Penerapan Data Mining Algoritma Naives Bayes dan PART Untuk Mengetahui Minat Baca Mahasiswa di Perpustakaan STMIK AMIKOM Purwokerto

Mohammad Imron

Abstract


Perpustakaan STMIK AMIKOM Purwokerto didirikan dengan tujuan untuk membantu serta memenuhi kebutuhan sivitas akademik yang ada di Perguruan Tinggi, koleksi buku yang ada sekitar 12,518, dengan judul 6,375 eksemplar. Penelitian ini bertujuan untuk mengetahui minat baca mahasiswa dengan membandingkan tingkat akurasi pada data mining dengan menggunakan algoritma naive bayes dan PART berdasarkan data peminjaman. Pengambilan data dari bulan Januari 2016 sampai bulan Maret 2017 dengan total data 4022. Hasil pengujian yang telah dilakukan terhadap kedua algoritma yaitu algoritma Naive Bayes dan Algoritma PART, maka dapat disimpulkan dari evaluasi dengan confusion matrix didapat hasil nilai akurasi masing-masing algoritma, nilai akurasi dari algoritma naive bayes sebesar 97,01% dan nilai akurasi dari algoritma PART sebesar 97,19%, sehingga algoritma yang terbaik dari pengujian tersebut untuk mengetahui minat baca mahasiswa di Perpustakaan STMIK AMIKOM Purwokerto adalah algoritma PART.


Keywords


Perpustakaan; Data Mining; Naive Bayes; PART; k-fold cross validation.

Full Text:

PDF (Indonesian)

References


STMIK AMIKOM Purwokerto, Buku Panduan Akademik Mahasiswa Tahun Ajaran 2012-2013. Purwokerto, Jawa Tengah: STMIK AMIKOM Purwokerto, 2012.

Mulyono Abdurrahman. (2003). Pendidikan Bagi Anak Berkesulitan Belajar. Jakarta: PT Rineka Cipta.

R. Masri Sareb Putra. (2008). Menumbuhkan Minat Baca: Panduan Praktis bagi Pendidik, Orang Tua, dan Penerbit. Indonesia: PT. Macanan Jaya Cemerlang.

Han, Jiawei. Kamber, Micheline. Pei, Jian. 2012. Data Mining Concepts and Techniques 3rd Edition. Morgan Kaufmann, USA.

Romario. (2013). Penerapan Data Mining Pada Rsup Dr.Moh Hoesin Sumatera Selatan Untuk Pengelompokan Hasil Diagnosa Pasien Pengguna Asuransi Kesehatan Miskin (askin). Palembang: Universitas Bina Darm Palembang.

William J. Frawley, Gregory Piatetsky-Shapiro, and Christopher J. Matheus, “Knowledge Discovery in Databases : An Overview”, AI Magazine, Volume 13, Number 3, 1992.

Y. Cao and J. Wu, "Dynamics of Projective Adaptive Resonance Theory Model: The Foundation of PART Algorithm", IEEE Transactions On Neural Networks, vol. XX, no. XX, 2004.

S. Genç, F. E. Boran, D. Akay, and Z. Xu, “Interval multiplicative transitivity for consistency, missing values and priority weights of interval fuzzy preference relations,” Inf. Sci., vol. 180, no. 24, pp. 4877–4891, Dec. 2010.

W. Nor Haizan W. Mohamed, Mohd Najib Mohd Salleh, Abdul Halim Omar, “A Comparative Study of Reduced Error Pruning Method in Decision Tree Algorithms”,IEEE International Conference on Control System, Computing and Engineering, 23 -Penang, Malaysia , 25 Nov. 2012.

Turban, E., J.E. Aronson dan T.P. Liang. 2005. Decision Support System and Intelligent Systems - 7th ed. Pearson Education, Inc. Pearson Education, Inc. Dwi Prabantini (penterjemah). 2005. Sistem Pendukung Keputusan dan Sistem Cerdas. Penerbit ANDI. Yogyakarta.

Thomas E. 2004. Data Mining : Definition and Decision Tree Examples, e-book.

J Prasetyo, E., 2012, Data Mining Konsep dan Aplikasi Menggunakan Matlab, Penerbit Andi, Yogyakarta.

Eko Prasetyo, Data Mining : Konsep dan Aplikasi menggunakan MATLAB, 1st ed. Yogyakarta, Indonesia: Andi, 2012.

http://www.cs.waikato.ac.nz/ml/weka/documentation.html (diakses terakhir 18 Nopember 2016) .




DOI: http://dx.doi.org/10.35671/telematika.v10i2.582

Refbacks

  • There are currently no refbacks.



Indexed by:

          

Jurnal Telematika

ISSN 2442-4528 (online) | ISSN 1979-925X (print)
Published by : Universitas Amikom Purwokerto
Jl. Let. Jend. POL SUMARTO Watumas, Purwonegoro - Purwokerto Telp (0281) 623321 Fax (0281) 621662
Email: telematika@amikompurwokerto.ac.id

 This work is licensed under a Creative Commons Attribution-ShareAlike 4.0