ANALISIS SKILL DAN ABILITY KARAKTER PADA GAME ONLINE DOTA2 ESPORT
Klasifikasi Hero DOTA 2
Daftar Kelompok
Fahmi Husaeni 14-044 6D Mochamad Yusuf Khaidir 14-059 6C Niko Hadi Pantoro 14-058 6C Mochammad Luthfi Santosa 14-040 6D Muhammad Zainur Ramdhan 14-061 6C Muhamad Fikri Fadillah 14-047 6D
ANALISIS SKILL DAN ABILITY KARAKTER PADA GAME ONLINE DOTA2 ESPORT
Kelvin Tungari, Nurdin Nurdin, Dewi Kusumawati Ilmu Komputer
Stmik Bina Mulia Palu Jurnal Elektronik Sistem Informasi Dan Komputer VOL 1 No.2 Juli-Desember 2015
Fahmi husaeni 14-044
Latar Belakang
Peminat permainan DoTA2
DoTA 2
Tingkat Kesulitan
Tujuan Penelitian
Data Metode
Bersifat menggambarkan saat ini atau saat yang disajikan dalam bentuk deskriptif fenomena-fenomena yang ada lampau. deskriptif analitis.
HasiL Penelitian Abaddon dapat menjadi tanker atau semi carry yang cukup bagus
Anti Mage, adalah magic killer karena semua skill yang dia miliki merupakan
anti magic.Axe adalah seorang initiator war sejati, dengan skill bersekers call.
Lina merupakan hero carry atau semi carry, yang sangat berguna dalam
single kill.Crystal Maiden adalah seorang support sejati.
Kesimpulan
Pemula yang akan memainkan game ini, dapat
memahami kegunaan skill dan ability dari masing masing karakter.KLASIFIKASI JENIS-JENIS BISNIS E-COMMERCE DI INDONESIA
Mahir Pradana Universitas Telkom Bandung Jurnal Neo-bis Volume 9, No. 2, Des 2015
Mochamad Yusuf Khaidir (1441177004059)
Latar Belakang
Pentingnya internet Peran internet untuk keperluan bisnis
Tujuan Penelitian
Agar hasil klasifikasi e-commerce dapat digunakan untuk menjelaskan fenomena e-commerce yang sedang ramai di Indonesia.
Data yang digunakan
jenis -jenis interaksi antara pelaku bisnis
Metode yang digunakan
Klasifikasi yang berdasarkan karakteristik interaksi dalam dunia bisnis
Hasil dan Pembahasan
Klasifikasi bisnis e-commerce :
Listing / iklan baris Online marketplace Shopping Mall Toko Online Toko Online di media sosial Jenis website crwodsourcing dan crowdfunding
Kesimpulan
Penelitian dalam jurnal ini untuk memberi gambaran terhadap masyarakat mengenai pengklasifikasian bisnis berdasarkan karakteristik interaksi di dunia bisnis.
Klasifikasi Kendaraan Roda Empat Berbasis Knn
Ahmad Nouvel, AMIK BSI Purwokerto Jurnal Bianglala Informatika Vol 3 No 2 September 2015
MOCHAMMAD LUTHFI SANTOSA 14-040 D
Latar Belakang
Memilih kendaraan yang terbaik dan teraman merupakan hal yang sangat penting, mobil adalah salah satu kendaraan yang
memiliki tingkat keamanan yang memadai dibanding roda dua. Pengembangan mobil sampai sekarang ini semakin bersaing, oleh
karena itu perlu konsumen mengetahui mana mobil yang masuk dalam kategori mobil yang paling baik. Sistem pendukung keputusan
yang tepat perlu kiranya ada suatu pendekatan ilmiah yang digunakan untuk memilih mobil yang ditawarkan Penelitian ini
menggunakan pendekatan klasifikasi data mining dengan metode KNN, yang diaplikasikan untuk user memakai program Matlab.
Sehingga nanti dari hasil metode KNN dapat menyimpulkan mobil.Tujuan Penelitian Untuk klasifikasi mobil terbaik tidak mudah, karena pilihan yang lain memiliki kelebihan dan kekurangan masing-masing
Makalah ini membahas keputusan untuk memilih alternatif mobil terbaik. Selama ini kemungkinan besar pilihan lebih banyak
ditentukan oleh intuisi dan subyektifitas dari pengambil keputusan, yang cenderung bias mempertimbangkan keterbatsan kognitif
manusia. Untuk mengatasi masalah ini penulis menggunakan K Tetangga terdekat (KNN) yang dibuktikan dengan alat weka, dan
diaplikasikan menggunakan matlab.Data yang digunakan Mobil
Dalam Peraturan Pemerintah Republik Indonesia Nomor 44 Tahun 1993: Kendaraan bermotor adalah setiap kendaraan yang digerakkan oleh peralatan mekanik berupa mesin selain kendaraan yang
berjalan di atas rel. Mobil penumpang adalah kendaraan bermotor beroda empat yang dilengkapi sebanyak-banyaknya 8
(delapan) tempat duduk, tidak termasuk tempat duduk pengemudi, baik dengan maupun tanpa perlengkapan pengangkutan bagasi.Data Mining Untuk menghasilkan informasi dan pengetahuan yang berguna dari suatu basis data yang besar diperlukan proses penggalian data yang disebut data mining sehingga ditemukan pola-pola dan relasi yang tersembunyi dalam sejumlah data yang besar tersebut dengan tujuan melakukan klasifikasi, estimasi, prediksi, asosiasi, deskripsi dan visualisasi (Han danKamber, 2001).
KNN Dasar Algoritma K Nearest Neaghbour (Brammer,2007): · Temukan pelatihan yang paling dekat dengan data yang tidak diketahu class-nya.
Metode yang diterapkan
● Merancang sebuah sistem klasifikasi. ● Algoritma K-Nearest Neighbour.
Hasil Pembahasan
Penjelasan hasil penelitian Kasus
klasifikasi kelayakan mobil Data traning
KLASIFIKASI DATA MINING DALAM MENENTUKAN PEMBERIAN KREDIT BAGI NASABAH KOPERASI
Ika Menarianti TAHUN 2015
Jurnal Ilmiah Teknosains, Vol. 1 No. 1 November 2015 (Niko Hadi Pantoro - 1441177004058) Latar Belakang
- instansi keuangan seperti koperasi di luar perbankan belum memiliki pusat data, hal ini dapat meningkatkan resiko kredit yang mengancam profitabilitas
- pada umumnya pemberian kredit dipengaruhi beberapa faktor seperti kepercayaan, kesepakatan, jangka waktu, risiko dan balas jasa (Kasmir, 2010).
- Pengukuran yang akurat dan kemampuan manajemen yang baik dalam menghadapi risiko kredit. Kegagalan mengidentifikasi risiko kredit mengarah pada hilangnya pendapatan dan memperluas kredit
- Dengan Teknik klasifikasi data mining dapat digunakan untuk menentukan risiko
- Menentukan resiko kredit yang terjadi pada transaksi peminjaman
- Menentukan peningkatan kualitas kredit
- Penurunan resiko kredit Data yang digunakan :
- data agunan
- data pinjaman - data piutang lancar.
Metode yang digunakan : 1.
cross validation
2. confussion matrix 3. ROC curve dan T-Test.
Algoritma klasifikasi data mining yang digunakan adalah 1.
Logistic Regression
2. Discriminant Analys
3. K-Nearest Neighbour 4.
Naive Bayes 5. Decision Tree 6. Neural Network dan Support Vector Machine. Hasil dan Pembahasan
Berdasarkan proses cross validation dan confussion matrix diperoleh hasil sebagai berikut :
Hasil confussion matrix Hasil dan Pembahasan
Berdasarkan dari analisis pengujian ROC Curve dan T-Test hasil diperoleh sebagai berikut :
Hasil ROC Curve Hasil T-Test Kesimpulan
Dari hasil analisis komparasi dengan menggunakan cross validation, confusion matrix,
ROC curve dan T-Test pada beberapa algoritma klasifikasi data mining dapat disimpulkan
bahwa algoritma yang paling akurat adalah algoritma Logistic Regression. karena memiliki nilai akurasi tertinggi yaitu 87,41% dengan uji T-test paling dominan terhadap algortima lainnya, dengan nilai AUC paling tinggi yaitu 1.000.
METODE DATA MINING UNTUK KLASIFIKASI KESETIAAN PELANGGAN TERHADAP MEREK PRODUK
Agus Sasmito Aribowo Teknik Informatika. UPN “Veteran” Yogyakarta Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013
(Muhammad Zainur Ramdhan - 1441177004061)
Latar Belakang
Data penjualan suatu produk dapat diolah untuk mengetahui tingkat kesetiaan pelanggan terhadap merek suatu produk.
Salah satu bentuk informasi penting yang dibutuhkan oleh produsen suatu produk konsumtif adalah informasi tentang tingkat kesetiaan konsumen terhadap merek dagang atau merek produk yang dijualnya, serta kekuatan suatu merek terhadap konsumennya.
Tujuan
Tujuan penelitian ini adalah menerapkan teknik data mining rule based classification untuk mengklasifikasikan konsumen dalam kelompok-kelompok konsumen dengan tingkatan loyalitas merek tertentu sehingga dapat dipakai juga untuk memperkirakan kekuatan merek produk
Rule based classification Penelitian memanfaatkan data penjualan produk kendaraan bermotor supermarket.
Data yang digunakan
Metode yang digunakan
Proses pemecahan permasalahan 1. Proses transformasi data
Data penjualan produk ditransformasikan menjadi data sequence (urutan) merek produk yang dibeli oleh seorang konsumen.
2. Pembuatan rule based classifier
Klasifikasi loyalitas konsumen dibagi menjadi lima tingkatan yaitu Undevided Brand Loyalty,
Brand Loyalty with Occasional Switch, Brand Loyalty Switches, Devided Brand Loyalty, dan Brand Indifference.3. Pembentukan aturan klasifikasi ( Rule Based Classifier) Rule base disusun menggunakan pendekatan direct method. Pembentukan rule base diawali dengan membuat pohon keputusan.
Rule set 4. Pohon keputusan tersebut dapat dibentuk rule set yang berguna untuk proses klasifikasi.
HASIL PENELITIAN
Penelitian menghasilkan aplikasi yang diimplementasikan menggunakan java. Aplikasi
diuji dengan data penjualan kendaraan bermotor berbagai merek di wilayah Daerah IstimewaYogyakarta untuk tahun 2000 hingga 2010 (data diperoleh dari DITLANTAS Polda DIY). Aplikasi
akan meminta input nama konsumen, kemudian akan melakukan pencarian merek-merek kendaraan yang telah dibeli oleh konsumen tersebut dalam kurun waktu 10 tahun tersebut. Sejarah Rule pembelian kendaraan akan dicatat merek-merek nya dan akan diklasifikasikan menggunakan yang telah didefinisikan. Hasil Proses klasifikasi tingkat loyalitas merek untuk setiap pelanggan. Seluruh pelanggan diklasifikasikan dan akhirnya dilakukan proses rekap dalam bentuk grafik untuk mengetahui kekuatan merek tersebut. Hasil proses rekap dalam bentuk grafik.
Kesimpulan
1. Metode tersebut dapat dipakai untuk mengklasifikasikan jenis pelanggan dalam kelompok yang setia ( Undevided
Brand Loyalty), pembeli yang beralih (Switch Brand Loyalty), dan pembeli yang tidak setia
2. Jumlah pembeli setia suatu merek menggambarkan kekuatan merek tersebut. Maka merek dengan jumlah pelanggan bertipa Undevided merupakan merek dengan kekuatan paling besar.
BERBASIS WEB MENGGUNAKAN METODE NAIVE BAYES
Penulis : Beni Agustiawan
Program Studi Teknik Informatika, Fakultas Ilmu
KomputerUniversitas Dian Nuswantoro ( Muhamad Fikri Fadillah - 1441177004047 )
ABSTRAK
Tujuan dari klasifikasi gejala-gejala penyakit tenggorokan disini adalah untuk membahas satu masalah penyakit saja, agar fokus permasalahan penelitian tidak meluas ke pembahasan penyakit yang lain. Jika tidak diklasifikasi data gejala penyakit tenggorokan, maka akan menimbulkan permasalahan-permasalahan yang lain selain penyakit tenggorokan. Dalam membahas gejala-gejala penyakit tenggorokan peneliti menggunakan metode Naïve Bayes.
Alasan menggunakan metode naïve bayes adalah memberikan kemudahan dalam menghitung dan menentukan kemungkinan-kemungkinan gejala penyakit tenggorokan serta meminimalkan biaya pengeluaran pasien untuk membeli obat.
LATAR BELAKANG Penyakit tenggorokan dibagi menjadi dua jenis penyakit yaitu penyakit tenggorokan akut dan penyakit tenggorokan kronis
Penyakit tenggorokan akut memiliki ciri dengan gejala nyeri pada tenggorokan dan disertai demam dan batuk, penyakit
tenggorokan akut masih dalam skala baru. Sedangkan penyakit tenggorokan kronis mempunyai ciri disertai nyeri pada saat
menelan air atau makanan terasa ada sesuatu yang mengganjal tenggorokan, penyakit tenggorokan kronis berlangsung
dalam waktu yang lama. Untuk mengetahui gejala-gejala yang terjadi pada penyakit tenggorokan, maka diperlukan suatu
pengklasifikasi gejala penyakit tenggorokan.Salah satu metode yang dapat diterapkan dalam permasalahan ini adalah Naïve Bayes Classifier (NBC). Alasan
menggunakan metode Naïve Bayes Classifier adalah karena metode Naïve Bayes Classifier merupakan penyederhanaan
dari teorema Bayes, Teorema bayes itu sendiri merupakan salah satu metode pendekatan statistik yang mensayaratkan
probabilitas harus bersyarat pada persoalan klasifikasi, pada penelitian ini klasifikasi yang dimaksud adalah mengenai
Jenis penyakit tenggorokan dan gejala-gejala yang timbul dari jenis penyakit tenggorokan tersebut. Metode Naïve Bayes
Classifier diambil dari teknik data mining yang mudah dipahami sehingga dapat dijadikan dasar pengambilan keputusan.RUMUSAN MASALAH
Rumusan masalah yang dapat diangkat dalam penelitian ini adalah Bagaimana menerapkan metode
Naïve Bayes untuk mengklasifikasi gejala-gejala penyakit tenggorokan.BATASAN MASALAH
Permasalahan penulis hanya dibatasan pada permasalahan yaitu hanya mengklasifikasikan
gejala-gejala penyakit tenggorokan saja. TUJUANTujuan yang akan dicapai dalam penelitian ini adalah menerapkan metode Naïve Bayes Classifier untuk
mengklasifikasikan gejala-gejala penyakit tenggorokan.DATA YANG DIGUNAKAN
Bagian metode pengumpulan data berisi penjelasan mengenai sumber data yang didapatkan. Penjelasan
bagian ini meliputi sumber data, variabel, penjelasan variabel, jumlah data, dan sampel data. Pada
Penelitian ini Objek yang dipilih adalah Dinas Kesehatan Semarang. Dalam penelitian mengenai gejalapenyakit tenggorokan, data didapatkan dari Dinas Kesehatan Semarang serta survei yang dilakukan di
Dinas Kesehatan. Data yang didapatkan sebanyak 23 record.Jenis Penyakit :
1. Pilek
2. Strep Throat
3. Tonsilitis
4. Radang Tenggorokan
Gejala Penyakit : 2. Bersin 1 1. Hidung berlendir 1 28. Demam 4
27. Pembengkakan pada gelenjar getah bening di leher 4 6. Demam 1Demam 2 5. Nyeri tubuh ringan 1 4. Sakit kepala ringan 1
3. Batuk 1 Penyakit Tenggorokan dan Gejalanya : 3. Tonsilitis : 12, 13, 14, 15, 16 2. Strep Throat : 7, 8, 9, 10, 11 1. Pilek : 1, 2, 3, 4, 5, 6 10. Amandel memerah dengan bitnik-bintik putih 2
7. Sakit tenggorokan mendadak 2 9. Nyeri sewaktu menelan 2 8. Kehilangan nafsu makan 2 4. Radang Tenggorokan : 17, 18, 19 14. Suara berubah karena pembengkakan 3 13. Demam 3 12. Nafas bau 3
11. Demam 2 18. Pembengkakan pada gelenjar getah bening di leher 4 17. Susah jika menelan 3 16. Pembengkakan kelenjar limfa di leher 3
15. Nyeri sewaktu menelan 3 22. Demam 3 21. Nafas bau 3 20. Demam 2
19. Demam 4
23. Suara berubah karena pembengkakan 3 fff Perhitungan dengan menggunakan klasifikasi naive bayes classifier dapat diterapkan pada pasien ke-1 mengalami gejala nomor 1, 4, 5, HASIL DAN PEMBAHASAN 4.Sakit kepala ringan 1.Hidung berlendir dan 6, Keterangan gejala : 5.Nyeri tubuh ringan 6.Demam 1. Menentukan nilai untuk setiap class : Langkah-langkah perhitungan naive bayes classifier sebagai berikut 1.nc = 0 4.nc = 0 N = 1 P = 1/4 = 0.25 M = 19 Penyakit tenggorokan ke-1 : Pilek 5.nc = 0 6.nc = 0
6.nc = 0
KESIMPULAN
Berdasarkan hasil kegiatan analisis data dalam
penelitian ini, yang berjudul “SISTEM
KLASIFIKASI PENYAKIT TENGGOROKAN
BERBASIS WEB MENGGUNAKAN METODE
NAIVE BAYES “ di simpulkan bahwa
penghitungan menggunakan metode naïve
bayes bisa mengetahui penyakit tenggorokan
yang diderita oleh pasien 1. Klasifikasi penyakit
tenggorokan yang diderita pasien 1 adalah pilek.