Articles
<![CDATA[OPTIMASI ALGORITMA NAÃVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION (PSO) DAN STRATIFIED UNTUK MENINGKATKAN AKURASI PREDIKSI PENYAKIT DIABETES ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Muhamad Casdi2]]>
<![CDATA[ Jurnal SIGMA Vol 10 No 2 (2019): Juni 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (279.298 KB)
<![CDATA[Diabetes mellitus is a disease that causes uncontrolled blood sugar levels due to a lack of insulin levels in the body. Based on data, the results of diabetes laboratory tests can be predicted with data mining that can help medical personnel. Data mining is a process of identifying data to become information and decisions. This study uses the Naïve Bayes algorithm based on Particle Swarm Optimization (PSO) and Stratified. The results of the Naïve Bayes algorithm get an accuracy value of 75.40% and an AUC value of 0.829%. Meanwhile, the results of the Naïve Bayes algorithm based on Particle Swarm Optimization (PSO) and Stratified get an accuracy value of 90.00% and an AUC value of 0.926. From this study, the Particle Swarm Optimization (PSO) and Stratified based Naïve Bayes algorithm obtained a higher accuracy value with an increase of 14.60% in predicting diabetes disease. Keyword : Diabetes, Data Mining, Naïve Bayes, PSO, Stratified]]>
<![CDATA[Klasifikasi Tingkat Produktivitas Tanaman Padi Di Kabupaten Karawang Menggunakan Metode Naïve Bayes Dan K-Fold Cross Validation ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Ahmad Burhan]]>
<![CDATA[ Jurnal SIGMA Vol 7 No 2 (2016): September 2016 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (849.103 KB)
|
DOI: 10.37366/sigma.v7i2.492
<![CDATA[Abstraksi Penelitian ini dilakukan dengan tiga tahap, yaitu tahap pemrosesan data, tahap pengujian dan tahap mencari akurasi model. Tahap pemrosesan data menggunakan software IBM SPSS Statistic 22 untuk pencarian data missing dan mengganti nilai missing dengan rata-rata/mean. Tahap pengujian menggunakan software RapidMiner Studio untuk mencari nilai akurasinya dengan skema k-fold validation dan melakukan pengujiannya sebanyak sepuluh kali. Hasil dari tiap pengujian yang didapatkan berupa Confusion matrix dan nilai yang diambil adalah accuracy yang akan dijadikan sebagai nilai pencarian dari akurasi model dalam klasifikasi tingkat produktivitas padi. Dari pengujian yang dilakukan sebanyak sepuluh kali didapatkan nilai akurasi dari model dalam mengklasifikasikan tingkat produktivitas dengan skema k-fold validation sebesar 87,22% ini membuktikan bahwa metode naïve bayes mempuyai klasifikasi yang baik. Hasil dari klasifikasi bisa menjadi acuan pihak pemerintah dalam menentukan kecamatan mana yang akan dijadikan perhatian khusus dalam budidaya padi di Kabupaten Karawang. Kata kunci: Naïve Bayes, K-Fold Validation, Rapid Miner, IBM Statistic 22, Produktivitas padi, Klasifikasi.]]>
<![CDATA[Penerapan Data Mining Untuk Klasifikasi Kualitas Pipa Pvc Menggunakan Metode Algoritma C4.5 Studi Kasus Pt Cipta Aneka Agung ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Ading Bagus Saputra]]>
<![CDATA[ Jurnal SIGMA Vol 9 No 4 (2019): Juni 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (385.609 KB)
<![CDATA[The research was aimed to determine the results of the prediction of PVC pipe quality test by looking at the accuracy of the C4.5 Algorithm so as to facilitate QC in determining the quality of PVC pipes. The research was carried out on the PVC pipe quality test data, from the data was carried out the distribution of training data and testing data. Data mining extracts data to find information and patterns in determining the quality of PVC pipes. Classification method is carried out on training data to find a rule that can be applied to classify PVC pipe quality test categories in new data. The learning process using the C.45 decision tree technique transforms facts into decision trees that represent rules that are easier to understand. Variables used in this method are: Flattening Test, Tensile Strength Test, Elongation Test, Hydrostatic Pressure Test, and Impact Test. Based on the classification results using C4.5 algorithm shows that the accuracy reached 92.92%, which shows that the C4.5 algorithm is suitable for measuring the quality of PVC pipe tests. Keyworad: Quality, C4.5 Algorithm, Data mining, Decision Tree]]>
<![CDATA[Pemetaan Penduduk Calon Penerima Bantuan Renovasi Rumah Desa Pesangkalan Menggunakan Algoritma Clustering K-Means ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Indarwista Baragigiratri]]>
<![CDATA[ Jurnal SIGMA Vol 8 No 2 (2018): Maret 2018 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (318.643 KB)
<![CDATA[Abstraksi Rumah atau tempat tinggal adalah satu dari tiga kebutuhan dasar manusia. Di Indonesia banyak sekali rumah yang masuk dalam kategori Rumah Tidak Layak Huni. Pemerintah Indonesia memberikan bantuan Rehabilitasi Sosial Rumah Tidak Layak Huni (RS-RLTH) berupa uang untuk pembelian bahan bangunan guna pemugaran rumah. Di desa Pesangkalan, program bantuan renovasi rumah tergolong baru dan pemerintah desa belum dapat menentukan calon penerima bantuan yang tepat. Dibutuhkan teknik pemanfaatan data menjadi sebuah informasi baru atau disebut juga data mining. Metode yang cocok untuk memetakan calon penerima bantuan adalah clustering k-means karena metode ini dapat mengolah data tanpa diketahui label kelasnya. Penelitian ini akan menghasilkan tiga kelompok penduduk sesuai dengan pendapatan rata-rata dan status kepemilikan bangunan. Hasil tiga kelompok tersebut yaitu penduduk yang layak, kurang layak dan tidak layak menerima bantuan. Pengolahan data penduduk menggunakan algoritma k-means mendapatkan hasil davies bouldin index sebesar 0.428 yang dinilai cukup baik karena semakin dekat hasil dengan angka nol, maka semakin baik pula hasil clusternya. Kata kunci: Rumah tidak layak huni, clustering, k-means, davies bouldin index]]>
<![CDATA[Perancangan Sistem Informasi Kost Wilayah Karawang Berbasis Web ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Ghofur Muzzafar]]>
<![CDATA[ Jurnal SIGMA Vol 10 No 2 (2019): Juni 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (220.422 KB)
<![CDATA[Abstraksi Seiring dengan bertumbuhnya lahan usaha ataupun kawasan indutri di daerah Karawang serta banyaknya pendatang maka kebutuhan tempat tinggal sementara(kost) juga semakin meningkat. Adapun kesulitan mencari tempat tinggal yaitu minimnya informasi mengenai lokasi tempat tinggal, ketersediaan kamar, dan fasilitas rumah kost. Masalah lainnya adalah bagaimana melakukan pemesanan kamar kost secara cepat dan mudah. Salah satu solusi untuk mengatasi permasalahan tersebut adalah dengan media komunika terkomputerisasi yang dapat memfasilitasi para pendatang, penghuni kost dan pihak pengelola tempat kost untuk berbagi informasi mengenai tempat kost secara cepat dan mudah. Tujuan dari perancangan informasi ini adalah memberikan informasi tentang kost yang ada di Karawang serta meningkatkan promosi tempat usaha kost yang ada di Karawang. Dalam pembuatan system ini software yang di gunakan adalah XAMPP sebagai control, Mysql untuk pengelolaan database, Mozzila firefox sebagai browser web serta Notepad++ untuk membuat script menggunakan bahasa pemrograman HTML, PHP. Sistem ini membantu para pencari kost untuk mencari tempat kost yang sesuai keinginan serta membantu pemilik usaha kos untuk meningkatkan pemasaran. Kata kunci : Mysql, PHP, Sistem informasi]]>
<![CDATA[Analisa Metode Hierarchical Clustering Dan K-Mean Dengan Model Lrfmp Pada Segmentasi Pelanggan ]]>
<![CDATA[Asep Muhidin]]>
<![CDATA[ Jurnal SIGMA Vol 8 No 3 (2017): September 2017 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (460.984 KB)
|
DOI: 10.37366/sigma.v8i3.134
<![CDATA[Abstrak Pelanggan adalah sesuatu yang berharga dan penting, jika semua pelanggan serupa, bisnis akan begitu sederhana. Masalah heteroginitas dan banyaknya jumlah pelanggan menjadi tantangan yang harus dihadapi untuk menentukan segmentasi konsumen yang potensial.Pada penelitian ini proses segmentasi pelanggan dimulai dengan melakukan proses preprocessing, analytic hierarchy process (AHP),pencarian nilai K terbaik dari semua metode Hierarchical Clustering dengan membandingkan nilai Bouldien-Index. Selanjutnya nilai K terpilih dijadikan nilai awal pada K-Mean Clustering. Hasil clustering tersebut digunakan untuk melakukan segmentasi menggunakan model RFM untuk mendapatkan kelas konsumen. Penambahan parameter Payment (LRFMP) dapat meningkatkan nilai loyalitas pelanggan terhadap perusahaan.Berdasarkan hasil penelitian, metode single linkage merupakan metode terbaik untuk mencari nilai K. Segmentasi model k-mean dengan penambahan parameter P (LRFMP) dapat meningkatkan nilai DBI dibandingan dengan model RFM terbobot maupun tidak. Tetapi nilai DBI metode segmentasi single linkage masih lebih bagus dari pada segmentasi k-mean. Kata Kunci: Bouldien-Index, CRM, Data mining, pelanggan, LRFMP, RFM, segmentasi]]>
<![CDATA[Pemetaan Penduduk Calon Penerima Bantuan Renovasi Rumah Desa Pesangkalan Menggunakan Algoritma Clustering K-Means ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Indarwista Baragigiratri]]>
<![CDATA[ Jurnal SIGMA Vol 9 No 3 (2019): Maret 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (322.196 KB)
<![CDATA[Abstraksi Rumah atau tempat tinggal adalah satu dari tiga kebutuhan dasar manusia. Di Indonesia banyak sekali rumah yang masuk dalam kategori Rumah Tidak Layak Huni. Pemerintah Indonesia memberikan bantuan Rehabilitasi Sosial Rumah Tidak Layak Huni (RS-RLTH) berupa uang untuk pembelian bahan bangunan guna pemugaran rumah. Di desa Pesangkalan, program bantuan renovasi rumah tergolong baru dan pemerintah desa belum dapat menentukan calon penerima bantuan yang tepat. Dibutuhkan teknik pemanfaatan data menjadi sebuah informasi baru atau disebut juga data mining. Metode yang cocok untuk memetakan calon penerima bantuan adalah clustering k-means karena metode ini dapat mengolah data tanpa diketahui label kelasnya. Penelitian ini akan menghasilkan tiga kelompok penduduk sesuai dengan pendapatan rata-rata dan status kepemilikan bangunan. Hasil tiga kelompok tersebut yaitu penduduk yang layak, kurang layak dan tidak layak menerima bantuan. Pengolahan data penduduk menggunakan algoritma k-means mendapatkan hasil davies bouldin index sebesar 0.428 yang dinilai cukup baik karena semakin dekat hasil dengan angka nol, maka semakin baik pula hasil clusternya. Kata kunci: Rumah tidak layak huni, clustering, k-means, davies bouldin index]]>
<![CDATA[Perancangan Sistem Informasi Produk Hasil Repair Pada PT. JVC Kenwood Elektronik Indonesia ]]>
<![CDATA[Asep Muhidin]]>
<![CDATA[ Jurnal SIGMA Vol 8 No 2 (2017): Juni 2017 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (262.086 KB)
|
DOI: 10.37366/sigma.v8i2.201
<![CDATA[Abstrak Dalam sebuah perusahaan, di perlukan adanya sebuah pemeriksaan yang kontinyu terhadap hasil produksi. Hal ini di maksudkan untuk peningkatan kualitas dari produksi perusahaan. Sistem pengelolaan data laporan hasil repair PT. JVC Kenwood Elektronik Indonesia sangat diperlukan dalam menganalisa penyebab terjadinya kerusakan barang produksi. Saat ini pengelolaan data laporan hasil repair masih dilakukan secara manual sehingga perlu diadakan perbenahan yang kompleks dan dibuat kedalam sistem yang terkomputerisasi. Salah satu alat yang dapat digunakan untuk memperbaiki pengelolaan data laporan hasil repair tersebut adalah dengan menciptakan suatu sistem pengelolaan data laporan hasil repair yang tepat dan akurat. Karena hal ini sangat penting untuk menghindari kesalahan pengelolaan data produk hasil repair. Kata Kunci : Sistem, Produksi, Repair]]>
<![CDATA[Klasifikasi Penduduk Tidak Mampu Desa Mandiraja Wetan Menggunakan Algoritma C4.5 ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Liswanti Liswanti]]>
<![CDATA[ Jurnal SIGMA Vol 9 No 3 (2019): Maret 2019 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (273.509 KB)
<![CDATA[Abstraksi Dalam upaya penanggulangan kemiskinan di Kecamatan Mandiraja khususnya Desa Mandiraja Wetan. Pemerintah mempunyai berbagai program bantuan sosial yang digunakan untuk masyarakat kategori miskin (tidak mampu). Bantuan tersebut diberikan berdasarkan indikator yang sudah ditentukan dengan tujuan membantu dan mempermudah petugas dalam mengklasifikasikan kesenjangan penduduk yang mampu dan tidak mampu. Metode klasifikasi data mining yang digunakan dalam penelitian ini adalah algoritma Decision Tree C4.5. Objek data yang digunakan adalah kumpulan data per kepala keluarga yang mengunakan 6 parameter dalam pengolahan data yaitu pendapatan per bulan, pekerjaan, jumlah anggota keluarga, jenis bangunan, jenis lantai, dan keterangan. Berdasarkan uraian tersebut menghasilkan nilai akurasi dari data testing sebesar 97.22% . Kata Kunci : Kemiskinan, Algoritma C.45, Data Mining.]]>
<![CDATA[Analisis Data Mining Menggunakan Algoritma K-Means Untuk Clustering Penjualan Studi Kasus Dapur Bu Ipung ]]>
<![CDATA[Asep Muhidin]]>;
<![CDATA[Stefanus Kevin Alfandara]]>
<![CDATA[ Jurnal SIGMA Vol 13 No 2 (2022): Juni 2022 ]]>
Publisher : <![CDATA[Teknik Informatika, Universitas Pelita Bangsa ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Ibu Ipung kitchen is a home industry that is engaged in making donuts located in Perum Cikarang Permai housing. Not only Bu Ipung's Kitchen, there are still quite a few other businessmen who are engaged in similar fields. This research is expected to be useful to help consumers see the products that are not selling well, selling well, and selling very well in the sales of Dapur Bu Ipung. The data collected from 2016-2021 is 570 sales transaction data. The purpose of this study is to group sales data into a cluster using the K-Means Clustering Algorithm Data Mining method. Sales data are grouped based on the similarity of the data so that data with the same characteristics will be in one cluster. So that it can be grouped using the K-Means algorithm into several criteria that are very good, sellable and less well-sold. The cluster that is formed after the K-Means Clustering process is carried out is divided into 3 Clusters Cluster 0 with 9 members with a percentage of 64.28% categorized as Less Selling, Cluster 1 number of members 1 with a percentage of 7.14% is categorized as very popular, and Cluster 2 with a percentage of 4 members with a percentage of 27.57% is categorized as popular, from the clustering process above, DBI validation (Davies Bouldin Index) can be obtained with a value of 0.451. Keywords: : Data mining, Clustering, K-Means, Davies Bouldin Index]]>
