Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer
Abdul Ajiz
STMIK IKMI Cirebon
Computer Science & IT

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

Found 2 Documents
Search

 1 
Perbandingan Kinerja Algoritma Naïve Bayes Dan C.45 Dalam Klasifikasi Spam Email Sulaeman; Nana Suarna; Abdul Ajiz; Agus Bahtiar; Fathurrohman
KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer Vol. 6 No. 1 (2022): KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer
Publisher : Puslitbang Kopertip Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32485/kopertip.v6i1.130

Abstract

Antispam dengan algoritma tertentu yang dapat memisahkan antara spam-mail dengan non spam mail. Perbandingan kinerja antara algoritma naïve bayes, dan decision tree yang memakai algoritma C4.5 membuktikan bahwa decision tree dengan algoritma C4.5 lebih efisien dan paling sederhana jika dibandingkan dengan algoritma yang lain. Dengan kesederhanaannya, algoritma C4.5 memberikan hasil yang lebih baik untuk klasifikasi spam-mail. Algoritma Naïve Bayes dan C4.5 mempunyai kinerja yang baik dalam mengidentifikasi apakah suatu email adalah spam atau non-spam. Namun, belum diketahui algoritma mana diantara keduanya yang lebih unggul kinerjanya. Oleh karena itu kedua algoritma ini perlu dibandingkan Berdasarkan hasil akurasi algoritma Naïve Bayes menghasilkan akurasi sebesar 96,70% dengan rincian yaitu Prediksi Ham dan true Ham sebanyak 3385 Data, Prediksi Ham dan true Spam sebanyak 165 Data, Prediksi Spam dan true Ham sebanyak 0 Data, Prediksi Spam dan true Spam sebanyak 1448 Data. Berdasarkan hasil akurasi algoritma C.45 menghasilkan akurasi sebesar 96,68% dengan rincian yaitu Prediksi Ham dan true Ham sebanyak 3385 Data, Prediksi Ham dan true Spam sebanyak 166 Data, Prediksi Spam dan true Ham sebanyak 0 Data Prediksi Spam dan true Spam sebanyak 1447 Data. Berdasarkan hasil uji komparasi diperoleh hasil algoritma terbaik dengan mengukur tingkat hasil akurasi sehingga dapat diperoleh algoritma C.45 memiliki nilai sebesar 96.68% Kemudian pada penerapan model algoritma naïve bayes menjelaskan bahwa tingkat hasil akurasi dapat diperoleh dari algoritma naïve bayes dengan nilai sebesar 96.79%. bisa di artikan bahwa algoritma naïve bayes data dikategorikan sebagai pedoman pengambilan keputusan
Pengelompokan Nasabah Surety Bond menggunakan Algoritma K-Means Delisah; Nining Rahaningsih; Fadhil Muhammad Basysyar; Kaslani; Abdul Ajiz
KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer Vol. 5 No. 1 (2021): KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer
Publisher : Puslitbang Kopertip Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32485/kopertip.v5i1.145

Abstract

Surety Bond merupakan salah satu produk asuransi di PT. Jasaraharja Putera Kantor Pemasaran Cirebon, Surety Bond merupakan suatu perjanjian tertulis (perjanjian tambahan) antara Surety dan Principal untuk menjamin kepentingan Piha k ke III (obligee) bahwa Principal akan memenuhi kewajiban sesuai dengan perjanjian (perjanjian pokok) yang dibuat antara Principal dan Obligee. Asuransi merupakan proteksi atau perlindungan dari resiko kerugian dengan cara mengalihkan resiko pada pihak lain. Perusahaan asuransi memiliki banyak data dan catatan yang dapat digunakan untuk memperoleh informasi. Informasi yang diperoleh digunakan untuk pengembangan target dengan tujuan memperoleh pendapatan bagi perusahaan. Untuk itu diperlukan teknik pengelompokan produk-produk asuransi agar memudahkan perusahaan mengolah data dengan metode K-Means, penerapan metode K-Means dengan teknik clustering untuk data mining menghasilkan informasi produk asuransi. Tujuan penelitian ini untuk memudahkan pihak perusahaan asuransi dalam pengelompokan data acak nasabah surety bond dengan cara yang lebih efektif dan efesien. Metode K-Means pada penelitian ini menggunakan 150 data mengahasilkan 5 cluster dengan Nilai K optimal 5 dengan AVG -2.321 dan nilai DBI -2.383. Cluster 0 (MB) 27 data, cluster 1 (MB) 40 data, cluster 2 (MB) 59 data, cluster 3 (PB) 9 data, dan cluster 4 (BB) 15 data.
Co-Authors Basysyar, Fadhil Muhammad Delisah Fathurrohman Kaslani Nana Suarna Nining Rahaningsih Sulaeman