Nama : Mohammad
Aryo Suryo Kusumo
Npm : 53417678
Kelas : 4IA19
Jurnal 1
Judul Jurnal : Data Mining di Bidang
Pendidikan untuk Analisa Prediksi Kinerja Mahasiswa dengan Komparasi 2 Model
Klasifikasi pada STMIK Jabar.
Metode Yang
Digunakan
: CRISP-DM, Naive Bayes Classifier(NBC), Decission Tree C4.5.
Tujuan : untuk mempelajari dalam
memahami kinerja siswa dan pengaturan lingkungan di tempat siswa belajar.
Hasil &
Pembahasan
: Hasil dari implementasi data mining dengan menggunakan software Rapidminer,
dilakukan terhadap dua model algoritma klasifikasi yaitu C4.5 dan NBC kemudian
memasukan dataset sebagai bahan uji untuk kedua model tersebut yang di dalamnya
terdapat data latih dan data uji. Adapun fungsi dari data latih adalah sebagai
pembentuk model klasifikasi,sedangkan data uji memiliki fungsi sebagai
pengujian dalam mengevaluasi kualitas hasil klasifikasi dari algoritma yang
digunakan.
Kesimpulan : Berdasarkan pengujian pada
kedua model algoritma tersebut dengan menggunakan ratio data training dapat
mempengaruhi hasil dari nilai akurasi masing-masing, adapun nilai akurasi
terbaik pada model algoritma Naive Bayes Classifier (NBC) adalah 86,83% dengan
ratio data training 80%, sedangkan pada model algoritma C4.5 adalah 88,10 %
dengan ratio data training 90%. Dapat disimpulkan nilai akurasi terbaik dari
hasil komparasi kedua model algoritma diperoleh oleh model algoritma C4.5
dengan nilai akurasi 88,10%. Dan penerapan EDM diharapkan dapat dimaksimalkan
dan dikembangkan sehingga bisa memberikan kontribusi dan kemajuan di dunia
pendidikan khususnya pada bidang data mining. Untuk pengembangan Sistem
Informasi Akademik Cerdas dalam memprediksi kelulusan masa studi mahasiswa akan
menggunakan model algoritma C4.5
Jurnal 2
Judul Jurnal
: PENERAPAN
DATA MINING UNTUK ANALISIS POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA FP-GROWTH
PADA DATA TRANSAKSI PENJUALAN SPARE PART MOTOR.
Metode Yang
Digunakan : algoritma
FP-Growth, Penelitian lapangan ( Field Research ), Penelitian perpustakaan
(Library Research), Penelitian Laboraturium (Laboratory Research).
Tujuan : pengujian meggunakan algoritma
FP-Growth untuk membantu perusahaan mengetahui pola pembelian konsumen dan
transaksi penjualan spare part.
Hasil &
Pembahasan : Dalam penelitian
ini menerapkan Data Mining aturan asosiasi dengan algoritma FP-Growth dalam
menganalisa data penjualan spare part di TB-Damar untuk mendapatkan pola
pelanggaran yang terjadi.Untuk melakukan penggalian dari data transaksi
penjualan spare part, penulis menggunakan sebuah algoritma yang menjadi dasar
dari algoritma-algoritma yang lain yaitu frequent pattern growth (FP-Growth).
Kesimpulan : Hasil penjualan dari spare part motor
sport yang paling banyak terjual di TB-Damar CV.TJAHAJA BARU Padang bisa
diketahui dengan menggunakan algoritma FP-Growth. Spare part yang memenuhi
minimum support dan minimun confidence serta yang banyak terjual adalah screw
valve adjusting, oil seal, battery assy, axle, gasket cylinder, dan cable
clutch. Menerapkan metode Data Mining dengan algoritma FP-Growth kedalam
aplikasi untuk analisis pola pembelian konsumen sangat bermanfaat bagi
perusahaan tersebut, karena TB-Damar akan mengetahui spare part mana yang
banyak dibeli dan membantu dalam pemesanan spare part pada kantor pusat.
Jurnal 3
Judul Jurnal : PENERAPAN DATA MINING UNTUK PREDIKSI NILAI
TUKAR PETANI TANAMAN PANGAN DI INDONESIA DENGAN METODE LINEAR REGRESSION DAN
SUPPORT VECTOR MACHINE.
Metode Yang Digunakan : CRISP-DM (CRoss-Industry Standard Process
for Data Mining), Linear Regression, Support Vector Machine.
Tujuan : Melakukan penelitian dengan cara
memprediksi jumlah nilai NTPP dengan menggunakan metode Linear Regression dan
Support Vector Machine untuk mengukur metode yang paling akurat untuk digunakan
sebagai dasar metode prediksi NTPP di masa depan jika dibutuhkan. Hal ini juga
dilandasi karena belum adanya penelitian pengukuran akurasi prediksi NTPP untuk
membandingkan hasil prediksi metode Linear Regression dan Support Vector
Machine.
Hasil & Pembahasan : Penelitian ini memberikan
implikasi bagi institusi yaitu dalam penelitian ini adalah BPS (Badan Pusat
Statistik), antara lain :
1.
Menyediakan hasil penelitian analisa dan prediksi NTPP selain
menggunakan metode konvensional.
2.
Menerapkan metode prediksi NTPP menggunakan metode Linear Regression dan
Support Vector Machine.
3.
Menyediakan hasil laporan perbandingan antara data prediksi dan data
aktual untuk dijadikan pertimbangan dalam pengolahan data NTPP di masa depan.
Kesimpulan : Hasil penelitian memberikan kemudahan
dalam memprediksi data karena proses prediksi dilakukan dengan menggunakan
metode Linear Regression dan Support Vector Machine berdasarkan data IT, IB,
dan NTPP tahun lalu, sehingga waktu yang dibutuhkan untuk memproses data
prediksi relatif lebih singkat. Diperolehnya data testing yang paling akurat
untuk memprediksi nilai NTPP berdasarkan penelitan yang dilakukan selama 5
periode yaitu data prediksi dengan data tahun 2012 sebagai predictor untuk
metode Linear Regression dan Support Vector Machine. Penggunaan metode Linear Regression dan
Support Vector Machine untuk memprediksi nilai NTPP yang terbukti akurat dalam
menentukan nilai NTPP, Sehingga kedua metode tersebut layak dipertimbangkan
sebagai metode prediksi selain menggunakan metode konvensional. Dalam penelitan
yang dilakukan hasil dari pengukuran prediksi akurasi, diperoleh fakta bahwa
metode Support Vector Machine memiliki nilai error margin yang lebih kecil
dibanding Linear Regresssion sehingga tingkat akurasi metode tersebut lebih
cocok untuk digunakan.
Jurnal 4
Judul Jurnal : Penerapan Data Mining Dalam Mengelompokkan
Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. DKI Jakarta Dengan K-Means.
Metode Yang Digunakan : K-Means & Clustering.
Tujuan : Mempermudah Prov. DKI Jakarta dalam
mengelompokan hasil jumlah kunjungan wisatawan ke objek wisata unggulan yang
kunjungan wisatawanya paling sedikit, sehinggga Pemerintahan Prov. DKI Jakarta
dapat melakukan perbaikan sarana dan prasarana objek wisatawan unggulan yang
dapat meningkatkan jumlah kunjungan wisatawan yang berdampak pada pengenalan
objek wisata dan peningkatan devisa negara.
Hasil & Pembahasan : Hasil yang relevan dengan deteksi penyakit
jantung dan data set yang digunakan adalah hasil rekap medical check-up yang
meliputi hasil laboratorium sejumlah 300 orang yang diolah dengan tool rapid
miner dan dari data tersebut akan dibagi 75% untuk data training dan 25% untuk
data testing oleh rapid miner dengan menggunakan algoritma naive bayes berbasis
PSO.
Kesimpulan : Untuk melakukan penilaian terhadap
pengelompokan jumlah wisatawan ke objek wisata unggulan di Prov. DKI jakarta
dapat diterapkan dengan metode clustering K-Means. Data diolah untuk memperolah
jumlah wisatawan yang berkunjung ke objek wisata unggulan di Prov. DKI Jakarta.
Data tersebut diolah menggunakan Apliaksi XLSTAT. Variable yang digunakan
jumlah pengunjung. Data diolah dengan melakukan K-Means yang dikelompokkan
menjadi 3 cluster yaitu cluster tinggi (C1) yakni jumlah kunjungan wisatawan
tinggi, cluster sedang (C2) yakni jumlah kunjungan wisatawan sedang dan cluster
rendah (C3) yakni jumlah kunjungan wisatawan rendah. Centroid data C1= 15.438.488,
Centroid data C2= 4.464.577 dan Centroid data C3= 342.332. Sehingga diperoleh
hasil dari K-Means bahwa C1 terdiri dari 1 objek wisata unggulan yakni Taman
Impian Jaya Ancol, C2 terdiri dari 2 objek wisata unggulan yakni Taman Mini
Indonesia Indah Dan Kebon Binatang Ragunan, C3 terdiri dari 5 objek wisata
unggulan yakni Monumen Nasional, Museum Nasional, Museum Satria Mandala, Museum
Sejarah Jakarta Dan Pelabuhan Sunda Kelapa. Hasil dari penelitian menunjukkan
bahwa 5 objek wisata unggulan yang yang berada di cluster paling rendah menjadi
catatan bagi pemerintah Prov. DKI Jakarta. Dengan adanya perbaikan sarana dan
prasarana objek wisatawan unggulan dapat meningkatkan jumlah kunjungan
wisatawan yang berdampak pada pengenalan objek wisata dan peningkatan devisa
negara.
Jurnal 5
Judul Jurnal : Aplikasi Data Mining Untuk Menampilkan
Informasi Tingkat Kelulusan Mahasiswa.
Metode Yang Digunakan : Decission Tree, Clustering, Association
Rules
Tujuan : Untuk mengelompokan sejumlah data/obyek
kedalam cluster (group).
Hasil &
Pembahasan :
1.
Dapat
menggabungkan data yang akan diproses mining dari data kelulusan dan data induk
mahasiswa.
2.
Dapat
menghapus data-data yang tidak relevan serta atribut yang tidak dipakai
3.
Dapat
merubah data menjadi data yang siap diproses
4.
Dapat
memproses data untuk dimining meliputi :
a. Hubungan tingkat kelulusan dengan asal
sekolah
b. Hubungan tingkat kelulusan dengan asal
kabupaten
c. Hubungan tingkat kelulusan dengan jurusan
d. Dapat menampilkan hasil proses mining
dengan nilai support dan confidence
Kesimpulan : Informasi yang
ditampilkan berupa nilai support dan confidence hubungan antara tingkat
kelulusan dengan data induk mahasiswa. Semakin tinggi nilai confidence dan
support maka semakin kuat nilai hubungan antar atribut. Data induk mahasiswa
yang diproses mining meliputi data ata asal sekolah, data kabupaten mahasiswa,
data jurusan, dan data program studi. Hasil dari proses data mining ini dapat
digunakan sebagai pertimbangan dalam mengambil keputusan lebih lanjut tentang
faktor yang mempengaruhi tingkat kelulusan khususnya faktor dalam data induk
mahasiswa.
Tidak ada komentar:
Posting Komentar