Articles
10 Documents
Search results for
, issue
"Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017"
:
10 Documents
clear
<![CDATA[KOMPARASI ALGORITMA DATA MINING UNTUK KLASIFIKASI PENYAKIT KANKER PAYUDARA ]]>
<![CDATA[M. Faizal Kurniawan]]>;
<![CDATA[Ivandari Ivandari]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (544.213 KB)
|
DOI: 10.47775/ictech.v12i1.12
<![CDATA[Kanker merupakan salah satu penyakit mematikan. Pada tahun 2012 International Agency for Research of Cancer (IARC) mencatat kasus penyakit kanker sebanyak 14.067.894 jiwa dan lebih dari 8,2 juta jiwa meninggal dunia akibat penyakit kanker. Sedangkan dalam 5 tahun terakhir tercatat penderita kanker payudara merupakan yang terbanyak yaitu 19,2% dari keseluruhan kasus. Pencatatan terhadap penyakit kanker banyak dilakukan guna mengantisipasi dan menganalisa pasien sejak dini agar dapat dilakukan pencegahan. Salah satu yang dilakukan adalah dengan menggunakan teknik klasifikasi data mining. Dengan melakukan klasifikasi data mining data lampau yang sebelumnya telah dikumpulkan dapat dijadikan sebuah pengetahuan baru. Beberapa teknik klasifikasi data mining terbukti baik dan menghasilkan akurasi yang tinggi. Dalam penelitian ini akan dilakukan komparasi algoritma K-Nearest Neighbour, Naive Bayes dan Decission Tree C4.5 untuk klasifikasi penyakit kanker payudara. Penelitian ini membuktikan bahwa dari ketiga model algoritma tersebut Naive Bayes memiliki tingkat akurasi terbaik yaitu 95,85%. Sedangkan algoritma KNN memperoleh tingkat akurasi sebesar 94,70% dan Decission Tree C4.5 memperoleh tingkat akurasi sebesar 94,70%..]]>
<![CDATA[Penerapan Metode Sample Bootstrapping untuk Meningkatkan Performa kNearest Neighbor pada Dataset Berdimensi Tinggi ]]>
<![CDATA[Tri Agus Setiawan]]>;
<![CDATA[M. Adib Al Karomi]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (312.96 KB)
|
DOI: 10.47775/ictech.v12i1.13
<![CDATA[Dalam klasifikasi semakin banyak atribut yang relevan yang dipakai akan mempengaruhi hasil akurasi dari algoritma tersebut. Seleksi fitur merupakan salah satu tahapan pre processing klasifikasi dengan cara menghilangkan fitur yang tidak relevan dalam data. Proses ini juga dapat mengurangi dimensi data serta meningkatkan akurasi klasifikasi. Algoritma kNearest Neighbor (kNN) merupakan metode untuk melakukan klasifikasi terhadap objek baru berdasarkan k tetangga terdekatnya. Algoritma kNN memiliki kelebihan karena sederhana, efektif dan telah banyak digunakan pada banyak masalah klasifikasi. Pada penelitian ini penggunaan metode Sample Bootstrapping diusulkan untuk meningkatkan akurasi yang optimal pada algoritma kNN. Metode Sample Bootstrapping digunakan untuk mengurangi jumlah data training yang akan diproses. Dalam penelitian ini menggunakan dataset yang memiliki dataset dengan dimensi yang tinggi. Dari hasil penelitian, penggunaan Sample Bootstrapping dengan algoritma pada dataset credit approval akurasinya meningkat 5.4% (96.87%-91.52%) dibandingkan algoritma kNN standar. Dari hasil penelitian yang dilakukan, dapat disimpulkan bahwa penggunaan Sample Bootstrapping dengan algoritma kNN menghasilkan akurasi yang lebih baik daripada algoritma kNN standar.]]>
<![CDATA[ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI STATUS MAHASISWA MENGGUNAKAN ALGORITMA DECISION TREE (C4.5) ]]>
<![CDATA[Wachid Darmawan]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (505.136 KB)
|
DOI: 10.47775/ictech.v12i1.14
<![CDATA[Mahasiswa yang mengalami gagal studi merupakan salah satu kerugian bagi sebuah Perguruan Tinggi (PT), salah satunya tentang akreditasi. Mahasiswa gagal studi disini maksudnya mahasiswa yang tidak melakukan pembayaran biaya kuliah untuk semester berjalan atau mahasiswa non-aktif. Jika masalah mahasiswa non-aktif bisa di prediksi lebih cepat, maka pihak manajemen dapat mencegah dan mengantisipasi lebih awal agar tidak ada mahasiswa non-aktif. Dari banyaknya jumlah mahasiswa non-aktif maka perlu dianalisis lebih awal guna menemukan informasi yang berbasis pengetahuan dan bermanfaat. Oleh sebab itu diperlukan suatu cara untuk menggambarkan sekumpulan data secara ringkas. Serangkaian proses untuk mendapatkan pola atau pengetahuan dari kumpulan data disebut Data mining. Salah satu algoritma data mining adalah klasifikasi serta banyak bidang ilmu yang menerapkan teknik klasifikasi dalam ilmu data mining untuk menyelesaikan masalah. Banyak dataset yang digunakan untuk penelitian klasifikasi, salah satu algoritma klasifikasi yang digunakan adalah algoritma Pohon Keputusan (Desicion Tree). Algoritma Dessicion Tree yang digunakan untuk klasifikasi status mahasiswa adalah algoritma C4.5. Algoritma C4.5 salah satu algoritma klasifikasi populer dan mudah di pahami. Berdasarkan penelitian yang sudah dilakukan didapatkan hasil sebagai berikut: algoritma Naive Bayes menghasilkan akurasi sebesar 92,72%, sedangkan algoritma Desicion Tree (C4.5) akurasinya sebesar 93,05%.]]>
<![CDATA[INTEGRASI SAMPLE BOOTSTRAPPING PADA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI HERREGISTRASI CALON MAHASISWA BARU ]]>
<![CDATA[Eny Jumiati]]>;
<![CDATA[Muhammad Rikzam Kamal]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (502.65 KB)
|
DOI: 10.47775/ictech.v12i1.15
<![CDATA[Herregistrasi calon mahasiswa baru adalah proses pendaftaran ulang setiap calon mahasiswa baru untuk dapat mengikuti kegiatan perkuliahan, memperoleh hak-hak akademik, dan menggunakan fasilitas bagi mahasiswa sebagaimana ketentuan yang berlaku pada semester yang berjalan. Dari data pendaftaran mahasiswa baru yang dibuka setiap tahunnya didapatkan banyak calon mahasiswa baru yang mendaftar, tetapi dari data herregistrasi tidak semua calon mahasiswa baru yang sudah mendaftar melakukan herregistrasi. Data mining adalah proses menemukan pola yang menarik dari sejumlah data besar. Sebagai proses penemuan pengetahuan, biasanya melibatkan data cleaning, integrasi data, seleksi data, transformasi data, penemuan pola, dan evaluasi pola. Untuk menangani masalah pengklasifikasian data pada data herregistrasi calon mahasiswa baru dapat dilakukan dengan mengintegrasikan sample bootsrapping ke dalam k-NN (Âk-NNSB) untuk meningkatkan akurasi hasil klasifikasi. Didapatkan hasil akurasi sebesar 88.74% pada nilai variabel k-2.]]>
<![CDATA[Analisis Komparasi Algoritma Naive Bayes Dan C4-5 Untuk Waktu Kelulusan Mahasiswa ]]>
<![CDATA[Risqiati Risqiati]]>;
<![CDATA[Bambang Ismanto]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (531.302 KB)
|
DOI: 10.47775/ictech.v12i1.16
<![CDATA[STMIK Widya Pratama merupakan salah satu perguruan tinggi swasta yang ada di Pekalongan. Mahasiswa merupakan indicator maju atau tidak nya suatu institusi pendidikan. Sedikit banyaknya mahasiswa yang tidak tepat waktu kelulusannya berdampak pada akreditasi sebuah Perguruan Tinggi Swasta. Penelitian ini bertujuan untuk mengkomparasi data kelulusan mahasiswa STMIK Widya Pratama dari tahun 2011 – 2014 menggunakan dua algoritma yaitu algoritma Naïve Bayes dengan algoritma C4.5, sehingga dapat mengklasifikasi mahasiswa lulus tepat waktu dengan akurasi yang baik. Proses klasifikasinya menggunakan algoritma naïve bayes yang merupakan teknik prediksi berbasis probabilistik sederhana yang modelnya mengunakan fitur independen. Independen yang dimaksud adalah bahwa pada sebuah data tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama. Sedangkan algoritma C4.5 yang menghasilkan pohon keputusan akan bekerja dengan baik bila bias yang ada sedikit. Implementasi menggunakan Rapid Miner 5.3 digunakan untuk membantu menemukan nilai yang akurat.]]>
<![CDATA[PENENTUAN STRATEGI PROMOSI PENERIMAAN MAHASISWA BARU DENGAN ALGORITMA CLUSTERING K-MEANS ]]>
<![CDATA[Tria Titiani Chasanah]]>;
<![CDATA[Widiyono Widiyono]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (380.322 KB)
|
DOI: 10.47775/ictech.v12i1.17
<![CDATA[Penerimaan mahasiswa baru di STMIK Widya Pratama Pekalongan merupakan kegiatan setiap tahun. Setiap pelaksanaan terdapat beberapa kendala dan permasalahan. Masalah sejak tiga tahun yang lalu adalah penurunan jumlah pendaftar calon mahasiswa baru. Beberapa evaluasi dilakukan untuk meningkatkan jumlah pendaftar mahasiswa baru. Permasalahan yang lain antara lain kurangnya peminat program studi tertentu, sehinga pendaftar di program studi Akuntansi Komputer sedikit. Berdasarkan data pendaftaran siswa baru dalam penelitian ini akan dianalisa dengan metode pengelompokan / klustering menggunakan algoritma K-Means untuk mendapatkan informasi-informasi sesuai kelompok-kelompok tertentu dari data pendaftaran tahun sebelumnya. Hasil klustering akan digunakan untuk menentukan strategi promosi penerimaan mahasiswa baru STMIK Widya Pratama Pekalongan.]]>
<![CDATA[PENERAPAN DATA MINING UNTUK MENGETAHUI POLA TRANSAKSI PEMINJAMAN BUKU DENGAN METODE DESKRIPSI ]]>
<![CDATA[Arief Soma Darmawan]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (658.045 KB)
|
DOI: 10.47775/ictech.v12i1.25
<![CDATA[STMIK Widya Pratama Pekalongan mempunyai 2063 koleksi buku, 66 koleksi jurnal, 7 proceding. Setiap anggota yang akan melakukan proses peminjaman harus mempunyai kartu anggota, dan terdaftar sebagai mahasiswa yang aktif. Anggota perpustakaan dapat meminjam buku lebih dari 1 buku, dengan batas waktu peminjaman adalah 1 minggu. Dari banyaknya jumlah transaksi maka perlu adanya analisis transaksi peminjaman guna menemukan informasi yang berbasis pengetahuan yang bermanfaat. Untuk menggambarkan data secara ringkas dibutuhkan sebuah metode deskripsi. Metode deskripsi digunakan untuk menggambarkan pola kecenderungan yang ada data adalah. Dengan informasi yang berupa ringkas dapat mempermudah manajemen untuk melakukan pengambilan keputusan terkait dengan ketesediaan buku, dan melihat pola peminjaman buku yang sering dipinjam oleh mahasiswa. Tahapan penelitian: Precise statement of the problem, initial exploration, model building and validation, deployment. Kesimpulan yang didapt bahwa proses peminjaman terjadi paling banyak pada bulan maret hingga mei dan bulan oktober hingga desember.]]>
<![CDATA[Pemanfaatan Multimedia sebagai Media Pembelajaran Matematika Untuk Anak SD Kelas 3 Berbasis Animasi 2D ]]>
<![CDATA[Much. Rifqi Maulana]]>;
<![CDATA[Christian Yulianto Rusli]]>;
<![CDATA[Ristiyanah Ristiyanah]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (606.567 KB)
|
DOI: 10.47775/ictech.v12i1.26
<![CDATA[Dalam dunia pendidikan proses pembelajaran sering kali dihadapkan pada materi yang abstrak dan diluar pengalaman siswa sehari-hari sehingga pemahaman siswa terhadap materi yang diberikan akan menjadi lemah dan menyebabkan siswa tidak berkembang. Matematika merupakan salah satu cabang ilmu yang mana dapat dikatakan juga sebagai dasarnya ilmu karena didalamnya mengandung ilmu logika. Di SD Muhammadiyah 02 Comal sendiri, pelajaran matematika merupakan pelajaran yang cukup disukai oleh siswa-siswinya terutama untuk siswa kelas 3, namun kebanyakan mereka kurang berminat untuk mendalami pelajaran ini karena cukup sulit untuk dipahami. Kesulitan yang dialami guru dalam menerangkan materi matematika dengan metode kovensional juga menjadi salah satu kendala sehingga siswa menjadi sulit untuk memahami materi yang disampaikan. Pemanfaatan Multimedia sebagai Media Pembelajaran Matematika Berbasis Animasi 2D dapat memudahkan guru dalam menyampaikan materi dan meningkatkan minat siswa terhadap pelajaran matematika. Hal ini dibuktikan dengan menggunakan uji user, 75% dari 20 responden menyatakan bahwa dengan memanfaatkan multimedia sebagai Media Pembelajaran Matematika Berbasis Animasi 2D dapat lebih memudahkan siswa dalam memahami materi pelajaran matematika.]]>
<![CDATA[EFEKTIVITAS ARSITEKTUR APLIKASI JAVA GUI SWING DENGAN METODE MODEL-VIEW-CONTROLLER ]]>
<![CDATA[Arochman Arochman]]>;
<![CDATA[Tory Ariyanto]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (358.176 KB)
|
DOI: 10.47775/ictech.v12i1.27
<![CDATA[Java merupakan bahasa pemrograman yang matang. Java menyediakan fitur komponen Swing yang memuat semua kelas-kelas yang dibutuhkan untuk membuat aplikasi berbasis GUI. Penggunaan Swing pada pengembangan aplikasi berbasis GUI memberikan kemudahan. Akan tetapi, dalam arsitektur aplikasi memiliki kode yang sangat “kotor†dan kurang efektif. Di mana kode yang berisi pengendalian terhadap event komponen Swing bercampur dengan kode yang berisi aturan bisnis dan kode yang berisi manipulasi terhadap data (Bima, 2011). Pada tahun 1970-an Trygve Reenkaug memunculkan ide untuk memisahkan proses logika aplikasi dengan antarmuka pada aplikasi web. Dari ide tersebut munculah sebuah pattern Model-View-Controller atau yang dikenal dengan metode MVC. Sebuah metode yang mampu memudahkan dalam pengembangan dan perubahan antar muka aplikasi web. Berdasarkan permasalahan yang serupa pada arsitektur Java GUI Swing akan digunakan metode MVC untuk meningkatkan efektifitas arsitektur Java GUI Swing.]]>
<![CDATA[PEMBOBOTAN KRITERIA PEMILIHAN WEB JUAL BELI DENGAN MENGGUNAKAN METODE FUZZY AHP ]]>
<![CDATA[Nur Ika Royanti]]>;
<![CDATA[Era Yunianto]]>
<![CDATA[ IC-Tech Vol 12 No 1 (2017): IC-Tech Volume XII No.1 April 2017 ]]>
Publisher : <![CDATA[STMIK WIDYA PRATAMA ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (585.173 KB)
|
DOI: 10.47775/ictech.v12i1.28
<![CDATA[Peranan website sangatlah penting dalam kegiatan bisnis e-commerce. Kualitas website e-commerce dapat berpengaruh pada banyaknya pelanggan yang memutuskan untuk berbelanja pada e-commerce tersebut. Kualitas web diukur oleh pengguna dengan didasari oleh pengukuran kualitas website menggunakan webqual 4.0. Untuk pengukuran kualitas web dengan banyak kriteria yang bersifat subjektif, seringkali seorang pengambil keputusan dihadapkan pada suatu permasalahan yang sulit dalam penentuan bobot setiap kriteria. Untuk menangani kelemahan ini diperlukan suatu metode yang lebih memperhatikan keberadaan kriteria-kriteria yang bersifat subjektif tersebut. Salah satu metode pendekatan yang sering dipakai adalah konsep fuzzy. Konsep fuzzy yang dipakai dalam pengembangan ini adalah model Fuzzy AHP. Dalam Penelitian ini akan melakukan pembobotan kreteria pemilihan web jual beli berdasarkan kualitas web. Dalam pengumpulan data menggunakan teknik kuesioner yang dibagikan responden yang pernah menggunakan web jual beli. Dari hasil penelitian, information quality memiliki bobot prioritas yang paling besar dalam pemilihan web jual beli yaitu 34%, sedangkan system quality sebesar 28%, service quality sebesar 25% dan yang terakhir vendor-spesific quality sebesar 13%. Hasil penelitian ini diharapkan menjadi bahan rekomendasi bagi pedagang dan pembeli dalam memilih web jual dan rekomendasi bagi pihak pengembangan web jual beli online.]]>
