Klasifikasi Hero DOTA 2

Daftar KelompokFahmi 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

deskriptifmenggambarkan

fenomena-fenomena yang adasaat ini atau saat yang

lampau. disajikan dalam bentuk

deskriptif analitis.

HasiL PenelitianAbaddon dapat menjadi tanker atau semi carry yang cukup bagus.

Anti Mage, adalah magic killer karena semua skill yang dia miliki merupakan anti magic.

Lina merupakan hero carry atau semi carry, yang sangat berguna dalam single kill.

Axe adalah seorang initiator war sejati, dengan skill bersekers call.

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 PenelitianAgar hasil klasifikasi e-commerce dapat digunakan untuk menjelaskan fenomena e-commerce yang sedang ramai di Indonesia.

Data yang digunakanjenis -jenis interaksi antara pelaku bisnis

Metode yang digunakanKlasifikasi yang berdasarkan karakteristik interaksi dalam dunia bisnis

Hasil dan PembahasanKlasifikasi bisnis e-commerce :

Listing / iklan baris Online marketplace Shopping Mall

Toko Online Toko Online di media sosial

Jenis website crwodsourcing dan

crowdfunding

KesimpulanPenelitian dalam jurnal ini untuk memberi gambaran terhadap masyarakat mengenai pengklasifikasian bisnis berdasarkan karakteristik interaksi di dunia bisnis.

Klasifikasi Kendaraan Roda Empat Berbasis KnnAhmad 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 digunakanMobil

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 MiningUntuk 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).

KNNDasar Algoritma K Nearest Neaghbour (Brammer,2007):

· Temukan pelatihan yang paling dekat dengan data yang tidak diketahu class-nya.

· Ambil yang paling sering terjadi untuk klasifikasi dari sebanyak k pelatihan.

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

KOPERASIIka 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 kredit.

Tujuan Penelitian :- 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 validation2. confussion matrix3. ROC curve dan T-Test.

Algoritma klasifikasi data mining yang digunakan adalah1. Logistic Regression2. Discriminant Analys3. K-Nearest Neighbour4. Naive Bayes5. Decision Tree6. Neural Network dan Support Vector Machine.

Hasil dan Pembahasan

Berdasarkan proses cross validation dan confussion matrix diperoleh hasil sebagai berikut :

Hasil cross validation

Hasil confussion matrix

Hasil dan Pembahasan

Berdasarkan dari analisis pengujian ROC Curve dan T-Test hasil diperoleh sebagai berikut :

Hasil T-TestHasil ROC Curve

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 AribowoTeknik Informatika. UPN “Veteran” Yogyakarta

Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013

(Muhammad Zainur Ramdhan - 1441177004061)

Latar BelakangData 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.

TujuanTujuan 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

Metode yang digunakanRule based classification

Penelitian memanfaatkan data penjualan produk kendaraan bermotor supermarket.

Data yang digunakan

Proses pemecahan permasalahan1. 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.

4. Rule set

Pohon keputusan tersebut dapat dibentuk rule set yang berguna untuk proses klasifikasi.

5. Proses ekstraksi ciri dan klasifikasi data pembelian konsumen

HASIL PENELITIANPenelitian menghasilkan aplikasi yang diimplementasikan menggunakan java. Aplikasi

diuji dengan data penjualan kendaraan bermotor berbagai merek di wilayah Daerah Istimewa Yogyakarta 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 pembelian kendaraan akan dicatat merek-merek nya dan akan diklasifikasikan menggunakan Rule 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.

Kesimpulan1. 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.

SISTEM KLASIFIKASI PENYAKIT TENGGOROKANBERBASIS WEB MENGGUNAKAN METODE NAIVE

BAYESPenulis : Beni Agustiawan

Program Studi Teknik Informatika, Fakultas Ilmu Komputer

Universitas Dian Nuswantoro( Muhamad Fikri Fadillah - 1441177004047 )

ABSTRAKTujuan 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 BELAKANGPenyakit 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.

TUJUAN

Tujuan yang akan dicapai dalam penelitian ini adalah menerapkan metode Naïve Bayes Classifier untuk

mengklasifikasikan gejala-gejala penyakit tenggorokan.

DATA YANG DIGUNAKANBagian 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 gejala penyakit 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 :

1. Hidung berlendir 12. Bersin 13. Batuk 14. Sakit kepala ringan 15. Nyeri tubuh ringan 16. Demam 1Demam 27. Sakit tenggorokan mendadak 28. Kehilangan nafsu makan 29. Nyeri sewaktu menelan 2

10. Amandel memerah dengan bitnik-bintik putih 211. Demam 212. Nafas bau 313. Demam 314. Suara berubah karena pembengkakan 315. Nyeri sewaktu menelan 316. Pembengkakan kelenjar limfa di leher 317. Susah jika menelan 318. Pembengkakan pada gelenjar getah bening di leher 419. Demam 420. Demam 221. Nafas bau 322. Demam 323. Suara berubah karena pembengkakan 324. Nyeri sewaktu menelan 325. Pembengkakan kelenjar limfa dileher 326. Susah jika menelan 3

27. Pembengkakan pada gelenjar getah bening di leher 4

28. Demam 4

Penyakit Tenggorokan dan Gejalanya :

1. Pilek : 1, 2, 3, 4, 5, 62. Strep Throat : 7, 8, 9, 10, 113. Tonsilitis : 12, 13, 14, 15, 164. Radang Tenggorokan : 17, 18, 19

HASIL DAN PEMBAHASANPerhitungan dengan menggunakan klasifikasi naive bayes classifier dapat diterapkan pada pasien ke-1 mengalami gejala nomor 1, 4, 5, dan 6, Keterangan gejala :

1.Hidung berlendir 5.Nyeri tubuh ringan

4.Sakit kepala ringan 6.Demam

Langkah-langkah perhitungan naive bayes classifier sebagai berikut :

1. Menentukan nilai untuk setiap class

Penyakit tenggorokan ke-1 : Pilek

N = 1 P = 1/4 = 0.25 M = 19

1.nc = 0 4.nc = 0

5.nc = 0 6.nc = 0

6.nc = 0

fff

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.