Nama Peneliti
Yogi Ersan Fadrial
Latarbelakang Masalah
Program studi mempunyai tugas untuk memprediksi lama studi dari setiap mahasiswa
nya guna menentukan mahasiswa mana yang lulus tepat pada waktunya dan
mengantisipasi terjadinya mahasiswa yang gagal dalam menyelesaikan perkulihan,
yang nantinya akan berdampak pada kinerja dari program studi yang ada di
universitas, dengan tingkat kelulusan baik pada setiap tahunnya predikat nilai
kelulusan sangat memuaskan.
Tujuan Penelitian
Memahami, menganalisa dan menerangkan secara ilmiah hasil dari pengujian yang
dilakukan serta mengetahui tingkat akurasi dari teknik penambangan data yang
digunakan dalam percobaan.
Metode Penelitian
Pendekatan yang
dipakai dalam riset ini
merupakan System
Development Live Cycle
(SDLC) dengan bentuk
waterfall
Hasil & Pembahasan Penelitian
Pada aplikasi ini diperlukan Data statistik serta probabilitas untuk sebagian kemungkinan
yang jadi faktor bernilai dalam perhitungan Klasifikasi memakai Metode Naive Bayes, pa
da aplikasi pastinya mahasiswa bisa mengisi sendiri pertanyaan dari kuesioner serta lan
gsung bisa memastikan apakah mahasiswa itu lulus tepat waktu ataupun tidak
Menghitung nilai probabilias setiap jawaban dengan rumus sebagai berikut :
Diketahui :
P = Peluang
Qi = Pertanyaan
Ci = Hipotesis/jawaban sementara (Status Lulus)
Maka :
P(Ci)
= P(Ci = “Tepat”) = 31/50
= P(Ci= “Terlambat”) = 19/50
P(Q1|Ci) =
= P(Q1 = “Y” | Ci = “Tepat”) = 22/31 = 0,71
= P(Q1 = “Y” | Ci = “Terlambat”) = 6/19 = 0,32
= P(Q1 = “T” | Ci = “Tepat”) = 9/31 = 0,29
= P(Q1 = “T” | Ci = “Terlambat”) = 13/19 = 0,68
P(Q2|Ci)
= P(Q2 = “Y” | Ci = “Tepat”) = 14/31 = 0,45
= P(Q2 = “Y” | Ci = “Terlambat”) = 4/19 = 0,2
= P(Q2 = “T” | Ci = “Tepat”) = 17/31 = 0,55
= P(Q2 = “T” | Ci = “Terlambat”) = 15/19 =0,79
Untuk mendapatkan hasil dari tingkat kelulusan mahasiswa, maka ditentukan dengan rumus
berikut:
a. Setiap nilai “Ya” dan “Tidak” pada tingkat kelulusan “Tepat” dikalikan masing-masing pad
a nilai probabilitasnya. Maka :
= (Q1 x Q2 x Q3 x Q4 x Q5 x Q6 x Q7 x Q8 x Q9 x Q10 x Q11 x Q12 x Q13 x Q14)
= (0.71 x 0.55 x 0.39 x 0.45 x 0.61 x 0.42 x 0.55 x 0.55 x 0.39 x 0.35 x 0.61 x 0.68 x 0.48 x 0.48)
= 6.92877e-5
b. Setiap nilai “Ya” dan “Tidak” pada tingkat kelulusan “Terlambat” dikalikan masing-masing
pada nilai probabilitasnya. Maka :
= (Q1 x Q2 x Q3 x Q4 x Q5 x Q6 x Q7 x Q8 x Q9 x Q10 x Q11 x Q12 x Q13 x Q14)
= (0.32 x 0.79 x 0.26 x 0.53 x 0.16 x 0.58 x 0.37 x 0.53 x 0.21 x 0.63 x 0.11 x 0.11 x 0.63 x 0.21)
= 1.34263e-7
Jika Total nilai perhitungan tingkat kelulusan
“Tepat” lebih tinggi daripada “Terlambat”
maka prediksinya “Tepat Waktu”, begitu juga
Sebaliknya.
UML (Unifed Modeling Language)
Aplikasi yang sudah dibuat bermaksud untuk mengenali prediksi lama studi
dari tiap mahasiswa yang sudah menempuh kuliah sampai minimal
semestar VI dengan mengenakan data nilai matakuliah yang telah tercapai
sebelumnya dan jumlah keseluruhan SKS yang telah didapat. .Kalkulasi yang
dipakai yakni Klasifikasi dengan memanfaatkan Algoritma Naive Bayes.
Output yang diperoleh pada aplikasi berbentuk informasi tingkatan kelulusan
dari mahasiswa yang telah melaksanakan pengecekan kelulusan.
Daftar Pustaka
Fadrial, Y. E. (2021). Algoritma Naive Bayes Untuk Mencari Perkiraan Waktu Studi
Mahasiswa. INTECOMS: Journal of Information Technology and Computer Science
, 4(1), 20-29.
Implementasi Algoritma Apriori untuk Rekomendasi
Produk pada Toko Online
Judul Penelitian :
Nama Peneliti :
Esha Alma'arif, Ema Utami, dan Ferry Wahyu Wibowo dari Magister Teknik
Citec Journal, Vol. 7, No. 1, Januari 2020 1. Penerbit jurnal ini adalah Universitas
AMIKOM Yogyakarta.
Latar Belakang Masalah :
Persaingan yang semakin ketat di pasar digital, terutama di toko online. Setiap pemilik
toko online berusaha mencari strategi untuk menarik pelanggan dan meningkatkan
penjualan. Salah satu strategi yang dapat diterapkan adalah memberikan rekomendasi
produk yang sesuai dengan keinginan konsumen. Namun, untuk dapat memberikan
rekomendasi yang tepat, pemilik toko perlu memahami pola belanja Konsumen.
Tujuan Penelitian :
Untuk mengimplementasikan algoritma Apriori pada toko online untuk menemukan pola
asosiasi antar produk dan memberikan rekomendasi produk berdasarkan kombinasi jenis-
jenis produk yang dibeli oleh konsumen. Dengan demikian, pemilik toko online dapat menentu
kan rekomendasi dalam menawarkan produk terkait berdasarkan pola belanja konsumen,
Dataset yang digunakan dalam penelitian ini adalah data historis pembelian dari pengunjung toko online. Data ini
kemudian disusun dalam bentuk tabel yang berisi informasi tentang produk yang dibeli oleh konsumen.
Hasil dan Pembahasan Penelitian :
Hasil dari penelitian ini adalah implementasi algoritma Apriori pada toko online untuk menemuk
an pola asosiasi antar produk berdasarkan data historis transaksi. Dengan menggunakan algor
itma Apriori, penelitian ini berhasil menemukan pola asosiasi antar produk yang dibeli oleh kons
umen, serta memberikan rekomendasi produk berdasarkan kombinasi jenis-jenis produk yang
dibeli. Hal ini dapat membantu pemilik toko online dalam menentukan strategi pemasaran dan
menawarkan produk yang sesuai dengan minat konsumen
Kesimpulan :
Dapat disimpulkan bahwa implementasi algoritma Apriori pada toko online dapat memban
tu pemilik toko dalam menentukan strategi pemasaran dan menawarkan produk yang ses
uai dengan minat konsumen. Dengan menggunakan algoritma Apriori, penelitian ini berhas
il menemukan pola asosiasi antar produk yang dibeli oleh konsumen, serta memberikan rek
omendasi produk berdasarkan kombinasi jenis-jenis produk yang dibeli. Selain itu, penggun
aan metode Prototype dalam pengembangan sistem informasi juga mempermudah peng
aksesan data penjualan dan memungkinkan adanya perbaikan dan penyesuaian yang dip
erlukan. Dalam pengembangan sistem rekomendasi produk untuk toko online, penggunaan
algoritma Apriori dapat menjadi pilihan yang tepat untuk mengekstrak informasi yang ber
manfaat dari data transaksi penjualan. Dengan demikian, pemilik toko online dapat menent
ukan strategi pemasaran yang lebih efektif dan meningkatkan penjualan di pasar digital.
Daftar Pustaka :
Alma'arif, E., Utami, E., & Wibowo, F. W. (2021). Implementasi Algoritma Apriori Untuk Rek
omendasi Produk Pada Toko Online. Creative Information Technology Journal, 7(1), 63
-74.
• Judul Penelitian
Implementasi Data Mining dengan Algoritma Naive Bayes pada Penjualan Obat
• Nama Peneliti :
Herry Derajad Wijaya, Saruni Dwiasnati
• Metode Penelitian :
Metode penelitian ini menggunakan algoritma Naïve Bayes untuk menganalisis data penj
ualan obat-obatan, khususnya jenis-jenis vitamin, guna menentukan produk mana yang
LAKU atau TIDAK LAKU .Data yang digunakan dalam penelitian ini diambil pada tahun 2018
bulan Januari-Mei, dengan jumlah sampel data sebanyak 137 . Tahapan yang dilalui dal
am penelitian ini meliputi preprocessing, seleksi fitur (Feature Selection), dan validasi yan
g mencakup subproses training dan testing .
• Dataset Penelitian :
Dataset yang digunakan pada penelitian ini ada pada Gambar di bawah ini:
• Hasil dan Pembahasan Penelitian :
Sistem Klasifikasi Penjualan Obat ini digunakan untuk menentukan merk vitamin
apa yang LAKU atau TIDAK LAKUnya pada sebuah apotek yang ada di Jakarta de
ngan meggunakan algoritma Naïve Bayes. Penelitian ini menggunakan 150 datas
et. Penelitian ini dilakukan karena adanya masalah untuk mengetahui produk pa
da bulan sebelumnya agar dapat menentukan stok produk mana yang mesti di
perbanyak lagi, dan stok barang mana yang harus lebih dipersedikitkan. Penguji
an pada data rekapitulasi penjualan Obat dengan proses mining Algoritma Naïv
e Bayes menghasilkan tingkat accuracy dengan nilai 88.00%, dimana dalam pen
gujian model data, keseluruhan data set digunakan sebagai data testing. Peneliti
an ini dilakukan menggunakan tools Rapidminner pada dataset penjualan obat
dengan menggunakan algoritma Naïve Bayes.
• Daftar Pustaka:
Wijaya, H. D., & Dwiasnati, S. (2020). Implementasi Data Mining dengan Algoritma
Naïve Bayes pada Penjualan Obat. Jurnal Informatika, 7(1), 1-7.