Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Seiring dengan perkembangan teknologi yang sangat pesat, perkembangan internet juga mengalami perkembangan yang cukup pesat, hal ini terlihat dari semakin banyaknya pemanfaatan internet dalam segala bidang kehidupan khususnya dalam bidang pendidikan. STIKOM BALI merupakan salah satu Sekolah Tinggi Manajemen Informatika dan Teknik Komputer yang berada di pulau Bali. Sebagai salah satu Sekolah Tinggi Manajemen Informatika dan Teknik Komputer yang berada di pulau Bali tentunya STIKOM BALI memiliki banyak sistem informasi yang menunjang proses pembelajaran. Salah satu sistem informasi yang dimanfaatkan oleh STIKOM BALI adalah sistem informasi perkuliahan. Dengan adanya sistem informasi ini, mahasiswa dapat mengetahui berbagai jenis informasi mengenai perkuliahan di STIKOM BALI. Sistem informasi perkuliahan ini dapat diakses oleh berbagai macam perangkat, mulai dari komputer sampai dengan smartphone. Dan yang menjadi permasalahan adalah semua perangkat tersebut memiliki layar dengan resolusi yang berbeda – beda, sehingga jika sistem informasi perkuliahan ini diakses melalui smartphone yang memiliki layar dengan resolusi kecil, maka konten yang ditampilkan menjadi rusak, atau jika bisa ditampilkan secara penuh atau mungkin akan direpotkan dengan aktifitas zoom-in dan zoom-out untuk membaca konten. Salah satu pemecahan dari masalah diatas adalah dengan menerapkan teknologi Web Design Responsive. Dengan menerapkan teknologi Web Design Responsive pada sistem informasi perkuliahan, maka sistem informasi perkuliahan ini akan langsung beradaptasi dengan ukuran layar device yang mengaksesnya.

Abstrak :
Algoritma K-Support Vector Nearest Neighbor (K-SVNN) menjadi salah satu alternatif metode hasil evolusi K-Nearest Neighbor (K-NN) yang bertujuan untuk mengurangi saat prediksi tetapi tetap mempertahankan akurasi prediksi. Metode ini masih relatif muda sehingga baru dibandingkan hanya dengan metode-metode berbasis K-NN lainnya. Dalam penelitian ini dilakukan analisis perbandingan kesamaan, perbedaan, dan kinerja terhadap metode Decision Tree (DT) dan Naïve Bayes (NB). Pengujian dengan perbandingan ini penting untuk mengetahui keunggulan dan kelemahan relatif yang dimiliki oleh K-SVNN. Dengan mengetahui keunggulan dan kelemahan maka metode tersebut dapat dibuktikan kehandalannya ketika diimplementasikan. Pengujian dilakukan baik pada saat pelatihan maupun prediksi. Kinerja pelatihan diukur dalam hal waktu yang digunakan untuk pelatihan, kinerja prediksi diukur dalam hal waktu yang digunakan untuk prediksi dan akurasi prediksi yang didapat. Hasil pengujian menunjukkan bahwa K-SVNN mempunyai akurasi yang lebih baik daripada DT dan NB. Sedangkan waktu yang digunakan untuk pelatihan dan prediksi K-SVNN lebih lama disbanding DT dan NB.