Article Per Year (5 Year)
p-Index From 2020 - 2025
5.031
P-Index
This Author published in this journals
All Journal Journal of Intelligent Systems Jurnal Pilar Nusa Mandiri Information System for Educators and Professionals : Journal of Information System Information Management For Educators And Professionals (IMBI) Jurnal Teknik Informatika STMIK Antar Bangsa JITK (Jurnal Ilmu Pengetahuan dan Komputer) Techno Nusa Mandiri : Journal of Computing and Information Technology Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Riset Informatika Budimas : Jurnal Pengabdian Masyarakat Jurnal Infortech International Journal Of Science, Technology & Management (IJSTM) Jurnal Sistem Informasi Jurnal AbdiMas Nusa Mandiri Algoritme Jurnal Mahasiswa Teknik Informatika INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System Jurnal Pengabdian Kreatif Cemerlang Indonesia AMMA : Jurnal Pengabdian Masyarakat Jurnal Abdimastek (Pengabdian Masyarakat Berbasis Teknologi) Prawara Jurnal Pengabdian Masyarakat
Tyas Setiyorini
Universitas Nusa Mandiri
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Neuroscience Nursing Physics Public Health Social Sciences Transportation Other

Published : 39 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 39 Documents
Search

 1   2   3   4 
Penerapan Metode Bagging untuk Mengurangi Data Noise pada Neural Network untuk Estimasi Kuat Tekan Beton Setiyorini, Tyas; Wahono, Romi Satria
Journal of Intelligent Systems Vol 1, No 1 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (794.776 KB)

Abstract

Beton adalah bahan yang diolah yang terdiri dari semen, agregat kasar, agregat halus, air dan bahan tambahan lainnya. Kuat tekan beton sangat bergantung pada karakteristik dan komposisi bahan-bahan pembentuk beton. Metode neural network memiliki kinerja yang baik dalam mengatasi masalah data nonlinear, namun neural network memiliki keterbatasan dalam mengatasi data noise yang tinggi. Untuk menyelesaikan masalah tersebut diperlukan metode bagging untuk mengurangi data noise pada metode neural network. Beberapa eksperimen dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan estimasi yang akurat. Hasil eksperiman dari delapan kombinasi parameter penelitian pada dataset concrete compressive strength dengan neural network didapatkan nilai rata-rata RMSE adalah 0,069 dan nilai RMSE terkecil adalah 0,057, sedangkan dengan menggunakan neural network dan bagging didapatkan nilai rata-rata RMSE adalah 0,062 dan nilai RMSE terkecil adalah 0,055. Hasil eksperimen dari delapan kombinasi parameter penelitian pada dataset slump dengan neural network didapatkan nilai rata-rata RMSE adalah 0,020 dan nilai RMSE terkecil adalah 0,011 sedangkan dengan neural network dan bagging didapatkan nilai rata-rata RMSE adalah 0,016 dan nilai RMSE terkecil adalah 0,010. Maka dapat disimpulkan estimasi kuat tekan beton dengan menggunakan metode bagging dan neural network lebih akurat dibanding dengan metode individual neural network.
Penerapan Information Gain pada K-Nearest Neighbor untuk Klasifikasi Tingkat Kognitif Soal pada Taksonomi Bloom Setiyorini, Tyas
Jurnal Sistem Informasi Vol 6 No 1 (2017)
Publisher : STMIK ANTAR BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (606.89 KB)

Abstract

Abstract— Bloom's Taxonomy is a classification system that is used to define and distinguish the level of cognition (thinking, learning, and understanding) human diverse. The initial purpose in making taxonomy is focusing on three main domains of learning, which is cognitive, affective, and psychomotor. Nowadays, academics identify cognitive levels of Bloom of a question manually. However, only few academics that can be identify the cognitive level correctly, so most of them made a mistake to categorize questions. K-Nearest Neighbor (KNN) is a simple but effective method for categorization cognitive level questions on the Bloom's Taxonomy, however KNN has high dimention of text vector. In order to resolve these problems, the Information Gain (IG) method is needed to reduce dimention of text vector. Several experiments were conducted to obtain optimal architecture and produce an accurate classification. The results of 10 experiments on the Question Bank dataset with KNN obtained the biggest accuracy is 59,87% and the biggest kappa is 0,496. Then on KNN + IG obtained the biggest accuracy is 66,18% and the biggest kappa is 0,574 It can be concluded that the classification level cognitive questions on Bloom's taxonomy using KNN + IG method is more accurate than the KNN method only.Intisari— Taksonomi Bloom merupakan sistem klasifikasi yang digunakan untuk mendefinisikan dan membedakan tingkat kognisi (berpikir, belajar, dan memahami) manusia yang berbeda-beda. Tujuan awal dalam pembuatan taksonomi adalah memfokuskan pada tiga domain utama dari pembelajaran, yaitu kognitif, afektif, dan psikomotorik. Saat ini, kalangan akademisi mengidentifikasi tingkat kognitif Bloom sebuah pertanyaan secara manual. Namun, hanya sedikit akademisi yang dapat mengidentifikasi tingkat kognitif dengan benar, sehingga sebagian besar melakukan kesalahan mengkategorisasikan pertanyaan. K-Nearest Neighbor (KNN) merupakan metode sederhana namun efektif untuk kategorisasi tingkat kognitif soal pada taksonomi Bloom, namun KNN memiliki dimensi vektor yang besar. Untuk menyelesaikan masalah tersebut diperlukan metode Information Gain (IG) untuk mengurangi dimensi vektor teks. Beberapa eksperimen dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan klasifikasi yang akurat. Hasil dari 10 eksperimen pada dataset Question Bank dengan KNN didapatkan akurasi terbesar adalah 59,97% dan kappa terbesar adalah 0,496. Kemudian pada KNN+IG didapatkan akurasi terbesar adalah 66,18% dan kappa terbesar adalah 0,574. Maka dapat disimpulkan klasifikasi tingkat kognitif soal pada taksonomi Bloom dengan menggunakan metode KNN+IG lebih akurat dibanding dengan metode KNN saja.Kata Kunci — Klasifikasi, Taksonomi Bloom, K-Nearest Neighboor, Information Gain
Estimasi Tingkat Kebisingan pada Airfoil dengan Penerapan Metode Neural Network dan Bagging Setiyorini, Tyas
Jurnal Teknik Informatika Vol. 3 No. 2 (2017): JTI Periode Agustus 2017
Publisher : LPPM STMIK ANTAR BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51998/jti.v3i2.134

Abstract

Noise on aircraft, especially unmanned aircraft becomes the problem that became the concentration of research from year to year. Noise is an unwanted noise, as it causes disruption to human comfort and health. Most of the noise on the plane comes from the propeller system of the lifter, rotor, and engine. In general, one of the parameters that affect the noise caused by the propeller is the basic geometry of the propeller-forming airfoil. Airfoil datasets have non-linear properties. The high variance in the airfoil dataset also shows high noise. Neural network method has good performance in overcoming nonlinear data problem, but neural network has weakness in overcoming high noise data. To solve the problem a bagging method is needed to reduce the high noise indicated by the high variance on the airfoil dataset. Several experiments were conducted to obtain optimal architecture and produce accurate estimates. The experimental results of the 8 combinations of research parameters on the airfoil dataset with the neural network obtained the smallest RMSE value was 2.071, while using neural network and bagging obtained the smallest RMSE value was 1.718. It can be concluded that the estimated noise level in airfoil using bagging and neural network method is more accurate than the individual neural network method.  Intisari—Sebagian besar kebisingan pada pesawat berasal dari sistem propeller pengangkat, rotor, dan mesin. Secara umum, salah satu parameter yang mempengaruhi kebisingan yang disebabkan oleh propeller adalah geometri dasar pembentuk propeller yaitu airfoil. Dataset airfoil memiliki sifat non linear. Varians yang tinggi pada dataset airfoil juga menunjukkan tingginya noise. Metode neural network memiliki kinerja yang baik dalam mengatasi masalah data nonlinear, namun neural network memiliki kelemahan dalam mengatasi data noise yang tinggi. Untuk menyelesaikan masalah tersebut diperlukan metode bagging untuk mengurangi tingginya noise yang ditunjukkan dari varians yang tinggi pada dataset airfoil. Beberapa eksperimen dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan estimasi yang akurat. Hasil eksperiman dari 8 kombinasi parameter penelitian pada dataset airfoil dengan neural network didapatkan nilai RMSE terkecil adalah 2.071, sedangkan dengan menggunakan neural network dan bagging didapatkan nilai RMSE terkecil adalah 1.718. Maka dapat disimpulkan estimasi tingkat kebisingan pada airfoil dengan menggunakan metode bagging dan neural network lebih akurat dibanding dengan metode individual neural network.   Kata Kunci— Estimasi, Tingkat kebisingan Airfoil, Neural
Estimasi Tingkat Kebisingan pada Airfoil dengan Penerapan Metode Neural Network dan Bagging Setiyorini, Tyas
Jurnal Teknik Informatika Vol 3 No 2 (2017): JTI Periode Agustus 2017
Publisher : LPPM STMIK ANTAR BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51998/jti.v3i2.134

Abstract

Noise on aircraft, especially unmanned aircraft becomes the problem that became the concentration of research from year to year. Noise is an unwanted noise, as it causes disruption to human comfort and health. Most of the noise on the plane comes from the propeller system of the lifter, rotor, and engine. In general, one of the parameters that affect the noise caused by the propeller is the basic geometry of the propeller-forming airfoil. Airfoil datasets have non-linear properties. The high variance in the airfoil dataset also shows high noise. Neural network method has good performance in overcoming nonlinear data problem, but neural network has weakness in overcoming high noise data. To solve the problem a bagging method is needed to reduce the high noise indicated by the high variance on the airfoil dataset. Several experiments were conducted to obtain optimal architecture and produce accurate estimates. The experimental results of the 8 combinations of research parameters on the airfoil dataset with the neural network obtained the smallest RMSE value was 2.071, while using neural network and bagging obtained the smallest RMSE value was 1.718. It can be concluded that the estimated noise level in airfoil using bagging and neural network method is more accurate than the individual neural network method.  Intisari—Sebagian besar kebisingan pada pesawat berasal dari sistem propeller pengangkat, rotor, dan mesin. Secara umum, salah satu parameter yang mempengaruhi kebisingan yang disebabkan oleh propeller adalah geometri dasar pembentuk propeller yaitu airfoil. Dataset airfoil memiliki sifat non linear. Varians yang tinggi pada dataset airfoil juga menunjukkan tingginya noise. Metode neural network memiliki kinerja yang baik dalam mengatasi masalah data nonlinear, namun neural network memiliki kelemahan dalam mengatasi data noise yang tinggi. Untuk menyelesaikan masalah tersebut diperlukan metode bagging untuk mengurangi tingginya noise yang ditunjukkan dari varians yang tinggi pada dataset airfoil. Beberapa eksperimen dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan estimasi yang akurat. Hasil eksperiman dari 8 kombinasi parameter penelitian pada dataset airfoil dengan neural network didapatkan nilai RMSE terkecil adalah 2.071, sedangkan dengan menggunakan neural network dan bagging didapatkan nilai RMSE terkecil adalah 1.718. Maka dapat disimpulkan estimasi tingkat kebisingan pada airfoil dengan menggunakan metode bagging dan neural network lebih akurat dibanding dengan metode individual neural network.   Kata Kunci— Estimasi, Tingkat kebisingan Airfoil, Neural
Implementasi Microsoft Publisher Dalam Peringatan Hari Besar Islam Pada Ikatan Remaja Masjid Al Muttaqin Pondok Jagung Tyas Setiyorini; Maryanah Safitri; Fitra Septia Nugraha; Siti Nurdiani
Jurnal AbdiMas Nusa Mandiri Vol 2 No 1 (2020): Periode April 2020
Publisher : LPPM Universitas Nusa Mandiri

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

Abstract

Sejak berdirinya Masjid Al Muttaqin mempunyai Ikatan Remaja Al Muttaqin yang berdiri pada tanggal 17 November 1984. Saat ini mereka memiliki anggota sebanyak 50 orang. Dalam kegiatan-kegiatan tersebut tentunya tidak lepas dari pemasangan spanduk yang menggambarkan tema dari kegiatan yang mereka laksanakan. Spanduk-spanduk tersebut tentunya tidak dibuat sembarangan. Spanduk yang informatif, menarik dan kreatif sangat dibutuhkan untuk menunjang kegiatan mereka. Spanduk yang menarik dapat mengundang peserta atau pihak-pihak terkait untuk lebih antusias untuk ikut serta dalam kegiatan tersebut. Namun permasalahan yang terjadi mereka hanya mengandalkan pihak luar untuk membuat spanduk, dengan keterbatasan kreatifitas dan dana yang mereka miliki. Dalam mengatasi permasalahan tersebut mereka dapat memanfaatkan teknologi dengan menerapkan aplikasi Publisher. Tujuan dari adanya pelatihan ini mengembangkan kemampuan dan kreatifitas mereka dalam menerapkan aplikasi Microsoft Publisher.
Kemudahan Dan Kegunaan Layanan E-Wallet Berdasarkan Model TAM Dan IPA Kudiantoro Widianto; Tyas Setiyorini; Angga Subrata
INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System Vol 5 No 2 (2021): INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS (Juni 2021)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51211/isbi.v5i2.1494

Abstract

Abstrak: Dengan adanyan perkembangan teknologi informasi masa sekarang yang memaksakan semua lapisan masyarakat mengikutinya diantaranya pengguna dompet digital atau dalam istilah sekarang disebut e-wallet. E-wallet adalah salah satu jenis pembayaran elektronik. Di Indonesia, ada begitu banyak produk e-wallet, yang dikeluarkan oleh bank dan sektor swasta dalam bentuk suatu aplikasi. Suatu apalikasi diterima oleh masyarakat dapat dilihat dari sisi kegunaan dan kemudahannya. Pengujian kegunaan dan kemudahan aplikasi dapat dilakukan dengan menggunakannya pendekatan Technology Acceptance Model (TAM) dan Importance Performance Analysis (IPA) dengan menggunakan kuesioner yang sebarkan kepada sample yang sudah ditentukan terlebih dahulu. Dalam penelitian ini peneliti ingin mengetahui dan mengukur sejauh mana kegunaan dan kemudahan layanan e-wallet GoPay sampai saat dilakukannya penelitian ini. Hasil pengujian pada uji validitas semua instrumen penelitian menyatakan rhitung lebih besar dari nilai rtabel maka dapat disimpulkan bahwa penelitian ini dapat dilanjutkan. Dimana nilai rtabel didapat dari : pengujian validitas terlebih dahulu ditentukan taraf nyata (α) yaitu 5% atau 0,05 dan statistik uji yang digunakan adalah (rho-Spearman), Nilai kritis = nilai tabel dimana n = 93. rtabel = rα;(n-2) = r0,05;(91) = 0,206. Berdasarkan hasil penelitan bahwa secara umum pengguna kualitas e-wallet GoPay belum merasa puas terhadap kualitas aplikasi yang ada saat ini, dapat dilihat bahwa nilai pada kolom tersebut dominan bernilai negative (seperti Dengan E-wallet Go-Pay membantu meningkatkan produktivitas saya dengan skor kepuasan -0,1075, Secara umum E-wallet Go-Pay berguna untuk saya dengan skor kepuasan -0,0323). Kata Kunci: Layanan E-Wallet, Model TAM, IPA Abstract: With the development of today's information technology that forces all levels of society to follow it, including digital wallet users or in today's terms it is called e-wallet. E-wallet is a type of electronic payment. In Indonesia, there are so many e-wallet products, issued by banks and the private sector in the form of an application. An application that is accepted by the community can be seen in terms of its usefulness and convenience. Testing the usability and ease of application can be done by using the Technology Acceptance Model (TAM) and Importance Performance Analysis (IPA) approaches by using a questionnaire that is distributed to a predetermined sample. In this study, the researcher wanted to know and measure the usefulness and convenience of GoPay's e-wallet service until the time of this research. The test results on the validity of all research instruments state that rcount is greater than the value of rtable, so it can be concluded that this research can be continued. Where the rtable value is obtained from: the validity test is first determined by the significance level (α) which is 5% or 0.05 and the test statistic used is (rho-Spearman), critical value = table value where n = 93. rtable = rα;( n-2) = r0.05;(91) = 0.206. Based on research results that in general GoPay e-wallet quality users are not satisfied with the quality of the current application, it can be seen that the value in this column is dominantly negative (such as Go-Pay E-wallet helps increase my productivity with a satisfaction score of - 0.1075, In general Go-Pay E-wallet is useful for me with a satisfaction score of -0.0233). Keywords: E-Wallet Service, TAM Model, IPA
Sistem Informasi Penjualan Makanan Dan Minuman Di Wejie Kopi Berbasis Web Rismaniah Rismaniah; Kudiantoro Widianto; Tyas Setiyorini
INFORMATION MANAGEMENT FOR EDUCATORS AND PROFESSIONALS : Journal of Information Management Vol 5 No 1 (2020): INFORMATION MANAGEMENT FOR EDUCATORS AND PROFESSIONALS (Desember 2020)
Publisher : Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51211/imbi.v5i1.1402

Abstract

Abstrak: Wejie Kopi adalah sebuah usaha di bidang kuliner yang terletak di Kalisari, Jakarta Timur tempat bersantai yang cocok untuk kalangan anak muda. Sistem order secara manual pada suatu restoran atau kafe dapat menimbulkan beberapa masalah. Masalah pada Wejie Kopi yakni sering terjadinya customer menunggu terlalu lama umtuk mendapatkan menu pemesanan karena harus menunggu pelayan memberikan menu pemesanan. Maka didalam menyelesaikan masalah tersebut diusulkan dalam merancang sebuah sistem dimana dalam pemesanan menu dilakukan oleh customer menggunakan web dimaksudkan agar customer dapat langsung melihat menu pada sebuah restoran. Dalam perancangan web menggunakan Metode Waterfall dan menggunakan pemrograman PHP serta format database MySql. Dengan perancangan sistem ini diharapkan perusahaan akan memperoleh beberapa kemudahan dalam proses transaksi yang ada di Wejie Kopi. Kata kunci: penjualan makanan dan minuman, PHP, mysql, waterfall Abstract: Abstract: Wejie Kopi is a culinary business located in Kalisari, East Jakarta, a place to relax which is suitable for young people. The manual ordering system for a restaurant or cafe can cause some problems. The problem with Wejie Kopi is that customers often wait too long to get an order menu because they have to wait for the waiter to give the order menu. So in solving this problem it is proposed to design a system where the menu ordering is done by the customer using the web so that the customer can immediately see the menu at a restaurant. In web design using the Waterfall method and using PHP programming and MySql database format. By designing this system, it is hoped that the company will find several facilities in the transaction process at Wejie Kopi. Keywords: food and beverage sales, PHP, mysql, waterfall.
VILLAGE GROUPING BASED ON THE NUMBER OF HEALTH FACILITIES IN WEST JAVA USING K-MEANS CLUSTERING ALGORITHM Frieyadie Frieyadie; Anggie Andriansyah; Tyas Setiyorini
Jurnal Riset Informatika Vol 4 No 1 (2021): Period of December 2021
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (858.962 KB) | DOI: 10.34288/jri.v4i1.300

Abstract

Health is very important for the welfare and development of the Indonesian nation because as a capital for the implementation of national development, it is essentially the development of all Indonesian people and the development of all Indonesian people. Due to the outbreak of the Covid-19 virus, many health facilities must be provided for patients. Of course, the government must pay attention to the health facilities that can be used in every district/city in West Java in the future. Therefore, to determine the level of availability of sanitation facilities in each district/city in West Java, we need a technology that can classify data correctly. One method of data processing in data mining is clustering. The application of clustering to this problem can use the K-Means algorithm method to group the most frequently used data. The purpose of this study is to classify sanitation data on the highest sanitation facilities, medium sanitation facilities, and low sanitation facilities, so that areas/cities that are included in the low cluster will receive more attention from the government to improve/provide sanitation facilities.
PENERAPAN METODE K-NEAREST NEIGHBOR DAN INFORMATION GAIN PADA KLASIFIKASI KINERJA SISWA Tyas Setiyorini; Rizky Tri Asmono
JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer) Vol 5 No 1 (2019): JITK Issue August 2019
Publisher : LPPM Nusa Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1249.697 KB) | DOI: 10.33480/jitk.v5i1.613

Abstract

Education is a very important problem in the development of a country. One way to reach the level of quality of education is to predict student academic performance. The method used is still using an ineffective way because evaluation is based solely on the educator's assessment of information on the progress of student learning. Information on the progress of student learning is not enough to form indicators in evaluating student performance and helping students and educators to make improvements in learning and teaching. K-Nearest Neighbor is an effective method for classifying student performance, but K-Nearest Neighbor has problems in terms of large vector dimensions. This study aims to predict the academic performance of students using the K-Nearest Neighbor algorithm with the Information Gain feature selection method to reduce vector dimensions. Several experiments were conducted to obtain an optimal architecture and produce accurate classifications. The results of 10 experiments with k values ​​(1 to 10) in the student performance dataset with the K-Nearest Neighbor method showed the largest average accuracy of 74.068 while the K-Nearest Neighbor and Information Gain methods obtained the highest average accuracy of 76.553. From the results of these tests it can be concluded that Information Gain can reduce vector dimensions, so that the application of K-Nearest Neighbor and Information Gain can improve the accuracy of the classification of student performance better than using the K-Nearest Neighbor method.
KOMPARASI METODE DECISION TREE, NAIVE BAYES DAN K-NEAREST NEIGHBOR PADA KLASIFIKASI KINERJA SISWA Tyas Setiyorini; Rizky Tri Asmono
Jurnal Techno Nusa Mandiri Vol 15 No 2 (2018): Techno Nusa Mandiri : Journal of Computing and Information Technology Periode Se
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (942.371 KB) | DOI: 10.33480/techno.v15i2.16

Abstract

In education, student performance is an important part. To achieve good and quality student performance requires analysis or evaluation offactors that influence student performance. The method still using an evaluation based only on the educator's assessment of information on theprogress of student learning. This method is not effective because information such as student learning progress is not enough to form indicators in evaluating student performance and helping students and educators to make improvements in learning and teaching. Previous studies have been conducted but it is not yet known which method is best in classifying student performance. In this study, the Decision Tree, Naive Bayes and K-Nearest Neighbor methods were compared using student performance datasets. By using the Decision Tree method, the accuracy is 78.85, using the Naive Bayes method, the accuracy is 77.69 and by using the K-Nearest Neighbor method, the accuracy is79.31. After comparison the results show, by using the K-Nearest Neighbor method, the highest accuracy is obtained. It concluded that the KNearest Neighbor method had better performance than the Decision Tree and Naive Bayes methods
Co-Authors Achmad Rifai ACHMAD RIFAI Aditiya Yoga Pratama Albert Riyandi Alengka, Son Gohan Angga Subrata Anggie Andriansyah Dedi Saputra Fitra Septia Nugraha Frieyadie Frieyadie Frieyadie Harsih Rianto Ibnu Alfarobi Ibnu Rusdi Istiyanto, Ilham Jordy Lasmana Putra Kudiantoro Widianto Kudiantoro Widianto, Kudiantoro Maryanah Safitri Maryanah Safitri Muhamad Ryansyah Nofarenzi, Yosari Nur Mutia Eka Pusparani Nurajijah Rismaniah Rismaniah Rizky Tri Asmono Rizky Tri Asmono Rizky Tri Asmono Rizky Tri Asmono Rizky Tri Asmono Romi Satria Wahono Sita Anggraeni Sita Anggraeni Sita Anggraeni, Sita Siti Nurdiani Solehudin, Rizki Sri Syaifur Rahmatullah Syaifur Rahmatullah, Syaifur