Analisis Jurnal

 

JURNAL 1

Judul Jurnal : Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit.

Metode Yang Digunakan : Algoritma C4.5, Prediksi, Decission Tree.

Tujuan : Agar mempermudah mengimpor data yang akan diolah atau dianalisis.

Hasil & Pembahasan : Alurnya, sistem akan membaca alamat data yang diinputkan pengguna dan melakukan proses import data setelah aktor mengetik tombol “import”, kemudian menampilkan hasil data yang telah selesai diimpor ke dalam aplikasi.

Kesimpulan : Untuk memenuhi kecepatan dalam mengimport data nasabah dan setelah melakukan analisis, perancangan dan implementasi maka dapat disimpulkan bahwa aplikasi yang dibangun dapat membantu bagian dana dalam menganalisis data nasabah untuk menentukan target pemasaran kredit sehingga diharapkan biaya oprasiaonalnya dapat ditekan seminimal mungkin.

JURNAL 2

Judul Jurnal : Penerapan Data Mining pada Populasi daging Ayam Ras Pedaging Di Indonesia Berdasarkan Provinsi Menggunakan K-Means Clustering.

Metode Yang Digunakan : K-Means, Clustering

Tujuan : untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki serta untuk meminimalkan fungsi objektif yang diatur dalam proses pengelompokan.

Hasil & Pembahasan : Dalam melakukan clustering, data yang diperoleh akan dihitung terlebih dahulu berdasarkan jumlah populasi daging ayam ras pedaging pada tahun 2009-2016 berdasarkan provinsi. Setelah diakumulasikan maka akan didapatkan nilai dari seluruh populasi ayam ras pedaging menurut provinsi. Kemudian data tersebut akan masuk ke tahapan clustering dengan menerapkan algoritma K-Means untuk mengcluster data menjadi tiga cluster. Dari 34 data populasi ayam ras pedaging berdasarkan provinsi dapat dikertahui, 1provinsi cluster tingkat populasi tinggi yakni Jawa Barat, 6provinsi cluster tingkat populasi sedang yakni Sumatera Utara, Jawa Tengah, Jawa Timur, Banten, Kalimantan Selatan dan Kalimantan Timur dan 27provinsi lainnya termasuk cluster tingkat populasi rendah.

Kesimpulan : Data diolah untuk memperolah nilai dari populasi ayam ras pedaging menurut provinsi. Data tersebut diolah menggunakan Ms. Excel untuk ditentukan nilai centroid dalam 3 cluster yaitu cluster tingkat populasi tinggi, cluster tingkat populasi sedang dan cluster tingkat populasi rendah. Cetroid data untuk cluster tingkat populasi tinggi 904.276,5, Cetroid data untuk cluster tingkat populasi sedang 265.501 dan Cetroid data untuk cluster tingkat populasi rendah 34.280,1.

JURNAL 3

Judul Jurnal : Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa.

Metode Yang Digunakan : Decission Tree, Clustering, Association Rules

Tujuan : Untuk mengelompokan sejumlah data/obyek kedalam cluster (group).

Hasil & Pembahasan :

1.      Dapat menggabungkan data yang akan diproses mining dari data kelulusan dan data induk mahasiswa.

2.      Dapat menghapus data-data yang tidak relevan serta atribut yang tidak dipakai

3.      Dapat merubah data menjadi data yang siap diproses

4.      Dapat memproses data untuk dimining meliputi :

a.       Hubungan tingkat kelulusan dengan asal sekolah

b.      Hubungan tingkat kelulusan dengan asal kabupaten

c.       Hubungan tingkat kelulusan dengan jurusan

d.      Dapat menampilkan hasil proses mining dengan nilai support dan confidence

Kesimpulan : Informasi yang ditampilkan berupa nilai support dan confidence hubungan antara tingkat kelulusan dengan data induk mahasiswa. Semakin tinggi nilai confidence dan support maka semakin kuat nilai hubungan antar atribut. Data induk mahasiswa yang diproses mining meliputi data ata asal sekolah, data kabupaten mahasiswa, data jurusan, dan data program studi. Hasil dari proses data mining ini dapat digunakan sebagai pertimbangan dalam mengambil keputusan lebih lanjut tentang faktor yang mempengaruhi tingkat kelulusan khususnya faktor dalam data induk mahasiswa.

JURNAL 4

Judul Jurnal : Algoritma Klasifikasi Data Mining Naïve Bayes Berbasis Particle Swarm Optimization Untuk Deteksi Penyakit Jantung.

Metode Yang Digunakan : Naïve Bayes & Particle Swarm Optimazitation.

Tujuan : Membandingkan algoritma klasifikasi data mining Naive Bayes Berbasis PSO untuk deteksi penyakit jantung.

Hasil & Pembahasan : Hasil yang relevan dengan deteksi penyakit jantung dan data set yang digunakan adalah hasil rekap medical check-up yang meliputi hasil laboratorium sejumlah 300 orang yang diolah dengan tool rapid miner dan dari data tersebut akan dibagi 75% untuk data training dan 25% untuk data testing oleh rapid miner dengan menggunakan algoritma naive bayes berbasis PSO.

Kesimpulan : Pada eksperimen awal dihasilkan akurasi untuk algoritma naive bayes sebesar 82.14% dengan nilai area under cover (AUC) 0.686 dengan kategori “poor classification”. Pada eksperimen kedua dengan menggunakan algoritma naive bayes berbasis PSO menjadi 92.86% dan nilai AUC 0.839 dengan kategori “good classification”. Pada eksperimen kedua terbukti bahwa dengan penambahan optimasi dapat meningkatkan nilai akurasi.

JURNAL 5

Judul Jurnal : Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan.

Metode Yang Digunakan : Algortima Apriori

Tujuan : Mengimplementasikan Data Mining pada database transaksi penjualan item alat-alat kesehatan & Menerapkan Algoritma Apriori untuk menentukan frekuensi tinggi itemset untuk memprediksi persediaan barang diwaktu yang akan datang.

Hasil & Pembahasan : Semua yang berhubungan dengan aktifitas penjualan dan pembelian menggunakan komputer yang berbasis jaringan dengan database terpusat kedalam satu server. Sistem informasi persediaan barang di Apotek Kelambir – 2 Medan terdiri atas bagi-bagian data obat dan alat-alat kesehatan, gudang farmasi, pelayanan resep obat dan penjualan. Ditampilan gudang farmasi terdiri atas bagian persediaan, laporan pembelian, laporan penjualan sedangkan data alat-alat kesehatan keluar terdiri atas attribute nomor, tanggal, nomor slip, nama, jumlah barang, harga, dan total harga dan setiap transaksi penjualan minimal terdiri atas satu jenis alat-alat kesehatan. Untuk mendapat analisa data maka data penjualan di export kedalam database Microsoft excel karena database Microsoft excel bersifat spreadsheet sehingga sangat mendukung dalam analisa data.

Kesimpulan :

1.     Data Mining dapat di implementasikan dengan menggunakan Database penjualan alat-alat kesehatan karena dapat menemukan kecenderungan pola kombinasi itemsets sehingga dapat dijadikan sebagai informasi yang sangat berharga dalam pengambilan keputusan untuk mempersiapkan stok jenis barang apa yang diperlukan kemudian.

2.    Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat mempercepat proses pembentukan kecenderungan pola kombinasi itemset.