[cover]<br />PRESENTASI DATA MINING<br />RHASTA – UNIVERSITAS INDONESIA<br />Faruk Candra Farabi<br />Gregorio Gringo Hona...
Outline<br />Pendahuluan<br />Latar Belakang<br />Tujuan<br />Identifikasi Masalah<br />Metode<br />Eksperimen dan analisa...
PENDAHULUAN<br />
Latar Belakang<br />Pimpinan sebuah PT ingin mendeteksi pola-pola yang terkait dengan studi mahasiswa.<br />Informasi yang...
Tujuan<br />Melakukan  prediksi lama studi dan nilai  tugas akhir II mahasiswa  sebuah  perguruan tinggi. <br />Mendeteksi...
Identifikasi Masalah<br />Data masih mengandung noise. <br />Data mencakup beberapa tahun ajaran sehingga ada perbedaan ku...
METODE<br />
M<br />E<br />T<br />O<br />D<br />E<br />DATA<br />
EKSPERIMEN<br />DAN<br />ANALISA<br />
Eksperimen dan Analisa<br />Preprocessing Data<br />PROBLEM ???<br /><ul><li>Penamaan MK tidakkonsisten
DuplikasiNilai</li></li></ul><li>Penamaan MK tidakkonsisten<br />
DuplikasiNilai<br />
Atribut Lama<br /><ul><li> ID
 MASA STUDI
 KODE MK
 NAMA MK
 AMBIL KE
 NILAI</li></ul>6<br />
AtributBaru<br /><ul><li> ID
 MASA STUDI
AMBIL 1
AMBIL 2
AMBIL 3
AMBIL 4
Jumlah SKS
Jumlah MK
IPK
 AMBIL KE
 NILAI</li></ul>7<br />
AtributBaru<br /><ul><li> AMBIL KE
 NILAI</li></ul>15<br />
Upcoming SlideShare
Loading in...5
×

Presentasi Rhasta Final

568

Published on

Presentasi tim Rhasta (Yuan,Faruk,Ringo) di GemasTIK 2009

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
568
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Presentasi Rhasta Final

  1. 1. [cover]<br />PRESENTASI DATA MINING<br />RHASTA – UNIVERSITAS INDONESIA<br />Faruk Candra Farabi<br />Gregorio Gringo Honassan<br />Yuan Hanif Syaniardi<br />
  2. 2. Outline<br />Pendahuluan<br />Latar Belakang<br />Tujuan<br />Identifikasi Masalah<br />Metode<br />Eksperimen dan analisa<br />Preprocessing data<br />Filtering atribut<br />Modeling data<br />Kesimpulan<br />Photo credit by: ilco (sxc.hu)<br />
  3. 3. PENDAHULUAN<br />
  4. 4. Latar Belakang<br />Pimpinan sebuah PT ingin mendeteksi pola-pola yang terkait dengan studi mahasiswa.<br />Informasi yang dibutuhkan adalah prediksi lamanya masa studi mahasiswa dan prediksi nilai Tugas Akhir II.<br />?<br />Pimpinan PT<br />
  5. 5. Tujuan<br />Melakukan prediksi lama studi dan nilai tugas akhir II mahasiswa sebuah perguruan tinggi. <br />Mendeteksi pola-pola yang terkait dengan studi mahasiswa. <br />Photo credit by: ilman akbar<br />
  6. 6. Identifikasi Masalah<br />Data masih mengandung noise. <br />Data mencakup beberapa tahun ajaran sehingga ada perbedaan kurikulum.<br />source: adapting-to-change-slideshare-version2<br />
  7. 7. METODE<br />
  8. 8. M<br />E<br />T<br />O<br />D<br />E<br />DATA<br />
  9. 9. EKSPERIMEN<br />DAN<br />ANALISA<br />
  10. 10. Eksperimen dan Analisa<br />Preprocessing Data<br />PROBLEM ???<br /><ul><li>Penamaan MK tidakkonsisten
  11. 11. DuplikasiNilai</li></li></ul><li>Penamaan MK tidakkonsisten<br />
  12. 12. DuplikasiNilai<br />
  13. 13. Atribut Lama<br /><ul><li> ID
  14. 14. MASA STUDI
  15. 15. KODE MK
  16. 16. NAMA MK
  17. 17. AMBIL KE
  18. 18. NILAI</li></ul>6<br />
  19. 19. AtributBaru<br /><ul><li> ID
  20. 20. MASA STUDI
  21. 21. AMBIL 1
  22. 22. AMBIL 2
  23. 23. AMBIL 3
  24. 24. AMBIL 4
  25. 25. Jumlah SKS
  26. 26. Jumlah MK
  27. 27. IPK
  28. 28. AMBIL KE
  29. 29. NILAI</li></ul>7<br />
  30. 30. AtributBaru<br /><ul><li> AMBIL KE
  31. 31. NILAI</li></ul>15<br />
  32. 32.
  33. 33.
  34. 34. EksperimendanAnalisa<br />Filtering Atribut<br /><ul><li>MenggunakanRankingpada SPSS Clementine
  35. 35. Metode Pearson
  36. 36. Kisarankorelasi: 0.95 ≤ r ≤ 1</li></ul>1<br />2<br />3<br />
  37. 37. EksperimendanAnalisa<br /><ul><li>Filtering untuk MASA_STUDI</li></ul>r > 0.95<br />29<br />
  38. 38. EksperimendanAnalisa<br /><ul><li>Filtering untuk MASA_STUDI</li></ul>r ≤ 0.95<br />6<br />Remove it !<br />
  39. 39. EksperimendanAnalisa<br /><ul><li>Filtering untuk TA_2</li></ul>r > 0.95<br />21<br />
  40. 40. EksperimendanAnalisa<br /><ul><li>Filtering untuk TA_2</li></ul>r ≤ 0.95<br />14<br />Remove it !<br />
  41. 41. EksperimendanAnalisa<br />Modeling Data<br />Model<br />Masa Studi<br /><ul><li>Quick
  42. 42. Dynamic
  43. 43. Multiple
  44. 44. Prune
  45. 45. RBFN
  46. 46. Exhaustive Prune</li></ul>Tugas Akhir II<br /><ul><li>C5.0
  47. 47. CRT
  48. 48. CHAID</li></ul>Manaalgoritma/model yang paling baik?<br />
  49. 49. EksperimendanAnalisa<br />HasilPercobaan Masa Studi<br />
  50. 50. EksperimendanAnalisa<br />
  51. 51. EksperimendanAnalisa<br /><ul><li>HasilPercobaan TA II</li></li></ul><li>EksperimendanAnalisa<br />81,93%<br />78,21%<br />72,60%<br />
  52. 52. KESIMPULAN<br />
  53. 53. Kesimpulan<br />Penentuan atribut yang tepat dapat memberikan hasil prediksi yang <br />lebih baik. <br />Prune untuk lama masa studi.<br />CRT untuk nilai TA II.<br />Photo credit by: asifthebes (sxc.hu)<br />
  54. 54. “The Scientist is not a person who gives the right answer,<br />He’s one who asks the right questions<br />(Claude Lévi-Strauss)<br />Terima Kasih <br />http://medias.francetv.fr/bibl/url_images/2008/11/28/image_49085075.jpg<br />
  55. 55. Tanya Jawab<br />Photo credit by: Oberazzi (flickr)<br />

×