Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Wahana Matematika dan Sains J-Icon : Jurnal Komputer dan Informatika
Niken Retnowati
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
IMPLEMENTASI PENDETEKSIAN SPAM EMAIL MENGGUNAKAN METODE TEXT MINING DENGAN ALGORITMA NAÏVE BAYES DAN DECISION TREE J48 Rizka Safitri Lutfiyani; Niken Retnowati
J-ICON : Jurnal Komputer dan Informatika Vol 9 No 2 (2021): Oktober 2021
Publisher : Universitas Nusa Cendana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35508/jicon.v9i2.5304

Abstract

Email is quite popular as a digital communication media. This is because the message sending process via email is easy. Unfortunately, most messages in emails are spam emails. Spam is a message that the recipient of the message does not want because spam usually contains advertising messages or fraudulent messages. Ham is the message that the recipient wants. One way to sort these messages is to classify email messages into spam or Ham. Naïve Bayes and decision tree J48 are the algorithms that can be used to classify email messages. Therefore, this study aims to compare the effectiveness of the Naïve Bayes algorithm and decision tree J48 in sorting spam emails. The method used is text mining. Data containing the text of the email message in English will be processed before being classified with Naïve Bayes and decision tree J48. The pre-process stage includes tokenization, disposal of stop word lists, stemming, and attribute selection. Furthermore, Data text for email message will be processed using the Naïve Bayes algorithm and decision tree J48. The Naïve Bayes algorithm is a classification algorithm based on Bayesian Decision Theory, while the J48 decision tree algorithm is the development of the ID3 decision tree algorithm. The result of this research is that the decision tree J48 algorithm gets higher accuracy than the Naïve Bayes algorithm. The decision tree J48 algorithm has an accuracy of 93,117% while Naïve Bayes has an accuracy of 88,5284%. The conclusion of this study is that the decision tree J48 algorithm is superior to Naive Bayes for sorting spam emails when viewed from the level of accuracy of each algorithm.
Penentuan Jumlah Cluster pada K-Means Cluster Menggunakan Metode Welch Powell (Studi Kasus Kab. Boyolali) Niken Retnowati; Windarti, Mariana
Wahana Matematika dan Sains: Jurnal Matematika, Sains, dan Pembelajarannya Vol. 18 No. 1 (2024): April 2024
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/wms.v18i1.59349

Abstract

Algoritma cluster sering digunakan dalam pengambilan keputusan. Pengambilan keputusan ini tentu akan sangat menentukan kebijakan dari suatu hal. Sehingga peran algoritma cluster sangat penting disini. Algoritma cluster yang paling sering digunakan adalah K-means Cluster. Yang Paling utama dalam K-means cluster tentunya adalah menentukan jumlah cluster. Ada beberapa metode untuk menetukan cluster terbaik salah satunya adalah metode Elbow. Dalam Penelitian ini, Peneliti menentukan jumlah kluster pada K-means Cluster dengan salah satu metode pewarnaan graf yaitu Metode Welch Powell. Penelitian ini mengambil kasus di Kabupaten Boyolali, dimana langkah awal menentukan jumlah warna minimal yang dihasilkan Welch Powell kemudian jumlah warna minimal tersebut digunakan sebagai jumlah kluster dalam K-means Cluster. Kabupaten Boyolali sendiri terdiri dari 19 kecamatan, dari 19 kecamatan inilah berdasarkan peta Boyolali akan dicari warna minimal graf yang bisa digunakan. Selanjutnya warna minimal ini akan dijadikan jumlah kluster pada K-menas Cluster dan di aplikasikan data jumlah penduduk, luas wilayah, jumlah sekolah, dan jumlah desa yang ada di wilayah Boyolali. Dari welch powell dihasilkan jumlah warna minimum pewarnaan graf adalah 3, sehingga kluster yang diambil adalah 3. Dengan K-means Cluster dan jumlah kluster 3 didapat anggota kluster 1 adalah 16 kecamatan, anggota kluster 2 adalah 2 kecamatan dan anggota kluster 3 adalah 1 kecamatan. Kata Kunci : K-means Cluster, Graf, Welch Powell
Co-Authors Rizka Safitri Lutfiyani Windarti, Mariana