Articles
<![CDATA[INFORMATION GAIN UNTUK MENGETAHUI PENGARUH ATRIBUT TERHADAP KLASIFIKASI PERSETUJUAN KREDIT ]]>
<![CDATA[Maulana, Much. Rifqi]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ JURNAL LITBANG KOTA PEKALONGAN Vol 9 (2015) ]]>
Publisher : <![CDATA[BAPPEDA Kota Pekalongan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1092.142 KB)
<![CDATA[KREDIT MERUPAKAN SEBUAH PERILAKU EKONOMI YANG BANYAK DILAKUKAN OLEH MASYARAKAT MODERN. PERSETUJUAN KREDIT DAPAT MEMBANTU MASYARAKAT UNTUK MENDAPATKAN PINJAMAN SEJUMLAH UANG GUNA MEMBELI SUATU BARANG YANG UMUMNYA TIDAK DAPAT TERJANGKAU DENGAN PEMBAYARAN KONTAN. BANYAKNYA KRITERIA YANG DIAJUKAN OLEH PIHAK BANK ATAU PIHAK PENYEDIA DANA PADA UMUMNYA BERFUNGSI UNTUK MENYARING DATA NASABAH YANG NANTINYA DINYATAKAN LAYAK DIBERIKAN KREDIT ATAUPUN TIDAK. SEMAKIN BANYAK KRITERIA ATAU ATRIBUT YANG DIGUNAKAN TIDAK AKAN MENJAMIN KEAKURATAN KLASIFIKASI PERSETUJUAN KREDIT. BEBERAPA ATRIBUT YANG TIDAK BERPENGARUH JUSTRU AKAN MEMBUAT HASIL KLASIFIKASI MENJADI KURANG AKURAT. USAHA UNTUK MENGETAHUI BERAPA BESAR PENGARUH SEBUAH ATRIBUT DALAM KLASIFIKASI BANYAK DILAKUKAN OLEH PENELITI. SALAH SATUNYA MENGGUNAKAN TEKNIK DATA MINING. DALAM TAHAP PRE PROCESSING DATA MINING SALAH SATU YANG BANYAK DIGUNAKAN ADALAH SELEKSI FITUR. BEBERPA TEKNIK SELEKSI FITUR BERHASIL UNTUK MENINGKATKAN AKURASI KLASIFIKASI DATA MINING. DALAM PENELITIAN INI AKAN DILAKUKAN SELEKSI FITUR MENGGUNAKAN ALGORITMA INFORMATION GAIN UNTUK MENGETAHUI PENGARUH ATRIBUT TERHADAP KLASIFIKASI PERSETUJUAN KREDIT.]]>
<![CDATA[Algoritma K-NN untuk klasifikasi dataset Covid-19 survillance ]]>
<![CDATA[Ivandari, Ivandari]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 16 No 1 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 1 April 2021 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v16i1.137
<![CDATA[Covid-19 merupakan jenis virus mutasi baru yang banyak ditemukan dan diteliti di seluruh dunia. Untuk sementara belum ditemukan obat yang efektif untuk mengobati atau mencegah penyakit tersebut. Salah satu cara yang dilakukan berbagai pemerintahan di dunia adalah membatasi kontak fisik dengan penderita covid-19. Data mining adalah salah satu ilmu computer untuk mempelajari data dan menlakukan ekstraksi untuk mendapatkan sebuah pengetahuan baru. Salah satu teknik dalam data mining adalah klasifikasi. K-NN adalah salah satu algoritma klasifikasi terbaik. Penelitian ini melakukan klasifikasi dataset Covid-19 survillance menggunakan algoritma K-NN. Dataset Covid-19 survillance didapatkan dari portal data public yaitu uci machine learning repository. Hasil klasifikasi dengan menggunakan aplikasi bantu rapid miner menghasilkan tingkat akurasi dari K-NN adalah 55%. Tingkat akurasi 55% tergolong dalam tingkat akurasi yang rendah. Rendahnya tingkat akurasi ini dapat disebabkan oleh sedikitnya atribut yang digunakan dalam klasifikasi K-NN, serta adanya dominasi dari salah satu varian dalam atribut label.]]>
<![CDATA[Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur Gain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus ]]>
<![CDATA[Indrayanti, Indrayanti]]>;
<![CDATA[Sugianti, Devi]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 12 No 2 (2017): IC Tech: Majalah Ilmiah Volume XII No. 2 Oktober 2017 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v12i2.3
<![CDATA[Diabetes Mellitus merupakan salah satu penyakit kronis yang mematikan. Penyakit yang juga dikenal dengan nama penyakit kencing manis ini terjadi akibat kadar glukosa di dalam darah terlalu tinggi. Diabetes Mellitus banyak diteliti di banyak negara pada saat ini karena peningkatan penderita yang banyak dan sangat mengkhawatirkan. Menurut WHO saat ini lebih dari 246 juta jiwa menderita diabetes dan diperkirakan akan meningkat menjadi 380 juta jiwa pada tahun 2025 apabila tidak dilakukan penanganan yang serius. Dibetes menyebabkan penyakit lain / komplikasi yang setiap tahunya mengakibatkan kematian hingga 3,8 juta jiwa. Data mining merupakan kegiatan menemukan sebuah pola, aturan dan pengetahuan baru dari sebuah dataset. Salah satu fungsi mayor data mining adalah klasifikasi. KNN merupakan salah satu algoritma klasifikasi data mining terbaik dan banyak digunakan. Algoritma KNN bekerja dengan cara menghitung kedekatan data testing dengan keseluruhan data training. K dalam KNN merupakan variabel jumlah tetangga terdekat yang akan diambil untuk proses klasifikasi. Jumlah K=1 akan membuat hasil klasifikasi terasa kalu karena hanya memperhitungkan satu tetangga terdekat atau satu record karakteristik data terdekat. Sedangkan jumlah K yang terlalu banyak akan menghasilkan klaasifikasi yang samar. Dari hasil penelitian yang telah dilakukan disimpulkan bahwa penggunaan algoritma seleksi fitur gain ratio dapat meningkatkan akurasi dari klasifikasi penyakit diabetus mellitus dengan menggunakan algoritma knn. Adapun kenaikan akurasi tertinggi didapatkan pada nilai treshold 0,152 dengan hanya mempertahankan 4 atribut dari keseluruhan 8 atribut data]]>
<![CDATA[Sistem Pendukung Keputusan Persetujuan Kredit dengan Pemanfaatan Information Gain untuk Pembobotan Atribut Klasifikasi K-Nearest Neighbour ]]>
<![CDATA[Ivandari, Ivandari]]>;
<![CDATA[Chasanah, Tria Titiani]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 12 No 2 (2017): IC Tech: Majalah Ilmiah Volume XII No. 2 Oktober 2017 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v12i2.5
<![CDATA[Kredit merupakan salah satu perilaku ekonomi modern. Dalam prakteknya kredit dapat berupa peminjaman sejumlah uang atau pembelian barang dengan proses pembayaran secara bertahap dan dalam jangka waktu yang telah disepakati. Kondisi perekonomian yang kurang mendukung serta kebutuhan masyarakat yang tinggi membuat masyarakat memilih membeli barang dengan proses kredit ini. Sayangnya kebutuhan yang tinggi ada yang tidak diimbangi dengan kemampuan melakukan pembayaran sesuai dengan perjanjian awal. Kondisi ini yang memungkinkan proses pembayaran menjadi tidak lancar atau disebut juga dengan istilah kredit macet. Penelitian ini menggunakan data publik yaitu dataset kartu kredit dari UCI repository serta data private yaitu dataset persetujuan kredit dari perbankan lokal. Algoritma information gain digunakan untuk menghitung bobot dari masing masing atribut yang ada. Dari hasil perhitungan diketahui bahwa semua atribut memiliki bobot yang berbeda. Penelitian ini menghasilkan kesimpulan bahwa tidak semua atribut data mempengaruhi hasil klasifikasi. Misalkan atribut A1 pada dataset UCI serta atribut type pinjaman pada dataset lokal yang memiliki bobot information gain 0 (nol). Hasil klasifikasi menggunakan algoritma K-Nearest Neighbour menunjukkan bahwa terjadi peningkatan sebesar 7,53% untuk dataset UCI dan 3,26% untuk dataset lokal setelah dilakukan seleksi fitur pada kedua dataset. Dari peningkatan tersebut maka Sistem Pendukung Keputusan yang dibuat hanya menggunakan atribut yang terpilih untuk meningkatkan akurasi. SPK yang tercipta dapat memberikan rekomendasi kepada manajemen berdasarkan perhitungan dan kedekatan data testing dengan keseluruhan data training yang telah ada sebelumnya.]]>
<![CDATA[Penerapan Metode Sample Bootstrapping untuk Meningkatkan Performa kNearest Neighbor pada Dataset Berdimensi Tinggi ]]>
<![CDATA[Setiawan, Tri Agus]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 12 No 1 (2017): IC Tech: Majalah Ilmiah Volume XII No. 1 April 2017 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v12i1.13
<![CDATA[Dalam klasifikasi semakin banyak atribut yang relevan yang dipakai akan mempengaruhi hasil akurasi dari algoritma tersebut. Seleksi fitur merupakan salah satu tahapan pre processing klasifikasi dengan cara menghilangkan fitur yang tidak relevan dalam data. Proses ini juga dapat mengurangi dimensi data serta meningkatkan akurasi klasifikasi. Algoritma kNearest Neighbor (kNN) merupakan metode untuk melakukan klasifikasi terhadap objek baru berdasarkan k tetangga terdekatnya. Algoritma kNN memiliki kelebihan karena sederhana, efektif dan telah banyak digunakan pada banyak masalah klasifikasi. Pada penelitian ini penggunaan metode Sample Bootstrapping diusulkan untuk meningkatkan akurasi yang optimal pada algoritma kNN. Metode Sample Bootstrapping digunakan untuk mengurangi jumlah data training yang akan diproses. Dalam penelitian ini menggunakan dataset yang memiliki dataset dengan dimensi yang tinggi. Dari hasil penelitian, penggunaan Sample Bootstrapping dengan algoritma pada dataset credit approval akurasinya meningkat 5.4% (96.87%-91.52%) dibandingkan algoritma kNN standar. Dari hasil penelitian yang dilakukan, dapat disimpulkan bahwa penggunaan Sample Bootstrapping dengan algoritma kNN menghasilkan akurasi yang lebih baik daripada algoritma kNN standar.]]>
<![CDATA[Optimasi Algoritma Naïve Bayes dengan Information Gain Ratio untuk Menangani Dataset Berdimensi Tinggi ]]>
<![CDATA[Al karomi, M. Adib]]>;
<![CDATA[Ivandari, Ivandari]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 14 No 2 (2019): IC Tech: Majalah Ilmiah Volume XIV No. 2 Oktober 2019 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v14i2.61
<![CDATA[Perkembangan ilmu komputer sekarang memungkinkan adanya pencatatan semua proses bisnis di segala bidang dengan media penyimpanan yang besar. Data di bidang atronomi, kesehatan, ekonomi, pemerintahan dan sebagainya banyak tercatat dan semakin banyak dari tahun ke tahun. Data mining merupakan ilmu yang dapat mengolah data menjadi sebuah representasi pengetahuan dengan menggunakan beberapa metode atau algoritma matematis. Salah satu fungsi utama data mining adalah klasifikasi. Dalam proses klasifikasi semua data lama digunakan sebagai data pembelajaran untuk menyimpulkan data baru yang belum sepenuhnya diketahui. Data yang sebelumnya tidak memiliki makna dapat menjadi sebuah pengetahuan baru dengan menggunakan klasifikasi data mining. Banyak algoritma yang dapat digunakan dalam proses klasifikasi. Salah satu algoritma yang terbukti baik untuk proses klasifikasi data berdimensi tinggi adalah naïve bayes. Dalam data berdimensi tinggi banyaknya atribut data dapat mempengaruhi hasil klasifikasi. Banyaknya atribut data yang relevan dapat meningkatkan performa algoritma. Sedangkan banyaknya atribut data yang tidak  relevan dapat menurunkan tingkat akurasi sebuah algoritma. Dari hasil penelitian ini diketahui bahwa seleksi fitur information gain dapat meningkatkan performa klasifikasi naive bayes.]]>
<![CDATA[KOMPARASI ALGORITMA UNTUK KLASIFIKASI DATASET COVID-19 SURVILLANCE ]]>
<![CDATA[Ivandari, Ivandari]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 16 No 2 (2021): IC Tech: Majalah Ilmiah Volume XVI No. 2 Oktober 2021 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pandemi covid-19 yang terjadi di dunia saat ini merupakan yang terbesar selama lebih dari satu decade. Banyaknya penderita, kurangnya kesadaran masyarakat, serta adanya mutasi baru dari virus merupakan beberapa faktor pendukung kenaikan kasus covid-19. Di semua bidang dilakukan penelitian guna menurunkan tingkat keparahan penyakit, menghentikan penyebaran, serta mengobati pasien terdampak virus. Di bidang data mining banyak dilakukan penelitian dengan menggunakan dataset yang ada untuk memperoleh pengetahuan baru. Pengetahuan inilah yang nantinya dapat digunakan sebagai dasar untuk menentukan kebijakan institusi, perusahaan bahkan untuk pemerintahan. Dalam penelitian ini membandingkan algoritma KNN, Neural Network, Bayes, serta Decission Tree untuk klasifikasi dataset Covid-19 survillance. Dataset yang digunakan adalah data dari Kementrian Kesehatan Republik Indonesia. Data ini diambil dari portal penyedia data ternama yaitu uci repository. Dari hasil perhitungan membuktikan bahwa algoritma decision tree merupakan model terbaik untuk klasifikasi dataset Covid-19 survillance. Akan tetapi tingkat akurasi yang diperoleh decision tree dalam klasifikasi ini hanyalah 65% yang masih tergolong dalam tingkatan yang belum memuaskan. Kata Kunci : covid-19 survillance, akurasi, decision tree]]>
<![CDATA[Peningkatan Efisiensi Sistem Kontrol Persediaan dengan Metode Perpetual pada Toko Sepatu dan Tas Yogjakarta Kota Pekalongan ]]>
<![CDATA[Faizal Kurniawan, Muhammad]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 15 No 1 (2020): IC Tech: Majalah Ilmiah Volume XV No. 1 April 2020 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Toko Yogyakarta adalah sebuah perusahaan yang bergerak dibidang penjualan sepatu, tas, aksesoris, kebutuhan sekolah dan lain sebagainya. Dalam menjalankan kegiatan usahanya Toko Yogyakarta telah menggunakan aplikasi Point of Sales. Toko Yogyakarta memiliki sangat banyak jumlah persediaan barang yang akan dijual dengan berbagai jenis, warna dan ukuran. Ketersedian stok merupakan hal yang sangat penting bagi Toko Yogyakarta guna mendukung keputusan dalam pemesanan barang kepada supplier. Namun demikian, aplikasi yang ada saat ini belum mampu memberikan kepuasan terhadap pengguna dalam hal ini pemilik Toko Yogyakarta dalam hal perhitungan dan pelaporan ketersediaan barang. Hal ini disebabkan proses perhitungan persediaan yang dilakukan aplikasi sangat lama dan memakan sumber daya komputer yang cukup besar serta seringkali terjadi kegagalan sistem sehingga menimbulkan tidak validnya laporan persediaan yang disajikan. Penelitian ini bertujuan untuk mengatasi hal tersebut dengan menerapkan metode perpetual di bagian kontrol persediaan. Metode perpetual diterapkan dengan membuat trigger-trigger pada tabel-tabel yang terkait dengan persediaan. Trigger akan melakukan perhitungan stok akhir pada item barang secara otomatis ketika terjadi penjualan, barang masuk dan barang keluar. Hasil perhitungan trigger ditampung pada sebuah tabel stok akhir. Dengan cara ini maka tidak terjadi lagi proses perhitungan pada saat penyajian laporan. Penggunaan trigger mampu mempercepat proses perhitungan persediaan dan menguntungkan perusahaan karena tidak perlu ada penggantian aplikasi yang saat ini sudah berjalan sehingga kegiatan usaha tetap dapat berjalan sebagaima biasanya. Dibandingkan dengan metode yang sebelumnya, metode yang terbukti mampu mengurangi waktu tunggu dan beban kerja komputer secara signifikan pada saat penyajian laporan persediaan. Kata Kunci : persediaan, perpetual, trigger]]>
<![CDATA[Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur Gain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus ]]>
<![CDATA[Indrayanti, Indrayanti]]>;
<![CDATA[Sugianti, Devi]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 12 No 2 (2017): IC Tech: Majalah Ilmiah Volume XII No. 2 Oktober 2017 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v12i2.3
<![CDATA[Diabetes Mellitus merupakan salah satu penyakit kronis yang mematikan. Penyakit yang juga dikenal dengan nama penyakit kencing manis ini terjadi akibat kadar glukosa di dalam darah terlalu tinggi. Diabetes Mellitus banyak diteliti di banyak negara pada saat ini karena peningkatan penderita yang banyak dan sangat mengkhawatirkan. Menurut WHO saat ini lebih dari 246 juta jiwa menderita diabetes dan diperkirakan akan meningkat menjadi 380 juta jiwa pada tahun 2025 apabila tidak dilakukan penanganan yang serius. Dibetes menyebabkan penyakit lain / komplikasi yang setiap tahunya mengakibatkan kematian hingga 3,8 juta jiwa. Data mining merupakan kegiatan menemukan sebuah pola, aturan dan pengetahuan baru dari sebuah dataset. Salah satu fungsi mayor data mining adalah klasifikasi. KNN merupakan salah satu algoritma klasifikasi data mining terbaik dan banyak digunakan. Algoritma KNN bekerja dengan cara menghitung kedekatan data testing dengan keseluruhan data training. K dalam KNN merupakan variabel jumlah tetangga terdekat yang akan diambil untuk proses klasifikasi. Jumlah K=1 akan membuat hasil klasifikasi terasa kalu karena hanya memperhitungkan satu tetangga terdekat atau satu record karakteristik data terdekat. Sedangkan jumlah K yang terlalu banyak akan menghasilkan klaasifikasi yang samar. Dari hasil penelitian yang telah dilakukan disimpulkan bahwa penggunaan algoritma seleksi fitur gain ratio dapat meningkatkan akurasi dari klasifikasi penyakit diabetus mellitus dengan menggunakan algoritma knn. Adapun kenaikan akurasi tertinggi didapatkan pada nilai treshold 0,152 dengan hanya mempertahankan 4 atribut dari keseluruhan 8 atribut data]]>
<![CDATA[Sistem Pendukung Keputusan Persetujuan Kredit dengan Pemanfaatan Information Gain untuk Pembobotan Atribut Klasifikasi K-Nearest Neighbour ]]>
<![CDATA[Ivandari, Ivandari]]>;
<![CDATA[Chasanah, Tria Titiani]]>;
<![CDATA[Al Karomi, M. Adib]]>
<![CDATA[ IC Tech: Majalah Ilmiah Vol 12 No 2 (2017): IC Tech: Majalah Ilmiah Volume XII No. 2 Oktober 2017 ]]>
Publisher : <![CDATA[P3M Institut Widya Pratama ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47775/ictech.v12i2.5
<![CDATA[Kredit merupakan salah satu perilaku ekonomi modern. Dalam prakteknya kredit dapat berupa peminjaman sejumlah uang atau pembelian barang dengan proses pembayaran secara bertahap dan dalam jangka waktu yang telah disepakati. Kondisi perekonomian yang kurang mendukung serta kebutuhan masyarakat yang tinggi membuat masyarakat memilih membeli barang dengan proses kredit ini. Sayangnya kebutuhan yang tinggi ada yang tidak diimbangi dengan kemampuan melakukan pembayaran sesuai dengan perjanjian awal. Kondisi ini yang memungkinkan proses pembayaran menjadi tidak lancar atau disebut juga dengan istilah kredit macet. Penelitian ini menggunakan data publik yaitu dataset kartu kredit dari UCI repository serta data private yaitu dataset persetujuan kredit dari perbankan lokal. Algoritma information gain digunakan untuk menghitung bobot dari masing masing atribut yang ada. Dari hasil perhitungan diketahui bahwa semua atribut memiliki bobot yang berbeda. Penelitian ini menghasilkan kesimpulan bahwa tidak semua atribut data mempengaruhi hasil klasifikasi. Misalkan atribut A1 pada dataset UCI serta atribut type pinjaman pada dataset lokal yang memiliki bobot information gain 0 (nol). Hasil klasifikasi menggunakan algoritma K-Nearest Neighbour menunjukkan bahwa terjadi peningkatan sebesar 7,53% untuk dataset UCI dan 3,26% untuk dataset lokal setelah dilakukan seleksi fitur pada kedua dataset. Dari peningkatan tersebut maka Sistem Pendukung Keputusan yang dibuat hanya menggunakan atribut yang terpilih untuk meningkatkan akurasi. SPK yang tercipta dapat memberikan rekomendasi kepada manajemen berdasarkan perhitungan dan kedekatan data testing dengan keseluruhan data training yang telah ada sebelumnya.]]>
