Hasil Pencarian  ::  Simpan CSV :: Kembali

"Universitas XYZ sebagai institusi Perguruan Tinggi Terbuka Jarak Jauh (PTTJJ), senantiasa menjaga kualitas layanannya agar tetap berkualitas. Salah satu layanan yang senantiasa dijaga adalah layanan Bahan Ajar. Layanan Bahan Ajar didukung dengan manajemen stok bahan ajar dari mulai perencanaan dengan melakukan estimasi kebutuhan bahan ajar, gudang bahan ajar untuk menyimpan persediaan bahan ajar dan Student Record System (SRS). Bahan Ajar disiapkan dalam dua program yaitu melalui Sistem Paket Semester (Paket) dan non-paket. Mahasiswa yang mengikuti program nonpaket tidak diwajibkan membayar tagihan biaya bahan ajar. Untuk menjaga kualitas layanan bahan ajar, Universitas XYZ melakukan estimasi kebutuhan bahan ajar. Estimasi dilakukan secara manual dengan menggunakan formula yang berbeda pada setiap tahunnya. Estimasi dilakukan sebelum dan sesudah masa registrasi mata kuliah. Kenyataannya, kebutuhan bahan ajar masih mengalami kekurangan. Hal ini diketahui pada akhir tahun terdapat perbedaan antara hasil estimasi dan realisasi, sehingga tidak sedikit mahasiswa mendapatkan bahan ajar ketika memasuki akhir semester bahkan ketika memasuki awal semester baru. Penelitian ini bertujuan untuk menentukan berapa banyak bahan ajar yang harus disiapkan dengan cara mempelajari profil mahasiswa melalui data history mahasiswa menggunakan teknik classification. Metode yang digunakan Naïve Bayes, Decision Tree dan Support Vector Machine. Evaluasi menggunakan metode cross validation dengan nilai k 2, 3, 5 dan 10. Hasil percobaan menunjukkan bahwa metode Decision Tree memiliki accuracy tertinggi dibanding dengan yang lain.

---

XYZ University as an institution of Distance Learning Higher Education (PTTJJ), always maintains the quality of its services to remain qualified. One service that is always maintained is the Teaching Materials service. Teaching Material Services are supported by the management of teaching material stocks from the start of planning by estimating teaching material requirements, warehouse of teaching materials to store supplies of teaching materials and Student Record System (SRS). Teaching Materials are prepared in two programs, namely through the Semester Package System (Package) and nonpackage. Students who take non-package programs are not required to pay bills for teaching materials. To maintain the quality of teaching material services, XYZ University estimates the need for teaching materials. Estimates are done manually by using a different formula each year. Estimates are made before and after the registration period of the course. In fact, the need for teaching materials is still lacking. This is known at the end of the year there is a difference between the results of estimation and realization, so that not a few students get teaching materials when entering the end of the semester even when entering the beginning of the new semester. This study aims to determine how much teaching material must be prepared by studying student profiles through student history data using classification techniques. The method used is Naïve Bayes, Decision Tree and Support Vector Machine. The evaluation uses the cross validation method with values k 2, 3, 5 and 10. The experimental results show that the Decision Tree method has the highest accuracy compared to the others."

"Kabupaten Pangkajene dan Kepulauan Pangkep merupakan daerah yang berada pada wilayah Provinsi Sulawesi Selatan. Pengelolaan pegawai negeri sipil PNS lingkup pemerintah Kabupaten Pangkep dilakukan oleh Badan Kepegawaian Pendidikan dan Pelatihan Daerah BKPPD Kabupaten Pangkep. BKPPD Kabupaten Pangkep memberikan layanan kepada pegawai mulai dari perekrutan, penempatan, mutasi, pendidikan dan pelatihan, kedisiplinan, pemberhentian, dan pensiun. BKPPD dalam melakukan mutasi masih mengalami kesulitan dalam menentukan pegawai yang sebaiknya dipindahkan karena tidak adanya pola yang menjadi acuan. Penelitian ini bertujuan untuk mendapatkan pola mutasi dengan menggunakan data mining mengacu pada metodologi CRISP-DM berdasarkan data riwayat mutasi pada sistem aplikasi layanan kepegawaian SAPK . Teknik klasifikasi dengan algoritme Decision Tree, Na ve Bayes, dan Support Vector Machine SVM diterapkan pada data riwayat mutasi untuk mengetahui algoritme terbaik.Algoritme yang memiliki tingkat akurasi paling baik yaitu decision tree dengan nilai sebesar 72,76 . Pola mutasi dapat diimplementasikan oleh BKPPD untuk merancang dokumen redistribusi pegawai lingkup Pemerintah Kabupaten Pangkep.

---

Pangkajene and Kepulauan Pangkep District is an area located in South Sulawesi Province. The management of civil servants PNS scope of government of Pangkep District is done by Regional Civil Servants, Education, and Training BKPPD of Pangkep District. BKPPD provides services to civil servants ranging from recruitment, placement, transfer, education and training, discipline, dismissal, and retirement. BKPPD in conducting mutations still have difficulty in determining which civil servants should be moved because of the absence of a reference pattern.

This study aims to obtain mutation patterns using data mining refers to the CRISP-DM methodology based on historical data on the employment service application system SAPK . Classification techniques with Decision Tree, Na ve Bayes, and Support Vector Machine SVM algorithms are applied to the mutation history data to find the best algorithm.Algorithm that has the best accuracy is the decision tree with a value of 72,76 . The mutation pattern can be implemented by BKPPD to design the redistribution document of Pangkep District Government civil servants."

"Badan Pertimbangan Jabatan dan Golongan (BPJG) merupakan badan yang dibentuk untuk menjamin objektivitas dan kualitas proses pengangkatan, pemindahan dan pemberhentian pejabat struktural unit kerja di BP Batam. Dalam pelaksanaan tugasnya, BPJG menggunakan sistem Human Resource Management (HRM) untuk mendukung proses seleksi calon pejabat, namun sistem HRM ini belum dapat menghasilkan daftar calon yang memenuhi syarat untuk diseleksi menjadi pejabat struktural secara otomatis. Tujuan dari penelitian ini adalah untuk menemukan pola pengisian daftar calon pejabat struktural BP Batam berdasarkan data riwayat jabatan yang ada di sistem HRM (2010-2020) menggunakan teknik data mining, sehingga diharapkan dapat mempercepat proses penyusunan daftar calon pejabat struktural BP Batam oleh BPJG dan dapat digunakan untuk mengembangkan fitur dashboard talent pool pegawai BP Batam. Tahapan penelitian ini dilakukan menggunakan metodologi CRISP-DM dan tiga algoritme data mining klasifikasi yaitu Decision Tree, Support Vector Machine (SVM), dan Naive Bayes. Model klasifikasi Decision Tree menghasilkan performa terbaik pada dua skenario eksperimen yang dilakukan, yaitu skenario class imbalanced dataset dan skenario class balanced dataset. Model klasifikasi Decision Tree menghasilkan 25 pola pengisian jabatan struktural di BP Batam dan atribut Golongan BP merupakan atribut yang paling menentukan untuk memprediksi suatu tingkat jabatan.

---

Badan Pertimbangan Jabatan dan Golongan (BPJG) was formed to guarantee the objectivity and quality process of promotion, mutation and dismissal structural official at BP Batam. BPJG uses the Human Resource Management (HRM) system to support the selection process for prospective officials, however this system unable to automatically produce a list of candidates who meet the requirements to be selected as official. The objective of this research is to find patterns in filling the list of candidates for structural officials based on historical data in the HRM system using data mining techniques, so it will accelerate the process of compiling a list of candidates for structural officials by BPJG and also it can help BP Batam to develop employee talent pool feature for HRM. This research were carried out using the CRISP-DM methodology and three classification algorithms namely Decision Tree, SVM, and Naive Bayes. The Decision Tree classification model yields the best performance in the two experimental scenarios, namely the class imbalanced dataset and the class balanced dataset. The Decision Tree classification model yields 25 patterns for filling the list of candidates for structural officials and Golongan BP attribute is the most decisive attribute for predicting a position level. "

"Perubahan gaya hidup selama pandemi mempengaruhi daya beli dan kebiasaan masyarakat terhadap kebutuhan akan makanan bayi khususnya produk susu, sehingga dalam meningkatkan keuntungan dan daya saing usaha menjadi bagian penting bagi perusahaan yang bergerak dibidang pengadaan susu bubuk untuk balita. Salah satu strategi untuk meningkatkan profitabilitas dan daya saing, yaitu dengan meningkatkan retensi pelanggan dengan memprediksi loyalitas pelanggan dengan mengklasifikasikan profil pelanggan pada Customer Relationship Management (CRM) yang sering juga dikenal dengan sebutan Customer Loyalty Program. Pembahasan ini mencoba untuk mengklasifikasi loyalitas pelanggan melalui profil pelanggan (demografi, transaksi, dll) dengan menggunakan teknik dari metode data mining yaitu Logistic Regression, Random Forest dan Neural Network, sehingga dapat menemukan model atau teknik data mining yang memiliki performasi terbaik dimana accuracy rate value sebagai nilai pembandingnya dan pembahasaan ini juga berfokus pada eksplorasi hubungan antara variabel yang menyusun adanya pelanggan loyal. Dengan berdasarkan Cross Industry Standard Process for Data Mining (CRISP-DM) sebagai metodologi dalam menyusun pembahasan ini, pembahasan akan terbagi menjadi beberapa tahapan, antara lain (1) pemahaman bisnis, (2) Pemahaman data, (3) Persiapan data, (4) Pemodelan dan (5) Evaluasi.

---

Changes in lifestyle during the pandemic affect people's purchasing power and habits towards the need for baby food, especially dairy products, so that increasing profits and business competitiveness becomes an important part for companies which are engaged in procuring powdered milk for toddlers. One of the strategies to increase profitability and competitiveness is to increase customer retention by predicting customer loyalty by classifying customer profiles in the Customer Relationship Management (CRM) which is often also known as the Customer Loyalty Program. This discussion tries to classify customer loyalty through customer profiles (demography, transactions, etc.) using techniques from data mining methods, namely Logistic Regression, Random Forest, and Neural Networks, to find a model or data mining technique that has the best performance where the accuracy rate value as a comparison value and focuses on exploring the relationship between the variables that construct the existence of loyal customers. Based on the Cross Industry Standard Process for Data Mining (CRISP-DM) as the methodology in compiling this discussion, the discussion will be divided into several stages, including (1) business understanding, (2) data understanding, (3) data preparation, (4) modeling and (5) evaluation."

"Summary:Equips you with an understanding and application of the theory and practice of discovering patterns hidden in large data sets. This title focuses on important topics in the field: data warehouses and data cube technology, mining stream, mining social networks, and mining spatial, multimedia and other complex data."

"Focuses on data mining theory and applications. This title intends to introduce some of the developments to a broad audience of both specialists and non-specialists in this field."

"Malware merupakan suatu hal yang dapat merusak maupun menganggu aktivitas dari suatu jaringan ataupun komputer, untuk mencegah semakin tersebarnya Malware maka dibutuhkan pendeteksi untuk malware disuatu jaringan maka dapat ditempatkan suatu Honey Pot ataupun DNS Sinkhole untuk memantau adanya penyerangan terhadap jaringan tersebut ataupun ada malware yang berusaha masuk pada jaringan tersebut, data ndash; data malware yang telah dikumpulkan selanjutnya dapat diolah dengan menggunakan data mining, dengan menggunakan data mining, hasil pengolahan data tersebut dapat dijadikan sebagai parameter bagaimana aktivitas malware yang sering masuk kedalam jaringan dan jenis malware apa saja yang ada dijaringan tersebut. Dengan menggunakan Oracle Data Miner dapat dikatakan untuk tipe data malware yang digunakan untuk data mining adalah Naive Bayes dan Support Vector Machine SVM dimana menunjukkan untuk tipe data seperti ini algoritma Naive Bayes lebih berfungsi dengan baik dibandingkan dengan SVM terlihat dari presentase keberhasilan pengolahan datanya dimana Naive Bayes memiliki 76 keberhasilan sedangkan SVM hanya 32 keberhasilan.

---

Malware are something that can damage or disrupt activities of a network or computer. To prevent spreading of a malware, it is required a detection or a protection system in a network. Honey Pot and DNS Sinkhole are the two kinds of malware detection system that can detect and monitoring network activities and capture or prevent any malware attack that can happens inside the network or computer. Malware datas that already been gathered and collected then will be processed using data mining. With data mining, the mining result will be used as a parameter in how malware activities inside a network and what kind of malware that actived inside a network. Using Oracle Data Miner with data that consist of malware type can be done using Naive Bayes and Support Vector Machine SVM . With this kind of data Naive Bayes perform better than the other algorithm SVM judging by the completion percentage of data mining process for Naive Bayes are 76 and SVM are 32."

"Penelitian ini bertujuan untuk membantu UMKM A dalam menentukan jenis produk yang dapat diproduksi kembali dari 4 kategori produk yang dimilikinya, yaitu Tenun Songket, Bordir Karancang, Sulaman Tangan, dan Batik, dengan menggunakan algoritma decision tree. UMKM A telah mengubah strategi produksinya akibat pandemi COVID-19 lalu, fokus pada produksi berbasis pesanan tanpa menyimpan stok barang yang banyak. Untuk mencapai tujuan tersebut, penelitian ini akan mengimplementasikan metode CRISP-DM (Cross-Industry Standard Process for Data Mining) dan algoritma decision tree serta alat bantu perangkat lunak terbaru serta berlisensi sumber terbuka yaitu KNIME. Data yang digunakan dalam penelitian ini akan diperoleh dari UMKM A dan berdasarkan proses bisnis produksi dan penjualan pada periode pandemi COVID-19. Hasil dari penelitian ini diharapkan dapat memberikan wawasan yang berguna bagi UMKM A dalam menyesuaikan strategi produksi mereka dengan kondisi pasar yang terusberubah akibat pandemi COVID-19.

---

This research aims to help MSMEs A in determining the types of products that can be reproduced from the 4 product categories it owns, namely Tenun Songket, Bordir Karancang, Sulaman Tangan, and Batik, using the Decision Tree algorithm. MSMEs A has changed its production strategy due to the COVID-19 pandemic, focusing on production based on orders without keeping large stocks of goods. To achieve this goal, this research will implement the CRISP-DM (Cross- Industry Standard Process for Data Mining) methodology and the Decision Tree algorithm as well as the latest and open source licensed software tools, namely KNIME. The data used in this research will be obtained from MSMEs A and is based on production and sales business processes during the COVID-19 pandemic period. It is hoped that the results of this research will provide useful insights for MSMEs A in adapting their production strategies to changing market conditions due to the COVID-19 pandemic."

"Jenis usaha perasuransian PT XYZ dibagi menjadi dua yaitu asuransi kesehatan dan asuransi jiwa. Salah satu risiko yang terjadi dan berdampak pada kerugian perasuransian adalah kecurangan atau fraud yang dilakukan pihak tertentu untuk memperoleh keuntungan sepihak. Penelitian ini dilakukan untuk membuat pemodelan data mining yang digunakan untuk mendeteksi fraud pada asuransi kesehatan. Tujuan dari penelitian ini adalah memperoleh algoritma model berbasis data mining yang dapat mendeteksi fraud pada transaksi klaim peserta di PT XYZ. Karakteristik data yang digunakan bersifat imbalanced, karena jumlah data fraud yang digunakan tidak sebesar jika dibandingkan dengan data yang bersifat normal. Pembentukan model pada penelitian ini dilakukan dengan 32 skenario, dengan hasil terbaik skenario dengan penerapan feature engineering, feature selection, oversampling dan uji validasi menggunakan 20­-fold cross validation. Adapun hasil dari skenario tersebut menghasilkan algoritma random forest yang memiliki nilai akurasi paling baik yaitu 99,3% dengan didukung oleh nilai presisi, recall, dan f1 scores masing-masing, 99,3%, 99,3%, dan 99,3%. Hasil akhir dari penelitian ini memperlihatkan bahwa teknik feature engineering dengan penambahan atribut is_dr_speciality, memiliki kontribusi terhadap nilai akurasi model.

---

The type of insurance business of PT XYZ is divided into two, namely health insurance and life insurance. One of the risks that occur and impact insurance losses is fraud committed by certain parties to obtain unilateral benefits. This research was conducted to create a data mining model used to detect fraud in health insurance. The purpose of this study is to obtain a data mining-based model algorithm that can detect fraud in participant claims transactions at PT XYZ. The characteristics of the data used are imbalanced because the amount of fraud data used is not as much as compared to normal data. The model formation in this study was carried out with 32 scenarios, with the best results being the scenario by applying feature engineering, feature selection, oversampling, and validation tests using 20-fold cross-validation. This scenario resulted in the random forest algorithm having the best accuracy value of 99.3%, supported by precision, recall, and f1 scores, 99.3%, 99.3%, and 99.3%. The final result of this study shows that the feature engineering technique with the addition of the is_dr_speciality attribute has contributed to the model's accuracy value."

"Tingginya jumlah peserta seleksi beasiswa yang tidak lulus, menyebabkan tidak efisiennya penyelenggaraan kegiatan seleksi beasiswa di LPDP. Berdasarkan data hasil seleksi beasiswa, terlihat bahwa persentase kelulusan peserta sangat rendah tiap tahunnya. Pada tahun 2013 proporsi yang tidak lulus seleksi sebesar 54%, sedangkan pada tahun 2014 dan tahun 2015 meningkat menjadi 85% dan 71%. Secara keseluruhan, terdapat 74% pendaftar beasiswa LPDP yang tidak lulus seleksi beasiswa dari tahun 2013 hingga tahun 2015. Hal ini menyebabkan tingginya biaya yang dikeluarkan untuk pelaksanaan seleksi. Jika LPDP bisa memprediksi peluang kelulusan peserta, maka biaya tersebut bisa dikurangi. Teknik klasifikasi pada data mining merupakan teknik yang tepat untuk permasalahan ini. Metodologi yang digunakan dalam penelitian ini adalah knowledge discovery in databases (KDD). Metodologi ini terdiri dari 5 (lima) langkah, yaitu selection, preprocessing, transformation, data mining, dan interpretation / evaluation. Dataset bersumber dari data formulir pendaftaran beasiswa dan hasil wawancara. Proses pemodelan menggunakan software Rapid Miner dan algoritma decision tree. Model yang dihasilkan dievaluasi menggunakan k-fold cross validation. Hasil penelitian ini yaitu LPDP dapat memprediksi peluang kelulusan peserta seleksi.

---

The high number of participants who did not pass the scholarship selection, leading to inefficient operation of the selection of scholarship in the LPDP. Based on data from scholarship selection results, it appears that a very low percentage of graduation of each year. In 2013 the proportion who were not selected by 54%, whereas in 2014 and 2015 increased to 85% and 71%. Overall, there is a 74% LPDP scholarship applicants who did not pass the selection of scholarship from 2013 to 2015. This led to high costs incurred for the implementation of the selection. If LPDP can predict the chances of graduation participants, the cost can be reduced. Classification techniques in data mining is a technique that is appropriate for this problem.

The methodology used in this study is a knowledge discovery in databases (KDD). This methodology consists of five (5) steps, namely selection, preprocessing, transformation, data mining, and interpretation / evaluation. Dataset data sourced from the scholarship application form and interview. Process modeling using software Rapid Miner and decision tree algorithm. The resulting model was evaluated using the k-fold cross validation. Results of this study are LPDP can predict the chances of graduation of the selection."