Claim Missing Document
Check
Articles

Found 3 Documents
Search

Optimization of Genetic Algorithm on Naïve Bayes for Classification of Bank Credit Applications: Optimasi Genetic Algorithm pada Naïve Bayes untuk Klasifikasi Pengajuan Kredit Bank Yoga Religia; Donny Maulana; Nanang Tedi
Jurnal Pelita Teknologi Vol 16 No 2 (2021): September 2021
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (157.463 KB) | DOI: 10.37366/pelitatekno.v16i2.719

Abstract

Seleksi calon nasabah yang mengajukan kredit dalam dunia perbankan merupakan hal yang sangat penting untuk diperhatikan oleh bagian marketing agar terhindar dari kredit bermasalah. Saat ini pada website www.kaggle.com telah menyediakan data South German Credit yang terdiri dari 22 atribut, 1 label dan 25976 instance yang termasuk dalam kategori data supervised learning. Berdasarkan beberapa penelitian terdahulu, algoritma Naïve Bayes dapat memberikan performa klasifikasi yang lebih baik dibandingkan algoritma klasifikasi yang lain. Beberapa penelitian juga menyebutkan bahwa penggunaan Naive Bayes dapat dioptimasi menggunakan Genetic Algorithm (GA) untuk memperoleh performa yang lebih baik. Penelitian ini bertujuan untuk membandingkan penggunaan algoritma Naive Bayes untuk klasifikasi South German Credit dengan dan tanpa optimasi GA. Proses validasi data yang digunakan pada penelitian ini adalah menggunakan split validasi membagi dataset adalah 95% data training dan 5% data testing. Hasil pengujian menunjukkan bahwa penggunaan GA pada Naive Bayes mampu meningkatkan performa klasifikasi data South German Credit dalam hal akurasi dan recall dengan nilai akurasi sebesar 85,99% Dan recall sebesar 87,91%.
Sistem Informasi Inventaris Alat Maintenance Dengan Metode Waterfall Pada Pt. Kurnia Mitra Selaras Berbasis Dekstop Christian Enggar Praswoko; Agung Nugroho; Nanang Tedi; Nani Hartati; Indra Permana
Jurnal SIGMA Vol 15 No 3 (2024): Desember 2024
Publisher : Teknik Informatika, Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37366/sigma.v15i3.6048

Abstract

Kurnia Mitra Selaras merupakan perusahaan manufaktur di bidang logistik yang menghadapi kendala dalam pengelolaan inventaris alat maintenance karena masih menggunakan sistem manual. Permasalahan yang timbul antara lain adalah kesalahan pencatatan, keterlambatan dalam pencarian data, serta penumpukan dokumen fisik. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi inventaris alat maintenance berbasis desktop dengan menggunakan metode Waterfall. Metode ini dipilih karena memiliki tahapan yang terstruktur dalam pengembangan sistem, mulai dari analisis kebutuhan hingga implementasi. Hasil dari pengembangan sistem menunjukkan bahwa sistem yang dibangun mampu mempermudah pencatatan peminjaman dan pengembalian alat, mempercepat proses pencarian data, serta menghasilkan laporan secara otomatis. Dengan demikian, sistem ini diharapkan dapat meningkatkan efisiensi dan akurasi dalam pengelolaan inventaris di perusahaan.
Pengembangan Sistem Rekomendasi Berpakaian Menggunakan Local Binary Pattern dan K-Nearest Neighbor di Program Studi Teknik Informatika Universitas Pelita Bangsa M. Najamuddin Dwi Miharja; Helmi Ahmad Fauzi Candra; Nanang Tedi
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 8 No 2 (2025): Jurnal SKANIKA Juli 2025
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v8i2.3584

Abstract

The student code of ethics governs behavior, speech, actions, appearance, and dress during their academic journey. At Pelita Bangsa University, many students tend to follow evolving fashion trends, which often conflict with the faculty's dress code that emphasizes wearing formal, collared clothing. This research addresses the issue by developing an image-based detection system to identify whether students wear formal or informal attire. The study utilizes the Local Binary Pattern (LBP) method for feature extraction and the K-Nearest Neighbor (K-NN) method for classification. A total of 130 images were tested, consisting of 70 t-shirts and 60 shirts. The best accuracy was achieved using parameters R=1 and P=8 for LBP and K=1 with Euclidean distance for K-NN, resulting in an average accuracy of 95.16%. The developed system is capable of accurately classifying images of t-shirts and shirts, demonstrating high precision and efficiency in image-based classification. These findings indicate that the application of the Local Binary Pattern (LBP) and K-Nearest Neighbor (K-NN) methods is an effective combination for detecting compliance with student dress code regulations