Claim Missing Document
Check
Articles

Found 31 Documents
Search

Komprasi Algoritma Decision Tree, SVM dan ANN untuk Reservasi Hotel Dwi Hartanti; Afu Ichsan Pradana; Sri Lestari
Jurnal DutaCom Vol 16 No 1
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/dutacom.v16i1.2647

Abstract

Hotel adalah tempat peristirahatan sementara yang menyediakan fasilitas akomodasi dan layanan lainnya seperti kamar tidur, kamar mandi, restoran, kolam renang, spa, dan pusat kebugaran yang dikelola oleh perusahaan dengan melakukan pembayaran sesua ketentuan. Machine learning merupakan cabang dari kecerdaan buatan yang cara bekerjanya belajar dari pemikiran manusia dengan menggunakan algoritma matematika. Penelitian ini menggunakan Decission Tree, SVM, dan ANN. Tujuan penelitian membandingkan akurasi dari Decission Tree, SVM, dan ANN dalam identifikasi Reservasi Hotel. Hasil penelitian didapatkan Algortima Decision Tree didapatkan nilai akurasi sebesar 85.7%, Support Vector Machine (SVM), sebesar 82.71%, dan Artificial Neural Network (ANN) 80.48%.
Rancang Bangun Sistem Pakar Untuk Mendiagnosa Penyakit Dispepsia Dengan Metode Forward Chaining Yasinta istiqomah; Joni Maulindar; Dwi Hartanti
Infotek: Jurnal Informatika dan Teknologi Vol. 6 No. 2 (2023): Infotek : Jurnal Informatika dan Teknologi
Publisher : Fakultas Teknik Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/jit.v6i2.17438

Abstract

Dyspepsia is a digestive disorder that causes discomfort or pain in the stomach. In expert systems, the forward chaining method is used to diagnose this disease. This method evaluates the facts or symptoms obtained from the patient, then determines the appropriate diagnosis. The application of the forward chaining method in an expert system allows for an efficient and systematic evaluation of patient symptoms, so that patients can make their own detections and can make further decisions so that their disease can be treated immediately. This technology-based approach enhances the diagnostic process and facilitates rapid intervention. The expert system developed to diagnose dyspepsia has been successfully implemented using knowledge that includes 21 symptoms and 3 types of related diseases. System validation was carried out by testing 30 data samples, and the results showed that the system has an accuracy rate of up to 90% in correctly identifying and diagnosing dyspepsia. This shows that the expert system has a high level of expertise in analyzing the symptoms presented and providing a reliable diagnosis
Analisis Metode K-Nearest Neighbor Menggunakan Rapid Miner Untuk Memprediksi Hujan Kota Surakarta Alvian Ahmada Akhbar; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/senatib.v3i1.2996

Abstract

This study aims to implement the K-Nearest Neighbor (KNN) algorithm using the Rapid Miner application to predict rain in Surakarta City. Rainfall has an erratic pattern making it difficult to predict manually. Rainfall cannot be determined with certainty but this can be estimated. Thus, the existence of Data Mining can enable machines to recognize and study complex data patterns. Therefore program learning can learn patterns of rainfall data to make some predictions. This study uses three variables as criteria, namely temperature, wind speed, and humidity. The test results using the K-Nearest Neigbor (KNN) algorithm and the Rapid Miner application with a value of K = 3, found an accuracy of 83.87%. From 31 data taken in July 2023. The results of the analysis prove that the KNN method using the Rapid Miner application can be used to predict rain in Surakarta City.
Penerapan Algoritma Fuzzy C-Means untuk Analisis Tingkat Pendidikan Sekolah Dasar di Karanganyar Daffa Rizki Putra Noordi; Irfan Agus Prastowo; Nadia Amalia Putri; Zariel Ardian Ekovih; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The use of the Fuzzy C-Means (FCM) algorithm is an interesting topic in the analysis of elementary school education. Karanganyar is an area that has many elementary schools and we need a method that can classify data with high accuracy to understand elementary school data effectively. Therefore, this study aims to apply the FCM algorithm in data mining to analyze elementary schools in Karanganyar. The research began by collecting data on elementary schools in Karanganyar which included attributes such as the number of study groups and students. The FCM method is then used to process the data. The data clustering technique is enabled by this algorithm. Experimental findings indicate that the application of FCM algorithm in data mining to analyze an elementary school in Karanganyar produces information grouping. In rapidminer's calculations, 6 clusters were obtained, namely cluster 0 consisting of 45 elementary schools with the lowest educational level category, cluster 1 consisting of 3 elementary schools with the highest educational level category, cluster 2 consisting of 73 elementary schools with the lowest educational level category, cluster 3 consisting of 14 elementary schools with the higher education level category, cluster 4 consisting of 39 elementary schools with various levels of education categories, cluster 5 consisting of 27 elementary schools with the medium education level category. The DBI value acquired by the FCM method is -0.471, and since this number is near to 0, it can be argued that the cluster that the algorithm generated is excellent. This can help the government and the educational system. in formulating sensible development plans and policies. Karanganyar's educational system.
Penerapan K-means Clustering pada Penjualan dan Pajak BBM di DKI Jakarta Pramudya Aziz Wisnuadi; Bagus Irfanzah Arda Nugraha; Hiskia Kus Setiawan; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Fuel oil (BBM) is part of the main merchandise originating from refined petroleum and natural gas, either through direct extraction or processing of crude oil. Tax is an obligation that must be paid by an individual or company to the state based on coercion by law. In this study, the method used is K-Means Clustering data mining, which functions to group data that has been collected into several parts, the K-Means Clustering mechanism is implemented with the RapidMiner tool. Sources of data recorded on the Jakarta Open Data website, especially data on fuel sales and taxation for DKI Jakarta are used in this study. The criterion used is the determination of the center of gravity randomly. The iteration process is carried out 7 times, so that the first cluster with the highest number of elements is formed, including 195 items and the second with 9 items.
Implementasi Fuzzy C-Means Clustering Dalam Proses Seleksi Penerimaan Kartu Indonesia Pintar Kuliah Divangga Revansa Arya Pradhana; Lola Sekar Arum; Bagas Muttaqi; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Logika fuzzy merupakan salah satu dari banyaknya logika pembentuk soft computing. Merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Dalam penelitian filterisasi penerimaan KIP-Kuliah ini logika fuzzy yang digunakan yaitu fuzzy c-means clustering. Dimana untuk menerima beasiswa KIP-K diperlukan beberapa kriteria yang harus terpenuhi. Adapun kriteria yang perlu dipenuhi diantaranya adalah prestasi, nilai ujian, penghasilan orang tua, penerima kartu sejenis KIP, dan status kepemilikan rumah atau asset. Dengan demikian, diperlukan sistem pendukung keputusan yang dapat membantu untuk menentukan penerimaan beasiswa tersebut berdasarkan kriteria-kriteria minimal yang telah ditentukan, guna membantu pengambilan keputusan yang lebih akurat, efektif, efisien dan hemat waktu.
Klasifikasi Tingkat Pendidikan Orang Tua Berdasarkan Tingkat Kelulusan menggunakan Algoritma K-NN Hasda Surya Putra; Vincentius Anggarda P.M; Ummi Kultsum; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Klasifikasi tingkat pendidikan orang tua berdasarkan tingkat kelulusan merupakan topik yang penting dalam bidang pendidikan dan sosiologi. Memahami tingkat pendidikan orang tua dapat memberikan wawasan tentang faktor-faktor sosial dan ekonomi yang mempengaruhi keberhasilan pendidikan anak-anak. Metode yang digunakan dalam penelitian ini adalah algoritma K- NN. Algoritma K-NN memanfaatkan prinsip dasar bahwa data yang serupa cenderung berkumpul bersama. Dalam konteks ini, tingkat kelulusan orang tua digunakan sebagai fitur untuk mengklasifikasikan tingkat pendidikan mereka.
Sistem Peramalan Jumlah Calon Peseta Didik Bedasarkan Tahun Penerimaan Menggunakan Regresi Linier Muhammad Nur Ikhsanuddin; Dika Adi Pratama; Leny Monica; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem peramalan jumlah calon peserta didik merupakan alat yang penting bagi institusi pendidikan untuk merencanakan dan mengelola sumber daya mereka dengan efektif. Regresi linier adalah salah satu metode peramalan yang umum digunakan untuk memodelkan hubungan linier antara variabel dependen (jumlah calon peserta didik) dengan variabel independen (misalnya, jumlah pendaftar). Dalam penelitian ini, kami merancang dan mengimplementasikan sebuah sistem peramalan menggunakan regresi linier untuk memprediksi jumlah calon peserta didik di masa depan. Sistem ini memanfaatkan data historis dan variabel independen yang relevan untuk menghasilkan prediksi yang lebih akurat. Hasil peramalan dapat membantu institusi pendidikan dalam mengambil keputusan yang tepat terkait alokasi sumber daya dan perencanaan strategis. Studi ini menunjukkan bahwa sistem peramalan menggunakan regresi linier dapat menjadi alat yang berguna dalam mendukung perencanaan pendidikan yang efektif.
Implementasi Regresi Linier Untuk Waktu Pengiriman Barang Lidia Earlene Rendhiva; Muhamad Daivany Nur Auilya Saleh; Raditya Koesyan Dipo Pramukti; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Belanja online telah menjadi kebiasaan masyarakat dan erat terkait dengan jasa pengiriman barang, yang bertanggung jawab untuk mengirimkan barang yang dibeli dari penjual ke pembeli. Oleh karena itu, pembeli membutuhkan jasa pengiriman yang aman dan cepat untuk memastikan bahwa barang mereka sampai tujuan tepat waktu. Salah satu faktor terpenting dalam bisnis pengiriman adalah kepuasan pelanggan. Namun, beberapa kendala di lapangan memperlambat pengiriman. Oleh karena itu, memprediksi waktu pengiriman dengan menggunakan teknik data mining adalah cara untuk mengatasi masalah ini. Teknik prediksi, algoritma regresi linier, akan digunakan untuk pengolahan data. Dengan menggunakan data tentang kapan barang diambil, saat barang dalam perjalanan, dan sampai di tangan pembeli, mereka dapat membuat perkiraan atau prediksi dan melakukan analisis untuk mencegah keterlambatan pengiriman di masa mendatang. Berdasarkan nilai RMSE (Root Mean Square Error) yang berfungsi untuk menghasilkan nilai level, kesalahan hasil prediksi menggunakan metode ini dan dalam nilai RMSE atau Root Mean Square Error sebesar 0,370%. Dapat disimpulkan bahwa penggunaan algoritma Regresi Linier terbukti akurat dalam memprediksi waktu pengiriman.
Implementasi Algoritma K-Nearest Neighbor untuk Klasifikasi Obesitas Adi Tiyas Ahmad Fathoni; Dwi Hartanti
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Obesitas merupakan masalah kesehatan yang semakin meningkat di banyak negara, termasuk di seluruh dunia. Mengkategorikan obesitas menurut faktor individu seperti indeks massa tubuh (BMI), lingkar pinggang, tinggi badan, usia, dan jenis kelamin dapat mengarah pada pemahaman yang lebih baik tentang pola dan karakteristik obesitas. Pada penelitian ini, kami mengimplementasikan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan obesitas menggunakan data yang mengandung atribut tersebut. Langkah-langkah dalam penelitian ini meliputi pengolahan data, pemilihan parameter KNN yang optimal, dan evaluasi kinerja model. Tujuan utama dari penelitian ini adalah untuk mengklasifikasikan obesitas berdasarkan karakteristik yang relevan dan untuk mengidentifikasi pola dan hubungan antara faktor-faktor tersebut. Dengan penerapan algoritma KNN, kami mencoba memprediksi kelas obesitas dari data individu yang status obesitasnya tidak diketahui. Hasil penelitian ini dapat membantu mengembangkan metode yang lebih akurat untuk mengklasifikasikan obesitas. Selain itu, model klasifikasi yang dihasilkan dapat digunakan sebagai alat yang berguna di bidang kesehatan, termasuk diagnosis dini, perencanaan intervensi, dan pengembangan program penanganan obesitas. Diharapkan penelitian ini dapat membantu masyarakat dan tenaga kesehatan dalam upaya pencegahan dan penanganan obesitas secara efektif.