Klasifikasi Hero DOTA 2
Daftar Kelompok Fahmi Husaeni
14-044 6D
Mochamad Yusuf Khaidir
14-059 6C
Niko Hadi Pantoro
14-058 6C
Mochammad Luthfi Santosa
14-040 6D
Muhammad Zainur Ramdhan
14-061 6C
Muhamad Fikri Fadillah
14-047 6D
ANALISIS SKILL DAN ABILITY KARAKTER PADA GAME ONLINE DOTA2 ESPORT Kelvin Tungari, Nurdin Nurdin, Dewi Kusumawati Ilmu Komputer Stmik Bina Mulia Palu Jurnal Elektronik Sistem Informasi Dan Komputer VOL 1 No.2 Juli-Desember 2015
Fahmi husaeni
14-044
Latar Belakang Tingkat Kesulitan DoTA 2
Peminat permainan DoTA2
Tujuan Penelitian
Data
Metode Bersifat deskriptif
menggambarkan fenomena-fenomena yang ada
saat ini atau saat yang lampau.
disajikan dalam bentuk deskriptif analitis.
HasiL Penelitian Abaddon dapat menjadi tanker atau semi carry yang cukup bagus.
Anti Mage, adalah magic killer karena semua skill yang dia miliki merupakan anti magic. Axe adalah seorang initiator war sejati, dengan skill bersekers call.
Lina merupakan hero carry atau semi carry, yang sangat berguna dalam single kill. Crystal Maiden adalah seorang support sejati.
Kesimpulan Pemula yang akan memainkan game ini, dapat memahami kegunaan skill dan ability dari masing masing karakter.
KLASIFIKASI JENIS-JENIS BISNIS E-COMMERCE DI INDONESIA Mahir Pradana Universitas Telkom Bandung Jurnal Neo-bis Volume 9, No. 2, Des 2015
Mochamad Yusuf Khaidir (1441177004059)
Latar Belakang
Pentingnya internet
Peran internet untuk keperluan bisnis
Tujuan Penelitian Agar hasil klasifikasi e-commerce dapat digunakan untuk menjelaskan fenomena e-commerce yang sedang ramai di Indonesia.
Data yang digunakan jenis -jenis interaksi antara pelaku bisnis
Metode yang digunakan Klasifikasi yang berdasarkan karakteristik interaksi dalam dunia bisnis
Hasil dan Pembahasan Klasifikasi bisnis e-commerce : Listing / iklan baris
Online marketplace
Shopping Mall
Toko Online
Toko Online di media sosial
Jenis website crwodsourcing dan crowdfunding
Kesimpulan Penelitian dalam jurnal ini untuk memberi gambaran terhadap masyarakat mengenai pengklasifikasian bisnis berdasarkan karakteristik interaksi di dunia bisnis.
Klasifikasi Kendaraan Roda Empat Berbasis Knn Ahmad Nouvel, AMIK BSI Purwokerto Jurnal Bianglala Informatika Vol 3 No 2 September 2015
MOCHAMMAD LUTHFI SANTOSA 14-040 D
Latar Belakang Memilih kendaraan yang terbaik dan teraman merupakan hal yang sangat penting, mobil adalah salah satu kendaraan yang memiliki tingkat keamanan yang memadai dibanding roda dua. Pengembangan mobil sampai sekarang ini semakin bersaing, oleh karena itu perlu konsumen mengetahui mana mobil yang masuk dalam kategori mobil yang paling baik. Sistem pendukung keputusan yang tepat perlu kiranya ada suatu pendekatan ilmiah yang digunakan untuk memilih mobil yang ditawarkan Penelitian ini menggunakan pendekatan klasifikasi data mining dengan metode KNN, yang diaplikasikan untuk user memakai program Matlab. Sehingga nanti dari hasil metode KNN dapat menyimpulkan mobil.
Tujuan Penelitian Untuk klasifikasi mobil terbaik tidak mudah, karena pilihan yang lain memiliki kelebihan dan kekurangan masing-masing. Makalah ini membahas keputusan untuk memilih alternatif mobil terbaik. Selama ini kemungkinan besar pilihan lebih banyak ditentukan oleh intuisi dan subyektifitas dari pengambil keputusan, yang cenderung bias mempertimbangkan keterbatsan kognitif manusia. Untuk mengatasi masalah ini penulis menggunakan K Tetangga terdekat (KNN) yang dibuktikan dengan alat weka, dan diaplikasikan menggunakan matlab.
Data yang digunakan Mobil Dalam Peraturan Pemerintah Republik Indonesia Nomor 44 Tahun 1993: Kendaraan bermotor adalah setiap kendaraan yang digerakkan oleh peralatan mekanik berupa mesin selain kendaraan yang berjalan di atas rel. Mobil penumpang adalah kendaraan bermotor beroda empat yang dilengkapi sebanyak-banyaknya 8 (delapan) tempat duduk, tidak termasuk tempat duduk pengemudi, baik dengan maupun tanpa perlengkapan pengangkutan bagasi.
Data Mining Untuk menghasilkan informasi dan pengetahuan yang berguna dari suatu basis data yang besar diperlukan proses penggalian data yang disebut data mining sehingga ditemukan pola-pola dan relasi yang tersembunyi dalam sejumlah data yang besar tersebut dengan tujuan melakukan klasifikasi, estimasi, prediksi, asosiasi, deskripsi dan visualisasi (Han danKamber, 2001).
KNN Dasar Algoritma K Nearest Neaghbour (Brammer,2007): ·
Temukan pelatihan yang paling dekat dengan data yang tidak diketahu class-nya.
·
Ambil yang paling sering terjadi untuk klasifikasi dari sebanyak k pelatihan.
Metode yang diterapkan ●
Merancang sebuah sistem klasifikasi.
●
Algoritma K-Nearest Neighbour.
Hasil Pembahasan
Penjelasan hasil penelitian Kasus klasifikasi kelayakan mobil Data traning
KLASIFIKASI DATA MINING DALAM MENENTUKAN PEMBERIAN KREDIT BAGI NASABAH KOPERASI Ika Menarianti TAHUN 2015 Jurnal Ilmiah Teknosains, Vol. 1 No. 1 November 2015
(Niko Hadi Pantoro - 1441177004058)
Latar Belakang -
instansi keuangan seperti koperasi di luar perbankan belum memiliki pusat data, hal ini dapat meningkatkan resiko kredit yang mengancam profitabilitas
-
pada umumnya pemberian kredit dipengaruhi beberapa faktor seperti kepercayaan, kesepakatan, jangka waktu, risiko dan balas jasa (Kasmir, 2010).
-
Pengukuran yang akurat dan kemampuan manajemen yang baik dalam menghadapi risiko kredit. Kegagalan mengidentifikasi risiko kredit mengarah pada hilangnya pendapatan dan memperluas kredit
-
Dengan Teknik klasifikasi data mining dapat digunakan untuk menentukan risiko kredit.
Tujuan Penelitian : - Menentukan resiko kredit yang terjadi pada transaksi peminjaman - Menentukan peningkatan kualitas kredit - Penurunan resiko kredit Data yang digunakan : - data agunan - data pinjaman - data piutang lancar.
Metode yang digunakan : 1. cross validation 2. confussion matrix 3. ROC curve dan T-Test. Algoritma klasifikasi data mining yang digunakan adalah 1. Logistic Regression 2. Discriminant Analys 3. K-Nearest Neighbour 4. Naive Bayes 5. Decision Tree 6. Neural Network dan Support Vector Machine.
Hasil dan Pembahasan Berdasarkan proses cross validation dan confussion matrix diperoleh hasil sebagai berikut :
Hasil confussion matrix
Hasil cross validation
Hasil dan Pembahasan Berdasarkan dari analisis pengujian ROC Curve dan T-Test hasil diperoleh sebagai berikut :
Hasil ROC Curve
Hasil T-Test
Kesimpulan
Dari hasil analisis komparasi dengan menggunakan cross validation, confusion matrix, ROC curve dan T-Test pada beberapa algoritma klasifikasi data mining dapat disimpulkan bahwa algoritma yang paling akurat adalah algoritma Logistic Regression. karena memiliki nilai akurasi tertinggi yaitu 87,41% dengan uji T-test paling dominan terhadap algortima lainnya, dengan nilai AUC paling tinggi yaitu 1.000.
METODE DATA MINING UNTUK KLASIFIKASI KESETIAAN PELANGGAN TERHADAP MEREK PRODUK
Agus Sasmito Aribowo Teknik Informatika. UPN “Veteran” Yogyakarta Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013
(Muhammad Zainur Ramdhan - 1441177004061)
Latar Belakang Data penjualan suatu produk dapat diolah untuk mengetahui tingkat kesetiaan pelanggan terhadap merek suatu produk. Salah satu bentuk informasi penting yang dibutuhkan oleh produsen suatu produk konsumtif adalah informasi tentang tingkat kesetiaan konsumen terhadap merek dagang atau merek produk yang dijualnya, serta kekuatan suatu merek terhadap konsumennya.
Tujuan Tujuan penelitian ini adalah menerapkan teknik data mining rule based classification untuk mengklasifikasikan konsumen dalam kelompok-kelompok konsumen dengan tingkatan loyalitas merek tertentu sehingga dapat dipakai juga untuk memperkirakan kekuatan merek produk
Data yang digunakan Penelitian memanfaatkan data penjualan produk kendaraan bermotor supermarket.
Metode yang digunakan Rule based classification
Proses pemecahan permasalahan 1. Proses transformasi data. Data penjualan produk ditransformasikan menjadi data sequence (urutan) merek produk yang dibeli oleh seorang konsumen. 2. Pembuatan rule based classifier Klasifikasi loyalitas konsumen dibagi menjadi lima tingkatan yaitu Undevided Brand Loyalty, Brand Loyalty with Occasional Switch, Brand Loyalty Switches, Devided Brand Loyalty, dan Brand Indifference. 3. Pembentukan aturan klasifikasi (Rule Based Classifier)
Rule base disusun menggunakan pendekatan direct method. Pembentukan rule base diawali dengan membuat pohon keputusan. 4. Rule set Pohon keputusan tersebut dapat dibentuk rule set yang berguna untuk proses klasifikasi. 5. Proses ekstraksi ciri dan klasifikasi data pembelian konsumen
HASIL PENELITIAN Penelitian menghasilkan aplikasi yang diimplementasikan menggunakan java. Aplikasi diuji dengan data penjualan kendaraan bermotor berbagai merek di wilayah Daerah Istimewa Yogyakarta untuk tahun 2000 hingga 2010 (data diperoleh dari DITLANTAS Polda DIY). Aplikasi akan meminta input nama konsumen, kemudian akan melakukan pencarian merek-merek kendaraan yang telah dibeli oleh konsumen tersebut dalam kurun waktu 10 tahun tersebut. Sejarah pembelian kendaraan akan dicatat merek-merek nya dan akan diklasifikasikan menggunakan Rule yang telah didefinisikan. Hasil Proses klasifikasi tingkat loyalitas merek untuk setiap pelanggan. Seluruh pelanggan diklasifikasikan dan akhirnya dilakukan proses rekap dalam bentuk grafik untuk mengetahui kekuatan merek tersebut. Hasil proses rekap dalam bentuk grafik.
Kesimpulan 1. Metode tersebut dapat dipakai untuk mengklasifikasikan jenis pelanggan dalam kelompok yang setia (Undevided Brand Loyalty), pembeli yang beralih (Switch Brand Loyalty), dan pembeli yang tidak setia. 2. Jumlah pembeli setia suatu merek menggambarkan kekuatan merek tersebut. Maka merek dengan jumlah pelanggan bertipa Undevided merupakan merek dengan kekuatan paling besar.
SISTEM KLASIFIKASI PENYAKIT TENGGOROKAN BERBASIS WEB MENGGUNAKAN METODE NAIVE BAYES Penulis : Beni Agustiawan Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian Nuswantoro ( Muhamad Fikri Fadillah - 1441177004047 )
ABSTRAK Tujuan dari klasifikasi gejala-gejala penyakit tenggorokan disini adalah untuk membahas satu masalah penyakit saja, agar fokus permasalahan penelitian tidak meluas ke pembahasan penyakit yang lain. Jika tidak diklasifikasi data gejala penyakit tenggorokan, maka akan menimbulkan permasalahan-permasalahan yang lain selain penyakit tenggorokan. Dalam membahas gejala-gejala penyakit tenggorokan peneliti menggunakan metode Naïve Bayes. Alasan menggunakan metode naïve bayes adalah memberikan kemudahan dalam menghitung dan menentukan kemungkinan-kemungkinan gejala penyakit tenggorokan serta meminimalkan biaya pengeluaran pasien untuk membeli obat.
LATAR BELAKANG Penyakit tenggorokan dibagi menjadi dua jenis penyakit yaitu penyakit tenggorokan akut dan penyakit tenggorokan kronis. Penyakit tenggorokan akut memiliki ciri dengan gejala nyeri pada tenggorokan dan disertai demam dan batuk, penyakit tenggorokan akut masih dalam skala baru. Sedangkan penyakit tenggorokan kronis mempunyai ciri disertai nyeri pada saat menelan air atau makanan terasa ada sesuatu yang mengganjal tenggorokan, penyakit tenggorokan kronis berlangsung dalam waktu yang lama. Untuk mengetahui gejala-gejala yang terjadi pada penyakit tenggorokan, maka diperlukan suatu pengklasifikasi gejala penyakit tenggorokan. Salah satu metode yang dapat diterapkan dalam permasalahan ini adalah Naïve Bayes Classifier (NBC). Alasan menggunakan metode Naïve Bayes Classifier adalah karena metode Naïve Bayes Classifier merupakan penyederhanaan dari teorema Bayes, Teorema bayes itu sendiri merupakan salah satu metode pendekatan statistik yang mensayaratkan probabilitas harus bersyarat pada persoalan klasifikasi, pada penelitian ini klasifikasi yang dimaksud adalah mengenai Jenis penyakit tenggorokan dan gejala-gejala yang timbul dari jenis penyakit tenggorokan tersebut. Metode Naïve Bayes Classifier diambil dari teknik data mining yang mudah dipahami sehingga dapat dijadikan dasar pengambilan keputusan.
RUMUSAN MASALAH Rumusan masalah yang dapat diangkat dalam penelitian ini adalah Bagaimana menerapkan metode Naïve Bayes untuk mengklasifikasi gejala-gejala penyakit tenggorokan. BATASAN MASALAH Permasalahan penulis hanya dibatasan pada permasalahan yaitu hanya mengklasifikasikan gejala-gejala penyakit tenggorokan saja. TUJUAN Tujuan yang akan dicapai dalam penelitian ini adalah menerapkan metode Naïve Bayes Classifier untuk mengklasifikasikan gejala-gejala penyakit tenggorokan.
DATA YANG DIGUNAKAN Bagian metode pengumpulan data berisi penjelasan mengenai sumber data yang didapatkan. Penjelasan bagian ini meliputi sumber data, variabel, penjelasan variabel, jumlah data, dan sampel data. Pada Penelitian ini Objek yang dipilih adalah Dinas Kesehatan Semarang. Dalam penelitian mengenai gejala penyakit tenggorokan, data didapatkan dari Dinas Kesehatan Semarang serta survei yang dilakukan di Dinas Kesehatan. Data yang didapatkan sebanyak 23 record. Jenis Penyakit : 1. Pilek 2. Strep Throat 3. Tonsilitis 4. Radang Tenggorokan
27. Pembengkakan pada gelenjar getah bening di leher 4 Gejala Penyakit : 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26.
Hidung berlendir 1 Bersin 1 Batuk 1 Sakit kepala ringan 1 Nyeri tubuh ringan 1 Demam 1Demam 2 Sakit tenggorokan mendadak 2 Kehilangan nafsu makan 2 Nyeri sewaktu menelan 2 Amandel memerah dengan bitnik-bintik putih 2 Demam 2 Nafas bau 3 Demam 3 Suara berubah karena pembengkakan 3 Nyeri sewaktu menelan 3 Pembengkakan kelenjar limfa di leher 3 Susah jika menelan 3 Pembengkakan pada gelenjar getah bening di leher 4 Demam 4 Demam 2 Nafas bau 3 Demam 3 Suara berubah karena pembengkakan 3 Nyeri sewaktu menelan 3 Pembengkakan kelenjar limfa dileher 3 Susah jika menelan 3
28. Demam 4 Penyakit Tenggorokan dan Gejalanya : 1. 2. 3. 4.
Pilek : 1, 2, 3, 4, 5, 6 Strep Throat : 7, 8, 9, 10, 11 Tonsilitis : 12, 13, 14, 15, 16 Radang Tenggorokan : 17, 18, 19
HASIL DAN PEMBAHASAN Perhitungan dengan menggunakan klasifikasi naive bayes classifier dapat diterapkan pada pasien ke-1 mengalami gejala nomor 1, 4, 5, dan 6, Keterangan gejala : 1.Hidung berlendir
5.Nyeri tubuh ringan
4.Sakit kepala ringan
6.Demam
Langkah-langkah perhitungan naive bayes classifier sebagai berikut : 1. Menentukan nilai untuk setiap class Penyakit tenggorokan ke-1 : Pilek N=1
P = 1/4 = 0.25 M = 19
1.nc = 0
4.nc = 0
5.nc = 0
6.nc = 0
6.nc = 0
fff
KESIMPULAN Berdasarkan hasil kegiatan analisis data dalam penelitian ini, yang berjudul “ SISTEM KLASIFIKASI PENYAKIT TENGGOROKAN BERBASIS WEB MENGGUNAKAN METODE NAIVE BAYES “ di simpulkan bahwa penghitungan menggunakan metode naïve bayes bisa mengetahui penyakit tenggorokan yang diderita oleh pasien 1. Klasifikasi penyakit tenggorokan yang diderita pasien 1 adalah pilek.
