KARTIKA SARI
D02 16 368
SKRIPSI
KARTIKA SARI
D02 16 368
ii
HALAMAN PERSETUJUAN
PENELITIAN S1
Diusulkan Oleh
KARTIKA SARI
D02 16 368
Telah disetujui
Pada tanggal 14 Maret 2021
Pembimbing
Pembimbing I Pembimbing II
iii
SKRIPSI
KARTIKA SARI
D02 16 368
Pada Tanggal
Penguji III
iv
PERNYATAAN
Naive Bayes pada Program Studi Teknik Informatika” ini tidak terdapat
Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya
atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali
yang secara tertulis terdapat di dalam naskah ini dan disebutkan dalam daftar
pustaka.
KARTIKA SARI
D02 16 368
v
KATA PENGANTAR
Assalamualaikum wr.wb.
Segala Puji dan syukur kami panjatkan kehadirat Allah SWT yang telah
melimpahkan rahmat dan hidayahnya. Sholawat serta salam tak lupa peneliti
tuturkan kepada Nabi Muhammad SAW, serta kepada keluarga dan para
Naive Bayes Pada Program Studi Teknik Informatika“. Sebagai salah satu
Terselesaikannya tugas akhir ini tidak terlepas dari bantuan berbagai pihak,
oleh sebab itu penulis mengucapkan rasa terima kasih yang besar kepada :
1. Keluarga Penulis : Budiman dan Mahdalena selaku kedua orang tua penulis
2. Bapak Muh. Fahmi Rustam, S.Kom., M.T selaku Ketua Prodi Teknik
3. Ibu Nurdina Rasyid, S.Pd., M.Pd selaku pembimbing pertama yang telah
4. Ibu Nahya Nur, ST., M.Kom selaku pembimbing kedua yang telah sabar dan
vi
5. Bapak Ir. Sugiarto Cokrowibowo, S.Si., MT, Bapak Ismail, S.Pd., M.Pd, dan
Bapak Farid Wajidi, S.Kom., MT, selaku penguji yang memberikan koreksi
6. Seluruh Bapak dan Ibu dosen Program Studi Teknik Informatika, Fakultas
Teknik yang telah memberikan ilmu dan motivasi kepada peneliti mulai dari
skripsi ini.
Peneliti menyadari bahwa skripsi ini tidak luput dari berbagai kekurangan.
pendidikan. Aamiin.
KARTIKA SARI
D02 16 368
vii
ABSTRAK
Judul skripsi yang sudah dibuat mahasiswa khususnya pada program studi
Teknik Informatika Unsulbar, Terdapat tiga konsentrasi yaitu Sistem cerdas
(Smart System), Rekayasa Perangkat Lunak (Software Engineering) dan Jaringan
Komputer (Internet Of Thingts). Namun pengelompokan judul tugas akhir
mahasiswa di UNSULBAR khususnya prodi informatika belum terklasifikasi
secara maksimal, sesuai dengan peminatan dan pengembangan ilmu informatika
yang terus berubah mengikuti perkembangan zaman. Hal tersebut diharapkan
dapat membantu dalam memberikan gambaran kepada mahasiswa untuk mencari
judul yang relevan dengan bidang konsentrasi mahasiswa tersebut. Untuk
melakukan klasifikasi atau pengelompokan topik skripsi mahasiswa yang ada
dijurusan teknik informatika. Pengelompokan skripsi dilakukan dengan melihat
judul dari setiap skripsi yang telah dibuat oleh mahasiswa. Terdapat banyak teknik
klasifikasi yang dikenal. Teks mining salah satu teknik yang digunakan untuk
melakukan klasifikasi dokumen dimana teks mining merupakan variasi data
mining yang berusaha menetukan pola menarik dari sekumpulan data tekstual
yang berjumlah besar. Hasil penerapan algoritma naïve bayes telah berhasil dalam
melakukan klasifikasi judul skripsi menggunakan algoritma naive bayes dapat
dilakukan dalam mengelompokan judul skripsi sesuai kelas topiknya. Dari hasil
pengujian akurasi yang dilakukan terhadap 150 data training dan 100 data testing
yang digunakan diperoleh tingkat akurasi sebesar 97 %. Adapun pengujian presisi
didapatkan nilai sebesar 0,97 %, Recall mendapat nilai sebesar 0,96 % dan nilai
laju error sebesar 0,03 %. Berdasarkan hasil pengujian dapat diketahui bahwa
implementasi metode naive bayes dalam melakukan pengklasifikasian judul
skripsi kedalam kategori kelas sudah baik, dapat dilihat dari tingkat akurasi yang
diperoleh terhadap 100 data testing dan 150 data training.
viii
ABSTRACT
The title of the thesis that has been made by students, especially in the
Unsulbar Informatics Engineering study program, has three concentrations,
namely Smart Systems, Software Engineering and Computer Networks (Internet
Of Things). However, the grouping of students' final assignments at UNSULBAR,
especially the informatics study program, has not been maximally classified, in
accordance with the interest and development of informatics science which
continues to change following the times. This is expected to help in providing an
overview for students to find titles that are relevant to the student's field of
concentration. To classify or group thesis topics for students in the department of
informatics engineering. The thesis grouping is done by looking at the title of each
thesis that has been made by students. There are many known classification
techniques. Text mining is one of the techniques used to classify documents where
text mining is a variation of data mining that seeks to determine interesting
patterns from a large set of textual data. The results of the application of the
Naive Bayes algorithm have succeeded in classifying thesis titles using the Naive
Bayes algorithm, which can be done in grouping thesis titles according to the
topic class. From the results of the accuracy tests carried out on 150 training data
and 100 testing data used, an accuracy rate of 97% was obtained. The precision
test got a value of 0.97%, Recall got a value of 0.96% and an error rate value of
0.03%. Based on the test results, it can be seen that the implementation of the
Naive Bayes method in classifying thesis titles into class categories is good, it can
be seen from the level of accuracy obtained for 100 testing data and 150 training
data.
ix
DAFTAR ISI
SAMPUL....................................................................................................... i
HALAMAN JUDUL .................................................................................... ii
HALAMAN PERSETUJUAN .................................................................... iii
HALAMAN PENGESAHAN ..................................................................... iv
PERNYATAAN ........................................................................................... v
KATA PENGANTAR ................................................................................. vi
ABSTRAK .................................................................................................... viii
DAFTAR ISI................................................................................................. x
DAFTAR TABEL ........................................................................................ xi
DAFTAR GAMBAR ................................................................................... xii
BAB I PENDAHULUAN ............................................................................ 1
A. Latar Belakang ................................................................................... 1
B. Rumusan Masalah............................................................................... 3
C. Tujuan Penelitian ................................................................................ 4
D. Manfaat Penelitian .............................................................................. 4
E. Batasan Masalah ................................................................................. 4
BAB II TINJAUAN PUSTAKA ................................................................. 5
A. Tugas Akhir ........................................................................................ 5
B. Data Mining ........................................................................................ 6
C. Klasifikasi .......................................................................................... 7
D. Text Preprocessing ............................................................................. 7
E. Term Weighting .................................................................................. 9
F. Algoritma Naive Bayes....................................................................... 11
G. PHP .................................................................................................... 14
H. MySQL............................................................................................... 14
I. XAMPP............................................................................................... 15
J. Confusion Matriks .............................................................................. 16
K. Accuracy ............................................................................................. 16
L. Perhitungan Presisi ............................................................................. 17
M. Recall .................................................................................................. 17
N. Cross Validation ................................................................................. 17
O. Penelitian Terkait................................................................................ 20
BAB III METODE PENELITIAN............................................................. 26
A. Jenis Penelitian ................................................................................... 26
B. Metode Pengembangan Sistem .......................................................... 27
C. Tahapan Penelitian ............................................................................. 29
D. Lokasi Waktu Penelitian..................................................................... 35
E. Gambaran Umum Sistem ................................................................... 35
F. Perancangan Data Flow Diagram ....................................................... 36
G. Teknik Pengumpulan Data ................................................................. 38
H. Teknik Analisis Data.......................................................................... 39
I. Teknik Pengujian ................................................................................ 39
BAB IV HASIL DAN PEMBAHASAN ..................................................... 41
x
A. Hasil.................................................................................................... 41
B. Implementasi Sistem .......................................................................... 56
C. Hasil Pegujian..................................................................................... 62
BAB V KESIMPULAN DAN SARAN ...................................................... 80
A. Kesimpulan ......................................................................................... 80
B. Saran ................................................................................................... 80
DAFTAR PUSTAKA .................................................................................. 82
xi
DAFTAR TABEL
xii
DAFTAR GAMBAR
xiii
BAB I
PENDAHULUAN
A. Latar Belakang
Berbagai karya ilmiah dari sivitas akademika mulai dari skripsi, laporan
penelitian, laporan kerja praktik dan lain sebagainya telah tersedia dalam versi
masyarakat dan ditentukan oleh pihak luar individu adalah manusia yang
1
2
Skripsi merupakan salah satu syarat yang harus dipenuhi oleh mahasiwa
penelitian yang dikemas dalam skripsi dan menjadi tugas akhir. Pembuatan skripsi
dan menulis suatu karya ilmiah, sesuai dengan bidang ilmunya. Skripsi
merupakan tugas wajib yang dilakukan oleh mahasiswa sebagai syarat untuk
memperoleh gelar sarjana, skripsi adalah karya ilmiah yang diwajibkan sebagai
mengambil mata kuliah skripsi karena skripsi digunakan sebagai salah satu
memberikan beberapa pilihan topik atau peminatan yang dapat dipilih oleh
mahasiswa. (Muhammad Rafi Muttaqin dkk, 2020). Hal tersebut bertujuan agar
Judul skripsi yang sudah dibuat mahasiswa khususnya pada program studi
judul yang relevan dengan bidang konsentrasi mahasiswa tersebut. Untuk itu
skripsi dilakukan dengan melihat judul dari setiap skripsi yang telah dibuat oleh
mahasiswa. Judul ini dipilih karna dapat mendefenisikan istilah secara lebih
ringkas dan jelas pada setiap bidang penelitian skripsi, sehingga dapat digunakan
Terdapat banyak teknik klasifikasi yang dikenal. Teks mining salah satu teknik
merupakan variasi data mining yang berusaha menetukan pola menarik dari
sekumpulan data tekstual yang berjumlah besar (Khalida dan Bharata, 2020).
Teknik Informatika”.
B. Rumusan Masalah
teknik informatika?
4
C. Tujuan Penelitian
D. Manfaat Penelitian
3. Dapat dijadikan acuan untuk melihat kedekatan topik yang hampir sama antar
skripsi yang ada. Sehingga dapat digunakan sebagai referensi agar penelitian
skripsi yang baru bisa lebih variatif dari penelitian skripsi yang sudah pernah
dilakukan sebelumnya.
E. Batasan Masalah
TINJAUAN PUSTAKA
A. Tugas Akhir
sekaligus menjadi tolak ukur untuk melihat sejauh mana pemahaman mahasiswa
Tugas akhir adalah suatukarya tulis ilmiah hasil penelitian pustaka atau lapangan
tugas akhir merupakan salah satu jenis karya ilmiah yang disusun oleh mahasiswa
mengikuti kaidah dan petunjuk teknis penulisan, baik yang diterbitkan oleh
diperguruan tinggi yang dapat dijadikan sebagai sumber informasi dan sumber
pembelajaran bagi segenap civitas akademik. Tugas akhir berguna dalam hal
5
6
akhir merupakan karya tulis ilmiah yang disusun untuk merefleksi atau
untuk memenuhi syarat guna memperoleh gelar sarjana penuh pada tingkat
B. Data Mining
Data mining adalah proses yang mempekerjakan satu atau lebih teknik
pengetahuan (knowledge) secara otomatis. Data mining berisi pencarian trend atau
keputusan di waktu yang akan dating. Pola-pola ini dikenali oleh perangkat
tertentu yang dapat memberikan suatu analisa data yang berguna dan berwawasan
yang kemudian dapat dipelajari dengan lebih teliti, yang mungkin saja
C. Klasifikasi
Klasifikasi merupakan bagian dari algoritma data mining, klasifikasi ini adalah
algoritma yang menggunakan data dengan target (class/label) yang berupa nilai
kategorikal/nominal (Rifqo & Wijaya, 2017). Sedangkan data mining merupakan proses
mengekstraksi data tersebut menjadi informasi informasi yang nantinya dapat digunakan
Proses ini akan digunakan data training set atau data sampel yang telah
diketahui label – label atau atribut dari data sampel tersebut untuk membangun
model.
1. Proses Testing
Pada proses Testing ini dilakukan untuk mengetahui keakuratan model yang
telah dibuat pada proses training maka dibangun data yang disebut dengan data
D. Text Preprocessing
mendapatkan data yang berkualitas untuk dieksekusi (Sanjaya, S., & Absar, E. A.,
1. Tokenizing
yang menyusunnya. Dan spasi digunakan untuk memisahkan antar kata yang
disebutkan pada prinsipnya ini adalah memisahkan setiap kata yang menyusun
suatu dokumen (Asian, 2007). Proses ini juga dilakukan penghilangan angka,
tanda baca, dan karakter lain selain huruf alphabet. Hal ini dikarenakan karakter-
karakter tersebut dianggap sebagai pemisah kata (delimiter) dan tidak memiliki
2. Case Folding
Case folding tahap mengubah semua huruf dalam dokumen menjadi huruf
kecil. Hanya huruf “a” sampai dengan “z” yang diterima. Karakter selain huruf
8
3. Filtering/Stopword
adalah kata-kata yang tidak deskriptif yang dapat dibuang dalam pendekatan bag-
of-words. Pada penelitian ini akan digunakan database stopword removal. Jadi
apabila ada kata yang berada dalam kamus database akan segera dihapus. Untuk
Filtering adalah tahap pemilihan kata-kata penting dari hasil token, yaitu
kata-kata yang bisa digunakan untuk mewakili isi dari sebuah dokumen. Tahapan
ini adalah dengan melakukan penghilangan stopword dan juga mengubah kata-
kata ke dalam bentuk dasar terhadap kata yang berimbuhan. Stopword merupakan
kosa kata yang bukan merupakan kata unik atau ciri pada suatu dokumen atau
tidak menyampaikan pesan apapun secara signifikan pada teks atau kalimat
4. Stemming
dari sebuah kata dengan menghilangkan semua imbuhan (affixes) baik yang
Stemming adalah proses pengubahan bentuk kata menjadi kata dasar atau
tahap root kata dari setiap kata hasil filtering. Stemming yang digunakan yaitu
9
stemming Nazief dan Adriani karena algoritma ini memiliki akurasi lebih besar
E. Term Weighting
pembobotan kata dalam suatu dokumen. Perhitungan bobot tiap term dicari pada
1. Term Frequency
kemunculan suatu term dalam dokumen, maka semakin besar pula bobotnya.
Dimana :
x = dokumen ke-x
t = term atau kata ke-t
tft,x = banyaknya kemunculan term ke-t pada dokumen ke-x
ft,x = Frekuensi kemunculan term t dalam seluruh dokumen
Frequency (DF) yaitu banyaknya dokumen yang mengandung term atau token
10
Dimana :
menetapkan nilai frekuensi di setiap kata dalam dokumen atau artikel. Dalam
perhitungan setiap kata seberapa relevan kata tersebut dalam sebuah dokumen.
pengolahan data yang besar, algoritma ini untuk pembobotan dalam setiap kata
dan kategori untuk mencari kesamaan kata kunci pada katagori yang ada.
processing berikut :
1. tokenizing
2. case folding
3. filtering
4. stemming
Kemudian selanjutnya adalah proses penghitungan bobot TF-IDF, bobot
query relevance dan bobot similarity. (Marlinda dam Rianto, 2013) Untuk
Keterangan :
yang simpel. Meski demikian, algoritma ini memberikan performansi cukup baik
untuk banyak kasus modern dengan data yang besar. Algoritma Naive Bayes
menggunakan sebuah teorema kuno warisan abad ke18, yang ditemukan oleh
sebagai berikut.
𝑃( 𝐻 |𝑋 ) 𝑃( 𝐻)
𝑃(𝐻|𝑋 ) = (2.4)
𝑃(𝑋)
bahwa hipotesis H benar untuk bukti X atau dengan kata lain P(H|X) merupakan
P(H) adalah probabilitas prior hipotesis H, dan P(X) adalah probabilitas prior
bukti X.
Dalam bidang machine learning, X adalah sebuah tuple atau objek data, H
adalah hipotesis atau dugaan bahwa tuple X adalah kelas C. Secara spesifik dalam
tuple X atau dengan kata lain P (H | X) adalah probabilitas bahwa tuple X berada
dalam kelas C. Sementara itu, P(H) adalah probabilitas prior bahwa hipotesis H
12
benar untuk setiap tuple tidak peduli nilai-nilai atributnya sedangkan P(X) adalah
Proses penggunaan model Naive Bayes classifier himpunan data training set
m, yaitu (𝐶1 , 𝐶2 , … 𝐶𝑚) adalah data bertipe kategorial untuk sebuah tuple masukan
tabel kelas, dimana P(𝐶 𝑖) = jumlah tuple dikelas 𝐶𝑖 dibagi total semua tuple dalam
Hitung probabilitas setiap nilai pada semua n atribut (𝐴1 , 𝐴2 , … 𝐴𝑛) untuk
correction atau additive smoothing adalah suatu cara untuk menangani nilai
probabilitas 0 (nol). Dari sekian banyak data di training set, pada setiap
perhitungan datanya ditambah 1 (satu) dan tidak akan membuat perbedaan yang
probabilitas kelas dan n tabel berisi probabilitas setiap nilai pada semua atribut
yang ada. Persamaan Laplacian correction dapat dilihat pada persamaan (2.2)
berikut.
Dimana,
P(𝑋𝑘𝑗 | 𝐶𝑖 ) adalah peluang kata 𝑋𝑘𝑗 pada kategori 𝐶𝑖,
𝑓 (𝑋𝑘𝑗| 𝐶𝑖 ) adalah nilai frekuensi kemunculan kata 𝑋𝑘𝑗 pada kategori 𝐶𝑖,
𝑓 (𝐶 𝑖) adalah jumlah frekuensi kemunculan kata pada kategori 𝐶 𝑖,
|W| adalah jumlah keseluruhan atribut kata (token) yang digunakan.
Untuk memprediksi label kelas dari tuple X, maka harus dihitung probabilitas
P(X | 𝐶𝑖) P(𝐶𝑖) untuk setiap kelas 𝐶𝑖. Selanjutnya mencari kelas 𝐶𝑖 yang
masukan dengan mencari probabilitas maksimum dari semua kelas yang ada
(Suyanto, 2018).
P(X|𝐶𝑖) P(𝐶 𝑖) = (∏𝑛𝑘=1 P(𝑋𝑘|𝐶𝑖) x P(𝐶𝑖 )=(P(𝑋1 |𝐶𝑖 )x … x P(𝑋𝑛|𝐶𝑖 )) x P(𝐶𝑖) (2.6)
efisien. Jika input dianggap seperangkat atribut, seperti kata-kata, kita bisa
menghitung probabilitas apakah halaman web milik kelas tertentu atau tidak.
Proses ini terdiri dari dua fase: fase training dan fase klasifikasi. Pada fase
training, filternya akan dilatih menggunakan kumpulan kata yang dikenal untuk
G. PHP
berjalan dalam sebuah web server dan berfungsi sebagai pengolah data pada
sebuah server. Dengan menggunakan program PHP, sebuah website akan lebih
interaktif dan dinamis. PHP adalah sebuah bahasa program yang berbasis on the
yang akan diberikan kepada peminta adalah sebuah HTML murni, tanpa terdapat
skrip PHP satupun. Hal ini berbeda dengan skrip-skrip lain yang bekerja pada
client seperti java script atau Vbscript yang mengintrepretasikan skripnya pada
browser. PHP merupakan bahasa yang hanya dapat berjalan pada server yang
kode PHP pada sisi server (disebut Server-side) berbeda dengan mesin maya java
yang mengeksekusi program pada sisi client (client side ) (Solichin, A. 2016)
H. MySQL
mendukung banyak database tetapi kita mengambil yang umum yaitu MySQL
dapat menyimpan semua data website seperti berita, artikel, counter dan
sebagainya dengan mudah dan terstruktur dan dapat membuka kembali dengan
melakukan Query dan biasanya tidak ada alokasi memori setelah inisialisasi
query.
2. Hak istimewa yang sangat fleksibel pada sistem password yang sangat aman
3. Dapat melakukan penyempurnaan pada line database pada query yang sama.
7. Ditulis dalam bahasa C dan C++ dan telah diuji oleh berbagai compiler. Tidak
(Solichin, 2016).
I. XAMPP
Xampp merupakan paket web server berbasis open source yang dapat
dipasang pada beberapa sistem operasi yang ada (Windows, Linux, dan Mac
merupakan tool yang menyediakan paket perangkat lunak ke dalam satu buah
paket. Dengan menginstal XAMPP maka tidak perlu lagi melakukan instalasi
dan konfigurasi web server apache, PHP, dan MySQL secara manual. XAMPP
J. Confusion Matrix
Metode ini menggunakan tabel matriks seperti pada tabel dibawah, dimana
jika data set hanya terdiri dari dua kelas, kelas yang satu dianggap sebagai positif
K. Accuracy
perhitungan tingkat akurasi data dengan hasil yang diperoleh pada pengujian.
Proses perhitngan nilai Accuracy disini merupakan rasio prediksi Benar (positif
Dimana :
True Positive (TP) : Merupakan data positif yang diprediksi benar
True Negative (TN) : Merupakan data negatif yang diprediksi benar.
False Postive (FP) : Merupakan data negatif namun diprediksi sebagai data
positif.
False Negative (FN) : Merupakan data positif namun diprediksi sebagai data
negative.
17
L. Perhitungan Presisi
menjawab pertanyaan “Berapa persen judul skripsi yang hasil prediksi dengan
Dimana :
M. Recall
sehingga sistem tersebut teruji untuk beberapa atribut input yang acak. K-Fold
cross validation diawali dengan membagi data sejumlah fold yang diinginkan.
18
Dalam proses cross validation data akan dibagi dalam n bauh partisi dengan
ukuran yang sama D1, D2, D3. Dn selanjutnya proses testing dan training
dilakukan sebanyak n kali. Dalam iterasi ke -I partisi akan menjadi data testing
dan sisanya akan menjadi data training. k=5 atau k=10 dapat digunakan untuk
memperkirakan tingkat kesalahan yang terjadi, sebab data training pada setiap
fold cukup berbeda dengan data training yang asli. Secara keseluruhan, 5 atau 10
kali percobaan adalah membagi data training sebanyak 10 bagian atau kelompok
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
Testing Training
Berdasarkan gambar diatas, pada bagian blok 1 terdiri dari data yang akan
berperan sebagai data testing dan blok lainnya berperan sebagai data training.
Setiap data testing dilakukan prediksi menggunakan algoritma naive bayes . hasil
19
klasifikasi prediksi naive bayes dibandingkan dengan klasifikasi data real dan
dihitung jumlah prediksi yang cocok dengan data asli. Tingkat akurasi yang tinggi
O. Penelitian Terkait
No Nama Peneliti Judul Penelitian Hasil Penelitian Persamaan Penelitian Perbedaan Penelitian
1 Ramadhan Pengembangan penelitian ini menghasilkan Pelitian tersebut Perbedaan dengan
Rakhmat Sani, aplikasi penentuan sebuah aplikasi yang sudah memiliki persamaan penelitian penulis adalah
Junta Zeniarza, tema tugas akhir mampu melakukan proses yang sama tentang algoritma yag digunakan
Ardytha Luthfiarta berdasarkan data klasifikasi data abstrak tugas penetuan tema tugas berbeda dimana penulis
(Tahun 2016) abstrak akhir untuk menentukan akhir berdasrkan data mengguanakan algoritma
menggunakan kelasnya dengan baik. abstrak. Naive Bayes sedangkan
algoritma K-Nearest Aplikasi yang dikembangkan jurnal rujukan
Neighbor untuk penentuan tema tugas menggunkan algoritma
akhir pada perpustakaan dapat K-Nearest Neighbor.
menjadi solusi bagi operator
pada perpustakaan dalam
pendataan.
2 Ahmad Fathan Penerapan text Perhitungan precision, recall, Menggunakan Perbedaan dengan
Hidayatullah dan mining dalam dan f-score diketahui bahwa metode yang sama penelitian penulis adalah
Muhammad Rifqi klasifikasi judul hasil perhitungan ketiganya Naive Bayes penelitian tersebut
Ma’arif (Tahun skripsi memiliki pola yang sama membahas tentang
2016) dengan perhitungan akurasi. pengelompokan judul
Secara keseluruhan, hasil penelitian sedangkan
perolehan f-score dengan jurnal rujukan membahas
algoritma Naive Bayes tentang penerapan text
memberikan hasil yang lebih mining dalam klasifikasi
tinggi dibandingkan dengan judul skripsi.
algoritma SVM. Model
21
No Nama Peneliti Judul Penelitian Hasil Penelitian Persamaan Penelitian Perbedaan Penelitian
klasifikasi yang dibangun
dengan Naïve Bayes memiliki
nilai tertinggi ketika
menggunakan fitur trigram,
sementara model klasifikasi
yang dibangun dengan SVM
memiliki nilai tertinggi ketika
menggunakan fitur unigram.
3 Oman Somantri, Metode K-Means Model SVM dan K-Means Pelitian tersebut Perbedaan dengan
Slamet Wiyono, untuk optimalisasi dapat digunakan oleh para memiliki persamaan penelitian penulis adalah
Dairoh (Tahun klasifikasi tema pengambil kebijakan dalam yang sama tentang penelitian ini
2016) tugas akhir menglasifikasikan kategori mengkalasifikasi menggunakan algoritma
mahasiswa tugas akhir sebagai pendukung tugas akhir Naive Bayes sedangkan
menggunakan keputusan dalam penentuan mahasiswa. jurnal rujukan
support vector tema tersebut. K-Means menggunakan algoritma
machine (SVM) menjadi model untuk K-Means dan support
optimalisasi untuk dapat vector machine (SVM).
meningkatkan tingkat akurasi
model SVM dalam
mengklasifikasikan kategori
tema tugas akhir.
4 Utomo Pujianto, Penerapan algoritma Sistem klasifikasi yang Penelitian tersebut Perbedaan dengan
Triyanna naïve bayes classifier dikembangkan telah berhasil memiliki persamaan penelitian penulis adalah
Widiyaningtyas, untuk klasifikasi mengelompokan judul skripsi yang sama tentang penelitian tersebut
Didik Dwi judul skripsi dan dan tugas akhir berdasarkan mengklasifikasi tugas membahas tentang
Prasetya, Bintang tugas akhir Kelompok Bidang Keahlian akhir mahasiswa pengelompokan judul
Romadhon (Tahun berdasarkan (KBK) di Jurusan Teknik berdasarkan penelitian sedangkan
22
No Nama Peneliti Judul Penelitian Hasil Penelitian Persamaan Penelitian Perbedaan Penelitian
2017) kelompok bidang Elektro FT UM. Pengujian kelompok bidang jurnal rujukan membahas
keahlian performa penerapan algoritma keahlian. tentang penerapan
Naïve Bayes Classifiers algoritma Naive Bayes
menggunakan teknik K-Fold classifier untuk
Cross Validation, dengan klasifikasi judul skripsi.
jumlah tahap pengujian
sebanyak 10 kali, terhadap
1103 judul skripsi dan tugas
akhir, didapatkan hasil rata-
rata akurasi 94%, presisi 80%,
dan recall 69%.
5 Angga Cahyo Model klasifikasi Hasil penelitian menggunakan Menggunakan Perbedaan dengan
Pradikdo dan abstrak skripsi teknik penelitian action metode yang sama penelitian penulis adalah
Aidina Ristyawan menggunakan text research dengan Naive Bayes. penelitian tersebut untuk
(Tahun 2018) mining untuk menggunakan 9 siklus mengetahui hasil dari
pengkategorian pengujian dan metode text klasifikasi judul
skripsi sesuai bidang mining dengan algoritma penelitian sedangkan
kajian Naive Bayes mendapatkan jurnal rujukan untuk
pengetahuan bahwa siklus ke menghitung nilai
1 merupakan siklus terbaik probabilitas tertinggi dan
dengan akurasi 82,76% dan dapat membantu
juga pada siklus ke 1 jarak memudahkan mahasiswa
antara data testing dan Jumlah untuk mencari referensi.
klasifikasi benar tidak terlalu
jauh.
23
No Nama Peneliti Judul Penelitian Hasil Penelitian Persamaan Penelitian Perbedaan Penelitian
6 Muhammad Rafi Algoritma K-Means Hasil pengelompokan Penelitian tersebut Perbedaan dengan
Muttaqin dan untuk dianalisis dengan melihat memiliki penelitian penulis adalah
Meriska Defriani pengelompokan jumlah mata kuliah pada persamaanyang sama penelitian ini
(Tahun 2020) topik skripsi setiap kelompok bidang tentang menggunakan algoritma
mahasiswa keahlian. Jumlah mata kuliah pengelompokan judul Naive Bayes sedangkan
yang paling banyak pada suatu penelitian. jurnal rujukan
kelompok bidang keahlian menggunakan algoritma
menandakan bahwa K-Means.
mahasiswa memiliki
kemampuan lebih baik pada
bidang tersebut sehingga
direkomendasikan topik
skripsi yang sesuai dengan
kelompok bidang keahlian
tersebut. Dengan pengambilan
topik skripsi yang sesuai
dengan bidang keahlian,
harapannya mahasiswa dapat
menyelesaikan skripsinya
dengan lebih baik dan tepat
waktunya.
7 Muhammad Syafril Penerapan case Untuk rekomendasi topik Penelitian tersebut Perbedaan dengan
Hidayat, Eva Yulia based reasoning skripsi terbaik dengan memiliki persamaan penelitian penulis adalah
Puspaningrum, pada sistem menerapkan pemilihan salah yang sama tentang penelitian tersebut
Made Hanindia rekomendasi topik satu dari rekomendasi tiga mengkalsifikasi tugas membahas tentang
Prami Swari skripsi program studi similaritas tertinggi untuk akhir mahasiswa. pengelompokan judul
(Tahun 2020) informatika UPN hasil rekomendasi bidang penelitian sedangkan
24
No Nama Peneliti Judul Penelitian Hasil Penelitian Persamaan Penelitian Perbedaan Penelitian
“VETERAN” Jawa keahlian yang jurnal rujukan membahas
Timur direkomendasikan kepada tentang penentuan topik
mahasiswa yang skripsi terbaik dengan
menggunakan perhitungan menerapkan pemilihan
similaritas manhattan distance salah satu dari
dengan hasil akurasi sistem rekomendasi tiga
sebesar 87.5% dan validasi similaritas tertinggi.
menggunakan k-fold cross
validation memiliki akurasi
sebesar 79%. Nilai threshold
similaritas yang digunakan
pada fase revise adalah 50%.
8 Dezty Adhe Implementasi Text Hasil pengelompokkan yang Penelitian tersebut Perbedaan dengan
Chajannah Mining terbentuk dari dokumen memiliki penelitian penulis adalah
Rachman, dkk Pengelompokkan skripsi menggunakan metode persamaanyang sama penelitian ini
(2021) Dokumen Skripsi K-Means Clustering adalah tentang menggunakan algoritma
Menggunakan sebanyak 2 kelompok dengan pengelompokan judul Naive Bayes sedangkan
Metode K-Means anggota cluster ke-1 sebanyak penelitian. jurnal rujukan
Clustering 85 dokumen dan anggota menggunakan algoritma
cluster ke 2 sebanyak 34 K-Means.
dokumen. Dokumen-dokumen
skripsi yang masuk ke cluster
1 didominasi penelitian
dengan metode data mining
terutama tentang klasifikasi,
analisis runtun waktu, analisis
regresi, analisis data uji hidup,
25
No Nama Peneliti Judul Penelitian Hasil Penelitian Persamaan Penelitian Perbedaan Penelitian
analisis spasial dan operasi
riset. Sedangkan dokumen-
dokumen skripsi yang masuk
ke cluster 2 didominasi
penelitian dengan metode
analisis multivariat,
pengendalian mutu dan
matematika
9. Nurdina, dkk Klasifikasi Nasabah Metode Naive Bayes Persamaan pada Perbedaan pada
(2021) Bank Layak Kredit menunjukkan bahwa kinerja penelitian ini dengan penelitian ini dengan
Menggunakan naive bayes berjalan dengan yang dilakukan oleh yang dilakukan oleh
Metode Naive Bayes baik dan layak untuk di peneliti adalah peneliti adalah
implementasikan atau menggunakan permasalahan yang
digunakan untuk membantu metode yang sama diangkat berbeda karena
pihak dalam memilih calon yaitu naïve bayes peneliti mengangkat
nasabah. Pemilihan kriteria di sebagai klasifikasi. permasalahan tentang
dasarkan pada kriteria yang klasifikasi judul skripsi
diberikan oleh bank BRI
Kabupaten Majene
BAB III
METODE PENELITIAN
A. Jenis Penelitian
yang dilakukan untuk melakukan uji coba terhadap permasalahan tertentu dengan
penggunaan teori tertentu sehingga didapatkan hasil pengujian yang tepat antara
permasalahan yang diambil dengan teori yang digunakan. Data yang sudah
didapatkan akan diolah sesuai dengan tujuan dari penelitian ini yaitu
bayes. Penelitian ini dilaksanakan secara bertahap dengan urutan sebagai berikut;
menentukan atribut kata; keempat, klasifikasi terdiri dari training data dan
Pengumpulan Data
Preprocessing
Pembobotan
Training Data
Data Testing
26
27
alasan menggunakan metode waterfall adalah Karena Metode ini tahapan dan juga
urutan dari metode yang dilakukan berurutan dan berkelanjutan, seperti layaknya
sebuah air terjun. Tahapan - tahapan model waterfall (Sukamto & Shalahuddin,
2013).
perpustakaan, dapat diketahui bahwa data berupa judul skipsi yang ada, belum
dalam mencari referensi judul skripsi atau tugas akhir berdasarkan tema yang
28
konsentrasi jurusan yang dipilih. Dalam tahapan data mining ysng akan
diambil dari data skripsi/ tugas akhir milik jurusan prodi informatika terdahulu.
Jumlah data training tiap kelas/kategori adalah sekitar 50 judul. Pelabelan judul
yang dijadikan data training ditentukan berdasarkan deskripsi tema penelitian atau
atribut kata yang mencirikan kategori tersebut. Penentuan atribut kata dilakukan
Desain sistem pada penelitian ini, terdiri dari pembuatan flowchart (alur
proses), data flow diagram (DFD). Tahapan judul skripsi pada sistem
aturan klasifikasi. Pada tahap klasifikasi, sebuah dokumen baru yang belum
bayes. DFD dari sistem klasifikasi judul skiripsi ditampilkan pada gambar 3.5,
3. Implementasi
kebutuhan dan rancangan sistem. Sistem ini dibangun dengan berbasis web,
dan CSS. Pada sisi penyimpanan menggunakan MySQL. Sistem yang dibangun
Pada tahap ini, satuan unit program diintegrasikan, kemudian diuji sebagai
satu sistem yang utuh. Pengujian bertujuan untuk memastikan bahwa sistem telah
Teknik pengujian ini dipilih untuk mengukur performa tingkat keakuratan dari
penerapan naïve bayes teknik pengujian K-Fold Cross Validation pada pengujian
K-Fold Cross Validation data training dibagi kedalam lipatan sebanyak k secara
acak tanpa penggantian, dimana lipatan dengan jumlah k-1 digunakan sebagai
Prosedur ini diulang sebanyak k sehingga nantinya akan dapat nodel dan
C. Tahapan Penelitian
1. Pengambilan data
penting yang dimaksud berupa file judul skripsi yang nantinya akan dijadikan
skripsi yang ada. Data skripsi yang digunakan dalam penelitian ini mulai
angkatan 2009-2018.
2. Preprocessing
Preprocessing terbagi menjadi beberapa proses yang terdiri dari case folding,
tokenizing, dan filtering. Case folding mengubah semua karakter huruf teks
menjadi huruf kecil. Karakter yang diterima hanya ‘a’ hingga ‘z’. Tokenizing
adalah tahap pemotongan string input berdasarkan tiap kata yang menyusunnya.
Filtering adalah proses yang dilakukan dengan mengambil kata-kata penting dari
hasil token dan menghapus stop words. Stop words adalah kata-kata yang tidak
dalam proses. Dalam bahasa Indonesia, contoh stop words seperti “yang”, “dan”,
Tahap ini merupakan tahap awal pengolahan data. Data yang digunakan
merupakan file judul skripsi, maka tahap ini sangat dibutuhkan untuk proses
pengolahan data selanjutnya. Seperti yang telah dijelaskan dibab 2, pada tahapan
preprocessing ada beberapa sub prosess yang akan dilakukan yaitu case folding,
tokenisasi, filtering/stopword dan stemming. Dimana pada tahap ini judul skripsi
Mulai
Judul Skripsi
Tokenisasi
Case Folding
Filtering/Stopword
Stemming
Selesai
a. Tokenisasi
menghilangkan tanda baca, angka dan semua karakter selain alphabet. Setelah itu
melakukan perubahan semua huruf kapital menjadi huruf kecil atau yang biasa
disebut case folding. Selanjutnya yaitu menyimpan setiap kata dari dokumen yang
b. Case Folding
c. Filtering/Stopword
membuang atau menyaring kata-kata yang dapat merepresentasikan isi dari suatu
dokumen dengan mengacu pada kamus stopword yang telah ada untuk
menentukan kata atau term mana yang seharusnya dihilangkan dan tidak
berpengaruh ke dalam proses. Dalam bahasa Indonesia, contoh stop words seperti
d. Stemming
Stemming merupakan tahapan proses untuk mengambil suatu kata inti atau
kata dasar dari hasil filtering . pada tahap ini akan dilakukan penghilangan kata
imbuhan awalan dan akhiran sehingga menghasilkan kata dasar dari setiap kata
(token).
3. Pembobotan Kata
maka akan semakin besar bobotnya atau akan memberikan nilai kesesuaian yang
dan IDF pada setiap token (kata) disetiap dokumen. Berikut proses pembobotan
Mulai
Preprocessing
Hasil Preprocessing
Pembobotan TF
Pembobotan DF
Pembobotan IDF
Pembobotan ini dilakukan untuk mengetahui nilai dari setiap term yang mewakili
isi dokumen. Untuk alur proses dari pembobotan kata ditunjukkan pada gambar
3.4 diatas.
4. Klasifikasi
memiliki dua tahap penting yaitu training data dan testing data atau pengujian
a. Tahap Training
Pada tahap ini, setiap kata yang telah diketahui nilai bobot TF-IDF nya
akan dijadikan sebagai acuan untuk mencari nilai probabilitas kategori dan
probabilitas masing-masing kata pada setiap term untuk setiap kelas dari data
latih. Pada fase training data, filternya dilatih menggunakan atribut kata yang
klasifikasi.
b. Tahap Testing
data testing atau judul skripsi baru yang telah diketahui kelasnya, ini dilakukan
Tahap ini merupakan tahapan setelah proses training yang telah dilakukan diatas.
Pada tahapan ini dilakukan pengujian dengan cara menggunakan data uji kedalam
Atribut kata (token) ditentukan berdasrkan dari hasil hitung frekuensi kata
atau kemunculan kata yang benar-benar merepresentasikan isi dari suatu judul
skripsi tersebut. Karena semakin sering kata tersebut muncul, maka dapat
35
dikatakan bahwa kata tersebut mencirikan suatu kelas tertentu. 10 kata yang
yang telah dipaparkan. Penelitian ini berlangsung dari bulan juli sampai dengan
bulan Agustus 2022. Pengumpulan data diperoleh dari studi literatur serta
memberi gambaran alur dari tiap proses. Berdasarkan permasalahn tersebut maka
diperoleh proses dimana sistem ini diawali dengan memasukkan data latih dengan
kata lain judul skripsi yang sudah diketahui kategori kelasnya yaitu RPL, Sistem
Cerdas, dan Iot. Kemudian diproses menggunakan text mining yaitu tahapan
dijelaskan diatas. Setelah proses pembobotan kata dan sudah diketahui hasilnya
setiap term pada judul skripsi. menggunakan naïve bayes sehingga menghasilkan
hasil kalsifikasi judul berdasarkan kategori kelasnya. Alur sistem secara umum
Mulai
Masukkan Data
Latih
Presprocessing
Data Testing
Pembobotan Kata/TF
Klasifikasi NBC
Hasil Klasifikasi
Data Flow Diagram (DFD) menggambarkan proses apa saja yang akan
berjalan pada sistem klasifikasi ini. Fase ini diawali dengan pembentukan
konteks dari sistem klasifikasi ini dapat dilihat pada gambar dibawah ini.
1. Context Diagram
diagram level tertinggi. Pada diagram ini terdapat beberapa komponen yaitu
aktor, proses dan alur data. Aktor pada diagram ini yaitu admin, alur data yaitu
Admin menjadi sumber yang akan mengolah data judul skripsi yang ada
pada sistem ini. Data tersebut berupa judul skripsi yang diperoleh dari prodi
informatika. Admin disini dapat mengolah data judul skripsi melalui beberapa
NBC dan hasil klasifikasi sehingga akan didapatkan hasil klasifikasi judul
dalamnya yang dapat dilihat pada diagram level 0. Diagram level 0 dapat dilihat
terdapat dua proses yaitu proses memproses data training dan proses memproses
38
data testing. Proses preprocessing data terdiri atas judul skripsi dan hasil
klasifikasi. Semua proses ini dapat dilihat pada diagram level 1 yang ditunjukkan
preprocessing yaitu judul skripsi yang telah diinput sebelumnya akan diproses
filtering/stopword dan stemming. Setiap data training dan testing yang melalui
proses preprocessing, hasil pada tahap ini akan diproses lagi pada klasfikasi
dengan cara mengambil sekumpulan judul skripsi dari situs sintaks informatika
unsulbar berdasarkan kategori kelas yang telah ditentukan yaitu RPL, Sistem
dimana jumlah keseluruhan data yang digunakan sebanyak 250 data judul skripsi
yang terbagi dalam data training sebanyak 150 sedangkan jumlah data testing
sebanyak 100 data untuk di uji validasi kebenaran kelas klasifikasinya sesuai
39
dengan kategorinya.
bayes dimana algoritma ini dapat melakukan pekerjaan dengan efisien. Jika input
apakah judul skripsi milik kelas tertentu atau tidak. Proses ini terdiri dari dua fase
yaitu fase training dan fase klasifikasi. Pada fase training, filternya akan dilatih
I. Teknik Pengujian
kategori kelas yaitu RPL, Sistem Cerdas, dan Iot. Pengujian dilakukan dengan
menggunakan jumlah data training sebanyak 150 data yang diambil dari situs
pengujian terhadap model klasifikasi naive bayes, dengan menginput data testing
40
sebanyak 100 judul skripsi berdasarkan 3 kelas klasifikasi yaitu RPL, Sistem
Cerdas dan Iot. Dimana pada proses testing ini akan menampilkan hasil validasi
klasifikasi model naive bayes apakah sesuai dengan kelasnya atau tidak. Proses
A. Hasil
1. Pengolahan Data
teknik universitas sulawesi barat mulai dari angkatan 2009-2018 yang diambil
dari situs resmi informatika yaitu sintaks informatika untuk melakukan klasifikasi
Sistem Cerdas dan Iot Dimana situs ini dijadikan sebagai situs bagi mahasiswa
tingkat akhir yang akan mengajukan judul skripsi sebagai tugas akhir. Data yang
digunakan dalam penelitian ini sebanyak 250 judul yang dibagi kedalam data
training sebanyak 150 judul sedangkan untuk data testing sebanyak 100 judul.
Sebelum data judul skripsi diolah menggunakan algoritma naïve bayes, data akan
diolah terlebih dahulu kedalam text mining yaitu preprocessing yang sudah
dibahas dibab sebelumnya. Tabel dibawah ini berisikan dataset yang digunakan
dan telah diberi kelas kategori atau pelabelan manual, untuk melihat jumlah
41
42
2. Text Preprocessing
a. Tokenisasi
bertujuan untuk proses memisahkan atau memecah teks atau kalimat menjadi
sebuah kumpulan kata agar mudah dalam melakukan pembobotan tiap kata
nantinya.
Hasil tokenisasi untuk data training judul skripsi dapat dilihat pada tabel 4.3
b. Case Folding
mengubah semua huruf yang ada menjadi huruf kecil. Tabel 4.2 adalah hasil data
c. Filtering/Stopword
merepresentasikan isi dari suatu dokumen dengan mengacu pada kamus stopword
yang telah ada untuk kata atau term mana yang seharusnya di hilangkan. Seperti
yang telah dijelaskan dibab sebelumnya. Tabel 4.4 adalah hasil data yang telah
d. Stemming
Stemming merupakan tahapan proses untuk mengambil suatu kata inti atau
kata dasar dari hasil filtering . pada tahap ini akan dilakukan penghilangan kata
imbuhan awalan dan akhiran sehingga menghasilkan kata dasar dari setiap kata
(token). Tabel 4.5 adalah hasil data yang telah dilakukan proses Stemming.
Target kelas klasifikasi yang dipilih adalah RPL, Sistem Cerdas dan Iot.
berdasrkan hasil hitung frekunsi kata atau kemunculan kata yang benar-benar
merepresentasikan isi dari suatu judul skripsi tersebut. Karena semakin sering kata
tersebut muncul maka dapat dikatakan bahwa kata tersebut mencirikan suatu kelas
tertentu. 10 kata yang paling banyak muncul akan dipilih sebagai atribut kata.
Atribut kata yang dipilih dapat dilihat pada tabel 4.6 berikut.
47
RPL SC Iot
Semakin besar jumlah atau nilai bobot pada kemunculan suatu term dalam
dokumen, maka akan semakin besar bobotnya atau akan memberikan nilai
menghitung nilai TF dan IDF pada setiap token (kata) di setiap dokumen.
bobot tiap term dalam teks. Dengan memberikan bobot nilai 1 dan 0.
TF
Kata (Term)
Data 1 Data 2 Data 3
Sistem 1 1 0
Informasi 1 0 0
Olah 1 0 0
Data 1 0 0
Simpan 1 0 0
Pinjam 1 0 0
Koperasi 1 0 0
pegawai 1 0 0
republik 1 0 0
indonesia 1 0 0
karya 1 0 0
dharma 1 0 0
kabupaten 1 0 0
otomasi 0 1 0
smart 0 1 0
home 0 1 0
bas 0 1 0
internet 0 1 0
of 0 1 0
things 0 1 0
implementasi 0 0 1
elimination 0 0 1
and 0 0 1
choice 0 0 1
translation 0 0 1
reality 0 0 1
electre 0 0 1
tentu 0 0 1
calon 0 0 1
bimbing 0 0 1
tugas 0 0 1
akhir 0 0 1
49
dalam dokumen.
TF IDF
Kata (Term)
Data 1 Data 2 Data 3 DF
sistem 1 1 0 2
informasi 1 0 0 1
olah 1 0 0 1
data 1 0 0 1
simpan 1 0 0 1
pinjam 1 0 0 1
koperasi 1 0 0 1
pegawai 1 0 0 1
republik 1 0 0 1
indonesia 1 0 0 1
karya 1 0 0 1
dharma 1 0 0 1
kabupaten 1 0 0 1
otomasi 0 1 0 1
smart 0 1 0 1
home 0 1 0 1
bas 0 1 0 1
internet 0 1 0 1
of 0 1 0 1
things 0 1 0 1
implementasi 0 0 1 1
elimination 0 0 1 1
And 0 0 1 1
choice 0 0 1 1
translation 0 0 1 1
reality 0 0 1 1
electre 0 0 1 1
tentu 0 0 1 1
calon 0 0 1 1
bimbing 0 0 1 1
tugas 0 0 1 1
akhir 0 0 1 1
50
3. Langkah ketiga menghitung IDF dengan menggunakan rumus 2.1 pada bab 2
Term (sistem)
Term (informasi)
Term (olah)
Term (data)
IDF = log 3⁄1 = log 3 = 0,477, dan seterusnya sampai pada term ke32
TF IDF
Kata (Term)
Data 1 Data 2 Data 3 DF log 𝐷⁄𝐷𝐹
sistem 1 1 0 2 0,176
informasi 1 0 0 1 0,477
olah 1 0 0 1 0,477
data 1 0 0 1 0,477
simpan 1 0 0 1 0,477
pinjam 1 0 0 1 0,477
koperasi 1 0 0 1 0,477
pegawai 1 0 0 1 0,477
republik 1 0 0 1 0,477
indonesia 1 0 0 1 0,477
karya 1 0 0 1 0,477
dharma 1 0 0 1 0,477
kabupaten 1 0 0 1 0,477
otomasi 0 1 0 1 0,477
smart 0 1 0 1 0,477
home 0 1 0 1 0,477
bas 0 1 0 1 0,477
51
TF IDF
Kata (Term)
Data 1 Data 2 Data 3 DF log 𝐷⁄𝐷𝐹
internet 0 1 0 1 0,477
of 0 1 0 1 0,477
things 0 1 0 1 0,477
implementasi 0 0 1 1 0,477
elimination 0 0 1 1 0,477
and 0 0 1 1 0,477
choice 0 0 1 1 0,477
translation 0 0 1 1 0,477
reality 0 0 1 1 0,477
electre 0 0 1 1 0,477
tentu 0 0 1 1 0,477
calon 0 0 1 1 0,477
bimbing 0 0 1 1 0,477
tugas 0 0 1 1 0,477
akhir 0 0 1 1 0,477
4. Langkah keempat menghitung bobot TF-IDF. Pada tabel 4.9 adalah hasil
TF IDF
Kata (Term) Data Data Data DF log 𝐷⁄𝐷𝐹 Data 1 Data 2 Data 3
1 2 3
sistem 1 1 0 2 0,176 0,176 0,176 0
informasi 1 0 0 1 0,477 0,477 0 0
olah 1 0 0 1 0,477 0,477 0 0
data 1 0 0 1 0,477 0,477 0 0
simpan 1 0 0 1 0,477 0,477 0 0
pinjam 1 0 0 1 0,477 0,477 0 0
koperasi 1 0 0 1 0,477 0,477 0 0
pegawai 1 0 0 1 0,477 0,477 0 0
republik 1 0 0 1 0,477 0,477 0 0
indonesia 1 0 0 1 0,477 0,477 0 0
karya 1 0 0 1 0,477 0,477 0 0
dharma 1 0 0 1 0,477 0,477 0 0
kabupaten 1 0 0 1 0,477 0,477 0 0
otomasi 0 1 0 1 0,477 0 0,477 0
smart 0 1 0 1 0,477 0 0,477 0
52
TF IDF
Kata (Term) Data Data Data DF log 𝐷⁄𝐷𝐹 Data 1 Data 2 Data 3
1 2 3
home 0 1 0 1 0,477 0 0,477 0
bas 0 1 0 1 0,477 0 0,477 0
internet 0 1 0 1 0,477 0 0,477 0
of 0 1 0 1 0,477 0 0,477 0
things 0 1 0 1 0,477 0 0,477 0
implementasi 0 0 1 1 0,477 0 0 0,477
elimination 0 0 1 1 0,477 0 0 0,477
and 0 0 1 1 0,477 0 0 0,477
choice 0 0 1 1 0,477 0 0 0,477
translation 0 0 1 1 0,477 0 0 0,477
reality 0 0 1 1 0,477 0 0 0,477
electre 0 0 1 1 0,477 0 0 0,477
tentu 0 0 1 1 0,477 0 0 0,477
calon 0 0 1 1 0,477 0 0 0,477
bimbing 0 0 1 1 0,477 0 0 0,477
tugas 0 0 1 1 0,477 0 0 0,477
akhir 0 0 1 1 0,477 0 0 0,477
Berdasarkan hasil perhitungan bobot kata yang diperoleh dari proses
perhitungan kemunculan kata dapat diperoleh bahwa nilai bobot kata yang
tersebut.
beberapa tahap data latih dan data uji. Berikut adalah penjelasan langkah-
yang menjadi kategori ada tiga yaitu kategori RPL, Sistem Cerdas, dan Iot.
Rpl
D( Sc )
Iot
P (Rpl/Sc/Iot) =
|C|
= 1⁄3 = 0,333
d(Rpl)
P(Rpl) =
|C|
53
= 1⁄3 = 0,333
d(Sc)
P(Sc) = |C|
= 1⁄3 = 0,333
d( Iot)
P(Iot) = |C|
Keterangan :
𝑝 (Rpl/Sc/Iot) = Peluang kemunculan dokumen dari kelas rpl, sc, dan Iot
ⅆ(Rpl/Sc/Iot) = Jumlah seluruh dokumen pada setiap kelas
|𝑐| = Jumlah keselurahan data yang dilatih yaitu Rpl, Sc, dan Iot
( nk|Rpl|Sc|Iot )+1
P(w |Rpl|Sc|Iot ) =
( n,|Rpl|Sc| Iot ) +|Kosakata|
Keterangan :
0,477+1 1,477
P(informasi| Rpl ) = = = 0,043
2+32 34
0,477 +1 1,477
P(olah| Rpl ) = = = 0,043
2+32 34
0,477+1 1,477
P(data | Rpl ) = = = 0,043
2+32 34
0,477+1 1,477
P(simpan | Rpl ) = = = 0,043
2+32 34
0,477+1 1,477
P(pinjam | Rpl ) = = = 0,043,
2+32 34
54
0,477+1 1,477
P(koperasi | Rpl ) = = = 0,043,
2+32 34
0,477+1 1,477
P(koperasi | Rpl ) = = = 0,043,
2+32 34
0,477+1 1,477
P(pegawai | Rpl ) = = = 0,043,
2+32 34
0,477+1 1,477
P(republik | Rpl ) = = =0,043,
2+32 34
0,477+1 1,477
P(indonesia | Rpl ) = = =0,043,
2+32 34
0,477+1 1,477
P(karya | Rpl ) = = =0,043,
2+32 34
0,477+1 1,477
P(dharma | Rpl ) = = =0,043,
2+32 34
0,477+1 1,477
P(kabupaten | Rpl ) = = =0,043, dan seterusnya sampai pada term
2+32 34
Kelas
P(𝑋𝑘𝑗 | 𝐶𝑖 ) RPL SC Iot
0,3333 0,3333 0,3333
sistem 0,0345 0,0294 0,0345
informasi 0,0434 0,0294 0,0294
olah 0,0434 0,0294 0,0294
data 0,0434 0,0294 0,0294
simpan 0,0434 0,0294 0,0294
pinjam 0,0434 0,0294 0,0294
koperasi 0,0434 0,0294 0,0294
pegawai 0,0434 0,0294 0,0294
republik 0,0434 0,0294 0,0294
indonesia 0,0434 0,0294 0,0294
karya 0,0434 0,0294 0,0294
dharma 0,0434 0,0294 0,0294
kabupaten 0,0434 0,0294 0,0294
otomasi 0,0294 0,0294 0,0434
smart 0,0294 0,0294 0,0434
home 0,0294 0,0294 0,0434
55
Kelas
P(𝑋𝑘𝑗 | 𝐶𝑖 ) RPL SC Iot
0,3333 0,3333 0,3333
bas 0,0294 0,0294 0,0434
internet 0,0294 0,0294 0,0434
of 0,0294 0,0294 0,0434
things 0,0294 0,0294 0,0434
implementasi 0,0294 0,0434 0,0294
elimination 0,0294 0,0434 0,0294
and 0,0294 0,0434 0,0294
choice 0,0294 0,0434 0,0294
translation 0,0294 0,0434 0,0294
reality 0,0294 0,0434 0,0294
electre 0,0294 0,0434 0,0294
tentu 0,0294 0,0434 0,0294
calon 0,0294 0,0434 0,0294
bimbing 0,0294 0,0434 0,0294
tugas 0,0294 0,0434 0,0294
akhir 0,0294 0,0434 0,0294
Berdasarkan data testing yang akan diuji dengan judul skripsi “Sistem
Informasi Data Medis Ibu dan Anak Di Puskesmas Banggae” dengan status kelas
maisng-masing kata didata uji dengan menggunakan hasil probabilitas term yang
didapat pada data latih. Tabel probabilitas yang sudah terbentuk dengan
B. Implementasi Sistem
1. Halaman Login
Admin/pengguna untuk dapat mengakses atau masuk dalam sistem ini. Pengguna
dan password yang tidak sesuai kedalam sistem, maka pengguna ataupun Admin
tidak dapat mengakses atau gagal masuk kedalam sistem akan muncul
pemberitahuan bahwa kombinasi user dan password yang anda masukkan salah,
2. Halaman Home
maka tampilan yang pertama kali muncul adalah menu home. Pada menu ini,
sistem akan menampilkan penjelasan mengenai algoritma naïve bayes serta fitur-
Halaman data training ini berfungsi untuk menampilkan semua data judul
skripsi yang digunakan sebagai data training. Pada halaman ini memuat semua
dataset yang berada pada database saat ini. Sistem ini dilengkapi fitur bagi admin
59
Halaman ini berfungsi untuk mengolah data judul skripsi yang telah di
input kedalam data training, sehingga data ini diolah menggunakan proses text
beberapa tahap yaitu tokenisasi yang berfungsi membagi data menjadi kata
tunggal yang mewakilinya, case folding berfungsi untuk mengubah data menjadi
huruf kecil, tahap stopword berfungsi untuk menyaring atau menghilangkan kata
yang tidak penting dengan menggunakan kamus dari tala yang telah dibahas bab
imbuhan yang terdapat pada data tersebut dan menyisahkan kata dasar dari data
tersebut.
Halaman ini berfungsi untuk menampung data yang dijadikan sebagai data
uji, yang nantinya akan diklasifikasikan berdasarkan kategori kelasnya. Sistem ini
juga dilengkapi fitur bagi admin untuk mengolah data ini diantaranya adalah
Halaman ini berfungsi untuk melihat nilai akurasi dari data yang sudah
diuji berdasarkan dataset atau data training yang telah diproses sehingga dapat
61
pembobotan term dari hasil stemming dan menghitung nilai probabilitas masing-
kelasnya.
9. Halaman Hasil
akurasi dan confusion matriks. Sistem ini akan menampilkan akurasi dari hasil
klasifikasi judul skripsi sehingga dapat diketahui keakuratan dari algoritma yang
digunakan.
C. Hasil Pengujian
1. Pengujian Akurasi
random/acak dengan keseluruhan data sebanyak 250 data yang terdiri dari 150
data training dan 100 data testing yang akan dilakukan uji coba untuk mengetahui
hasil akurasi terhadap algoritma klasifikasi yaitu naïve bayes. Data tersebut
digunakan untuk mengelompokan sebuah data baru yang belum diketahui kelas
kategorinya apakah data tersebut masuk dalam kelas RPL, Sistem Cerdas, dan
63
Iot. Jumlah keseluruhan data training dan data testing dapat dilihat pada lampiran
Berdasarkan hasil klasifikasi dari data training dan data testing yang telah
sistem menampilkan sebanyak 3 data judul skripsi yang tidak sesuai dengan
kategori kelasnya. Hasil akurasi diketahui dari berapa jumlah data testing sesuai
target kelas yang telah ditentukan dibagi dengan jumlah keseluruhan data testing,
sehingga hasil akurasi dari uji coba dapat dilihat pada sebagai berikut:
97
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100 % = 97 %
100
Berdasarkan hasil pengolahan 150 data training dan 100 data testing
sebesar 97 %. Untuk mencari nilai akurasi, precision dan recall dapat digunakan
nilai true positif, false negatif, true negatif, dan false positif. Untuk mengetahui
pada kelas IoT dan bernilai true positif (TP) adalah sebanyak 32 judul, false positif
(FP) sebanyak 1 judul, true negatif (TN) sebanyak 66 judul, dan false negatif
64
(FN) sebanyak 1 judul, berikutnya untuk nilai klasifikasi pada kelas RPL dan
bernilai true positif sebanyak 31 judul, False Positif sebanyak 1, true negatif
sebanyak 66 judul, dan false negatif sebanyak 2 judul, sedangkan untuk nilai
klasifikasi kelas Sistem Cerdas dan bernilai true positif sebanyak 34 judul, false
positif sebanyak 1 judul, true negatif sebanyak 65 dan false negatif sebanyak 0.
Dalam pengujian ini menggunakan 250 data judul skripsi yang dipilih secara
random/acak yang kemudian dibagi kedalam data training dan data testing.
Dimana sebanyak 150 data training dan sebanyak 100 data yang menjadi data
sebagai berikut:
(TP+TN)
Accuracy = (TP+FP+TN+FN)
( 32+66 )
= (32+1+66+1 )
98
= = 0,98
100
(TP)
Precission=
(TP+FP)
( 32 )
= (32+1 )
32
= = 0,97
33
(TP)
Recall =
(TP+FN)
( 32 )
= (32+1 )
32
= 33 = 0,97
dilakukan dengan menggunakan confusion matrix yaitu dengan sebuah matrik dari
prediksi yang akan dibandingkan dengan atribut asli dari data inputan. Pengujian
ini dilakukan dengan menggunakan 100 data testing, data testing tersebut akan
dibandingkan hasil klasifikasi yang dilakukan oleh sistem. Hasil pengujian akurasi
klasifikasi judul skripsi berdasarkan kategori dapat dilihat pada tabel 4.13
Predicted Class
Actual
RPL SC Iot
RPL 32 1 0
SC 1 31 1
Iot 0 0 34
Sumber : Pengujian
Setelah sistem melakukan klasifikasi, lalu hitung nilai accuracy dan error
rate dengan rumus untuk menghitung accuracy dan rumus untuk menghitung
error rate.
32+31+34
Accuracy = 32+0+2+1+33+1+0+0+31 x 100%
97
= 100
x 100%=97 %
1+0+0+0+1+1
Error Rate = 32+0+2+1+31+1+0+0+34 x 100%
3
= x 100%=0,03 % atau 3 %
100
K-fold adalah salah satu metode Cross Validation yang populer dengan
juga. Pada pengujian ini data yang akan digunakan adalah 100 judul skripsi
termasuk data uji yang nantinya akan dibagi menjadi 10 bagian atau k=10
sehingga data yang diperoleh adalah 100 data dibagi menjadi 10 lipatan dengan
masing-masing isinya adalah 10 data judul. Selain itu akan ditentukan mana yang
termasuk data training dan mana yang termasuk data testing dengan
sebanyak 10 kali (k=10) dengan posisi data tes berbeda disetiap iterasinya.
Misalkan iterasi pertama data tes pada posisi awal, iterasi kedua data tes di posisi
kedua begitu seterusnya. Hingga iterasi kesepuluh Gambaran iterasi k-fold dapat
metode naïve bayes. Skema pengujian dalam penelitian ini dilakukan dengan
membagi data training dengan ukuran yang berbeda-beda, hal ini dilakukan
membagi jumlah fold pada masing-masing data training dan data testing yang
berbeda, agar dapat mengetahui pengaruh data training terhadap hasil klasifikasi.
Pada tabel hasil pengujian terdapat beberapa field antara lain, Data training dan
67
Data testing yang akan diuji kebenaran kelasnya. data failed yang artinya data
yang gagal memprediksi kebenaran kelasanya dan data testing benar artinya data
sesuai dengan kelas yang telah ditentukan. Berikut adalah urutan pengujian yang
training yang digunakan berturut-turut sebanyak 1-10, 11-20, 21-30, 31-40, 41-
a. Pengujian 1
judul skripsi. Dimana terdapat 3 kelas katgeori yaitu RPL, SC, dan IOT. Untuk
pengujian fold ke-1 jumlah data Testing sebanyak 10 data. Dari hasil pengujian
yang benar, sesuai dengan target kelas yang telah ditentukan. Hasil data testing
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Alat Pendeteksi Suhu Tubuh Berbasis Iot Iot ✔
Mikrokontroler Arduino Uno
2 Perancangan Website Pada Puskesmas RPL RPL ✔
Pambusuang
3 Sistem Informasi Aplikasi Rekam Mudik Pada RPL RPL ✔
Rumah sakit Umum Daerah Kabupaten
Majene
4 Pemetaan Daerah Prioritas Penanganan Sistem Sistem ✔
Stunting Pada Ibu Hamil Menggunakan Cerdas Cerdas
Metode TOPSIS (Studi Kasus:Kabupaten
68
Klasifikasi
No Dokumen Klasifikasi NBC Benar
Majene)
5 Uji Plagiarism Pada Tugas Mahasiswa Sistem Sistem ✔
Menggunakan Algoritma Winnowing Cerdas Cerdas
6 Implementasi Metode Ahp Dan Topsis Pada Sistem Sistem ✔
Sistem Pendukung Keputusan Calon Penerima Cerdas Cerdas
Bedah Rumah (Studi Kasus : Desa Bonde
Utara)
7 Sistem Informasi Data Medis Ibu dan Anak Di RPL RPL ✔
Puskesmas Banggae
8 Sistem Keamanan Rumah Walet berdasarkan Iot Iot ✔
getaran dan Inframerah berbasis Internet Of
Things (IOT)
9 Rancang Bangun Sistem Informasi Monitoring RPL RPL ✔
Absensi Perkuliahan Mahasiswa Via SMS
Gafe
10 Implementasi data mining persediaan obat Sistem Sistem ✔
pada Puskesmas Banggae II menggunakan Cerdas Cerdas
Algoritma Apriori
Data pengujian Fold 1
Predicted Class
Actual
RPL SC Iot
RPL 4 1 0
SC 0 3 1
Iot 1 0 2
Sumber : Pengujian
hasil testing diantaranya, terdapat 4 judul sesuai dengan target kelas klasifikasi
RPL, 1 judul RPL dikategorikan ke dalam kelas sistem Cerdas, dan 3 judul SC
sesuai dengan target kelas klasifikasi Sistem Cerdas. Selanjutnya terdapat 2 judul
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Analisis Dan Pengajuan Tranmisi Data Dengan RPL Sistem Failed
Modern GSM 20Menggunakan Axence Nettols Cerdas
2 Prototype Monitoring Penyiraman dan Iot Iot ✔
Pemupukan Otomatis Pada Tanaman Bawang
Mandar Berbasis IoT (Internet Of Things)
3 Aplikasi Perpustakaan Di SDN 1 Saleppa RPL RPL ✔
Berbasis Website
4 Rancang Bangun Tempat Sampah Pintar IOT RPL Failed
Pemilah Sampah Organik Dan Anorganik
Berbasis Mikrocontroller Arduino
5 Sistem Kontrol Ph Air Dan Monitoring Nutrisi Iot Iot ✔
Pada Tanaman Hidroponik Dengan Internet Of
Things
6 Implementasi algortima forecasting Sistem Sistem ✔
menggunakan metode triple exponential Cerdas Cerdas
smooting pada persediaan obat studi kasus
apotek anita farma
7 Rancang Bangun Website Hotel Villa Bogor RPL RPL ✔
Kabupaten Majene
8 Prototype Sistem Monitoring Penggunaan Daya Iot Iot ✔
Listrik Dan Pengontrolan Penggunaan Air
Menggunakan Mikrokontroler
9 Sistem Pendukung Keputusan Kelayakan Sistem Sistem ✔
Pendonor Darah Menggunakan Metode Topsis Cerdas Cerdas
Berbasis Web
10 Sistem Otomasi Pada Smart Home Berbasis Iot Iot ✔
Internet Of Things (Iot)
70
Predicted Class
Actual
RPL SC Iot
RPL 2 1 0
SC 0 2 1
Iot 1 0 4
Berdasarkan confusion matriks yang ditunjukkan pada tabel 4.16 diperoleh
hasil testing diantaranya, terdapat 2 judul sesuai dengan target kelas klasifikasi
RPL, 1 judul RPL dikategorikan ke dalam kelas sistem Cerdas, dan 2 judul SC
sesuai dengan target kelas klasifikasi Sistem Cerdas. Selanjutnya terdapat 4 judul
Iot sesuai dengan target kelas klasifikasi Iot, 1 judul Iot dikategirikan kedalam
kelas RPL.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Prototype Alat Penyortir dan Penghitung Telur Iot Iot ✔
Otomatis Berbasis Internet of Things
2 Prototype Alat Stabilisasi Suhu Kandang Ayam Iot Iot ✔
Berbasis Mikrokontroller
3 Aplikasi Pelayanan Berkas Persyaratan Nikah RPL RPL ✔
Di Kua Kecamatan Banggae Timur
4 Perancangan Alat Internet Of Things (Iot) Iot Iot ✔
Untuk Monitoring Serta Mengendalikan Suhu
Dan Kelembapan Pada Budidaya Jamur
5 Pendeteksi Kesegaran Ikan Menggunakan Iot Iot ✔
Sensor Mq-135
6 Penentuan Dosen Teladan Berdasarkan Penilaian Sistem Sistem ✔
Kinerja Menggunakan Metode Simple Additive Cerdas Cerdas
Weighting (Studi Kasus Dosen Unsulbar)
Klasifikasi
No Dokumen Klasifikasi NBC Benar
9 Perancangan Sistem Informasi Simpan Deposito RPL RPL ✔
Koperasi Citra Sejahtera Kabupaten Majene
10 Sistem Monitoring dan kontrol cairan infus pasien Iot Iot ✔
berbasis Internet Of Things (IoT)
Predicted Class
Actual
RPL SC Iot
RPL 3 0 0
SC 0 1 1
Iot 0 0 6
Sumber : Pengujian
hasil testing diantaranya, terdapat 3 judul sesuai dengan target kelas klasifikasi
RPL, dan 1 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Selanjutnya terdapat 6 judul Iot sesuai dengan target kelas klasifikasi Iot.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Monitoring Suhu Dan Kelembapan Rumah Walet Iot Iot ✔
Berbbasis Lora (Long Range)
2 Perancangan Website Museum Daerah Mandar RPL RPL ✔
Kabupaten Majene
3 Penerapan Algoritma Naive Bayes Dalam Sistem Sistem ✔
Menentukan Kelayakan Nasabah Pada Koperasi Cerdas Cerdas
Simpan Pinjam
4 Penerapan Logika Fuzzy Alat Penyangrai Biji Iot Iot ✔
Kopi Otomatis Menggunakan Arduino Uno
5 Sistem Informasi Pengolahan Data Simpan RPL RPL ✔
Pinjam Koperasi Pegawai Republik Indonesia
Karya Dharma Kabupaten Majene
6 Perancangan sistem Menggunakan Manajemen RPL RPL ✔
72
Klasifikasi
No Dokumen Klasifikasi NBC Benar
Adminitrasi SDN 008 Camba - Camba Kec.
Limboro
7 Implementasi Elimination And Choice Sistem Sistem ✔
Translation Reality (Electre) Untuk Menentukan Cerdas Cerdas
Calon Pembimbing Tugas Akhir Mahasiswa
8 Implementasi Algoritma Levensthein String Studi Sistem Sistem ✔
Kasus Arsip Data Pasien Rumah Sakit Umum Cerdas Cerdas
Daerah Kabupaten Majene
9 Diagnosis Penyakit Stunting Pada Balita Melalui Sistem Sistem ✔
Penerapan Sistem Pakar Menggunakan Metode Cerdas Cerdas
Certainty Factor
10 Perancangan early warning system pada smart Iot Iot ✔
home berbasis internet of things (IOT
Sumber : Hasil Pengujian
Predicted Class
Actual
RPL SC Iot
RPL 3 1 0
SC 0 4 0
Iot 0 0 3
Sumber : Pengujian
hasil testing diantaranya, terdapat 3 judul sesuai dengan target kelas klasifikasi
RPL, dan 4 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Selanjutnya terdapat 3 judul Iot sesuai dengan target kelas klasifikasi Iot.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Sistem Kontrol Dan Monitoring Pemberi Pakan Ikan Iot Iot ✔
Otomatis Berbasis Iot
2 Prototype Smart Green House Kelompok Tani Di Iot Iot ✔
Mamasa Menggunakan Wemos
73
Klasifikasi
No Dokumen Klasifikasi NBC Benar
3 Sistem Pakar Identifikasi Hama Tanaman Cabai Sistem Sistem ✔
Menggunakan Metode Iterative Dichotomizer Tree Cerdas Cerdas
(Id3)
4 Sistem Pendukung Keputusan Penentuan Sistem Sistem ✔
Masyarakat Miskin Dengan Metode Weighted Cerdas Cerdas
product di Desa Bukit Samang
5 alat pemantau penggunaan daya listrik pada indekos Iot Iot ✔
berbasis IOT
6 Identifikasi Hama Dan Penyakit Pada Tanaman Sistem Sistem ✔
Kacang Tanah Menggunakan Case Based Cerdas Cerdas
Reasoning Dan Algoritma K-Nearest Neighbor
7 Perancangan Aplikasi Propil layanan Kantor Urusan RPL RPL ✔
Agama Kecamatan Campalagian Dengan
Pemdekatan Prototype
8 System Monitoring Suhu Panas Pada Empang Iot Iot ✔
Menggunakan Mikrokontroler Berbasis Internet Of
Things
9 Perancangan Aplikasi Registrasi Pendaftaran KK RPL RPL ✔
dan Tanda Penduduk Dinas Kependudukan dan
Catatan Sipil Kabupaten Polewali Mandar
10 Prototype Food Feeding System Pada Ayam Broiler Iot Iot ✔
Berbasis Internet Of Things
Data pengujian Fold 5
Predicted Class
Actual
RPL SC Iot
RPL 2 0 0
SC 0 3 0
Iot 0 0 5
Sumber : Pengujian
hasil testing diantaranya, terdapat 2 judul sesuai dengan target kelas klasifikasi
RPL, dan 3 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Selanjutnya terdapat 5 judul Iot sesuai dengan target kelas klasifikasi Iot.
74
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Implementasi Algoritma Genetika untuk Sistem Sistem ✔
Menyelesaikan Course Scheduling Problem Cerdas Cerdas
Menggunakan Random Pair Mutation Gen
2 Aplikasi Penjualan Berbasis Client Server Pada RPL RPL ✔
Toko UD. Setia
3 Sistem Pakar Diagnosa Penyakit pada Tanaman Sistem Sistem ✔
Kakao menggunakan Metode Certainty Factor Studi Cerdas Cerdas
Kasus Kab. Mamuju
4 Penerapan Data Mining Menggunakan Algoritma Sistem Sistem ✔
K-Means Untuk Mendukung Strategi Promosi Cerdas Cerdas
Universitas Sulawesi Barat Berbasis Web
5 Sistem Monitoring Pembayaran dan Remainder Iot Iot ✔
Penyewaan Kamar Indekos Berbasis IoT
6 Sistem Pendukung Keputusan Pemilihan Tempat Sistem Sistem ✔
Kos Mahasiswa Universitas Sulawesi Barat Dengan Cerdas Cerdas
Menggunakan Metode Saw (Simple Additive
Weighting) Dan Metode Fuzzy Multi-Attribute
Decision Making
7 Monitoring Gudang Farmasi Menggunakan Web Iot Iot ✔
Server Streaming Video Dengan Pembacaan Sensor
8 Perancangan Apiikasi Koperasi Simpan Pinjam RPL RPL ✔
Kantor Kementerian Agama Kabupaten Majene
9 Perancangan early warning pada system Iot Iot ✔
kebencanaan berbasis Internet Of Things (IOT)
10 Perancangan Aplikasi Sistem Informasi Adminitrasi RPL RPL ✔
Siswa SMP Neg. 5. Polman
Data pengujian Fold 6
Predicted Class
Actual
RPL SC Iot
RPL 3 0 0
SC 0 4 0
Iot 0 0 3
Sumber : Pengujian
hasil testing diantaranya, terdapat 3 judul sesuai dengan target kelas klasifikasi
75
RPL, dan 4 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Selanjutnya terdapat 3 judul Iot sesuai dengan target kelas klasifikasi Iot.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Implementasi Algoritma Knn Untuk Memprediksi Sistem Sistem ✔
Kelulusan Mahasiswa Teknik Informatika Cerdas Cerdas
Universitas Sulawesi Barat
2 Implementasi Sistem Pendukung Keputusan (SPK) Sistem Sistem ✔
untuk Pemilihan Konsentrasi Studi Mahasiswa Cerdas Cerdas
menggunakan AHP dan TOPSIS
3 Clustering Wilayah Berdasarkan Data Kesehatan Sistem Sistem ✔
Lingkungan Menggunakan Fuzzy C-Means Cerdas Cerdas
4 Sistem pakar diagnosa penyakit ayam petelur Sistem Sistem ✔
dengan metode Dempster Shafer Cerdas Cerdas
5 Perancangan Sistem Panduan Tempat Wisata RPL RPL ✔
Berbasis Web Di Kabupaten Majene Sulawes Barat
6 aplikasi metode e learning sdn no copala RPL RPL ✔
7 Aplikasi Metode E - Learning Pada SDN No. 16 RPL RPL ✔
Copala
8 Sistem Pakar Mendiagnosis Penyakit Dan Hama Sistem Sistem ✔
Pada Tanaman Padi Cerdas Cerdas
9 Perbandingan Algoritma Naive Bayes Dan C45 Sistem Sistem ✔
Dalam Mengidentifikasi Penyakit Diabetes Di Cerdas Cerdas
Puskesmas Lembang Majene
10 Implementasi algortima forecasting menggunakan RPL RPL ✔
metode triple exponential smooting pada persediaan
obat studi kasus apotek anita farma
Predicted Class
Actual
RPL SC Iot
RPL 4 0 0
SC 0 6 0
Iot 0 0 0
Sumber : Pengujian
76
hasil testing diantaranya, terdapat 4 judul sesuai dengan target kelas klasifikasi
RPL, dan 6 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Perancangan Website Museum Daerah Mandar RPL RPL ✔
Kabupaten Majene
2 Sistem Informasi Perincian Gaji Pegawai Negeri Di RPL RPL ✔
Kantor Kelurahan Baruga Kabupaten Majene
3 Implementasi algoritma Levenshtein distance dalam Sistem Sistem ✔
perbaikan pencarian kata kunci pada koleksi Cerdas Cerdas
Museum Kebudayaan Mandar Majene berbasis
Digital.
4 Sistem Pengolahan Data Surat Masuk Dan Surat RPL RPL ✔
Keluar Di Kantor Notaris Nurhidayah Kab. Majene
5 Rancang Bangun Alat Fermentasi Tempe Iot Iot ✔
Menggunakan Arduino Uno
6 Penentuan Lokasi Strategis Pusat Oleh – Oleh Khas Sistem Sistem ✔
Majene Menggunakan Metode Topsis Cerdas Cerdas
7 Pemberian Pakan Ikan Otomatis Untuk Iot Iot ✔
Pengembangan Fishery Manajemen Sistem
8 Implementasi Sistem Penyiraman Otomatis Berbasis Iot Iot ✔
Mikrontroler Pada Tanaman Bawang Merah
9 Rancang Bangun Sistem Informasi Akademik Di RPL RPL ✔
SDN Inpres No. 26 Pakkola
10 Implementasi Sistem Pendukung Keputusan (SPK) Sistem Sistem ✔
untuk Pemilihan Konsentrasi Studi Mahasiswa Cerdas Cerdas
menggunakan AHP dan TOPSIS
77
Predicted Class
Actual
RPL SC Iot
RPL 4 0 0
SC 0 3 0
Iot 0 0 3
Sumber : Pengujian
hasil testing diantaranya, terdapat 4 judul sesuai dengan target kelas klasifikasi
RPL, dan 3 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Selanjutnya terdapat 3 judul Iot sesuai dengan target kelas klasifikasi Iot.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Perancangan Website Pada Puskesmas Pambusuang RPL RPL ✔
2 Perbandingan Metode K-NN dan Naïve Bayes Sistem Sistem ✔
dalam Klasifikasi Penentuan Calon Pendonor Darah Cerdas Cerdas
(Studi Kasus UTD RSUD Majene)
3 Prediksi Produktivitas Kakao Dengan Algoritma K - Sistem Sistem ✔
Nearest Neighbor Untuk Mendukung Kebijakan Cerdas Cerdas
Dinas Pertanian Kabupaten Mamuju
4 Sistem Monitoring Infus Secara Otomatis Iot Iot ✔
Menggunakan Nodemcu
5 Sistem Monitoring Tangki Air Berbasis Internet Of Iot Iot ✔
Things Menggunakan Nodemcu Esp8266 Dan
Sensor Ultrasonik Di Kampus Teknik Parang-
Parang
6 Sistem Monitoring Air Layak Komsumsi Berbasis Iot Iot ✔
Mikrokontroller
7 ancang aplikasi data base terima raskin lurah RPL RPL ✔
baruga dhua
8 Perancangan Aplikasi Data Base Penerima Raskin RPL RPL ✔
Di Kelurahan Baruga Dhua
9 Penerapan Teknologi IoT pada Hidroponik Iot Iot ✔
78
Klasifikasi
No Dokumen Klasifikasi NBC Benar
menggunakan Arduino
10 Perancangan Sistem Informasi Penerimaan Bansos RPL RPL ✔
Predicted Class
Actual
RPL SC Iot
RPL 4 0 0
SC 0 3 0
Iot 0 0 4
Sumber : Pengujian
hasil testing diantaranya, terdapat 4 judul sesuai dengan target kelas klasifikasi
RPL, dan 3 judul SC sesuai dengan target kelas klasifikasi Sistem Cerdas.
Selanjutnya terdapat 3 judul Iot sesuai dengan target kelas klasifikasi Iot.
Klasifikasi
No Dokumen Klasifikasi NBC Benar
1 Monitoring Produksi Ayam Petelur Menggunakan Iot Iot ✔
Internet Of Things
2 Penerapan Clustering K-Means Dalam Pemetaan Sistem Sistem ✔
Kunjungan Wisata Di Kabupaten Majene Cerdas Cerdas
3 Smart Aquaponic System Menggunakan Internet Of Iot Iot ✔
Things
4 Sistem Antrian Berbasis Komputer Pada Puskesmas RPL RPL ✔
Tutallu Kecapatan Alu Kebupaten Polewali Mandar
5 Implementasi Metode K-Means Dalam Pemetaan Sistem Sistem ✔
Sebaran Alumni Cerdas Cerdas
6 Pemetaan Pusat Kesehatan Berbasis GIS Sistem Sistem ✔
menggunakan Algoritma Djisktra (Studi Kasus Cerdas Cerdas
Kabupaten Polman)
79
Klasifikasi
No Dokumen Klasifikasi NBC Benar
7 Membangun Perangkat Lunak Sebagai Alat Bantu RPL Iot Failed
Penagajar Berbasis Multimedia Tentang Benda -
Benda Langit ( Tata Surya )
8 sistem pakar diagnosa penyakit diare pada balita Sistem Sistem ✔
dengan metode forward chaining Cerdas Cerdas
9 Sistem Pakar Diagnosis Kerusakan Komputer Sistem Sistem ✔
Menggunakan Algoritma C4.5 Cerdas Cerdas
10 Rancang Bangun Aplikasi Reservasi Hotel Online RPL RPL ✔
Pada Hotel Pasifik Wonomulyo Berbasis Web
Sumber : Pengujian
Predicted Class
Actual
RPL SC Iot
RPL 2 0 1
SC 0 5 0
Iot 0 0 2
Sumber : Pengujian
hasil testing diantaranya, terdapat 2 judul sesuai dengan target kelas klasifikasi
RPL, 1 judul RPL dikategorikan sebagai kelas Iot dan 5 judul SC sesuai dengan
target kelas klasifikasi Sistem Cerdas. Selanjutnya terdapat 2 judul Iot sesuai
Hasil akurasi pengujian diketahui dari berapa jumlah data testing yang
sesuai target kelas yang telah ditentukan dibagi dengan jumlah keseluruhan data
data training yang berbeda yaitu membagi jumlah training pada penelitian ini
pada masing-masing data training dan data testing yang berbeda, agar dapat
mengetahui pengaruh data training terhadap hasil klasifikasi. Pada tabel hasil
pengujian terdapat beberapa field antara lain, Data training dan data testing yang
akan diuji kebenaran kelasnya. Hasil akurasi dari keseluruhan pengujian dapat
Data Testing
No. Fold Data Testing benar Akurasi
salah
1 1-10 0 10 100%
2 11-20 2 8 80%
3 21-30 0 10 100%
4 31-40 0 10 100%
5 41-50 0 10 100%
6 51-60 0 10 100%
7 61-70 0 10 100%
8 71-80 0 10 100%
9 81-90 0 10 100%
10 91-100 1 9 90%
81
Hasil Akurasi
12
10
8
Akurasi
6
4
2
0
Fold
Fold Fold Fold Fold Fold Fold Fold Fold Fold
91-
1-10 11-20 21-30 31-40 41-50 51-60 61-70 71-80 81-90
100
Data Salah 0 2 0 0 0 0 0 0 0 1
Data Benar 10 8 10 10 10 10 10 10 10 9
Akurasi 100% 80% 100% 100% 100% 100% 100% 100% 100% 90%
A. KESIMPULAN
dapat dilakukan dalam mengelompokkan judul skripsi sesuai kelas topiknya. Dari
hasil pengujian akurasi yang dilakukan terhadap 150 data training dan 100 data
presisi didapatkan nilai sebesar 0,97 %, Recall mendapat nilai sebesar 0,96 % dan
nilai laju error sebesar 0,03 %. Berdasarkan hasil pengujian dapat diketahui
judul skripsi kedalam kategori kelas sudah baik, dapat dilihat dari tingkat akurasi
yang diperoleh terhadap 100 data testing dan 150 data training.
B. SARAN
melakukan kombinasi algoritma yang lain sehingga diperoleh tingkat akurasi yang
metode yang paling cocok dengan melihat nilai akurasi dari metode yang
digunakan.
82
83
jumlah data training dan data uji yang digunakan untuk meningkatkan keakuratan
84
80
Solichin, A. (2016). Pemrograman web dengan PHP dan MySQL. Penerbit Budi
Luhur.
Sani, R. R., Zeniarza, J., & Luthfiarta, A. (2016). Pengembangan Aplikasi
Penentuan Tema Tugas Akhir Berdasarkan Data Abstrak Menggunakan
Algoritma K-nearest Neighbor. Unisbank Semarang, 207, 103–111.
Sanjaya, S., & Absar, E. A. (2015). Pengelompokan Dokumen Menggunakan
Winnowing Fingerprint dengan Metode K-Nearest Neighbour. Jurnal
CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi
Informasi, 1(2), 50-56.
Syahdrajat, T. (2015). Panduan menulis tugas akhir kedokteran & kesehatan.
Kencana.
Sukamto, R. A., & Shalahuddin, M. (2013). Rekayasa Perangkat Lunak Terstruktur dan
Berorientasi Objek. Bandung: Informatika.
Riyanto, Slamet. 2014. Adobe Photoshop to CSS3. Jakarta:PT Elex Media
Komputindo
Raschka, S. 2015.Naive Bayes and Text Classification I Introduction And Theory.
New York: Cornell University Library, (Online),
(https://arxiv.org/pdf/1410.5329v3.pdf), diakses pada 15 November 2022)
Soyomukti, N. 2015. Teori-Teori Pendidikan: Dari Tradisional, (Neo) Liberal,
Marxis-Sosialis, Hingga Postmodern. Yogyakarta: Ar-Ruzz Media.
Somantri, O., Wiyono, S., & Dairoh, D. (2016). Metode K-Means untuk Optimasi
Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector
Machine (SVM). Scientific Journal of Informatics, 3(1), 34–45.
https://doi.org/10.15294/sji.v3i1.5845
Wurdianarto, S. R., Novianti, S., dan Rosyidah, U. (2014). “Perbandingan
Euclidean Distane Dengan Canberra Distance”. Face Recognition
TECHNO.COM, 13 (1), 31-37
Yusra, Olivita, D., & Vitriani, Y. (2016). Perbandingan Klasifikasi Tugas Akhir
Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes
Classifier dan K-Nearest Neighbor. Jurnal Sains, Teknologi Dan Industri,
14(1), 79–85.
82
LAMPIRAN
83
1 Sistem Informasi Pengolahan Data Simpan Pinjam Koperasi Pegawai Republik RPL
Indonesia Karya Dharma Kabupaten Majene
4 Rancang Bangun Sistem Informasi Akademik Di SDN Inpres No. 26 Pakkola RPL
5 Sistem Informasi Gaji Pegawai Negeri Sipil Di Kantor Kelurahan Baruga RPL
7 Sistem Informasi Data Medis Ibu dan Anak Di Puskesmas Banggae RPL
9 Sistem Informasi Akademik Universitas Sulawesi Barat Prodi Teknik Informatika RPL
14 Aplikasi Penjualan Berbasis Client Server Pada Toko UD. Setia RPL
17 Perancangan Aplikasi Data Base Penerima Raskin Di Kelurahan Baruga Dhua RPL
18 Analisis Dan Pengajuan Tranmisi Data Dengan Modern GSM 20Menggunakan RPL
Axence Nettols
19 Membangun Perangkat Lunak Sebagai Alat Bantu Penagajar Berbasis Multimedia RPL
Tentang Benda - Benda Langit ( Tata Surya )
20 Perancangan Aplikasi Katalog Buku Berbasis Client Sever Pada Kantor Perpustakaan RPL
Umum Kab. Majene
21 Perancangan Sistem Pengelolaan Adminitrasi Uang Makan dan Uang Lembur Pada RPL
Bagian Keuangan Kantor Kab. Majene
84
24 Aplikasi Pelayanan Berkas Persyaratan Nikah Di Kua Kecamatan Banggae Timur RPL
25 Perancangan Aplikasi Sistem Informasi Pengelolaan Surat Masuk dan Surat Keluar RPL
Pada SMK Neg. 2 Majene
26 Sistem Informasi Pengelolaan Surat Masuk Dan Surat Keluar Pada Dinas Satuan RPL
Polisi Pamong Praja Dan Perlindungan Masyarakat
29 Rancang Bangun Sistem Informasi Monitoring Absensi Perkuliahan Mahasiswa Via RPL
SMS Gafe
30 Perancangan Sistem Pengolahan Data Inventaris Oba t Pada Apotik Citra Farmasiando RPL
Majene
31 Sistem Pengolahan Data Surat Masuk Dan Surat Keluar Di Kantor Notaris RPL
Nurhidayah Kab. Majene
32 Rancang Bangun Aplikasi Reservasi Hotel Online Pada Hotel Pasifik Wonomulyo RPL
Berbasis Web
34 Perancangan Aplikasi Profil Siswa dan Calon Siswa Baru Di SMP Neg. 1 RPL
Campalagian
37 Sistem Antrian Berbasis Komputer Pada Puskesmas Tutallu Kecapatan Alu RPL
Kebupaten Polewali Mandar
39 Perancangan Aplikasi Data Pegawai Kantor Badan Lingkungan Hidup Dan Pertanian RPL
Kabupaten Majene
40 Sistem Informasi Aplikasi Rekam Mudik Pada Rumah sakit Umum Daerah RPL
Kabupaten Majene
85
41 Perancangan Sistem Pengolahan Data Pernikahan Pada Kantor Urusan Agama ( KUA RPL
) Kecamatan Tammerodo Sendana
42 Sistem Informasi Perincian Gaji Pegawai Negeri Di Kantor Kelurahan Baruga RPL
Kabupaten Majene
45 Perancangan Sistem Panduan Tempat Wisata Berbasis Web Di Kabupaten Majene RPL
Sulawes Barat
47 Perancangan Aplikasi Sistem Informasi Adminitrasi Siswa SMP Neg. 5. Polman RPL
48 Perancangan Aplikasi Propil layanan Kantor Urusan Agama Kecamatan Campalagian RPL
Dengan Pemdekatan Prototype
49 Perancangan Sistem Informasi Simpan Deposito Koperasi Citra Sejahtera Kabupaten RPL
Majene
52 Pemetaan Daerah Prioritas Penanganan Stunting Pada Ibu Hamil Menggunakan Sistem
Metode TOPSIS (Studi Kasus:Kabupaten Majene) Cerdas
54 Perbandingan Algoritma AHP dan SAW Untuk Sistem Penunjang Keputusan Sistem
Pemilihan Bibit Jagung Cerdas
BONDE UTARA)
62 Kombinasi Algoritma Certainty factor dan Forward Chaining Untuk Mengidentifikasi Sistem
Penyakit Ayam Petelur Cerdas
72 Perbandingan Metode K-NN dan Naïve Bayes dalam Klasifikasi Penentuan Calon Sistem
Pendonor Darah (Studi Kasus UTD RSUD Majene) Cerdas
76 Implementasi data mining persediaan obat pada Puskesmas Banggae II menggunakan Sistem
Algoritma Apriori Cerdas
78 Diagnosis Penyakit Stunting Pada Balita Melalui Penerapan Sistem Pakar Sistem
Menggunakan Metode Certainty Factor Cerdas
83 Sistem Pendeteksi Ikan Tidak Segar Menggunakan pengolahan Citra Berbasis Sistem
Android Dengan Metode K-NEAREST NEIGHBOR Cerdas
86 Pemetaan Pusat Kesehatan Berbasis GIS menggunakan Algoritma Djisktra (Studi Sistem
Kasus Kabupaten Polman) Cerdas
90 Penerapan Algoritma FSA (Finite State Automaton) pada aplikasi penerjemah bahasa Sistem
indonesia -mandar Cerdas
91 Sistem pakar diagnosa penyakit ayam petelur dengan metode Dempster Shafer Sistem
Cerdas
92 sistem pakar diagnosa penyakit diare pada balita dengan metode forward chaining Sistem
Cerdas
95 Implementasi algoritma Levenshtein distance dalam perbaikan pencarian kata kunci Sistem
pada koleksi Museum Kebudayaan Mandar Majene berbasis Digital. Cerdas
98 Sistem Pakar Diagnosa Penyakit pada Tanaman Kakao menggunakan Metode Sistem
Certainty Factor Studi Kasus Kab. Mamuju Cerdas
99 Sistem pendukung keputusan pemilihan skincare sesuai dengan kebutuhan kulit Sistem
wajah menggunakan metode SMARTER Cerdas
100 Rancang Bangun Sistem Pendeteksi Gempa Bumi Berbasis Internet Of Things IOT
101 SISTEM OTOMASI PADA SMART HOME BERBASIS INTERNET OF THINGS IOT
(IoT)
103 Perancangan prototype pulse sensor monitoring Berbasis IoT (Internet of Things) IOT
106 Sistem Monitoring Tangki Air Berbasis Internet Of Things Menggunakan Nodemcu IOT
Esp8266 Dan Sensor Ultrasonik Di Kampus Teknik Parang-Parang
109 Prototype Alat Stabilisasi Suhu Kandang Ayam Berbasis Mikrokontroller IOT
110 PENERAPAN LOGIKA FUZZY ALAT PENYANGRAI BIJI KOPI OTOMATIS IOT
MENGGUNAKAN ARDUINO UNO
113 Prototype Monitoring Penyiraman dan Pemupukan Otomatis Pada Tanaman Bawang IOT
Mandar Berbasis IoT (Internet Of Things)
114 Implementasi Modul RFID Internet of Things untuk Smart Door IOT
119 System Monitoring Suhu Panas Pada Empang Menggunakan Mikrokontroler Berbasis IOT
Internet Of Things
120 SISTEM KONTROL PH AIR DAN MONITORING NUTRISI PADA TANAMAN IOT
HIDROPONIK DENGAN INTERNET OF THINGS
122 Prototype food feeding system pada ayam broiler berbasis internet of things IOT
MIKROKONTROLER
126 alat pemantau penggunaan daya listrik pada indekos berbasis IOT IOT
128 Perancangan early warning system pada smart home berbasis internet of things (IOT IOT
129 Perancangan early warning pada system kebencanaan berbasis Internet Of Things IOT
(IOT)
130 Perancangan early warning pada system kebencanaan berbasis Internet Of Things IOT
(IOT)
131 Real time notification pada sistem deteksi kebakaran berbasis Internet of Things (IoT) IOT
132 Sistem Keamanan Rumah Walet berdasarkan getaran dan Inframerah berbasis IOT
Internet Of Things (IOT)
134 Sistem monitoring pembudidayaan pada tanaman cabai berbasis iot(internet of things) IOT
135 Pemberian Pakan Ikan Otomatis Untuk Pengembangan Fishery Manajemen Sistem IOT
137 Prototype Alat Penyortir dan Penghitung Telur Otomatis Berbasis Internet of Things IOT
140 SISTEM KONTROL DAN MONITORING PEMBERI PAKAN IKAN OTOMATIS IOT
BERBASIS IOT
143 Sistem Monitoring dan kontrol cairan infus pasien berbasis Internet Of Things (IoT) IOT
144 Prototipe Sistem Monitoring Ketinggian Air Pada Bendungan Berbasis Internet Of IOT
91
Things
146 Sistem Monitoring Pembayaran dan Remainder Penyewaan Kamar Indekos Berbasis IOT
IoT
147 Sistem Pengukur Tekanan Darah dan Denyut Nadi Berbasis Internet Of Things IOT
150 Perancangan Aplikasi Penggajian Pegawai Pada Dinas Pendidikan Pemuda Dan RPL
Olahraga Kab. Majene
1 Perancangan Sistem Informasi Berbasis web SMP negeri 2 Campalagian Menggunakan Metode
WISDM
2 Sistem Infromasi Pengarsipan Surat Masuk Dan Surat Keluar Berbasis web Pada Kantor Camat
Banggae Timur Kab. Majene Prototype
3 Sistem Informasi Persuratan Masuk dan Keluar di Instansi Dinas Pendidikan Kab. Majene
6 Sistem Informasi Pengelolaan Data Penjual Laptop dan Aksesoris Komputer Pada Komputer
Berbasis Web
7 Perencanaan Sistem Informasi Pariwisata Daerah Polewali Mandar Dengan Menggunakan Metode
BUMN
8 Perancangan Sistem Informasi Pengelolaan Industri Tradisional Sarung Sutra Dengan Pemodelan
BDMN Studi Kasus KSU Mitra Mandiri Sejahtera Desa Renggean
9 Perancangan Model Proses Bisnis Pengelolaan Pengarsipan Dokemen Di Dinas Keuangan Kab.
Majene Berdasarkan Bussines Process Modelling Notation ( BPMN )
10 Pembuatan Wajan Bolic Sebagai Antena Sektoral Di Desa Lemba Sumara Kecamatan Soyojaya
Provinsi Sulawesi Tengah
92
No Data Asli
11 Sistem Informasi Data Penduduk Pada Kantor Desa Laliko Kecamatan Campalagian Kabupaten
Polewali Mandar
12 Perancangan Sistem Informasi Monitorin Aktivitas Desa Berbasis Web Dengan Metode BPMM
15 Sistem Informasi Data Rekapitulasi Absensi Pegawai Pada Instansi Dinas Pekerjaan Umum
Kabupaten Majene
16 Rancangan Aplikasi Pengarsipan Buku Tanah Pada Kantor Badan Pertanahan Nasional (BPN)
Kabupaten Polewali Mandar Berdasarkan Metode Prototype
18 Rancang Bangun Penyusun Kebutuhan Sistem Pada Proses pengarsipan Dokumen Berbasis Web
Di Dinas Keuangan Dengan Pengelolaan Agile Model Driven
19 Aplikasi Sistem E-Commerce Dengan Pendekatan Agile Model Driven Studi Kasus Toko Fara
Hijab
20 Perancangan Sistem Informasi Persediaan Obat Pada Puskesmas Tinambung Berbasis Web
Menggunakan Metode Agile
21 Rancang Bangun Model Bisnis Web E-Commerce Toko UD Perkasa Berdasarkan Business
Process Modeling Notation (BPMN)
22 Pengembangan Media Pembelajaran Berbasis Makro Media Plus Pada SMK Negeri 2 Majene
23 Sistem Informasi Penerimaan Mahasiswa Baru Berbasis Web Dengan Metode Prototype
25 Aplikasi Website Sistem Informasi Dinas Lingkungan Hidup Dan Kebersihan Kabupaten Majene
27 Pemodelan Sistem Informasi Tracer Studi Berdasarkan Metode Agile Studi Kasus Program Studi
Teknik Informatika Unsulbar
28 Sistem Informasi layanan Rumah Sewa di kabupaten majene Berbasis Waeb Dengan Pendekatan
Prototype
29 Sistem Informasi Pengelolaan Surat Masuk dan Surat Keluar pada Dinas Satuan Polisi Pamong
Praja dan Perhubungan Masyarakat
93
No Data Asli
30 Penerapan Metode Prototype Untuk Pengembangan Sistem Informasi Penjadwalan Kuliah Dan
Nilai Pada Program Studi Informatika Di Universitas Sulawesi Barat
36 Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Mengetahui Pola Pembelian
Konsumen Obat Pada Data Transaksi Penjualan Di Apotek Rahma
38 Perbandingan Algoritma Genetika dan Ant Colony Optimization pada Penyelesaian Travelling
Salesman Problem
39 perhitungan bibit ikan bandeng berdasarkan citra biner berbasis android di kel. baurung kab.
majene
40 Rekomendasi makanan pendamping ASI untuk bayi menggunakan algoritma naive bayes
berdasarkan kebutuhan kalori
43 Klasifikasi Kualitas Gula Aren dengan Citra Digital Menggunakan K-Nearest Neighbor (K-NN)
45 Implementasi Algoritma Naive Bayes Untuk Mengukur Tingkat Keefektifan Dan Kepuasan Publik
Sistem Belajar Daring Di Masa Pandemi Covid-19
No Data Asli
49 Penerapan Algoritma Naive Bayes Dalam Memprediksi Persediaan Bahan Baku Mebel
52 Sistem Diagnosa Penyakit Diabetes Mellitus Menggunakan Metode Certainty Factor Dan Fuzzy
Logic Berbasis Web
53 Sistem pendukung keputusan penerima bantuan bencana alam menggunakan metode topsis
56 Sistem Pendukung Keputusan Pendistribusian Logistic Secara Merata Pasca Bencana Alam
Menggunakan Metode Weighted Product (WP)
57 Sistem Pakar Diagnosa Penyakit Hepatitis Menggunakan Metode Certainty Factor Berbasis Web
60 Rancangan Otomatis Splinker Pada Tanaman Jagung Menggunakan Teknik PWM Berbasis
Arduino
No Data Asli
67 Perancangan Sistem Keuangan Sekolah Berbasis Web pada SMP Negeri 4 Malunda
70 Perancangan sistem monitoring penggunaan air perusahaan daerah air minum berbasis website
menggunakan Arduino Uno dan komunikasi lora
71 Penerapan Fitur Koreksi Kesalahan Ejaan Bahasa Indonesia Pada Media Tulis Artikel Muslimah
Malaqbiq Community Menggunakan Metode Smoothing Jelinek -Mercer
73 Perancangan Program Penghitung Kendaraan Dan Sistem Kendali Otomatis Lampu Lalu Lintas
Menggunakan Metode Multiple Object Tracking
74 Sistem Pendeteksi Dan Pengusir Hama Pada Buah Kakao Menggunakan Mikrokontroler Arduino
Uno Berbasis Web
76 Prototype Alat Pendeteksi Hama Pada Tanaman Jagung Menggunakan Mp3 DFPlayer Dan
Mikrokontroler
80 Deteksi Wajah Dengan Metode Local binary pattern histogram Pada OpenCV Menggunakan
Pemrograman Python
82 Analisis Elektabilitas Tokoh Publik Majene Pada Berita Online Menggunakan Text Mining
83 Sistem Informasi Layanan Rumah Sewa di Majene Berbasis Web dengan Pendekatan Metode
96
No Data Asli
Prototype
84 Sistem Monitoring Denyut Nadi Pada Pasien Di Puskesmas Banggae Majene Menggunakan Pulse
Sensor
86 Sistem komunikasi wireless jarak jauh dan berdaya rendah menggunakan modul komunikasi LoRa
dstudi kasus rompon nelayan di kab majene
87 pengembangan website layanan algoritma data mining yang terintegrasi dengan aplikasi mobile
menggunakan metode REST API
90 Implementasi metode forward chaining dalam sistem pakar untuk mendiagnosa penyakit
kandungan
91 Pengolahan citra pemilihan size udang vaname mengguna kan algoritma naive bayes
92 Penerapan Sistem Informasi Geografis Untuk Pemetaan Golongan Darah Pendonor Menggunakan
Metode K-Means Clustering Studi Kasus : UTD Kabupaten Polewali Mandar