Dokumen tersebut membahas tentang algoritma Naive Bayes Classifier untuk klasifikasi dan prediksi data. Algoritma ini bekerja dengan menghitung probabilitas kelas berdasarkan pengalaman sebelumnya dengan asumsi independensi antar variabel. Diberikan contoh perhitungan Naive Bayes untuk memprediksi kemungkinan seseorang membeli komputer dan status kelulusannya berdasarkan atribut-atribut tertentu.
Ruang Hasil kali Dalam ( Aljabar Linear Elementer )Kelinci Coklat
Mata kuliah Aljabar Linear membahas konsep-konsep dasar aljabar linear seperti matriks, determinan, sistem persamaan linear, vektor, ruang vektor, transformasi linear, dan ruang eigen. Silabus mencakup delapan bab yang mendiskusikan topik-topik tersebut beserta contoh-contoh penerapannya.
Kriptograf - Algoritma Kriptografi Klasik (bagian 1)KuliahKita
1. Algoritma kriptografi klasik meliputi cipher substitusi dan transposisi yang berbasis karakter tanpa menggunakan komputer. 2. Cipher substitusi seperti Caesar cipher mengganti huruf plainteks dengan huruf lain sesuai tabel substitusi, sedangkan cipher transposisi mengubah posisi huruf dengan mengacaknya. 3. Super enkripsi merupakan kombinasi dari cipher substitusi dan transposisi untuk meningkatkan keamanan teks rahasia.
Transformasi Linear ( Aljabar Linear Elementer )Kelinci Coklat
Dokumen tersebut membahas tentang silabus mata kuliah Aljabar Linear yang mencakup bab-bab seperti matriks, determinan, sistem persamaan linear, vektor, ruang vektor, ruang hasil kali dalam, dan transformasi linear beserta contoh soalnya.
Dokumen tersebut membahas tentang algoritma Naive Bayes Classifier untuk klasifikasi dan prediksi data. Algoritma ini bekerja dengan menghitung probabilitas kelas berdasarkan pengalaman sebelumnya dengan asumsi independensi antar variabel. Diberikan contoh perhitungan Naive Bayes untuk memprediksi kemungkinan seseorang membeli komputer dan status kelulusannya berdasarkan atribut-atribut tertentu.
Ruang Hasil kali Dalam ( Aljabar Linear Elementer )Kelinci Coklat
Mata kuliah Aljabar Linear membahas konsep-konsep dasar aljabar linear seperti matriks, determinan, sistem persamaan linear, vektor, ruang vektor, transformasi linear, dan ruang eigen. Silabus mencakup delapan bab yang mendiskusikan topik-topik tersebut beserta contoh-contoh penerapannya.
Kriptograf - Algoritma Kriptografi Klasik (bagian 1)KuliahKita
1. Algoritma kriptografi klasik meliputi cipher substitusi dan transposisi yang berbasis karakter tanpa menggunakan komputer. 2. Cipher substitusi seperti Caesar cipher mengganti huruf plainteks dengan huruf lain sesuai tabel substitusi, sedangkan cipher transposisi mengubah posisi huruf dengan mengacaknya. 3. Super enkripsi merupakan kombinasi dari cipher substitusi dan transposisi untuk meningkatkan keamanan teks rahasia.
Transformasi Linear ( Aljabar Linear Elementer )Kelinci Coklat
Dokumen tersebut membahas tentang silabus mata kuliah Aljabar Linear yang mencakup bab-bab seperti matriks, determinan, sistem persamaan linear, vektor, ruang vektor, ruang hasil kali dalam, dan transformasi linear beserta contoh soalnya.
Dokumen tersebut membahas tahapan-tahapan pengembangan perangkat lunak dengan metode waterfall dan prototyping, mulai dari persyaratan, desain, pengkodean, pengujian, hingga pemeliharaan. Karakteristik dan penerapan masing-masing metode dijelaskan beserta kelebihan dan kekurangannya.
Aturan Inferensi dan Metode PembuktianFahrul Usman
Dokumen tersebut membahas tentang aturan inferensi dan metode pembuktian dalam logika matematika. Secara singkat, dibahas mengenai konsep dasar seperti argumen valid, aturan inferensi seperti modus ponens, dan metode pembuktian seperti pembuktian langsung.
Direktori merupakan entitas yang mengandung berkas dan direktori lain. Ada tiga struktur direktori yaitu bertingkat, berstruktur pohon, dan berstruktur graf. Mounting adalah proses menghubungkan sistem berkas baru ke struktur direktori utama, dengan memberikan mount point berupa direktori tempat sistem berkas itu diletakkan.
Template Presentasi Powerpoint - Seminar Proposal Skripsi Alvian
Pendidikan Fisika, Universitas Negeri Semarang.
Follow saya di Instagram:
http://instagram.com/alvian.indonesia
SUBSCRIBE Youtube saya:
https://youtube.com/c/AlvianIndonesia
Dokumen tersebut membahas tentang definisi dan jenis-jenis graf serta konsep dasar graf seperti simpul, sisi, derajat simpul, dan tetanggaan. Dijelaskan pula contoh-contoh penerapan graf dalam berbagai bidang seperti matematika, kimia, biologi, dan teknik informatika.
The document contains a table of critical values for the t-distribution for various sample sizes (degrees of freedom), significance levels, and test types (one-tailed vs two-tailed). The table provides critical t-values for sample sizes ranging from 1 to 97 degrees of freedom and significance levels from 0.25 to 0.001 for one-tailed tests, and from 0.5 to 0.002 for two-tailed tests. The critical values can be used to determine if a calculated t-statistic is statistically significant for a given hypothesis test.
Analisis ERD rumah sakit dengan 11 entitas dan 22 tabel yang terkait dengan data pasien, pegawai, ruangan, obat, dan perawatan di rumah sakit. Terdapat 5 relasi antar tabel untuk menghubungkan informasi terkait. Ringkasan memberikan informasi mengenai struktur data rumah sakit berdasarkan ERD yang dianalisis.
Dokumen tersebut membahas tentang definisi dialog antara manusia dan komputer serta berbagai jenis ragam dialog interaktif seperti dialog berbasis perintah, dialog berbasis bahasa pemrograman, dialog berbasis bahasa alami, dialog berbasis menu dan formulir, serta dialog berbasis manipulasi langsung dan antarmuka grafis.
Modul ini membahas tentang vektor eigen dan nilai eigen dari suatu matriks, serta cara mendiagonalisasi suatu matriks menggunakan vektor eigen dan nilai eigen-nya. Persamaan karakteristik digunakan untuk menemukan nilai eigen suatu matriks. Vektor eigen dari suatu matriks adalah vektor yang ketika dikalikan dengan matriks hasilnya adalah kelipatan skalar dari vektor itu sendiri.
Fathoni m bahan ajar_if2018_prak.struktur dataSTMIK
Bahan ajar ini membahas tentang searching array, termasuk sequential search, binary search, interpolation search, dan array eclipse/explode dalam bahasa C/Pascal. Mahasiswa diajarkan cara membuat program sederhana yang menggunakan teknik-teknik searching array tersebut.
Dokumen tersebut membahas tahapan-tahapan pengembangan perangkat lunak dengan metode waterfall dan prototyping, mulai dari persyaratan, desain, pengkodean, pengujian, hingga pemeliharaan. Karakteristik dan penerapan masing-masing metode dijelaskan beserta kelebihan dan kekurangannya.
Aturan Inferensi dan Metode PembuktianFahrul Usman
Dokumen tersebut membahas tentang aturan inferensi dan metode pembuktian dalam logika matematika. Secara singkat, dibahas mengenai konsep dasar seperti argumen valid, aturan inferensi seperti modus ponens, dan metode pembuktian seperti pembuktian langsung.
Direktori merupakan entitas yang mengandung berkas dan direktori lain. Ada tiga struktur direktori yaitu bertingkat, berstruktur pohon, dan berstruktur graf. Mounting adalah proses menghubungkan sistem berkas baru ke struktur direktori utama, dengan memberikan mount point berupa direktori tempat sistem berkas itu diletakkan.
Template Presentasi Powerpoint - Seminar Proposal Skripsi Alvian
Pendidikan Fisika, Universitas Negeri Semarang.
Follow saya di Instagram:
http://instagram.com/alvian.indonesia
SUBSCRIBE Youtube saya:
https://youtube.com/c/AlvianIndonesia
Dokumen tersebut membahas tentang definisi dan jenis-jenis graf serta konsep dasar graf seperti simpul, sisi, derajat simpul, dan tetanggaan. Dijelaskan pula contoh-contoh penerapan graf dalam berbagai bidang seperti matematika, kimia, biologi, dan teknik informatika.
The document contains a table of critical values for the t-distribution for various sample sizes (degrees of freedom), significance levels, and test types (one-tailed vs two-tailed). The table provides critical t-values for sample sizes ranging from 1 to 97 degrees of freedom and significance levels from 0.25 to 0.001 for one-tailed tests, and from 0.5 to 0.002 for two-tailed tests. The critical values can be used to determine if a calculated t-statistic is statistically significant for a given hypothesis test.
Analisis ERD rumah sakit dengan 11 entitas dan 22 tabel yang terkait dengan data pasien, pegawai, ruangan, obat, dan perawatan di rumah sakit. Terdapat 5 relasi antar tabel untuk menghubungkan informasi terkait. Ringkasan memberikan informasi mengenai struktur data rumah sakit berdasarkan ERD yang dianalisis.
Dokumen tersebut membahas tentang definisi dialog antara manusia dan komputer serta berbagai jenis ragam dialog interaktif seperti dialog berbasis perintah, dialog berbasis bahasa pemrograman, dialog berbasis bahasa alami, dialog berbasis menu dan formulir, serta dialog berbasis manipulasi langsung dan antarmuka grafis.
Modul ini membahas tentang vektor eigen dan nilai eigen dari suatu matriks, serta cara mendiagonalisasi suatu matriks menggunakan vektor eigen dan nilai eigen-nya. Persamaan karakteristik digunakan untuk menemukan nilai eigen suatu matriks. Vektor eigen dari suatu matriks adalah vektor yang ketika dikalikan dengan matriks hasilnya adalah kelipatan skalar dari vektor itu sendiri.
Fathoni m bahan ajar_if2018_prak.struktur dataSTMIK
Bahan ajar ini membahas tentang searching array, termasuk sequential search, binary search, interpolation search, dan array eclipse/explode dalam bahasa C/Pascal. Mahasiswa diajarkan cara membuat program sederhana yang menggunakan teknik-teknik searching array tersebut.
Dokumen tersebut membahas konsep dasar sistem basis data meliputi pengertian database, sistem database, komponen dasar sistem database, jenis data dalam database dan hubungannya, keuntungan dan kerugian pemakaian sistem database, istilah-istilah yang dipergunakan dalam sistem basis data, serta aplikasi sistem basis data dalam lifecycle pengembangan sistem.
Dokumen ini membahas proses dan alat-alat data mining. Proses data mining terdiri dari 12 tahapan mulai dari memahami masalah, memahami data, eksplorasi data, pemilihan data, hingga interpretasi hasil. Dokumen ini juga menyebutkan 10 alat data mining populer seperti RapidMiner, Weka, KNIME, Python, Orange, SAS Enterprise Miner, IBM SPSS Modeler, Microsoft SQL Server Analysis Services, R, dan Oracle Data Mining.
Sistem Informasi Kepegawaian RSUD Kajen saat ini masih menggunakan Microsoft Excel yang memiliki keterbatasan. Proposal ini mengusulkan pembangunan Sistem Informasi Kepegawaian berbasis komputer untuk mempermudah pengelolaan data pegawai dan pembuatan laporan. Sistem ini akan dikembangkan menggunakan bahasa pemrograman Java, IDE NetBeans, dan metode waterfall.
Makalah ini membahas analisis fungsi dan struktur data admin panel pada www.MyiCourse.com. Terdiri dari pendahuluan, pembahasan, dan penutup. Pembahasan meliputi definisi basis data, komponen dasarnya, keuntungan dan kelemahan, serta hierarki data. Tujuannya agar pembaca memahami konsep dasar database dan tujuan analisis struktur data admin panel pada website tersebut.
Mata kuliah Prancangan Basis Data membahas konsep dasar database, perancangan database dengan ER model dan normalisasi, serta penggunaan bahasa query. Mata kuliah ini memberikan 4 SKS dan merupakan mata kuliah unggulan pada semester 2 untuk jurusan Manajemen Informatika."
Mata kuliah Prancangan Basis Data membahas konsep dasar perancangan database, teknik-teknik perancangan seperti Entity Relationship Model dan normalisasi, serta implementasi database menggunakan perangkat lunak desain database dan bahasa query. Mahasiswa diharapkan mampu merancang dan memodifikasi database.
Praktikum 1 membahas pengenalan Microsoft Access untuk membuat dan mengedit objek database, mengimpor file spreadsheet dari Excel, menyimpan database, dan konvensi penamaan objek database. Terdapat cara membuat database baru, menggunakan wizard, dan membuka database yang ada.
Modul Ajar Matematika Kelas 11 Fase F Kurikulum MerdekaFathan Emran
Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka - abdiera.com. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka.
Modul Ajar Bahasa Inggris Kelas 10 Fase E Kurikulum MerdekaFathan Emran
Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka.
1. Bab 1
Pendahuluan WEKA
I.
Tugas Pendahuluan
1. Jelaskan yang dimaksud dengan Data mining!
2. Sebutkan 5 aplikasi yang memanfaatkan teknik data mining!
II.
Tujuan Praktikum
1. Mahasiswa dapat memahami klasifikasi sebagai sebuah fungsionalitas
dalam data mining.
2. Mahasiswa dapat mengenal WEKA sebagai sebuah perangkat lunak data
mining, terutama untuk menyelesaikan masalah klasifikasi.
3. Mahasiswa dapat mengubah format data sehingga dapat menjadi masukan
pada perangkat lunak WEKA.
III.
Dasar Teori
Data mining adalah sebuah bidang ilmu yang berupaya menemukan
pola, kaidah, aturan, dan informasi berharga yang menarik dan belum diketahui
sebelumnya dari sekumpulan besar data. Kemunculan ilmu ini dilatarbelakangi
oleh munculnya tumpukan data di berbagai bidang kehidupan. Seringkali
sebuah organisasi atau kelompok kerja tertentu banyak melakukan kegiatan
pengumpulan data, administrasi
maupun
perhitungan-perhitungan
yang
menghasilkan data dalam jumlah besar.
Berbagai tools komersial maupun non-komersial beredar dan digunakan
untuk berbagai tujuan yang berkaitan dengan data mining. Salah satu
diantaranya yang menarik dan akan dibicarakan dalam modul ini adalah
WEKA, yang merupakan alat bantu data mining, terutama dalam penerapannya
untuk menyelesaikan masalah klasifikasi.
1
2. Sejarah WEKA
WEKA adalah sebuah paket tools machine learning praktis. “WEKA”
merupakan singkatan dari Waikato Environment for Knowledge Analysis, yang
dibuat di Universitas Waikato, New Zealand untuk penelitian, pendidikan dan
berbagai aplikasi. WEKA mampu menyelesaikan masalah-masalah data mining
di dunia-nyata, khususnya klasifikasi yang mendasari pendekatan-pendekatan
machine learning. Perangkat lunak ini ditulis dalam hirarki class Java
dengan metode berorientasi objek dan dapat berjalan hampir di semua platform.
WEKA mudah digunakan dan diterapkan pada beberapa tingkatan yang
berbeda. Tersedia implementasi algoritma-algoritma pembelajaran state-of-theart yang dapat diterapkan pada dataset dari command line. WEKA mengandung
tools untuk pre-processing data, klasifikasi, regresi, clustering, aturan asosiasi,
dan visualisasi. User dapat melakukan preprocess pada data, memasukkannya
dalam sebuah skema pembelajaran, dan menganalisa classifier yang dihasilkan
dan performansinya – semua itu tanpa menulis kode program sama sekali.
Contoh penggunaan WEKA adalah dengan menerapkan sebuah metode
pembelajaran ke dataset dan menganalisa hasilnya untuk memperoleh informasi
tentang data, atau menerapkan beberapa metode dan membandingkan
performansinya untuk dipilih.
Tools yang dapat digunakan untuk pre-processing dataset membuat user dapat
berfokus pada algoritma yang digunakan tanpa terlalu memperhatikan detail
seperti pembacaan data dari file-file, implementasi algoritma filtering, dan
penyediaan kode untuk evaluasi hasil.
GUI Explorer adalah GUI WEKA yang paling mudah digunakan dan
menyediakan semua fitur WEKA dalam bentuk tombol dan tampilan visualisasi
yang menarik dan lengkap. Preprocess, klasifikasi, asosiasi, clustering,
pemilihan atribut, dan visualisasi dapat dilakukan dengan mudah dan
menyenangkan di sini.
2
3. Gambar1. WEKA explorer
GUI Experimenter memudahkan perbandingan performansi skema-skema
pembelajaran yang berbeda. Experimenter biasanya digunakan untuk klasifikasi
dan regresi. Hasil dari perbandingan performansi dapat dituliskan dalam file
atau basis data. Pilihan evaluasi yang tersedia dalam WEKA adalah crossvalidation, learning curve, hold-out. User juga dapat melakukan iterasi menurut
beberapa setting parameter yang berbeda.
Gambar 2. WEKA Experiment
Tab Setup yang muncul saat user membuka Experimenter memungkinkan user
memilih dan mengkonfigurasi eksperimen yang dilakukan. Setelah menyimpan
definisi eksperimen yang dilakukan, user dapat memulai eksperimen dari tab
3
4. Run dan meng-klik tombol Start. Area di bawahnya akan menunjukkan proses
yang sedang dilakukan. Hasilnya disimpan dalam format CSV dan dapat
dibuka dalam bentuk spreadsheet.
Tab ketiga. Analize, dapat digunakan untuk menganalisa hasil ekperimen yang
dikirim ke WEKA. Jumlah baris hasil ditunjukkan pada panel Source.
Hasilnya dapat di-load dalam format .ARFF maupun dari basis data.
Antarmuka ini memungkinkan user melakukan lebih dari 1 eksperimen
sekaligus, mungkin menerapkan beberapa teknik berbeda pada sebuah dataset,
atau teknik yang sama dengan parameter-parameter yang berbeda.
GUI
Knowledge
Flow
merupakan
GUI
baru
dalam
WEKA
yang
merupakan antarmuka Java-Beans-based untuk melakukan setting dan
menjalankan percobaan-percobaan machine learning.
Gambar 3. WEKA Knowledge Flow
KnowledgeFlow menyediakan alternatif lain dari Explorer sebagai sebuah front
end grafis untuk algoritma-algoritma inti WEKA. Karena masih dalam
pengembangan, beberapa fungsionalitas dalam Explorer belum tersedia dalam
KnowledgeFlow.
KnowledgeFlow menampilkan ‘aliran data’ dalam WEKA. User dapat memilih
komponen-komponen WEKA dari toolbar, meletakkannya pada area yang
tersedia dan menghubungkannya untuk membentuk ‘aliran pengetahuan’
4
5. pemrosesan dan analisa data.
KnowledgeFlow dapat menangani data secara incremental maupun dalam
batches (Explorer hanya menangani data batch). Tentunya pembelajaran dari
data secara incremental
memerlukan
sebuah
classifier
yang
dapat
diupdate instance per instance.
Format Data dalam WEKA
Misalnya diketahui sekumpulan data dan ingin dibangun sebuah decision tree
dari data tersebut, maka data tersebut harus disimpan dalam format ‘flat’, ARFF
karena WEKA perlu mengetahui beberapa informasi tentang tiap atribut yang
tidak dapat disimpulkan secara otomatis dari nilai-nilainya.
File ARFF (Attribute-Relation File Format) adalah sebuah file teks ASCII yang
berisi daftar instances dalam sekumpulan atribut. File ARFF dikembangkan
oleh Machine Learning Project di Department of Computer Science of The
University of Waikato untuk digunakan dalam perangkat lunak WEKA.
Pengubahan format data ini dapat dilakukan dengan mudah. Misalkan data awal
dalam format .xls (lihat gambar 2a), buka data tersebut dari Microsoft Excel
dan simpan sebagai .csv. Selanjutnya, buka file tersebut dari Microsoft Word,
notepad, atau editor teks lainnya dan data sudah berubah dalam format commaseparated. Lalu sesuaikan data tersebut dengan menambahkan informasi awal.
Hasilnya, data tersebut sudah dapat digunakan sebagai inputan dalam WEKA.
Pastikan bahwa data dalam format .arff tersebut sudah memenuhi: Data
dipisahkan dengan koma, dengan kelas sebagai atribut terakhir. Bagian header
diawali dengan @RELATION.
Tiap
atribut
ditandai
dengan
@ATTRIBUTE.
Tipe-tipe
data
dalam
WEKA: numerik(REAL atau INTEGER), nominal, String, dan Date. Bagian
data diawali dengan @DATA
5
7. IV.
Tugas
1. Ubahlah
dataset
berikut
ini
ke
dalam
format
.ARFF
sehingga
dapat
digunakan sebagai inputan pada WEKA. Simpan hasilnya dengan nama
contact_lenses.arff dan berikan komentar per baris!
Index
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Age
young
young
young
young
young
young
young
young
pre-presbyopic
pre-presbyopic
pre-presbyopic
pre-presbyopic
pre-presbyopic
pre-presbyopic
pre-presbyopic
pre-presbyopic
presbyopic
presbyopic
presbyopic
presbyopic
presbyopic
presbyopic
presbyopic
presbyopic
Spectacleprescrip
myope
myope
myope
myope
hypermetrope
hypermetrope
hypermetrope
hypermetrope
myope
myope
myope
myope
hypermetrope
hypermetrope
hypermetrope
hypermetrope
myope
myope
myope
myope
hypermetrope
hypermetrope
hypermetrope
hypermetrope
Astigmatism
no
no
yes
yes
no
no
yes
yes
no
no
yes
yes
no
no
yes
yes
no
no
yes
yes
no
no
yes
yes
Tear-prodrate
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
reduced
normal
Contactlenses
None
Soft
None
Hard
None
Soft
None
Hard
None
Soft
None
Hard
None
Soft
None
None
None
None
None
Hard
None
Soft
None
None
7