Presentasi Rhasta Final
•
0 likes•348 views
Presentasi ini memberikan ringkasan tentang prediksi lamanya masa studi dan nilai tugas akhir mahasiswa dengan menggunakan teknik data mining. Beberapa tahapan yang dilakukan adalah preprocessing data untuk mengatasi masalah duplikasi dan penamaan yang tidak konsisten, filtering atribut untuk menghilangkan korelasi yang rendah, serta modeling data menggunakan beberapa algoritma untuk mendapatkan hasil prediksi yang optimal. Hasil akhir menunjukkan bahwa algoritma Prun
![[cover]PRESENTASI DATA MININGRHASTA – UNIVERSITAS INDONESIAFaruk Candra FarabiGregorio Gringo HonassanYuan Hanif Syaniardi](https://image.slidesharecdn.com/presentasirhastafinal-100410103438-phpapp01/85/Presentasi-Rhasta-Final-1-320.jpg)
Presentasi Rhasta Final
- 1. [cover]PRESENTASI DATA MININGRHASTA – UNIVERSITAS INDONESIAFaruk Candra FarabiGregorio Gringo HonassanYuan Hanif Syaniardi
- 2. OutlinePendahuluanLatar BelakangTujuanIdentifikasi MasalahMetodeEksperimen dan analisaPreprocessing dataFiltering atributModeling dataKesimpulanPhoto credit by: ilco (sxc.hu)
- 3. PENDAHULUAN
- 4. Latar BelakangPimpinan sebuah PT ingin mendeteksi pola-pola yang terkait dengan studi mahasiswa.Informasi yang dibutuhkan adalah prediksi lamanya masa studi mahasiswa dan prediksi nilai Tugas Akhir II.?Pimpinan PT
- 5. TujuanMelakukan prediksi lama studi dan nilai tugas akhir II mahasiswa sebuah perguruan tinggi. Mendeteksi pola-pola yang terkait dengan studi mahasiswa. Photo credit by: ilman akbar
- 6. Identifikasi MasalahData masih mengandung noise. Data mencakup beberapa tahun ajaran sehingga ada perbedaan kurikulum.source: adapting-to-change-slideshare-version2
- 7. METODE
- 8. METODEDATA
- 10. Eksperimen dan AnalisaPreprocessing DataPROBLEM ???Penamaan MK tidakkonsisten
- 12. DuplikasiNilai
- 13. Atribut Lama ID
- 14. MASA STUDI
- 15. KODE MK
- 16. NAMA MK
- 17. AMBIL KE
- 18. NILAI6
- 19. AtributBaru ID
- 20. MASA STUDI
- 21. AMBIL 1
- 22. AMBIL 2
- 23. AMBIL 3
- 24. AMBIL 4
- 25. Jumlah SKS
- 26. Jumlah MK
- 27. IPK
- 28. AMBIL KE
- 29. NILAI7
- 31. NILAI15
- 35. Metode Pearson
- 36. Kisarankorelasi: 0.95 ≤ r ≤ 1123
- 37. EksperimendanAnalisaFiltering untuk MASA_STUDIr > 0.9529
- 38. EksperimendanAnalisaFiltering untuk MASA_STUDIr ≤ 0.956Remove it !
- 39. EksperimendanAnalisaFiltering untuk TA_2r > 0.9521
- 40. EksperimendanAnalisaFiltering untuk TA_2r ≤ 0.9514Remove it !
- 42. Dynamic
- 43. Multiple
- 44. Prune
- 45. RBFN
- 46. Exhaustive PruneTugas Akhir IIC5.0
- 47. CRT
- 48. CHAIDManaalgoritma/model yang paling baik?
- 52. KESIMPULAN
- 53. KesimpulanPenentuan atribut yang tepat dapat memberikan hasil prediksi yang lebih baik. Prune untuk lama masa studi.CRT untuk nilai TA II.Photo credit by: asifthebes (sxc.hu)
- 54. “The Scientist is not a person who gives the right answer,He’s one who asks the right questions(Claude Lévi-Strauss)Terima Kasih http://medias.francetv.fr/bibl/url_images/2008/11/28/image_49085075.jpg
- 55. Tanya JawabPhoto credit by: Oberazzi (flickr)