Penambangan data

Top PDF Penambangan data:

PEMANFAATAN TEKNIK PENAMBANGAN DATA PADA PERGURUAN TINGGI

PEMANFAATAN TEKNIK PENAMBANGAN DATA PADA PERGURUAN TINGGI

Salah satu fakta yang signifikan terkait dengan perguruan tinggi adalah menumpuknya data administrasi pendidikan seperti data siswa, data mata kuliah, data staf, data dosen, data organisasi, data sarana pendidikan, data penelitian,dll.Data-data tersebut biasanya hanya diakumulasi tanpa ditindaklanjuti atau dimanfaatkan.Pengalaman penyelanggaraan pendidikan oleh suatu perguruan tinggi terekam melalui data pendidikan.Buruknya pemanfaatan data administrasi pendidikan ini akan menghambat manajemen dalam mengelola sumber daya pendidikan yang terbatas. Oleh karena itu, dibutuhkan penggalian informasi dan pengetahuan dari sejumlah besar data-data perguruan tinggi baik data akademik dan non- akademik guna menunjang proses penyelenggaraan pendidikan yang lebih berkualitas.Informasi yang diperoleh dari proses representasi data dan analisis data yang baik dapat menunjang proses pengambilan keputusan yang valid.Teknik penambangan data merupakan salah satu cabang ilmu komputer yang dapat digunakan untuk menggali informasi yang berkaitan dengan pola-pola tersembunyi pada sejumlah set data besar (big data) sehingga diperoleh suatu pengetahuan yang bermanfaat. Pengetahuan ini akan memandu para pengambil keputusan untuk menentukan aturan-aturan dan kebijakan sehingga peningkatan kualitas pendidikan dapat tercapai.
Baca lebih lanjut

8 Baca lebih lajut

BAB II TINJAUAN PUSTAKA 2.1. Penambangan Data (Data Mining) Penambangan data (Data Mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini tersembunyi dibalik data atau tidak diketahui secara m

BAB II TINJAUAN PUSTAKA 2.1. Penambangan Data (Data Mining) Penambangan data (Data Mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini tersembunyi dibalik data atau tidak diketahui secara m

Penambangan data (Data Mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini tersembunyi dibalik data atau tidak diketahui secara manual (Iko Pramudiono, 2006). Proses untuk menggali nilai tambah dari sekumpulan data sering juga dikenal sebagai penemuan pengetahuan dari pangkalan data (Knowledge Discovery in Databases = KDD) yaitu tahap-tahap yang dilakukan dalam menggali pengetahuan dari sekumpulan data. Tahap-tahap yang dimaksud digambarkan seperti Gambar 2.1. berikut ini:
Baca lebih lanjut

14 Baca lebih lajut

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Handout TIF311 DM 2

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Handout TIF311 DM 2

JENIS DATA DALAM DATA MINING Database, data warehouse, database transaksional Data streams dan sensor data Time-series data, temporal data, sequence data Struktur data, graf, social n[r]

12 Baca lebih lajut

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Handout TIF311 DM 3

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Handout TIF311 DM 3

• Data tidak selalu tersedia • Misal, banyak tuple atau record tidak memiliki nilai yang tercatat untuk beberapa atribut, seperti customer income dalam data sales • Hilangnya data bi[r]

36 Baca lebih lajut

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Handout TIF311 DM 4

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Handout TIF311 DM 4

Dalam pendekatan cross-validation, setiap record digunakan beberapa kali dalam jumlah yang sama untuk training dan tepat sekali untuk testing. Untuk mengilustrasikan metode ini, anggaplah kita mempartisi data ke dalam dua subset yang berukuran sama. Pertaman, kita pilih satu dari kedua subset tersebut untuk training dan satu lagi untuk testing. Kemudian dilakukan pertukaran fungsi dari subset sedemikian sehingga subset yang sebelumnya sebagai training set menjadi test set demikian sebaliknya. Pendekatan ini dinamakan two-fold cross- validation. Total error diperoleh dengan menjumlahkan error-error untuk kedu proses tersebut. Dalam contoh ini, setiap record digunakan tepat satu kali untuk training dan satu kali untuk testing. Metode k-fold cross-validation men- generalisasi pendekatan ini dengan mensegmentasi data ke dalam k partisi berukuran sama. Selama proses, salah satu dari partisi dipilih untuk testing, sedangkan sisanya digunakan untuk training. Prosedur ini diulangi k kali sedemikian sehingga setiap partisi digunakan untuk testing tepat satu kali. Total error ditentukan dengan menjumlahkan error untuk semua k proses tersebut. Kasus khusus untuk metode k-fold cross-validation menetapkan k = N, ukuran dari data set. Metode ini dinamakan pendekatan leave-one-out, setiap test set hanya mengandung satu record. Pendekatan ini memiliki keuntungan dalam pengunaan sebanyak mungkin data untuk training. Test set bersifat mutually exclusive dan secara efektif mencakup keseluruhan data set. Kekurangan dari pendekatan ini adalah banyaknya komputasi untuk mengulangi prosedur sebanyak N kali.
Baca lebih lanjut

25 Baca lebih lajut

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Slide TIF311 DM 12

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Slide TIF311 DM 12

KELEBIHAN & KEKURANGAN CLUSTERING BASED  Dapat menggunakan berbagai teknik clustering, sehingga proses deteksi outlier menjadi efisien  Namun sangat bergantung pula pada pemilihan[r]

18 Baca lebih lajut

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Slide TIF311 DM 8 9

PENAMBANGAN DATA OPENCOURSEWARE UNIVERSITAS PEMBANGUNAN JAYA Slide TIF311 DM 8 9

Algoritma Apriori Misalkan k=1 Bentuk frequent itemsets yang terdiri dari k item Ulangi hingga tidak ada lagi frequent itemsets yang baru Bentuk kandidat itemset dengan panjang [r]

27 Baca lebih lajut

RPS TIF311 RPS PENAMBANGAN DATA

RPS TIF311 RPS PENAMBANGAN DATA

Rencana Pembelajaran Semester RPS Mingg u Kemampuan Akhir yangDiharapkan Bahan KajianMateri Ajar PembelajaranBentuk Kriteria/Indikator Penilaian BobotNilai Standar Kompeten si Profes[r]

9 Baca lebih lajut

Penambangan data Query pada situs web dengan menggunakan Algoritma Decision Tree : studi kasus www.inkuiri.com.

Penambangan data Query pada situs web dengan menggunakan Algoritma Decision Tree : studi kasus www.inkuiri.com.

Data minning adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data minning berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan. Dalam penulisan tugas akhir ini menggunakan implementasi dari algoritma ID3. Dengan menggunakan algoritma ID3 dapat digunakan untuk menambang data query pada situs website. Situs www.inkuiri.com adalah sebuah situs yang digunakan untuk pencarian barang yang terdiri dari beberapa kategori, diantaranya adalah fashion, smartphone, motorbike dan talisman. Data yang digunakan terdiri dari 5 atribut yaitu : interest (main), type, city, waktu dan bulan. Hasil akhir yang akan didapat adalah pola interest user yang melakukan query.
Baca lebih lanjut

146 Baca lebih lajut

Implementasi algoritma Partitioning Around Medoids (PAM) untuk pengelompokan Sekolah Menengah Atas di DIY berdasarkan nilai daya serap Ujian Nasional.

Implementasi algoritma Partitioning Around Medoids (PAM) untuk pengelompokan Sekolah Menengah Atas di DIY berdasarkan nilai daya serap Ujian Nasional.

Penambangan data ( data mining ) merupakan proses penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar. Salah satu metode dalam data mining adalah clustering . Clustering adalah proses mengelompokan sejumlah sejumlah data/obyek ke dalam klaster ( group ) sehingga dalam setiap klaster akan berisi data yang semirip mungkin. Salah satu algoritma clustering adalah Partitioning Around Medoids (PAM). PAM adalah metode clustering menggunakan metode partisi untuk mengelompokan sekumpulan n obyek menjadi sejumlah k cluster . Algoritma PAM menggunakan obyek pada kumpulan obyek untuk mewakili sebuah cluster . Obyek yang terpilih untuk mewakili sebuah cluster disebut dengan medoids .
Baca lebih lanjut

2 Baca lebih lajut

LAPORAN DATA MINING DAN WAREHOUSE TUGAS (1)

LAPORAN DATA MINING DAN WAREHOUSE TUGAS (1)

Fungsi dari data mining adalah untuk menentukan suatu pola yang didapatkan dari penugasan data mining ( Han, J., Kamber, M., dan Pei, J., 2006 ). Tujuan dari data mining sendiri adalah pengklasifikasian, pengelompokkan, pencarian, peringkasan dokumen dan lainnya. Proses penambangan data sendiri merupakan sebuah proses yang tunggal namun merupakan proses yang berkelanjutan, yang berawal dari data mentah kemudian dilakukan dengan proses penambangan data dan menghasilkan keluaran yang diharapkan.

9 Baca lebih lajut

BAB 1 PENDAHULUAN  PENGGUNAAN TEMPORAL DATA MINING PADA DATA ELECTROENCEPHALOGRAPHY (EEG) UNTUK KLASIFIKASI PENYAKIT EPILEPSI DENGAN BACKPROPAGATION.

BAB 1 PENDAHULUAN PENGGUNAAN TEMPORAL DATA MINING PADA DATA ELECTROENCEPHALOGRAPHY (EEG) UNTUK KLASIFIKASI PENYAKIT EPILEPSI DENGAN BACKPROPAGATION.

Permasalahan yang menarik dan sering dibahas pada EEG adalah permasalahan epilepsi (Sweeney et al., 2012). Menurut data dari WHO yang dilansir dalam webnya pada bulan Februari 2016 diketahui bahwa sekitar 50 juta orang di dunia menderita epilepsi. Dari fakta yang di dapat tersebut, penyakit ini menjadi salah satu penyakit neurologis yang umum terjadi secara global. Dan sekitar 80% dari orang yang menderita tersebut tinggal di Negara dengan pendapatan menengah hingga rendah. Epilepsi adalah gangguan nuerologis yang paling umum terjadi dan menyerang manusia setelah stroke. Gejala epilepsi ini adalah kejang dan gerakan abnormal dari penderitanya yang disebabkan kelebihan jumlah listrik yang keluar dari sel – sel otak (Karyawan, et al., 2011). Sifat temporal dari data hasil EEG untuk penyakit epilepsi ini berada pada batas waktu tertentu saat pengambilan data hingga dapat disimpulkan bahwa dengan hasil yang muncul menggambarkan penyakit epilepsi. Pada penelitian ini pengolahan data menggunakan Weka yang merupakan tool untuk melakukan penambangan data yang digunakan untuk klasifikasi penyakit epilepsi pada manusia berdasarkan data hasil EEG. Metode untuk pengklasifikasian menggunakan Artificial Neuron Network (ANN) dengan memanfaatkan algoritma
Baca lebih lanjut

6 Baca lebih lajut

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program.

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program.

Algoritma Reduct Based Decision Tree (RDT) adalah salah satu algoritma penambangan data yang dapat digunakan untuk menemukan pola klasifikasi dari data yang berjumlah besar. Algoritma ini mengkombinasikan teori himpunan kasar dan algoritma pohon keputusan. Tujuan dari penelitian ini adalah mengenali pola klasifikasi mahasiswa yang terkena sisip program. Pada penelitian ini algoritma RDT digunakan untuk menemukan pola klasifikasi mahasiswa yang diperkirakan terkena sisip program. Data yang digunakan dalam penelitian ini adalah data PMB Universitas Sanata Dharma (USD) Yogyakarta jalur reguler tahun 2007- 2009 dengan jumlah data sebanyak 2436 record. Komponen data PMB tersebut meliputi jenis kelamin, asal kabupaten, asal sekolah, asal kabupaten sekolah, nilai penaralan verbal, nilai kemampuan numerik, nilai penalaran mekanik, nilai hubungan ruang, nilai bahasa inggris, prioritas pilihan program studi, dan gelombang masuk. Penelitian ini menghasilkan 1258 pola klasifikasi. Dari pola yang dihasilkan ternyata mahasiswa yang berasal dari Mimika lebih banyak mengalami sisip program. Sistem yang dibangun telah diuji dengan menggunakan teknik 10-fold cross validation dan menghasilkan akurasi sebesar 56.527096 %.
Baca lebih lanjut

229 Baca lebih lajut

LAPORAN DATA MINING DAN WAREHOUSE TUGAS

LAPORAN DATA MINING DAN WAREHOUSE TUGAS

Proses penambangan data sendiri merupakan sebuah proses yang tunggal namun merupakan proses yang berkelanjutan, yang berawal dari data mentah kemudian dilakukan dengan proses penambangan data dan menghasilkan keluaran yang diharapkan.

9 Baca lebih lajut

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program - USD Repository

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program - USD Repository

Algoritma Reduct Based Decision Tree (RDT) adalah salah satu algoritma penambangan data yang dapat digunakan untuk menemukan pola klasifikasi dari data yang berjumlah besar. Algoritma ini mengkombinasikan teori himpunan kasar dan algoritma pohon keputusan. Tujuan dari penelitian ini adalah mengenali pola klasifikasi mahasiswa yang terkena sisip program. Pada penelitian ini algoritma RDT digunakan untuk menemukan pola klasifikasi mahasiswa yang diperkirakan terkena sisip program. Data yang digunakan dalam penelitian ini adalah data PMB Universitas Sanata Dharma (USD) Yogyakarta jalur reguler tahun 2007- 2009 dengan jumlah data sebanyak 2436 record. Komponen data PMB tersebut meliputi jenis kelamin, asal kabupaten, asal sekolah, asal kabupaten sekolah, nilai penaralan verbal, nilai kemampuan numerik, nilai penalaran mekanik, nilai hubungan ruang, nilai bahasa inggris, prioritas pilihan program studi, dan gelombang masuk. Penelitian ini menghasilkan 1258 pola klasifikasi. Dari pola yang dihasilkan ternyata mahasiswa yang berasal dari Mimika lebih banyak mengalami sisip program. Sistem yang dibangun telah diuji dengan menggunakan teknik 10-fold cross validation dan menghasilkan akurasi sebesar 56.527096 %.
Baca lebih lanjut

227 Baca lebih lajut

ANALISIS DAMPAK PENAMBANGAN TANAH LIAT TERHADAP LINGKUNGAN FISIK DI DESA JURANG JERO KECAMATAN KARANGANOM KABUPATEN KLATEN TAHUN 2016 - UNWIDHA Repository

ANALISIS DAMPAK PENAMBANGAN TANAH LIAT TERHADAP LINGKUNGAN FISIK DI DESA JURANG JERO KECAMATAN KARANGANOM KABUPATEN KLATEN TAHUN 2016 - UNWIDHA Repository

Teknik analisis data yang digunakan dalam penelitian ini adalah metode analisis deskriptif dari tabel frekuensi dan analisis korelasi product moment dari Karl Pearson. Hasil dari penelitian ini menunjukan bahwa penambangan tanah liat di Desa Jurangjero dilakukan secara tradisional bisa dilihat dari peralatan yang digunakan seperti cangkul dan keranjang. Dampak negatif yang dihasilkan dari penambangan tanah liat menunjukkan bahwa kualitas air tanah hasil uji laboratorium dinyatakan tidak memenuhi syarat air minum, perubahan topografi yang terjadi sangat signifikan terhadap bentuk morfologi di daerah penambangan tanah liat yang semakin tidak merata serta perubahan hasil produtifitas pertanian semakin menurun diakibatkan hilangnya kandungan mineral dan humus yang ada didalam tanah yang terbawa oleh arus air hujan dan proses penggalian tanah. Selain itu, dampak positif yang dihasilkan dari penambangan tanah liat yaitu pendapatan para penambang tanah liat yang semakin meningkat.
Baca lebih lanjut

39 Baca lebih lajut

Program Studi Ekonomi Sumberdaya Alam dan Lingkungan, IPB Aceng Hidayat Eka Intan Kumala Putri

Program Studi Ekonomi Sumberdaya Alam dan Lingkungan, IPB Aceng Hidayat Eka Intan Kumala Putri

Abstrak: Pasir besi adalah salah satu produk penambangan mineral yang di hasilkan oleh Kabupaten Cianjur. Produk yang dipasarkan dari penambangan ini umumnya masih berupa raw material, hal ini berimbas pada keuntungan perusahaan yang tidak optimal dan penerimaan pemerintah yang rendah. Kegiatan penambangan ini juga berdampak pada kerusakan jalan yang dilalui truk pengangkut pasir besi. Berdasarkan hasil analisis matriks faktor internal- eksternal (IE) pada metode SWOT, diketahui bahwa kegiatan penambangan pasir besi ini berada pada sel 5. Ini berarti bahwa kegiatan penambangan membutuhkan growt strategy atau sta- bility strategy. Dengan menggunakan analisis AHP diperoleh strategi alternatif penambangan pasir besi di Kabupaten Cianjur. Pembangunan BUMD smelter menjadi alternatif utama untuk meningkatkan penerimaan pemerintah, keuntungan usaha dan kesejahteraan pekerja tambang. Pengangkutan via laut menjadi alternatif utama untuk menjaga kelestarian lingkungan dan insfrastruktur.
Baca lebih lanjut

10 Baca lebih lajut

Fisika Penambangan Aspal Buton

Fisika Penambangan Aspal Buton

dalam penambangan berupa kestabilan/keseimbangan, energi, gaya-gaya dan lain-lain. Selama ini siswa/mahasiswa kurang mengetahui aplikasi fisika di alam, kebanyakan para guru/dosen memberikan contoh atau rumusan yang abstrak sehingga para siswa kurang begitu tertarik. Oleh sebab itu untuk menanggulangi permasalahan ini dicobalah suatu konsep pembelajaran fisika kontekstual berbasis energi dan sumber daya mineral.

8 Baca lebih lajut

BAB IV Rencana Penambangan

BAB IV Rencana Penambangan

Peralatan pendukung yang dimaksud disini adalah peralatan yang dibutuhkan oleh perusahaan, untuk mendukung kegiatan penambangan dan pengolahan. Dalam memilih alat – alat pendukung ini harus meruntut kepada kebutuhan yang benar-benar dibutuhkan oleh perusahaan. Peralatan pendukung juga terdiri dari peralatan kantor, peralatan komunikasi, dan alat – alat pelengkap lainnya. Alat-alat pendukung yang dibutuhkan di PT. Sitompul Andesit Mining Mandiri dapat dilihat pada Tabel 4.5 berikut ini :

15 Baca lebih lajut

Show all 10000 documents...