORIS KOMPUTER(STUDI KASUS DI TOKO LAKSAMANA KOMPUTER DUMAI)." I N F O R M A T I K A 9, no. 1 (2018): 26. http://dx.doi.org/10.36723/juri.v9i1.60.
Pełny tekst źródłaStreszczenie:
<p>Penelitian ini dilakukan untuk mempelajari Data Mining K-Means Clustering dalam pencarian knowledge (pengetahuan). Tujuan dari penelitian ini kemungkinan dapat membantu pihak Laksamana Komputer Dumai untuk menentukan assesoris dan spare part computer mana yang pembeli paling banyak dan diletakkan pada posisi paling depan berdasarkan permintaan konsumen di Laksamana Komputer Dumai.Untuk itu dalam metode K-Means Clustering dimungkinkan adanya solusi dan analisa terhadap pengolahan data dan parameter-parameter yang menjadi acuan untuk mengambil keputusan. Di dalam metode ini terdapat langkah-langkah penyelesaian masalah. Adapun tools bantu untuk mengimplementasikan metode tersebut adalah Rapid miner 7.3. Rapid miner 7.3 akan mengolah data secara tersusun atas operator-operator yang nestable yang langsung didapatkan hasil secara akurat selanjutnya pada tahapan terakhir akan didapatkan knowledge baru.</p><p><br /><strong>Kata Kunci</strong> : Data Mining, Aloritma K-Means, Knowledge, Rapid Miner 7.3.</p>
24
P., Aden Wahyu, Rizky A. Susanto, Alfian R. Putra, Felix Indra Kurniadi, and Budi Juarto. "Klasifikasi HIV AIDS dengan Aplikasi Rapid Miner." Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) 6, no. 1 (2022): 15–19. http://dx.doi.org/10.47970/siskom-kb.v6i1.320.
Pełny tekst źródłaStreszczenie:
Abstract— HIV adalah virus yang menyerang sistem kekebalan tubuh yang selanjutnya meningkatkan kemampuan tubuh untuk melawan infeksi dan penyakit. Sejarah AIDS Virus HIV dikatakan berasal dari Kinshasa, Republik Demokratik Kongo. Pada saat itu, para ahli percaya bahwa HIV berasal dari spesies simpanse yang ditularkan ke manusia. Pada simpanse, virus tersebut diberi nama Simian Immunodeficiency Virus atau SIV. Sebelum kemudian menyebabkan penularan HIV pada manusia, penularan virus simpanse ini mungkin berasal dari perburuan simpanse untuk diambil dagingnya, kemudian para pemburu tersebut terkena darah hewan yang terinfeksi. Studi oleh Pusat Pencegahan dan Pengendalian Penyakit (CDC) menunjukkan bahwa HIV mungkin telah ditularkan dari simpanse ke manusia sejak akhir 1800-an. Kinshasa adalah kota terbesar di Kongo, kota dengan pertumbuhan tercepat dengan jaringan transportasi yang menjangkau seluruh negeri. Sebuah laporan menyebutkan sejarah di balik penularan HIV AIDS dari Kongo ke seluruh dunia. Maraknya perdagangan seks, pertumbuhan penduduk, dan jarum suntik yang tidak steril di klinik-klinik diduga menjadi penyebab penyebaran virus HIV yang cukup pesat saat itu. Sejarah juga mencatat AIDS kemudian merajalela di Amerika, Eropa, lalu ke seluruh dunia. Untuk memeriksa data yang ada kami menggunakan aplikasi Data Miner untuk memudahkan kami dalam memeriksa data tersebut. masih banyak pasien yang terpapar virus HIV yang artinya masih banyak masyarakat yang tidak sadar akan bahaya virus yang jika tidak segera ditangani virus ini akan memasuki fase akhir yang sangat berbahaya atau yang kita ketahui sebagai AIDS.
 Keywords—HIV, machine learning, rapid miner
25
Sallaby, Achmad Fikri, and Eko Suryana. "Penerapan Data Mining untuk Menentukan Jumlah Pencari Kerja Terdaftar Berdasarkan Umur dan Pendidikan Menggunakan K-Means Clustering (Studi Kasus di Dinas Tenaga Kerja Dan Transmigrasi Provinsi Bengkulu)." Journal of Technopreneurship and Information System (JTIS) 1, no. 1 (2018): 35–38. http://dx.doi.org/10.36085/jtis.v1i2.28.
Pełny tekst źródłaStreszczenie:
Jumlah pencari kerja terdaftar terdiri dari pendaftar berdasarkan umur dan pendidikan. Masing masing memiliki jumlah pendaftar yang berbeda, dengan pendaftar berdasarkan umur memliki beberapa kategori dan berdasarkan pendidikan memiliki variasi pendidikan yang dimiliki pencari kerja terdaftar. Penelitian ini menerapkan Data Mining dengan menggunakan metode Clustering untuk menentukan jumlah pencari kerja berdasarkan tingkat jumlah pendaftar di Dinas Tenaga Kerja dan Transmigrasi Provinsi Bengkulu. Algoritma yang digunakan yaitu K-Means Clustering, di mana data dikelompokkan berdasarkan karakteristik yang sama akan dimasukkan ke dalam kelompok yang sama dan set data yang dimasukkan ke dalam kelompok tidak tumpang tindih.Pengujian dilakukan dengan aplikasi Rapid Miner 5.3. Rapid Miner merupakan software Data Mining yang dapat digunakan untuk mengakses beberapa metode yang ada dalam Data Mining, sehingga dapat menghasilkan cluster-cluster dalam pengelompokan data jumlah pencari kerja yang terdaftar.
26
IRWAN, ADNAN SAUDDIN, and NUR IDA. "PENERAPAN POHON KEPUTUSAN DALAM MEMPREDIKSI MASA STUDI MAHASISWA UIN ALAUDDIN MAKASSAR." Jurnal INSTEK (Informatika Sains dan Teknologi) 7, no. 2 (2022): 201–10. http://dx.doi.org/10.24252/instek.v7i2.31390.
Pełny tekst źródłaStreszczenie:
Mahasiswa merupakan subjek penting dalam menentukan keberhasilan dari suatu perguruan tinggi. Salah satu faktor atau indikator yang menentukan kualitas suatu perguruan tinggi adalah persentasi kemampuan mahasiswa untuk menyelesaikan studi tepat waktu. Adapun tujuan dari penelitian ini adalah untuk menemukan kombinasi atribut yang menentukan masa studi mahasiswa selesai tepat waktu pada Prodi Matematika Fakultas Sains dan Teknologi UIN Alauddin Makassar. Penelitian ini menerapkan Pohon Keputusan algoritma ID3 dan C4.5 menggunakan Rapid Miner 5.3. Hasil pengujian penelitian diperoleh tingkat akurasi menggunakan algoritma ID3 sebesar 90,91% dan tingkat akurasi menggunakan algortima C4.5 sebesar 78,79%.
27
Malelak, Kelvin Hennry Loudry, I. Made Dwi Ardiada, and Gerson Feoh. "IMPLEMENTASI KLASIFIKASI NAIVE BAYES DALAM MEMPREDIKSI LAMA STUDI MAHASISWA (STUDI KASUS : UNIVERSITAS DHYANA PURA)." SINTECH (Science and Information Technology) Journal 4, no. 2 (2021): 202–9. http://dx.doi.org/10.31598/sintechjournal.v4i2.964.
Pełny tekst źródłaStreszczenie:
Under normal conditions, undergraduate or undergraduate students from a university can complete their studies for 4 years or 8 semesters. In fact, many students complete their study period of more than 4 years. Is known that in fact in the 2015/2016 academic year there were 744 people who were accepted as students. Of the 744 people who were accepted, 405 people had completed a study period of about 4 years and the remaining 39 people completed their studies for 5 years and 300 of them did not continue their studies. Based on the problem on, so This study implements a classification that can help Dhyana Pura University in predicting the length of study for students who are currently studying in various study programs at Dhyana Pura University. The author's method serves in the classification to predict long student study period is the Naive Bayes algorithm. By using the Java-based Rapid Miner tool to classify graduation data. Then the implementation of data mining which is divided into 968 training data and 193 data testing data with naive Bayes has succeeded in obtaining an accuracy rate of 100% which also has very good parameters.
28
Abdullah, Mochamad Fadillah, Kusrini Kusrini, and M. Rudyanto Arief. "Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Menggunakan Metode Svm (Studi Kasus: Universitas KH A Wahab Hasbullah Jombang." SAINTEKBU 14, no. 01 (2022): 35–44. http://dx.doi.org/10.32764/saintekbu.v14i01.1096.
Pełny tekst źródłaStreszczenie:

 
 
 
 Kelulusan mahasiswa merupakan salah satu yang harus diperhatikan karena masuk dalam Standar Penjaminan Mutu Internal suatu perguruan tinggi . Fakultas Teknologi Informasi merupakan salah satu fakultas yang di universitas KH A Wahab Hasbullah Jombang. Untuk kelulusan terdapat standar yang akan dicapai oleh fakultas tersebut yaitu waktu studi selama 4 tahun dan IPK minimal 3,00. Untuk dapat mencapai mutu kelulusan tersebut dibutuhkan suatu prediksi tingkat kelulusan dengan standar yang telah ditetapkan untuk mahasiswa yang masih menjalankan studi sehingga dapat dilakukan antisipasi dari awal sehingga dapat menanggulangi terjadinya permasalahan dalam bidang akademik. Untuk memprediksi tingkat kelulusan dan IPK standar tersebut digunakan metode data mining dengan fungsi klasifikasi. Metode klasifikasi yang digunakan menggunakan metode SVM. Perangkat yang digunakan untuk mengolah data yaitu software Rapid Miner.
 
 
 
29
Nurcahya, Saputra Dwi. "Prototipe Promosi Jabatan Karyawan Berdasarkan Hasil Optimalisasi Komparasi Algoritma Data Mining (C4.5 Dan Neural Network) Berbasis Particle Swarm Optimization : Studi Kasus PT. Karya Tangkas Mandiri." Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) 7, no. 5 (2024): 1256–67. https://doi.org/10.32672/jnkti.v7i5.8087.
Pełny tekst źródłaStreszczenie:
Abstrak - Mengoptimalkan kualitas sumber daya manusia dalam perusahaan agar tercapai visi dan misi perusahaan. Oleh karena itu peningkatan pelayanan dapat dimulai dengan pengambilan keputusan yang tepat dan cepat serta obyektif, sehingga hasil keputusan akan memberikan kontribusi yang baik juga buat perusahaan. Sistem Teknologi Informasi yang berkembang saat ini sangat membantu dalam pengembangan sistem pengambilan keputusan yang akurat. PT. Karya Tangkas Mandiri adalah sebuah perusahaan swasta nasional yang bergerak dibidang jasa penyediaan tenaga pengamanan, konsultan dan ekspedisi, sangat erat dengan permasalahan Sumber Daya Manusia yang terus berputar mengikuti kebutuhan pengguna jasa layanan, mengakibatkan pergantian posisi sering terjadi. Maka diperlukan sebuah pemodelan pengambilan keputusan secara obyektif dalam promosi jabatan karyawan pada perusahaan ini, untuk membantu pihak menejerial dalam mengambil keputusan yang cepat dan akurat. Penelitian ini menggunakan metode pengkajian komparasi algoritma C4.5 dengan Neural Network berbasis Particle Swarm Optimization menggunakan software Rapid Miner dengan membandingkan beberapa klasifikasi. Hasil dari penelitian ini adalah menghasilkan sebuah model atau prototipe yang dapat menunjang pengambilan keputusan dalam hal menentukan promosi jabatan karyawan secara obyektif dan untuk memenuhi tantangan dunia bisnis saat ini.Kata kunci : C4.5, neural network, Particle Swarm Optimization, Rapid Miner, prototipe, Data Mining, Promosi Jabatan Abstract - Optimizing the quality of human resources for the company is required to reach the vision and mission of the company. Therefore, improvement of services can begin with making the right decisions quickly and objectively, so that the outcome will be a good contribution also for companies. Development of Information Technology Systems today are very helpful in the development of an accurate decision-making systems. PT Karya Tangkas Mandiri is a national private company engaged in the provision of security services, consulting and expeditions ,that very closely with Human Resources issues follow the needs of service users, resulting in frequent change of position. It would require an objective decision-making model in the promotion of employees on company, to help the managerial decisions quickly and accurately. This research using the method Comparative assesment of algorithms C4.5, bayessian classifier and Neural Network based on Particle Swarm Optimization using Rapid Miner software by comparing several classifications. Results of this research was to produce a model or protoype that can support the decision making in regards to determining promotion department employees objectively and to meet the challenges of the world today's business.Keywords: C4.5, neural network, Particle Swarm Optimization, Rapidminer, Prototype, Data Mining, Promotional Title
30
Sukriadi, Sukriadi, Ismail Ismail, and A. Muhammad Andzar. "Penerapan Text Mining Dalam Klasifikasi Judul Skripsi Yang Diusulkan Mahasiswa Menggunakan Metode Naïve Bayes." Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) 6, no. 2 (2023): 184–96. http://dx.doi.org/10.57093/jisti.v6i2.174.
Pełny tekst źródłaStreszczenie:
Klasifikasi judul skripsi sesuai konsentrasi mahasiswa secara otomatis dapat dilakukan dengan cara penerapan text mining berdasarkan judul skripsi. Tujuan dilakukan klasifikasi judul skripsi berdasarkan konsentrasi mahasiswa untuk memudahkan program studi memonitoring kesesuaian road map penelitian, berdasarkan konsentrasi program studi dengan riset yang dilakukan mahasiswa. Adapun dampak positif atau keuntungan yang didapatkan program studi dalam menerapkan klasifikasi judul skripsi secara otomatis yaitu memudahkan mengembangkan roadmap penelitian mahasiswa ditingkatan program studi serta selalu meningkatkan kualitas lulusan prodi melalui hasil penelitian mahasiswa. Metode pengembangan sistem menggunakan system development life cycle dan metode pengklasifikasian judul menggunakan algoritma naïve bayes. Adapun tool yang digunakan untuk memproses data training dan data testing yaitu rapid miner. Hasil implementasi Sistem Text Mining klasifikasi Judul Skripsi Mahasiswa berjalan dengan baik dan menghasilkan dua bentuk klasifikasi berdasarkan konsentrasi yaitu Y (sesuai) dan T (tidak sesuai). Hasil implementasi mendapatkan 49 judul yang sesuai dengan konsentrasi (Y) dan 26 judul yang tidak sesuai dengan konsentrasi (T) dari total judul sebanyak 75 judul skripsi. Atau sebanyak 65% (Y) dan 35%(T)
31
Yanti, Aprilda, and Selvi Aristantya. "Analisis Rapid Miner Terhadap Laporan PSAK21 Dan Pengaruh Kualitas Layanan Terhadap Sistem Pengambilan Keputusan Pembelian." Jurnal Minfo Polgan 12, no. 1 (2023): 1580–92. http://dx.doi.org/10.33395/jmp.v12i1.12919.
Pełny tekst źródłaStreszczenie:
Perusahaan dan pelaku bisnis khususnya di bidang kuliner perlu menciptakan produk yang sesuai dengan kebutuhan dan keinginan konsumennya. Hal ini memungkinkan produk untuk bersaing di pasar dan memberikan banyak alternatif pilihan produk kepada konsumen sebelum memutuskan untuk membeli produk yang ditawarkan. Ketika konsumen diberikan pilihan untuk membeli, tidak membeli, atau mengatur waktu, konsumen diberdayakan untuk memilih. Keputusan konsumen dapat dipengaruhi oleh beberapa variabel. Studi ini menganalisis kualitas produk, kualitas layanan, harga dan lokasi. Populasi penelitian terdiri dari konsumen yang membeli produk yang ditawarkan di Murai Kupi. Sampel penelitian ini meliputi ±100 konsumen. Teknik pengambilan sampel dalam penelitian ini dilakukan dengan menggunakan teknik pengambilan sampel non probabilistik dengan menggunakan teknik random sampling, yaitu teknik pengambilan sampel berdasarkan kebetulan. H. Siapapun yang kebetulan bertemu dengan peneliti ini dan cocok sebagai sumber data menjadi sampel penelitian ini. Metode pengumpulan data menggunakan survei. Teknik analisis data kuantitatif digunakan sebagai teknik analisis. Berikut hasil analisis menggunakan SPSS: Kualitas produk jelas mempengaruhi keputusan pembelian. Kita tahu bahwa kualitas layanan memengaruhi keputusan pembelian. Harga telah terbukti mempengaruhi keputusan pembelian, dan lokasi telah terbukti mempengaruhi keputusan pembelian
32
Khaerudin, Muhamad, Imam Zaenuddin, and Tukino. "Prediksi Barang Sering dan Jarang Terjual Dengan Menggunakan Algorithma K-Mean Clustering (Studi Kasus Toko Bina Mulia)." Journal of Informatic and Information Security 3, no. 1 (2022): 1–12. http://dx.doi.org/10.31599/jiforty.v3i1.1229.
Pełny tekst źródłaStreszczenie:
Peningkatan jumlah penduduk di wilayah penyangga ibu kota yang pesat berpengaruh terhadap pola hidup masyarakat di wilayah tersebut termasuk di kabupaten Bekasi. Demikian juga dengan pertumbuhan usaha masyarakat kecil dan menengah, salah satunya adalah toko koperasi bina mulia. Penelitian ini dibuat untuk menentukan jenis barang mana saja yang sering terjual dan jenis barang mana saja yang jarang terjual. Algoritma yang digunakan yaitu K-Means Clustering, di mana data dikelompokkan berdasarkan karakteristik yang sama akan dimasukkan ke dalam kelompok yang sama dan set data yang dimasukkan ke dalam kelompok tidak tumpang tindih. Informasi yang ditampilkan berupa kelompok – kelompok nama produk dan jumlah terjual dalam satu minggu selama dua bulan yaitu bulan April dan Mei sebagai sample. Hasil penelitian ini akan membantu pihak Toko dalam menganalisa jenis barang mana yang sering dan yang jarang terjual. Software yang digunakan untuk membantu pengelompokan ini adalah Rapid Miner.
33
Dona, Dona, and Mi’rajul Rifqi. "PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENENTUKAN STATUS GIZI BAIK DAN GIZI BURUK PADA BALITA (STUDI KASUS KABUPATEN ROKAN HULU)." Rabit : Jurnal Teknologi dan Sistem Informasi Univrab 7, no. 2 (2022): 179–91. http://dx.doi.org/10.36341/rabit.v7i2.2171.
Pełny tekst źródłaStreszczenie:
Kekurangan gizi atau yang biasa disebut malnutrisi merupakan salah satu masalah kesehatan yang cukup sering menimpa balita-balita di Indonesia. Kepedulian orang tua dan aparat desa (dalam hal ini petugas Pusat Pelayanan Kesehatan Masyarakat – PUSKESMAS) untuk memantau gizi balita sangat diperlukan. Penelitian yang dilakukan mencoba untuk melakukan pengelompokan 15 balita di Kab. Rokan Hulu kedalam 2 cluster status gizi. Pengelompokan status gizi balita di Kab. Rokan Hulu menggunakan metode K-Means dilakukan melalui beberapa tahapan yaitu : penentuan tujuan bisnis, pengumpulan data 15 balita di Kab. Rokan Hulu, pengelompokan status gizi balita ke dalam 2 cluster yaitu cluster 1 - gizi baik; cluster 2 -Gizi Baik, pengelompokan status gizi balita menggunakan algoritma K-Means, dan yang terakhir melakukan pengujian dengan membandingkan hasil pengelompokan algoritma K-means dan Rapid Miner.
 Kata kunci : Data Mining , Clustering , K -Means
34
Qoniah, Imroatun, and Adhie Thyo Priandika. "ANALISIS MARKET BASKET UNTUK MENENTUKAN ASOSSIASI RULE DENGAN ALGORITMA APRIORI (STUDI KASUS: TB.MENARA)." Jurnal Teknologi dan Sistem Informasi 1, no. 2 (2020): 26–33. http://dx.doi.org/10.33365/jtsi.v1i2.368.
Pełny tekst źródłaStreszczenie:
Abstrak Market Basket Analysi didefinisikan sebagai itemset yang dibeli secara bersamaan oleh pelanggan dalam suatu trasnsaksi selain itu juga digunakan untuk menganalisis pola benlanja konsumen.Dengan memanfaatkan data transaksi penjualan yang diolah untuk mendapkat informasi dari data transaksi tersebut.TB. Menara merupakan salah satu bisnis yang bergerak dalam bidang penjualan bahan bangunan serta alat pertukagan yang beralamatkan di punggur,lampung tengah.Toko ini belum mengetahui pola belanja konsumen dalam keranjang belanja. Algoritma yang digunakan yaitu algoritma apriori karena algoritma ini mengurangi jumlah kandidat itemset pada awal. Dari hasil penelitian ini ditemukkan barang yang paling laku terjual untuk 1-itemset yaitu semen holcim sebesar 48%. Item untuk 2-itemset yaitu keramik dan semen holcim sebesar 19%. Assosiasi rule yaitu Ketika konsumen membeli Karet Asbes maka akan membeli Asbes dengan nilai confidence 94%,Ketika konsumen membeli Asbes maka akan membeli Paku Payu dengan nilai confidence 88%,Ketika konsumen membeli lis Keramik maka akan membeli keramik dengan nilai confidence 89%,Ketika konsumen membeli asbes maka akan membeli karet asbes dengan nilai confidence 92% Kata Kunci:Data Mining,Market Basket Analysis,Association Rule,Algoritma Apriori,Rapid Miner
35
Nurdin, Alya Aulia, Shabrina Jamilah, and Robby Igfirly Mustaib. "PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENENTUKAN STATUS NEGARA." Jurnal Dinamika Informatika 14, no. 1 (2022): 25–32. http://dx.doi.org/10.35315/informatika.v14i1.9132.
Pełny tekst źródłaStreszczenie:
Status dari sebuah negara merupakan hal yang penting untuk diketahui. Hal tersebut dikarenakan status negara dapat menunjang kesuksesan suatu investasi, bisnis, dan juga pemerataan pembangunan oleh pemerintahnya. Status negara yang sering didengar oleh masyarakat, yakni negara maju dan negara berkembang. Dalam studi kasus penentuan status negara ini, penulis mengambil dataset International Monetary Fund (IMF) yang diperoleh dari situs github. Kemudian data mentah dilakukan preproccessing terlebih dahulu berupa impute values dan normalisasi, lalu selanjutnya dilakukan perhitungan klastering dengan metode K-Means. Data akan dibagi menjadi empat klaster dan perhitungan dilakukan dengan dua cara, yakni melalui Microsoft Excel dan Rapid Miner. Berdasarkan perhitungan yang telah dilakukan, 186 negara sudah terbagi menjadi empat klaster yakni, klaster negara agraris, negara industri, negara berkembang, dan negara maju. Penentuan klasterisasi status negara tersebut cukup dikatakan valid karena performance vectornya sebesar 70%.
36
Maqfiroh, Fifi, and Sri Mujiyono. "PENERAPAN KLASIFIKASI ALGORITMA DATA MINING C4.5 UNTUK MEMPREDIKSI TINGKAT KELULUSAN SISWA DI LEMBAGA PELATIHAN KERJA SHINJU SEMARANG." Jurnal Mahasiswa Teknik Informatika 1, no. 2 (2022): 35–49. http://dx.doi.org/10.35473/.v1i2.1874.
Pełny tekst źródłaStreszczenie:
AbstrakLPK. SHINJU telah menyimpan data-datanya dalam database berupa hardcopy dan softfile. Data-data tersebut jika dimaksimalkan pemanfaatannya dapat memberikan informasi yang berguna, salah satunya adalah prediksi kelulusan siswa. Penelitian bertujuan menerapkan klasifikasi algoritma C4.5 dalam prediksi kelulusan siswa. Data yang digunakan yaitu data alumni siswa yang telah lulus tahun 2020. Atribut yang dipakai adalah Jenis Kelamin, Tempat Tinggal, Asal kelulusan, Status Bekerja, Ekonomi dan Nilai Akhir. Atribut Labelnya yaitu tepat waktu dan terlambat. Implementasi menggunakan aplikasi RapidMiner 5. Metode yang digunakan adalah data mining dengan algoritma C4.5. Metode pengumpulan data yang dipakai dalam penelitian yaitu observasi dan studi literatur. Berdasarkan uji coba diperoleh kesimpulan bahwa bidang ilmu data mining dengan menggunakan algoritma C4.5 dapat diimplementasikan untuk melakukan prediksi kelulusan siswa Lembaga Pelatihan Kerja, setelah melakukan rangkaian uji data set dengan rapid miner, diperoleh hasil accuracy sebagai nilai ketentuan seberapa besar keakuratan menggunakan algoritma C4.5 dalam memprediksi kelulusan siswa Lembaga Pelatihan Kerja SHINJU. Kata kunci : Algoritma C4.5, Prediksi Kelulusan, Data mining, Rapidminer Abstrack            LPK. SHINJU has stored is data in the database in the form of hardcopy and softfile. These data, if maximized, can provide useful information, one of which is the prediction of student graduation. This study aims to apply the classification algorithm C4.5 in predicting student graduation. The data used is the alumni data of students who have graduated in 2020. The attributes used are Gender, Place of Residence, Origin of Graduation, Work Status, Economy and Final Value. The Label attribute is on time and late. Implementation using the RapidMiner 5 application. The method used is data mining with the C4.5 algorithm. Data collection methods used in this research are observation and literature study. Based on the trial, it was concluded that the field of data mining science using the C4.5 algorithm can be implemented to predict the graduation of Job Training Institute students. After conducting a series of data set tests with rapid miners, accuracy results are obtained as the value of the provision of how much accuracy is using the C4 algorithm. 5 in predicting the graduation of SHINJU Job Training Institute students. Keywords: C4.5 Algorithm, Graduation Prediction, Data mining, Rapidminer
37
Sugandi, Febri. "PREDIKSI KELULUSAN MAHASISWA STMIK DHARMAWACANA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS." Sienna 4, no. 1 (2023): 20–26. http://dx.doi.org/10.47637/sienna.v4i1.704.
Pełny tekst źródłaStreszczenie:
Prediksi kelulusan merupakan faktor kunci bagi sekolah untuk mengukur kinerja setiap program sarjana dalam hal pencapaian akademik setiap semester. STMIK Dharmawacana mengalami kesulitan dalam memprediksi kelulusan, sehingga perlu diterapkan metode machine learning untuk memprediksi kelulusan menggunakan algoritma K-Nearest Neighbor. Pada penulisan kali ini membahas tentang metode K-Nearest Neighbor yang dalam penelitian di STMIK Dharmawacana menggunakan aplikasi Rapid Miner 9.1, dengan total data kelulusan mahasiswa 1017, dimana 917 merupakan data latih untuk lulusan tahun 2014 sampai dengan tahun 2018 dan 100 data merupakan data uji mahasiswa tahun 2019, pada program studi S1 Teknik Komputer dan S1 Sistem Informasi. Hasil penelitian menunjukkan bahwa pendekatan algoritma K-Nearest Neighbor dengan K-5 dan k-fold cross-validation pada k=4 mencapai tingkat akurasi sebesar 97,15%. Hal ini menunjukkan bahwa metode K-Nearest Neighbor merupakan algoritma yang dapat digunakan dalam prediksi.
38
Ubaidilah, Romdan Muhamad. "Prediksi Kelulusan Mahasiswa Berdasarkan Data Kunjung dan Peminjaman Buku menggunakan Rapid Miner dengan Metode C.45 dan Random Forest." International Research on Big-Data and Computer Technology: I-Robot 7, no. 2 (2023): 14–20. http://dx.doi.org/10.53514/ir.v7i2.410.
Pełny tekst źródłaStreszczenie:
Waktu kelulusan dan ketidakseimbangan antara jumlah pendaftar dan lulusan menjadi perhatian utama perguruan tinggi.Masalah ini menyebabkan penumpukan data mahasiswa yang belum lulus, serta peningkatan kunjungan dan peminjaman bukusetiap harinya. Penelitian ini dilakukan untuk mendapatkan pengetahuan menggunakan teknik klasifikasi dengan memprosesdata guna menemukan pola pada data kelulusan dan transaksi perpustakaan. Pengolahan data menggunakan metode decisiontree dengan algoritma C4.5 dan Random Forest. Atribut non-kelas yang digunakan meliputi IP semester 1-4, jumlah kunjungan,pinjam buku dan status kelulusan. Prosesnya meliputi memuat data, membersihkan data, pemilihan fitur, pemodelan C4.5 andRandom Forest, pengujian akurasi menggunakan confusion matrix. Percobaannya menunjukkan bahwa kedua metode tersebutmemberikan tingkat akurasi prediksi yang cukup tinggi dalam memprediksi kelulusan mahasiswa. Dalam rasio training 90%dan testing 10%, metode C4.5 memiliki akurasi sebesar 94,90%, sementara Random Forest mencapai akurasi sebesar 95,13%.Manfaat dari penelitian ini adalah sebagai sumber pengetahuan strategis bagi program studi untuk memprediksi kelulusanmahasiswa.
39
Fahdia, Muhammad Rizki, Dwiza Riana, Fachri Amsury, Irwansyah Saputra, and Nanang Ruhyana. "Komparasi Algoritma Klasifikasi untuk Orientasi Minat Mahasiswa dalam Penuntasan Studi." JIRA: Jurnal Inovasi dan Riset Akademik 2, no. 7 (2021): 970–1007. http://dx.doi.org/10.47387/jira.v2i7.185.
Pełny tekst źródłaStreszczenie:
Politeknik Tri Mitra Karya Mandiri adalah salah satu perguruan tinggi vokasi yang berada di wilayah Cikampek Kabupaten Karawang yang pada tahun akademik 2017/2018 mempunyai jumlah mahasiswa mencapai 987 orang mahasiswa.Namun sayangnya dari total jumlah mahasiswa tidak seluruhnya mempunyai orientasi minat yang sesungguhnya untuk kuliah, banyak factor yang mempengaruhinya. Tinginya tingkat orientasi minat mahasiswa yang tidak memilih kuliah, inilah yang membuat diadakan penelitian tentang sebab-sebab mengapa mahasiswa berkuliah dikampus ini serta mecari solusi guna mengurangi jumlah mahasiswa yang menjadi non aktif ketika diketahui mempunyai orientasi minat yang bukan untuk kuliah. Dengan melakukan komparasi menggunakan 3 algoritma yang termasuk dalam metode klasifikasi data mining yaitu; Decision Tree C4.5, Naïve Bayes dan K-Nearest Neighbor penelitian ini mencari nilai akurasi dan Area Under Curve (AUC) yang terbaik dari ketiga algoritma yang dikomparasi guna ditentukan model yang digunakan pada penentuan orientasi minat mahasiswa. Hasil dari komparasi yang dilakukan dalam penelitian ini adalah; algoritma Decision Tree C4.5 mempunyai nilai akurasi sebesar 91,75% dan AUC sebesar 0,969, Naïve Bayes mempunyai nilai akurasi sebesar 86,77% dan AUC sebesar 0,930 sedangngkan K-Nearest Neighbor mempunyai nilai akurasi sebesar 88,61% dan AUC sebesar 0,500. Melalui uji beda yang dilakukan menggunakan operator T-test pada Rapid Miner ditemukan hasil bahwa algoritma Decision Tree C4.5 merupakan algoritma terbaik dari 3 buah algoritma yang digunakan, maka dalam penelitian ini digunakan rule Decision Tree C4.5 untuk diterapkan pada deployment yang dilakukan.
40
Ramadandi, S., and Jahring Jahring. "Student Learning Style Classification Using Naïve Bayes Classifier Method." Jurnal Teknologi dan Informasi 10, no. 2 (2020): 170–79. http://dx.doi.org/10.34010/jati.v10i2.3096.
Pełny tekst źródłaStreszczenie:
Setiap mahasiswa memiliki kebiasaan tersendiri dalam menyerap dan memproses materi kuliah yang diberikan. Kebiasaan ini disebut dengan gaya belajar. Mengetahui gaya belajar mahasiswa merupakan hal yang sangat penting bagi seorang dosen karena dengan mengetahui gaya belajar mahasiswa dalam satu kelas, dosen dapat menerapkan metode pembelajaran yang dapat mengakomodir seluruh gaya belajar mahasiswa. Pada mata kuliah Komputer di Program Studi Pendidikan Bahasa Indonesia dan Program Studi Pendidikan Bahasa Inggris, masih terdapat beberapa mahasiswa yang kesulitan memahami materi kuliah karena metode pembelajaran yang diberikan dosen hanya terpaku pada gaya belajar tertentu. Untuk itu, penelitian ini akan membantu dosen untuk mengetahui gaya belajar mahasiswa berdasarkan data-data terdahulu dengan menggunakan metode Naïve Bayes Classifier pada Data Mining. Beberapa penelitian menyebutkan bahwa metode Naïve Bayes Classifier lebih baik dibandingkan dengan metode klasifikasi yang lain. Dalam penelitian ini, peneliti menggunakan Rapid Miner sebagai alat bantu dalam melakukan klasifikasi. Setelah melakukan pengujian terhadap data uji, diperoleh nilai akurasi sebesar 90%. Hal ini membuktikan bahwa model klasifikasi yang dibentuk dari data latih dapat memberikan hasil klasifikasi gaya belajar yang baik serta model ini dapat diterapkan oleh dosen untuk mengetahui gaya belajar mahasiswa.
41
Aulia, Sabrina. "KLASTERISASI POLA PENJUALAN PESTISIDA MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI TOKO JUANDA TANI KECAMATAN HUTABAYU RAJA)." Djtechno: Jurnal Teknologi Informasi 1, no. 1 (2021): 1–5. http://dx.doi.org/10.46576/djtechno.v1i1.964.
Pełny tekst źródłaStreszczenie:
Data Mining adalah suatu proses pencarian atau penggalian suatu informasi yang dilakukan di dalam sebuah data yang besar. Clustering (pengelompokan) merupakam salah satu metode yang dilakukan di dalam proses Data Mining. Pengelompokan yang terjadi adalah mengelompokkan penjualan pestisida tanaman padi. Atribut yang digunakan dalam melakukan pengelompokan ini adalah total mpenjualan selama satu musim dan harga pestisida. Pengelompokan ini dilakukan agar pihak toko dapat mengetahui penjualan jenis pestisida apa saja yang laku dan tidak laku selama satu musim agar tidak terjadi penumpukan barang digudang. Di dalam clustering terdapat beberapa metode salah satunya adalah metode K-means. K-means adalah salah satu proses metode pengelompokan yang non hirarki yang cara bekerjanya membagi data ke dalam bentuk satu atau lebih cluster. Cluster yang dibuat ada 3 macam cluster yaitu, Sangat laku, laku dan tidak laku. Hasil dari cluster tersebut 53 items tergolong ke dalam kelompok penjualan pestisida yang sangat laku, 21 items tergolong ke dalam penjualan pestisida yang laku, dan 126 items digolongkan ke dalam penjualan pestisida yang tidak laku. Aplikasi yang digunakan adalah software Rapid Miner 7.5
42
Saparudin, Mohamad Gusmil, and Sholihin Sholihin. "Penggunaan Data Mining untuk Analisis Pola Pembelian Pelanggan Menggunakan Metode Association Rule Algoritma Apriori (Studi Kasus di Toko Waspada)." Jurnal Teknologi Sistem Informasi dan Aplikasi 6, no. 1 (2023): 27–33. http://dx.doi.org/10.32493/jtsi.v6i1.26927.
Pełny tekst źródłaStreszczenie:
Alert Shop is a store that sells a variety of products such as household items, daily necessities, accessories, and cosmetics. Analyze customer buying behavior with Alert Store bulk transaction data.. The Apriori algorithm is one of the algorithms for extracting correlation rules in the field of data mining. We apply the Apriori algorithm by using Rapid Miner to find customer buying patterns in Waspada Store sales transaction data. The methodology of this research is structured to serve as a reference for the researcher's guidance and support to the researcher in the research process, and the research design plays an important role in guiding the researcher from problem description to testing result. The rules used by the a priori algorithm can be used as criteria to evaluate elements that meet the minimum support and minimum confidence values. The confidence value of the relationship between the two points above can be considered high, and the results of these rules can be used as the basis for discussing the points above.
43
Wati, Masna, Novianti Puspitasari, and Adelowys Sinaga. "Model Algoritma K-Nearest Neighbor Dalam Menganalisis Kinerja Akademik Mahasiswa Teknik Informatika Universitas Mulawarman." Jurnal Rekayasa Teknologi Informasi (JURTI) 6, no. 2 (2022): 124. http://dx.doi.org/10.30872/jurti.v6i2.1637.
Pełny tekst źródłaStreszczenie:
Analisa kinerja akademik pada Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi (FKTI), Universitas Mulawarman sangat diperlukan. Analisa kinerja ini bertujuan untuk mengantisipasi drop out (DO) mahasiswa. Dalam penelitian ini, algoritma K-Nearest Neighbor (K-NN) telah digunakan untuk menganalisa data akademik mahasiswa tiga angkatan (2012-2014) sebanyak 158 Data. Adapun alat bantu analisa menggunakan software Microsoft Excel dan Rapid Miner. Sebanyak 8 variabel terdiri dari Jenis Kelamin, Umur, IP Semester 1, IP Semester 2, IP Semester 3, IP Semester 4, IPK Hingga Semester 4 dan SKS, serta memiliki label predikat kelulusan Cepat, Tepat Waktu dan Terlambat. Hasil dari penelitian ini menunjukan bahwa Ratio terbaik yang ditandai dengan pola dasar 70:30 dengan 112 data training dan 46 data testing mendapatkan nilai akurasi 76,09%, precision 45,57%, recall 43,30%, specificity 78,87%, dan error rate 23,91%. Sehingga dapat diketahui bahwa kinerja akademik mahasiswa dengan IP Semester 2 menjadi faktor yang paling berpengaruh.
44
Mar'i, Farhanna, Nadya Husenti, Choridatul Bahiyyah, and Hafidz Ubaidillah. "Peningkatan Pemahaman Implementasi Data Mining bagi Siswa SMK Dharma Wanita Gresik." IJCOSIN: Indonesian Journal of Community Service and Innovation 2, no. 2 (2022): 119–24. http://dx.doi.org/10.20895/ijcosin.v2i2.615.
Pełny tekst źródłaStreszczenie:
Seiring berkembangnya teknologi informasi pada revolusi industri 4.0 diperlukan teknik implementasi Data Mining untuk menggali pengetahuan pada data untuk dapat dimanfaatkan sebaik-baiknya. Pengenalan implementasi Data Mining pada siswa SMK khususnya pada jurusan Rekayasa Perangkat Lunak (RPL) sangat penting untuk dilakukan untuk membekali siswa tentang implementasi Data Mining pada proses perancangan Aplikasi. Berdasarkan hasil wawancara yang dilakukan oleh tim Pengabdian Kepada Masyarakat (PKM) Program Studi Teknik Informatika Universitas Muhammadiyah Gresik dengan pihak SMK Dharma Wanita Gresik khususnya di kelas XII jurusan Rekayasa Perangkat Lunak diketahui bahwa siswa belum pernah diberikan pembekalan ilmu mengenai implementasi Data Mining. Sehingga kegiatan peningkatan pemahaman implementasi Data Mining pada siswa SMK Dharma Wanita Gresik khususnya pada Jurusan Rekayasa Perangkat Lunak dilakukan dengan cara melakukan sosialisasi ilmu Data Mining disertai dengan pelatihan mengenai penggunaan salah satu tools Data Mining yaitu Rapid Miner. Adapun hasil yang tercapai dari kegiatan PKM ini adalah adanya peningkatan pemahaman dan kemampuan siswa SMK Dharma Wanita Gresik jurusan Rekayasa Perangkat Lunak mengenai Data Mining dan teknik implementasinya pada data nyata yang diukur menggunakan post test.
45
Wati, Nursetia, and Saprina Mamase. "SIMULASI ANALISIS HUBUNGAN ANTARA KOMPETENSI BELAJAR DAN KESESUAIAN PEKERJAAN ALUMNI LULUSAN KAMPUS VOKASI MENGGUNAKAN METODE DECISION TREE." Jurnal Teknologi Informasi Indonesia (JTII) 7, no. 2 (2023): 106–11. http://dx.doi.org/10.30869/jtii.v7i2.1094.
Pełny tekst źródłaStreszczenie:
Penelitian ini membahas mengenai penerapan data mining terhadap kompetensi belajar di kampus vokasi dengan kesesuaian pekerjaan alumni menggunakan metode decision tree. Tujuan dari penelitian ini adalah sebagai simulasi untuk menganalisis seberapa besar kesesuaian bidang pekerjaan para alumni dengan kompetensi hasil belajar melalui matakuliah-matakuliah yang telah diperoleh selama kuliah di kampus vokasi, selain itu hasil yang diperoleh juga memberikan informasi terkait hubungan matakuliah dan bidang pekerjaan yang didapatkan oleh para alumni, sehingga hasil simulasi analisis ini apabila dilakukan uji coba lebih lanjut maka hasil analisisnya dapat menjadi bahan evaluasi terkait perubahan atau konstruksi kurikulum kedepannya. Hal ini sejalan dengan tujuan Kampus Vokasi Politeknik Gorontalo terkhusus pada program studi Teknik Informatika yang mengharapkan mahasiswanya bisa langsung diterima pada dunia kerja dengan kompetensi yang dimiliki alumni. Dimana metode decision tree ini merupakan salah satu metode dalam data mining yang memberikan struktur pohon yang dijadikan sebagai pohon keputusan. Uji coba simulasi ini menggunakan data alumni lulusan tahun 2018, 2019, 2020 dan 2021 yang berjumlah 91 orang. Dalam pengelohan data akan menggunakan tools Rapid Miner untuk mempermudah memprediksi kompetensi mahasiswa.
46
Lestari, Panca Indah. "Analisis K-Nearest Neibord Berbasis Forward Selection dalam Prediksi Status Mahasiswa Non Aktif pada STMIK Bani Saleh." Jurnal Informatika: Jurnal Pengembangan IT 6, no. 3 (2021): 181–86. http://dx.doi.org/10.30591/jpit.v6i3.2794.
Pełny tekst źródłaStreszczenie:
Masalah yang dihadapi dalam pengelolaan data aktivitas kuliah mahasiswa (AKM) salah satunya dalam menentukan total Satuan Kredit Semester (SKS) dan Indeks Prestasi Kumulatif (IPK) pada mahasiswa non aktif. Dalam melakukan pengelolaan data akademik menjadi informasi sebagai aspek pengambilan keputusan dalam menentukan keaktifan mahasiswa. Beberapa faktor seperti Indek Prestasi Semester (IPS), Jumlah SKS Semester, Indek Prestasi Kumulatif (IPK), Jumlah SKS Total, Biaya dan Status Mahasiswa. Langkah untuk mencegah indikasi mahasiswa non aktif perlu dilakukan analisis pola prediksi untuk menentukan sisa masa studi mahasiswa serta menghasilkan informasi yang akurat dan sebagai bahan prediksi untuk membandingkan data pertahun akademik terhadap mahasiswa non aktif K-NN berbasis Forward Selection. Penelitian prediksi mahasiswa non aktif menggunakan pengujian menggunakan menggunkan Rapid Miner terhadap dataset mahasiswa sebanyak 342, menghasilkan nilai akurasi K-Nearest Neighbor (k-3) sebesar 93,55% dan Forward Selection (k-3) sebesar 99,39%. dari hasil analisis didapatkan data mahasiswa yang akan Drop Out sebesar 1160 sebagai usulan untuk manajemen pada periode pelaporan berikutnya. maka penelitian dapat dikembangkan lebih lanjut untuk penentuan nilai k yang lebih optimal dengan menambahkan aspek klasifikasi status mahasiswa bekerja atau tidak bekerja.
47
Hartana, Hartana, and Raden Deasy Mandasari. "IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI KELAYAKAN DISTRIBUSI DANA BANTUAN SOSIAL." Jurnal Responsif : Riset Sains dan Informatika 6, no. 2 (2024): 240–46. https://doi.org/10.51977/jti.v6i2.1730.
Pełny tekst źródłaStreszczenie:
Penelitian ini mengkaji penggunaan algoritma pohon keputusan, khususnya C4.5, dalam klasifikasi kelayakan distribusi dana bantuan sosial di Kelurahan Bangka Belitung Laut, Kecamatan Pontianak Tenggara. Ketidaktepatan distribusi yang terjadi disebabkan oleh penyeleksian penerima berdasarkan rekomendasi perangkat desa yang hanya mempertimbangkan jenis pekerjaan. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem berbasis algoritma C4.5 yang mengolah data sensus ekonomi penduduk. Penelitian ini menggunakan metode kuantitatif dengan pendekatan deskriptif analitis, mengumpulkan data melalui studi pustaka dan sensus ekonomi, dan mengolah data menggunakan a plikasi Rapid Miner. Model klasifikasi yang dihasilkan dievaluasi menggunakan metode 10-fold cross-validation untuk memastikan akurasi yang tinggi. Hasil penelitian menunjukkan bahwa algoritma C4.5 mencapai akurasi, precision, dan recall sebesar 100%. Model pohon keputusan yang dihasilkan menunjukkan bahwa atribut utama yang menentukan kelayakan adalah jenis pekerjaan dan pendapatan. Beberapa aturan yang dihasilkan dari model ini, seperti penduduk yang belum bekerja dengan pendapatan di bawah Rp29.500 layak menerima bantuan, memberikan panduan yang jelas bagi pengambil kebijakan. Implementasi algoritma ini diharapkan dapat meningkatkan keadilan dan efektivitas distribusi dana bantuan sosial di Kelurahan Bangka Belitung Laut, mengurangi ketidakpuasan masyarakat, dan mencegah potensi konflik sosial. Penelitian ini merekomendasikan adopsi model di wilayah lain dengan penyesuaian terhadap data lokal untuk meningkatkan keadilan distribusi bantuan secara lebih luas.
48
Amseke, Robynson, and Edi Winarko. "Aplikasi Algoritma CBA untuk Klasifikasi Resiko Pemberian Kredit (Studi kasus: PT. Telkom CDC Sub Area Kupang)." IJCCS (Indonesian Journal of Computing and Cybernetics Systems) 8, no. 2 (2014): 121. http://dx.doi.org/10.22146/ijccs.6540.
Pełny tekst źródłaStreszczenie:
AbstrakSalah satu penyebab kredit bermasalahberasal dari pihak internal, yaitu kurang telitinya timdalam melakukan survei dan analisis, atau bisa juga karena penilaian dan analisis yang bersifat subjektif.Penyebab ini dapat diatasi dengan sistem komputer, yaitu aplikasi komputer yang menggunakan teknik data mining.Teknik data mining digunakan dalam penelitian ini untuk klasifikasi resiko pemberian kredit dengan menerapkan algoritma Classification Based On Association (CBA). Algoritma ini merupakan salah satu algoritma klasifikasi dalam data mining yang mengintegrasikan teknik asosiasi dan klasifikasi. Data kredit awal yang telah di-preprocessing, diproses menggunakan algoritma CBA untuk membangun model, lalu model tersebut digunakan untuk mengklasifikasi data pelaku usaha baru yang mengajukan kredit ke dalam kelas lancar atau macet.Teknik Pengujian akurasi model diukur menggunakan 10-fold cross validation. Hasil pengujian menunjukkan bahwa rata-rata nilai akurasi menggunakan algoritma CBA (57,86%), sedikit lebih tinggi dibandingkan rata-rata nilai akurasi menggunakan algoritma Naive Bayes dan SVM dari perangkat lunak Rapid Miner 5.3 (56,35% dan 55,03%). Kata kunci—classification based on association, CBA, data mining, klasifikasi, resiko pemberian kredit AbstractOne of the causes of non-performing loans come from the internal, that is caused by a lack of rigorous team in conducting the survey and analysis, or it could be due to subjective evaluation and analysis. The cause of this can be solved by a computer system, the computer application that uses data mining techniques. Data mining technique, was usedin this study toclassifycreditriskby applyingalgorithmsClassificationBasedonAssociation(CBA). This algorithm is an algorithm classification of data mining which integratingassociationandclassificationtechniques. Preprocessed initial-credit data, will be processed using theCBAalgorithmto create a model of which is toclassifythe newloandata into swift class or bad one. Testing techniques the accuracy of the model was measured by 10-fold cross validation. The resultshowsthatthe accuracy averagevalue using theCBAalgorithm(57,86%), was slightly higher than those using thealgorithmsofSVM andNaiveBayes from RapidMiner5.3software(56,35% and55,03%, respectively). Keywords—classification based on association, CBA, data mining, classification, credit risk
49
Kamil, Muhammad, and Widya Cholil. "Analisis Perbandingan Algoritma C4.5 dan Naive Bayes pada Lulusan Tepat Waktu Mahasiswa di Universitas Islam Negeri Raden Fatah Palembang." Jurnal Informatika 7, no. 2 (2020): 97–106. http://dx.doi.org/10.31294/ji.v7i2.7723.
Pełny tekst źródłaStreszczenie:
ABSTRAKUniversitas Islam Negeri Raden Fatah Palembang adalah jenjang pendidikan terakhir bagi siswa untuk belajarilmu sebelum akhirnya melanjutkan diri dalam persaingan kerja.Mahasiswa yang lulus tepat waktu menjadi indikator efektifitas dari sebuah perguruan tinggi baik negeri dan swasta. Program Sarjana (S1) Universitas Islam Negeri raden Fatah Palembang adalah pendidikan akademik setelah pendidikan mengah, yang memiliki benban studi yaitu 8 (Delapan) semester dan dapat ditempuh dalam waktu sekurang- kurang 8 semester dan paling lama 9 semester. Penelitian pada hal memprediksi kelulusan mahasiswa telah banyak dilakukan, C4.5 adalah satu dari sebagian algoritma dalam metode decision tree yang mengubah data menjadi pohon keputusan, kemudian dapat disimpulkan menjadi rule-rule. Sedangkan naïve bayes adalah metode yang menghitung probabilitas dari tingkat kemunculan data yang satu terhadap data yang lainnya. Dalam penelitian peneliti membandingkan dua metode yaitu metode C4.5 dan Metode Naïve Bayes untuk dipresentasikan dalam kelulusan Mahasiswa yang diambil dari data alumni tahun 2016 sampai 2019. Berdasarkan hasil pengujian dengan mengukur kinerja kedua metode tersebut menggunakan aplikasi RapidMiner dengan Metode Cross Validation maka diketahui bawah C4.5 memiliki nilai akurasi yang lebih baik yakni sebesar 76,69% sedangkan naïve bayes sebesar 72,95%. Kemudian berdasarkan perbandingan kinerja kedua metode tersbut, metode dengan pencapaian nilai akurasi terbaik akan bisa diprestasikan untuk pengujian prediksi kelulusan mahasiswa untuk tahun selanjutnya. Kata Kunci :C4.5, Naïve Bayes, Aplikasi Rapid Miner, Cross Validation, Kelulusan Mahasiswa
50
Rob, Mohammad A., and Floyd J. Srubar. "Information gems from criminal mines." Transforming Government: People, Process and Policy 10, no. 2 (2016): 297–314. http://dx.doi.org/10.1108/tg-03-2015-0016.
Pełny tekst źródłaStreszczenie:
Purpose The purpose of this study is to demonstrate how existing volumes of big city crime data could be converted to significantly useful information by law enforcement agencies using readily available data warehouse and OLAP technologies. During the post-9/11 era, criminal data collection by law enforcement agencies received significant attention across the world. Rapid advancement of technology helped collection and storage of these data in large volumes, but often do not get analyzed due to improper data format, lack of technological knowledge and time. Data warehousing (DW) and On-line Analytical Processing (OLAP) tools can be used to organize and present these data in a form strategically meaningful to the general public. In this study, the authors took a seven-month sample crime data from the City of Houston Police Department’s website, cleaned and organized them into a data warehouse with the hope of answering common questions related to crime statistics in a big city in the USA. Design/methodology/approach The raw data for the seven-month period was collected from the website in Microsoft Excel spreadsheet format for each month. The data were then cleaned, described, renamed, formatted and then imported into a compiled Access database along with the definition of Facts and Dimensions using a STAR Schema. Data were then transferred to the Microsoft SQL Server data warehouse. SQL Server Analysis Services and Visual Studio Business Intelligent Tool are used to create a Data Cube for OLAP analysis of the summarized data. Findings To prove the usefulness of the DW and OLAP cube, the authors have shown few sample queries displaying the number and the types of crimes as a function of time of the day, location, premises, etc. For example, the authors found that 98 crimes occurred on a major street in the city during the early working hours (7 am and 12 pm) when nobody virtually was at home, and among those crimes, roughly two-thirds of them are thefts. This summarized information is significantly useful to the general public and the law enforcement agencies. Research limitations/implications The authors’ research is limited to one city’s crime data, whose data set might be different from other cities. In addition to the volume of data and lack of descriptions, the major limitations encountered were the lack of major neighborhood names and their relation to streets. There are other government agencies that provide data to this effect, and a standard set of data would facilitate the process. The authors also looked at data for a nine-month period only. Analyzing data over many years will provide time-trend of crime statistics for a longer period of time. Practical implications Many federal, state and local law enforcement agencies are rapidly embracing technology to publish crime data through their websites. However, more attention will need to be paid to the quality and utility of this information to the general public. At the time, there exists no compiled source of crime data or its trend as a function of time, crime type, location and premises. There needs to be a coherent system that allows for an average citizen to obtain this information in a more consumable package. DW and OLAP tools can provide this information package. Social implications Having the crime data of a big city in a consumable form is immensely useful for all segments of the constituency that the government agencies serve and will become a service that these offices will be expected to deliver on demand. This information could also be useful in many instances for the decision makers, ranging from those seeking to start a business, to those seeking a place to live who may not necessarily know which neighborhoods or parts of the city are more prone to criminal activity than others. Originality/value While there have been few reports of possible use of DW and OALP technologies to study criminal data, the authors found that not many authors used actual crime data, the data sets and formats used in each case are different, results are not presented in most cases and the actual vendor technologies implemented can be different as well. In this paper, the authors present how DW and OLAP tools readily available in most enterprises can be used to analyze publicly available criminal datasets and convert them into meaningful information, which can be valuable not only to the law enforcement agencies but to the public at large.