Data Mining Practical Machine Learning Tools and Techniques

Kini semakin banyak perusahaan yang menghubungkan diri dengan internet sebagai upaya untuk memperluas jaringan komputer mereka. Namun demikian internet memiliki masalah mendasar, yaitu keamanan. Dengan terhubung ke internet berarti terbuka pintu bagi orang lain untuk mengakses bahkan merusak informasi ataupun sistem pada jaringan lokal. Berbagai mekanisme telah dibuat untuk mendukung layanan keamanan di internet, diantaranya dengan pembatasan jalur data antara jaringan lokal dan internet. Namun tidaklah cukup karena protokol TCP/IP yang digunakan di internet menyimpan kelemahan dalam layanan keamanan. Oleh karena itu protokol tersebut diperbaharui agar dapat memenuhi tuntutan komunitas
internet atas layanan keamanan. IPng sebagai hasil pembauran, mendukung keamanan dengan menyediakan layanan autentikasi dan enkripsi pada paket IP. Dalam tugas akhir ini penulis melakukan implementasi sebuah layanan keamanan pada ITng, yaitu autentikasi. Implementasi mencapku penggunaan beberapa algoritma seperti MD5 dan SHA untuk proses autentikasi dan penggunaan sistem operasi linux sebagai lingkungan nya. Hasil evaluasi menunjukkan bahwa penggunaan layanan autentikasi membuat waktu pengiriman paket menjadi dua kali lipat.

Metodologi Penelitian Pendidikan

Dalam sistem pendidikan mahasiswa adalah aset penting bagi sebuah institusi pendidikan dan untuk itu perlu diperhatikan tingkat kelulusan mahasiswa tepat pada waktunya. Prosentase naik turunnya kemampuan mahasiswa untuk menyelesaikan studi tepat waktu merupakan salah satu elemen penilaian akreditasi universitas. Untuk itu perlu adalah pemantauan dan evaluasi terhadap kelulusan mahasiswa dengan menggunakan klasifikasi data mining. Dengan mengolah data mahasiswa akan memperoleh hal penting untuk keperluan perguruaan tinggi terutama untuk prediksi kelulusan mahasiswa. Dalam penelitian ini dalam memprediksi kelulusan mahasiswa dengan menggunakan algoritma klasifikasi data mining K-Nearest Neighbor dengan mengklaster data k=1, k=2, k=3, k=4, dan k=5. Hasil yang diperoleh dengan cluster data k=5 accuracy adalah 85,15% dan nilai AUC adalah 0.888 adalah akurasi paling tinggi. Kata kunci: mahasiswa, K-Nearest Neighbor

/pdf/model-algoritma-k-nearest-neighbor-k-nn-untuk-prediksi-4pt4hxpsrg.pdf

Model algoritma k-nearest neighbor (k-nn) untuk prediksi kelulusan mahasiswa

Penelitian ini bertujuan untuk mengimplementasikan Neural Network dengan metode kuantisasi Learning Vector untuk Klasifikasi Penyakit THT. Data yang diperoleh berasal dari RSUD Rantauprapat Labuhanbatu yang didiagnosis dokter hingga pasien sebanyak 57 pasien. Variabel input yang digunakan adalah data berdasarkan simptom-simptom penyakit seperti demam, sakit kepala, batuk, nyeri saat berbicara, sakit tenggorokan, kehilangan pendengaran telinga, alergi, menggigil dan berkeringat, keluar lendir yang tebal, bening sedangkan variabel targetnya adalah bagian tenggorokan Farangitis bagian tenggorokan , Hidung dan Sinusitis bagian infeksi saluran telinga. Berdasarkan hasil penelitian, diperoleh model arsitektur Klasifikasi Lapisan Input dengan 10 neuron, neuron Competitive Layer 3, neuron Layer 3 Line, Laju Belajar 0,05, Nilai Tujuan 0,01 MSE 0,207 dan nilai rata-rata akurasi 67%

https://e-journal.upp.ac.id/index.php/RJOCS/article/download/1732/1345

Klasifikasi Penyakit Tenggorokan Hidung Telinga (THT) Menggunakan Jaringan Syaraf Tiruan Dengan Metode Learning Vektor Quantization (THT) Di RSUD Rantauprapat Labuhanbatu

In economics management is needed periodic data (time series) from production effort in predicting continuation of a situation is action which at one time must be done. For economic or political experts, it seems to be an obligation that must be carried out when they find a situation say just the economic crisis that befell a country with great, to provide predictive reviews about how the impact will be on the continuation of the existence of that country. So from that the aim of this research is to discuss about conceptual and conceptual aspects about periodic data, calculation of straight line trends through free method, half moving average, half average and least number of squares, non linear trend calculation which is trend parabola and exponential trends, calculations for changing trend equations into quarterly and monthly trends, calculations for changing trend equations into average trends, calculating seasonal variation values ​​through simple average methods, ratio to trend, ratio of moving averages and relative berangkai, and calculation of cyclic variation values ​​for annual and quarterly data. The method used during this study took place, namely using a literature study method which functions so that in research, researchers continue to add insight.

Periodic Data Analysis and Forecasting as an Overview of Future Management Economics

Rancangan Sistem Pameran Online menggunakan Metode UCD  ( User Centered Design ) User merupakan object yang penting didalam pengembangan dan pembangun sistem. User disini adalah pribadi, organisasi, dan masyarakat. User saat ini harus berada pada level of design sophistication dari semua antarmuka grafis beserta isi dari webnya. Pada saat user berinteraksi dengan sistem user harus merasa sesuai dengan pengalaman yang pernah dirasakan pada saat berinteraksi dengan sistem yang lain. User harus merasa puas dengan informasi yang disediakan oleh sistem dan merasa nyaman saat berinteraksi dengan sistem. UCD ( user Centered Design ) adalah filosofi perancangan yang menempatkan pengguna sebagai pusat dari proses pengembangan sistem. Pendekatan UCD telah didukung berbagai teknik, metoda, tools, procedur, dan proses yang membantu perancangan sistem interaktif yang lebih berpusat pada pengguna. Sasaran UCD adalah lebih dari sekedar membuat produk yang berguna. Kata kunci: UCD ( User Centered Design ), User Interface, Membangun Sistem Web

Rancangan Sistem Pameran Online menggunakan Metode UCD ( User Centered Design )

Data berukuran besar yang sudah disimpan jarang digunakan secara optimal karena manusia seringkali tidak memiliki waktu dan kemampuan yang cukup untuk mengelolanya. Data bervolume besar seperti data teks, jauh melampaui kapasitas pengolahan manusia yang sangat terbatas. Kasus yang disoroti adalah data abstrak tugas akhir mahasiswa jurusan teknik informatika Universitas Trunojoyo Madura. Dokumen tugas akhir oleh mahasiswa terkait hanya diupload pada SIMTAK (Sistem Informasi Tugas Akhir) dan pelabelan bidang minat penelitian dilakukan manual oleh mahasiswa tersebut, sehingga akan ada kemungkian saat mahasiswa mengisi bidang minat tidak sesuai. Untuk menanggulangi hal tersebut, diperlukan adanya mekanisme pelabelan dokumen secara otomatis, untuk meminimalisir kesalahan. Pada penelitian kali ini dilakukan klasifikasi dokumen abstrak tugas akhir menggunakan metode Learning Vector Quantization (LVQ). Data abstrak diklasifikasikan menjadi 3 yaitu SI RPL (Sistem Informasi – Rekayasa Perangkat Lunak), CAI (Computation – Artificial Intelligence) dan Multimedia. Dari berbagai ujicoba yang dilakukan didapatkan hasil metode LVQ berhasil mengenali 90% data abstrak, dengan berhasil mengenali 100% bidang minat SI RPL dan CAI, dan hanya 70% untuk bidang minat Multimedia. Dengan kondisi terbaik didapatkan dengan parameter reduksi dimensi 20% dan nilai learning rate antara 0,1-0,5. Huge size of data that have been saved are rarely used optimally because people often do not have enough time and ability to manage. Large volumes of data such as text data, exceed human processing capacity. The case highlighted was the final project abstract data from informatics engineering student Trunojoyo University. Documents abstract just uploaded on SIMTAK (Final Project Information System) and the labeling of the areas of interest of research is done manually by the student, so that there will be a possibility to fill the field of interest while the student is not appropriate. To overcome this, we need a mechanism for labeling a document automatically, to minimize errors. In the present study conducted abstract document classification using Learning Vector Quantization (LVQ). Abstract data classified into three class, SI RPL, CAI and Multimedia. Of the various tests carried out showed that LVQ method successfully recognize 90% of abstract data, to successfully identify 100% interest in the field of RPL SI and CAI, and only 70% for areas of interest Multimedia. With the best conditions obtained with the parameter dimension reduction of 20% and the value of learning rate between 0.1-0.5.

https://citec.amikom.ac.id/main/index.php/citec/article/download/43/43

Learning Vector Quantization untuk Klasifikasi Abstrak Tesis

/pdf/comparing-clasification-algorithm-of-data-mining-to-predict-1j4bddyt2l.pdf

Comparing Clasification Algorithm Of Data Mining to Predict the Graduation Students on Time

Penelitian ini termotivasi untuk menganalisis perbandingan metode TAM dan UTAUT dalam mengukur kesuksesan penerapan sistem informasi akademik STMIK Dipanegara Makassar. Penggunaan metode TAM dan UTAUT didasarkan pada kenyataan bahwa sejauh ini metode TAM dan UTAUT paling banyak digunakan dalam menganalisis kesuksesan penerapan teknologi dan merupakan metode yang paling baik dalam menjelaskan perilaku penerimaan user terhadap penerapan teknologi atau sistem informasi. Responden penelitian ini adalah pengguna sistem informasi akademik di STMIK Dipanegara yang terdiri atas dosen, staf dan mahasiswa. Pengambilan sampel dilakukan dengan menggabungkan teknik judgment sampling, stratified random sampling dan propotional sampling. Analisis data menggunakan SEM (Structural Equation Model), software AMOS dan SPSS. Hasil penelitian menunjukkan bahwa kesuksesan penerapan sistem informasi akademik dapat dijelaskan dengan baik oleh konstruk percieved usefulness pada metode TAM dan konstruk performance ekspectancy dan facilitating  condition pada metode UTAUT.

/pdf/analisis-perbandingan-metode-tam-dan-utaut-dalam-mengukur-4jc28sakao.pdf

Analisis Perbandingan Metode Tam dan Utaut dalam Mengukur Kesuksesan Penerapan Sistem Informasi Akademik (Studi Kasus Penerapan Sistem Informasi STMIK Dipanegara Makassar)

Abstrak Data akademik merupakan data penting dalam perguruan tinggi. Informasi mengenai data akademik di butuhkan oleh pihak manajemen untuk mengetahui kondisinya. Informasi yang tersedia pada database sistem informasi akademik belum dimanfaatkan sebagai pendukung pengambilan keputusan hanya bersifat transaksional untuk itu perlu menerapkan suatu data warehouse untuk menampung data untuk diolah menjadi informasi yang berguna bagi manajemen.Penelitian ini membahas masalah perancangan data warehouse serta mengimplementasikannya. Sumber data yang digunakan adalah database akademik yang ada di STMIK Kadiri dan data warehouse yang dibangun berdasarkan tabel fakta mahasiswa. Metode yang digunakan adalah metode penelitian tindakan yaitu menggunakan action research diantaranya tahap Observe, tahap Reflect, Plan dan Act. Di dalam tahap-tahap tersebut dimulai dari merencanakan subyek data, merancang skema bintang, merancang data warehouse kemudian di implementasikan dengan cara Extract, Transform, load membentuk cube dan menyajikan data untuk laporan yang dibutuhkan manajemen. Hasil dari penelitian ini adalah rancangan data warehouse akademik yang sesuai dengan STMIK Kadiri dan menghasilkan laporan tentang jumlah mahasiswa per angkatan, per jenis kelamin dan per kota asal mahasiswa. Data warehouse ini dibangun dengan SQL Server 2008 dan penyajian data dengan Excel Powerpivot. Kata Kunci : Database, Skema Bintang, ETL, Data Warehouse, Powerpivot

/pdf/perancangan-data-warehouse-untuk-sistem-akademik-stmik-16rqbry9z1.pdf

Armadyah Amborowati

Papers

Rancangan Sistem Pameran Online menggunakan Metode UCD ( User Centered Design )

Learning Vector Quantization untuk Klasifikasi Abstrak Tesis

Comparing Clasification Algorithm Of Data Mining to Predict the Graduation Students on Time

Analisis Perbandingan Metode Tam dan Utaut dalam Mengukur Kesuksesan Penerapan Sistem Informasi Akademik (Studi Kasus Penerapan Sistem Informasi STMIK Dipanegara Makassar)

Perancangan Data Warehouse Untuk Sistem Akademik STMIK Kadiri