Rancang Bangun Sistem Pendukung Keputusan Pemilihan Peminatan Menggunakan Algoritma Naive Bayes Classifier (Studi Kasus: Prodi Informatika UMN)
| Main Author: | Abiyoga, Abiyoga |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/4928/4/HALAMAN%20AWAL.pdf http://kc.umn.ac.id/4928/6/BAB%20I.pdf http://kc.umn.ac.id/4928/7/BAB%20II.pdf http://kc.umn.ac.id/4928/1/BAB%20III.pdf http://kc.umn.ac.id/4928/8/BAB%20IV.pdf http://kc.umn.ac.id/4928/2/BAB%20V.pdf http://kc.umn.ac.id/4928/3/DAFTAR%20PUSTAKA.pdf http://kc.umn.ac.id/4928/5/LAMPIRAN.pdf http://kc.umn.ac.id/4928/ |
| ctrlnum |
4928 |
|---|---|
| fullrecord |
<?xml version="1.0"?>
<dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><relation>http://kc.umn.ac.id/4928/</relation><title>Rancang Bangun Sistem Pendukung Keputusan Pemilihan Peminatan Menggunakan Algoritma Naive Bayes Classifier (Studi Kasus: Prodi Informatika UMN)</title><creator>Abiyoga, Abiyoga</creator><subject>T10.5-11.9 Communication of technical information</subject><subject>T58.5-58.64 Information technology</subject><subject>T58.59 Algorithm</subject><description>Mahasiswa pada umumnya memiliki kesulitan dalam menentukan
peminatan yang merupakan konsentrasi bidang yang disesuaikan dengan minat dan
nilai akademik karena keterbatasan informasi dan kurangnya rasa percaya diri.
Sistem pendukung keputusan dapat digunakan oleh mahasiswa dalam menentukan
bidang peminatan yang sesuai dengan minat dan kemampuan mahasiswa. Sistem
pendukung keputusan yang bernama Unirecommend ini menerapkan algoritma
Naïve Bayes classifier untuk mengklasifikasikan bidang peminatan prodi
informatika UMN berdasarkan pada nilai semester satu sampai dengan empat
dengan kode IF yang diinput oleh mahasiswa. Hasil evaluasi sistem unirecommend
mendapatkan rentang nilai akurasi bekisar 0,30 sampai dengan 0,33, kemudian nilai
recall berkisar dari 0,318 sampai dengan 0,378, nilai precision berkisar dari 0,215
sampai dengan 0,407 dan nilai f-measure berkisar dari 0,257 sampai dengan 0,390.
Hasil perhitungan akurasi, recall, precision, dan f-measure yang didapatkan bernilai
kecil akibat dataset yang underfitting serta variansi dan jumlah data yang kurang.
Hal tersebut terbukti dari uji dummy test yang dilakukan yang mendapatkan hasil
bahwa terjadinya penurunan nilai akurasi, recall, precision dan f-measure saat
jumlah dataset sama tetapi jumlah kelas ditambah. Klasifikasi untuk dua kelas
mendapatkan nilai akurasi sebesar 0,83, kemudian recall sebesar 0,89, lalu
precision sebesar 0,80 dan f-measure sebesar 0,843. Klasifikasi untuk tiga kelas
mendapatkan nilai akurasi sebesar 0,72, nilai recall sebesar 0,734, nilai precision
sebesar 0,723 dan nilai f-measure sebesar 0,728.</description><date>2018</date><type>Thesis:Thesis</type><type>PeerReview:NonPeerReviewed</type><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/4/HALAMAN%20AWAL.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/6/BAB%20I.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/7/BAB%20II.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/1/BAB%20III.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/8/BAB%20IV.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/2/BAB%20V.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/3/DAFTAR%20PUSTAKA.pdf</identifier><type>Book:Book</type><language>eng</language><rights>cc_by_nc_sa_4</rights><identifier>http://kc.umn.ac.id/4928/5/LAMPIRAN.pdf</identifier><identifier> Abiyoga, Abiyoga (2018) Rancang Bangun Sistem Pendukung Keputusan Pemilihan Peminatan Menggunakan Algoritma Naive Bayes Classifier (Studi Kasus: Prodi Informatika UMN). Bachelor Thesis thesis, Universitas Multimedia Nusantara. </identifier><recordID>4928</recordID></dc>
|
| language |
eng |
| format |
Thesis:Thesis Thesis PeerReview:NonPeerReviewed PeerReview Book:Book Book |
| author |
Abiyoga, Abiyoga |
| title |
Rancang Bangun Sistem Pendukung Keputusan Pemilihan Peminatan Menggunakan Algoritma Naive Bayes Classifier (Studi Kasus: Prodi Informatika UMN) |
| publishDate |
2018 |
| topic |
T10.5-11.9 Communication of technical information T58.5-58.64 Information technology T58.59 Algorithm |
| url |
http://kc.umn.ac.id/4928/4/HALAMAN%20AWAL.pdf http://kc.umn.ac.id/4928/6/BAB%20I.pdf http://kc.umn.ac.id/4928/7/BAB%20II.pdf http://kc.umn.ac.id/4928/1/BAB%20III.pdf http://kc.umn.ac.id/4928/8/BAB%20IV.pdf http://kc.umn.ac.id/4928/2/BAB%20V.pdf http://kc.umn.ac.id/4928/3/DAFTAR%20PUSTAKA.pdf http://kc.umn.ac.id/4928/5/LAMPIRAN.pdf http://kc.umn.ac.id/4928/ |
| contents |
Mahasiswa pada umumnya memiliki kesulitan dalam menentukan
peminatan yang merupakan konsentrasi bidang yang disesuaikan dengan minat dan
nilai akademik karena keterbatasan informasi dan kurangnya rasa percaya diri.
Sistem pendukung keputusan dapat digunakan oleh mahasiswa dalam menentukan
bidang peminatan yang sesuai dengan minat dan kemampuan mahasiswa. Sistem
pendukung keputusan yang bernama Unirecommend ini menerapkan algoritma
Naïve Bayes classifier untuk mengklasifikasikan bidang peminatan prodi
informatika UMN berdasarkan pada nilai semester satu sampai dengan empat
dengan kode IF yang diinput oleh mahasiswa. Hasil evaluasi sistem unirecommend
mendapatkan rentang nilai akurasi bekisar 0,30 sampai dengan 0,33, kemudian nilai
recall berkisar dari 0,318 sampai dengan 0,378, nilai precision berkisar dari 0,215
sampai dengan 0,407 dan nilai f-measure berkisar dari 0,257 sampai dengan 0,390.
Hasil perhitungan akurasi, recall, precision, dan f-measure yang didapatkan bernilai
kecil akibat dataset yang underfitting serta variansi dan jumlah data yang kurang.
Hal tersebut terbukti dari uji dummy test yang dilakukan yang mendapatkan hasil
bahwa terjadinya penurunan nilai akurasi, recall, precision dan f-measure saat
jumlah dataset sama tetapi jumlah kelas ditambah. Klasifikasi untuk dua kelas
mendapatkan nilai akurasi sebesar 0,83, kemudian recall sebesar 0,89, lalu
precision sebesar 0,80 dan f-measure sebesar 0,843. Klasifikasi untuk tiga kelas
mendapatkan nilai akurasi sebesar 0,72, nilai recall sebesar 0,734, nilai precision
sebesar 0,723 dan nilai f-measure sebesar 0,728. |
| id |
IOS6965.4928 |
| institution |
Universitas Multimedia Nusantara |
| institution_id |
355 |
| institution_type |
library:university library |
| library |
Perpustakaan Universitas Multimedia Nusantara |
| library_id |
306 |
| collection |
Knowledge Center UMN |
| repository_id |
6965 |
| subject_area |
Business/Bisnis Communication/Komunikasi Art Apreciation/Apresiasi Seni Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| city |
TANGERANG |
| province |
BANTEN |
| shared_to_ipusnas_str |
1 |
| repoId |
IOS6965 |
| first_indexed |
2019-04-04T01:23:02Z |
| last_indexed |
2019-04-04T01:23:02Z |
| recordtype |
dc |
| _version_ |
1683865403105738752 |
| score |
17.538404 |