SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH :

Artikel Skripsi Universitas Nusantara PGRI Kediri

SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN DANA SIMPAN PINJAM PEREMPUAN (SPP) PNPM-MPd MENGGUNAKAN METODE NAÏVE BAYES DI DS. BANDAR KEDUNG MULYO KAB. JOMBANG

SKRIPSI

Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika

OLEH :

KHISMA ILMI EL IMAMI NPM : 12.1.03.02.0116

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2016

Khisma Ilmi El Imami | 12.1.03.02.0116 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||








SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN DANA SIMPAN PINJAM PEREMPUAN (SPP) PNPM-MPd MENGGUNAKAN METODE NAÏVE BAYES DI DS. BANDAR KEDUNG MULYO KAB. JOMBANG Khisma Ilmi El Imami 12.1.03.02.0116 Teknik – Teknik Informatika [email protected] M. Rizal Arief, S.T, M.Kom dan Ahmad Bagus Setiawan, S.T., M.M., M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

Ketidaktepatan pemerintah setempat dalam memilih warga layak untuk menerima dana Simpan Pinjam Perempuan (SPP) PNPM MPd menjadi masalah baru, hal tersebut nampak dari penerima dana yang sebenarnya tidak memiliki kriteria layak untuk menerima. Permasalahan pada penelitian ini adalah menentukan masyarakat yang layak mendapat dana Simpan Pinjam Perempuan (SPP) PNPM MPd kemudianBagaimana menerapkan metode Naive Bayes dalam menentukan masyarakat yang layak mendapat dana Simpan Pinjam Perempuan (SPP) PNPM MPd lalu bagaimana merancang aplikasi untuk menentukan masyarakat yang layak mendapat dana Simpan Pinjam Perempuan (SPP) PNPM MPd dengan metode Naive Bayes. Penelitian ini menggunakan metode Naive Bayes dibuat dengan bahasa pemrograman PHP dan menggunakan database MySQL dan untuk menentukan nilai kepastian dan keputusannya dikerjakan menggunakan metode Naive Bayes. Metode Naive Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasarkan pada penerapan Theorema Bayes (aturan bayes) dengan asumsi independensi yang kuat. Kesimpulan dari penelitian ini adalah dengan menggunakan aplikasi Sistem Pendukung Keputusan Penerimaan Dana Simpan Pinjam Perempuan (SPP) PNPM MPd Menggunakan Metode Naive Bayes di Ds. Bandar Kedung Mulyo Kab. Jombang dapat menentukan masyarakat yang layak dan yang tidak layak menerima dana. Metode Naive Bayes digunakan untuk perhitungan nilai kepastian serta dirancang dengan bahasa pemrograman PHP dan menggunakan database MySQL. Kata Kunci : PNPM-MPd, Naive Bayes, SPK




I.

program

LATAR BELAKANG Pesatnya perkembangan teknologi

PNPM

permodalan

ini

dana

ada

kegiatan

Simpan

Pinjam

terutama pada teknologi informasi saat ini

Perempuan (SPP) akan tetapi ketidak

membawa pengaruh yang besar bagi

tepatan

kehidupan

disemua

memilih warga yang benar-benar berhak

lembaga ataupun instansi menggunakan

untuk menerima menjadi masalah baru

teknologi

dalam

manusia.

Hampir

komputer

sebagai

alat

pengelolaan data secara cepat, mudah,

pemerintah

dunia

setempat

dalam

pemerintahan khususnya

dibidang pemberdayaan masyarakat.

tepat dan efisien guna mempermudah

Dalam Penelitian terdahulu oleh

pekerjaan yang sebelumnya dilakukan

Meri Azmi, Yance Sonatha, Rasyidah pada

secara konvesional dan masih manual.

tahun 2014, penelitian tersebut dilakukan

Demikian pula dalam dunia pemerintahan

untuk

dengan teknologi berbasis pengetahuan,

kegiatan mahasiswa. Sistem Pendukung

fakta dan penalaran dapat digunakan untuk

Keputusan dibangun untuk menghasilkan

menyelesaikan berbagai masalah dalam

keputusan berupa besarnya dana yang

berbagai disiplin ilmu diantaranya adalah

diterima oleh masing-masing unit kegiatan.

masalah pengambilan keputusan dalam

Sistem

memilih warga yang tepat untuk menerima

dikembangkan

dana Simpan Pinjam Perempuan (SPP)

menggunakan metode AHP (Analytical

PNPM MPd.

Hierarchy Process)

Tingginya angka kemiskinan pada

penentuan

dana

pendukung

kegiatan

unit

keputusan

dalam

yang

penelitian

ini

untuk mendapatkan

nilai bobot pada setiap kriteria dan

desa membuat pemerintah membentuk

menggunakan

sebuah

pemberdayaan

proses penentuan kelayakan proposal,

program

metode TOPSIS

dalam

masyarakat,

Program

Nasional

dengan kedua metode tersebut maka akan

Pemberdayaan

Masyarakat

(PNPM)

memudahkan mahasiswa untuk membantu

Mandiri Pedesaan merupakan salah satu

tim verifikasi memberikan rekomendasi

mekanisme

prioritas

masyarakat mandiri

program yang

dalam

pemberdayaan

digunakan upaya

PNPM

Kemudian

usulan

yang

penelitian

cukup

akurat.

terdahulu

yang

mempercepat

dilakukan oleh Ahmad Muhid pada tahun

penanggulangan kemiskinan dan perluasan

2014, penelitian ini dilakukan untuk

kesempatan kerja di wilayah desa, program

membantu

ini merupakan program pemberdayaan

menentukan penilaian proposal secara

masyarakat terbesar ditanah air, untuk

obyektif,

memberdayakan para perempuan pada

digunakan untuk memberikan penilaian,


tim

metode

verifikasi

profile

dalam

maching



penentuan gap dan pembobotan kriteria, sedangkan

metode

AHP

Hierarchy

Process)

digunakan

menghitung

matrik

(Analytical

II.

METODE 1. Theorema Bayes

untuk

perbandingan

Bayes merupakan teknik prediksi berbasis

probabilistik

sederhana

yang

berpasangan, eigen, skala prioritas, eigen

berdasar pada penerapan Theorema Bayes

maksimal,

(atau

Consitency

Index(CI)

dan

aturan

Bayes)

dengan

asumsi

Consitency Ratio(CR), hasil akhir dari

independensi (ketidak tergantungan) yang

penelitian ini adalah menentukan rangking

kuat (naif). Dengan kata lain, Naïve Bayes,

nilai dari yang tertinggi sampai terendah. Perancangan aplikasi pada “Sistem

model yang digunakan adalah “model fitur independensi” (Fikri, 2014).

Pendukung Keputusan Penerimaan Dana

Dalam

Bayes

(terutama

Naïve

Simpan Pinjam Perempuan (SPP) PNPM

Bayes), maksud independensi yang kuat

MPd Menggunakan Metode Naïve Bayes

pada fitur adalah bahwa sebuah fitur pada

Di Ds. Bandar Kedung Mulyo Kab.

sebuah data tidak berkaitan dengan ada

Jombang” ini berbasis WEB dibuat dengan

atau tidaknya fitur lain dalam data yang

bahasa

dan

sama. Prediksi Bayes didasarkan pada

menggunakan database MySQL dan untuk

Theorema Bayes dengan formula umum

menentukan

nilai

sebagai berikut :

keputusannya

dikerjakan

pemrograman

PHP

kepastian

dan

menggunakan

metode Naive Bayes. Metode Naive Bayes merupakan

teknik

prediksi

( | )=

berbasis

probabilistik sederhana yang berdasarkan

( | ) ( )

( )

................................... 1

Penjelasan dari formula tersebut adalah sebagai berikut :

pada penerapan Theorema Bayes (aturan bayes)

dengan asumsi independensi

Parameter

Keterangan

(ketidak

ketergantungan)

P(H|E)

Probabilitas akhir bersyarat

yang

kuat

(Prasetyo, 2012). Dengan menggunakan

(Conditional Proabability) suatu hipotesis

metode Naive Bayes diharapkan dapat

H terjadi jika diberikan bukti (Evidence) E

mempermudah

terjadi.

untuk

pengambilan

keputusan pemberian dana Simpan Pinjam

P(E|H) Probabilitas sebuah bukti E terjadi

Perempuan (SPP) PNPM MPd secara cepat

akan mempengaruhi hipotesis H. P(H)

dan tepat sasaran. (priori)

hipotesis

Probabilitas

awal

H

tanpa

terjadi

memandang bukti apapun.




P(E)

Probabilitas

awal

(priori) bukti E terjadi tanpa memandang

disebut

awal

(Prior

Probability) Y (Fikri, 2014).

hipotesis/bukti lain. Ide dasar dari aturan Bayes adalah

probabilitas

Selama

proses

pelatihan

harus

dilakukan pembelajaran probabilitas akhir

bahwa hasil dari hipotesis atau peristiwa

(P(Y|X)

(H) dapat diperkirakan berdasarkan pada

kombinasi X dan Y berdasarkan informasi

beberapa bukti (E) yang diamati (Fikri,

yang didapat dari data latih. Dengan

2014). Ada beberapa hal penting dari

membangun model tersebut, suatu data uji

aturan Bayes tersebut, yaitu :

X` dapat diklarifikasi dengan mencari nilai

1. Sebuah probabilitas awal/ prior H atau P(H) adalah probabilitas dari suatu hipotesis sebelum bukti diamati.

pada

model

yang didapatkan. Formulasi Naïve Bayes untuk klasifikasi adalah : P(Y|X)=

( )Π

(

setelah bukti diamati.

| )

( )

adalah probabilitas dari suatu hipotesis

Kaitan antara Naïve Bayes dengan

setiap

Y` dengan memaksimalkan nilai P(X`|Y`)

2. Sebuah probabilitas akhir H atau P(H|E)

2. Naïve Bayes Untuk Klasifikasi

untuk

................ 2

P(X|Y) adalah probabilitas data dengan vector X pada kelas Y. P(Y) adalah probabilitas awal kelas Y. Π

( | )

klasifikasi, korelasi hipotesis dan bukti

adalah probabilitas independen kelas Y

klasifikasi adalah bahwa hipotesis dalam

dari semua fitur dalam vector X. Nilai

Theorema Bayes merupakan label kelas

P(X)

yang menjadi target pemetaan dalam

perhitungan prediksi nantinya kita tinggal

klasifikasi, sedangkan bukti merupakan

menghitung

fitur - fitur yang menjadikan masukan

dengan memilih yang terbesar sebagai

dalam model klasifikasi. Jika X adalah

kelas yang dipilih sebagai hasil prediksi.

vector masukkan yang berisi fitur dan Y

Sementara

adalah label kelas, Naïve Bayes dituliskan

Π

dengan P(X|Y). Notasi tersebut berarti

semua fitur dari data terhadap setiap kelas

probabilitas label kelas Y didapatkan

Y, yang dinotasikan dengan (Fikri. 2014).

setelah fitur-fitur X diamati. Notasi ini

selalu

tetap

bagian

sehingga

( )Π

probabilitas

dalam

( | )

independen

( | ) tersebut merupakan pengaruh

( | = )=Π

( | = ) setiap

set

disebut juga probabilitas akhir (Posterior

fitur X = {X1,X2,X3,…,Xq} terdiri atas q

Probability) untuk Y, sedangkan P(Y)

atribut (q dimensi).




keuangan, kelayakan usaha dan

3. Karakteristik Naïve Bayes Klasifikasi

dengan

Naïve

Bayes

bekerja berdasarkan teori probabilitas yang

besarnya pendapatan serta pengeluaran. e. Memiliki organisasi atau kelompok

memandang semua fitur dari data sebagai

dalam masyarakat yang berdiri lebih

bukti dalam probabilitas (Fikri, 2014). Hal

dari 1 tahun.

ini memberikan karakteristik Nive Bayes

Berikut ini adalah contoh kasus pada

sebagai berikut :

seorang warga yang memiliki kriteria

a. Metode Naïve Bayes bekerja teguh

memiliki usaha, tidak memiliki organisasi

(robust)

terhadap

data-data

yang

dan status pinjaman Y (boleh).

terisolasi yang biasanya merupakan data

Tabel 2.1 Data Warga

dengan karakteristik berbeda (outliner). Naïve Bayes juga bisa menangani nilai atribut yang salah dengan mengabaikan data latih selama proses pembangunan model dan prediksi. b. Tangguh menghadapi atribut yang tidak relevan. c. Atribut yang mempunyai kolerasi bisa mendegradasi kinerja klasifikasi Naive

Perhitungan dengan metode Naive Bayes :

Bayes

P(H) = Layak, Tidak

karena

asumsi

independensi

atribut tersebut sudah tidak ada.

4. Contoh perhitungan pada penelitian

P(Layak)

=

= 0,3

P(Tidak)

=

= 0,7

ini dengan menggunakan Metode

P(X|H)

Naive Bayes.

P(Usaha= Y | Hasil= Layak) = = 0,667

Kriteria-kriteria yang ditentukan dari

P(Usaha= Y | Hasil= Tidak) = = 0,286

Sekretaris pengelola PNPM MPd Desa Bandar Kedung Mulyo adalah : a. Keluarga Miskin

P(Organisasi= T | Hasil= Layak) =

= 0,333

P(Organisasi= T | Hasil= Tidak) =

= 0,429

b. Memiliki usaha ekonomi lemah

P(Status= Y | Hasil= Layak) = = 1

c. Kelompok yang mempunyai keahlian

P(Status= Y | Hasil= Tidak) = = 0,286

tetapi tidak mempunyai modal d. Besarnya pinjaman untuk usaha yang

P(X|Layak) = 0,667 x 0,333 x 1 = 0,222 P(X|Tidak)= 0,286 x 0,429 x 0,286 =0,035

dapat ditentukan sesuai kelayakan Khisma Ilmi El Imami | 12.1.03.02.0116 Teknik – Teknik Informatika



P(H|X)

5. Klasifikasi

P(X| Layak) x P(Layak) = 0,222 x 0,3

a. Konsep Klasifikasi

= 0,066 (Layak)

Klasifikasi

suatu

objek

untuk

P(X|Tidak) x P(Tidak) = 0,35 x 0,7

pekerjaan

= 0,024

memasukkannya ke dalam kelas tertentu

Jadi, pendaftar baru dengen kriteria yang

dari sejumlah kelas yang tersedia. Dalam

terdapat pada kolom terakhir memiliki

klasifikasi ada dua pekerjaan utama yang

hasil perhitungan

dilakukan, yaitu : pertama, Pembangunan

pendaftar

yang

model sebagai prototype untuk disimpan

pendapatan yang bisa digunakan untuk

sebagai memori dan kedua, Penggunaan

melunasi pinjaman dalam waktu 6 bulan.

model

Keterangan :

pengenalan/

dari

diperoleh

memiliki

data

sisa

1. Nilai

tersebut

layak karena

menilai

merupakan

STATUS dari

pada

kolom

untuk

klasifikasi/

melakukan

prediksi

pada

suatu objek data lain agar diketahui di

-

kelas mana objek data tersebut dalam

dari

model yang mudah disimpan (Fikri, 2014).

terdapat sisa,

Contoh aplikasi yang sering ditemui

kemudian dikalikan 6 (bulan) sisa

adalah pengklasifikasian jenis hewan, yang

tersebut

mempunyai

Pengeluaran,

Pendapatan

tersebut

apabila

pengurangan tersebut

melebihi

hasil

jumlah

pinjaman

sejumlah

atribut.Dengan

maka status yang diperoleh adalah Ya.

teribut tersebut, jika ada hewan baru kelas

Dan jika sisa tersebut kurang dari

henyannya bisa langsng diketahui. Contoh

jumlah pinjaman maka status yang

lain

diperoleh Tidak.

diagnosis penyakit kulit kanker melanoma,

2. Untuk

perankinganya

menggunakan

adalah

bagaimana

melakukan

yaitu dengan melakukan pembangunan

syntak :

model berdasarkan data latih yang ada,

SELECT [DISTINC]

kemudian menggunakan model tersebut

FROM[WHERE]

untuk mengidentifikasi penyakit pasien

ORDER BY column name DESC.

baru sehingga diketahui apakah pasien

Untuk menampilkan data secara urut

tersebut menderita kanker atau tidak.

pada kolom tertentu, dapat digunakan

(Fikri, 2014).

perintah ORDER BY, secara default

b. Model Klasifikasi

ORDER BY akan mengurutkan data secara DESCENDING (urut menurun).

Model dalam klasifikasi mempunyai arti yang sama dengan kotak hitam, dimana ada suatu model yang menerima masukkan, kemudian mampu melakukan




pemikiran terhadap masukkan tersebut dan

kelebihan dan kekurangan, tetapi semua

memberikan jawaban sebagai keluaran dari

algoritma

hasil

kerja

melakukan suatu pelatihan sehingga di

(framework) klasifikasi ditunjukkan pada

akhir pelatihan, model dapat memetakan

gambar

(memprediksi) setiap vector masukan ke

pemikirannya.

2.1.

Pada

Kerangka

gambar

tersebut

berprinsip

sama,

disediakan sejumlah data latih (x,y) untuk

label kelas keluaran dengan benar

digunakan sebagai data pembangunan

(Fikri, 2014).

yaitu

model. Model tersebut kemudian dipakai untuk memprediksi kelas dari data uji (x,y) sehingga

diketahui

kelas

y

c. Pengukuran Kinerja Klasifikasi

yang

sesungguhnya (Fikri, 2014).

Sebuah sistem yang melakukan klasifikasi diharapkan dapat melakukan klasifikasi semua set data dengan benar, tetapi tidak dapat dipungkiri bahwa kinerja suatu sistem tidak bisa 100% benar sehingga sebuah sistem klasifikasi juga diukur kinerjanya. Umumnya, pengukuran kinerja klasiikasi diakukan dengan matriks konfusi (confusion matrix). Matriks konfusi merupakan tabel pencatat hasil kerja klasifikasi.Kuantitas

Gambar 2.1 Proses Klasifikasi

matriks konfusi dapat diringkus menjadi 2 Model yang sudah dibangun pada

nilai, yaitu akurasi dan laju error. Dengan

saat pelatihan kemudian dapat digunakan

mengetahui jumlah data yang diklasifikasi

untuk memprediksi label kelas baru yang

secara

belum diketahui. Dalam pembangunan

akurasi hasil prediksi dengan mengetahui

model selama proses pelatihan tersebut

umlah data yang diklasifikasi secara salah,

diperlukan

untuk

kita dapat mengetahui laju error dari

algoritma

prediksi yang dilakukan. Dua kuantitas ini

suatu

membangun, pelatihan

yang

(learning

algoritma disebut

algorithm).

Ada

benar,

digunakan

kita

sebagai

dapat

mengetahui

matrik

kinerja

banyak algoritma pelatihan yang sudah

klasifikasi. Untuk menghitung akurasi

dikembangkan oleh para peneliti, seperti

digunakan formula (Fikri, 2014).

K-Nearest Neighbor, Artificiak Neural

Akurasi =

Network, Support Vector Machine dan sebagainya. Setiap algoritma mempunyai


=

ℎ

ℎ

.................. 3 simki.unpkediri.ac.id || 10||


Untuk menghitung laju error (kesalahan prediksi) digunakan formula. ℎ

laju error = =

ℎ

ℎ 11 + 00 11 + 10 + 01 + 00

................. 4 Gambar 3.1 Tampilan Login

Semua berusaha

algoritma

membentuk

klasifikasi model

b. Tampilan Halaman Home

yang

Pada halaman ini berisikan mengenai

mempunyai akurasi tinggi atau laju error

Pengerian

yang rendah. Umumnya, model yang

PNPN

MPd

dan

Dana

Simpan Pinjam Perempuan (SPP).

dibangun memprediksi dengan benar pada semua data yang menjadi data latihnya, tetapi ketika model berhadapan dengan data uji, barulah kinerja model dari sebuah algortima klasifikasi ditentukan ( Fikri, 2014). III.

Gambar 3.2 Halaman Home

HASIL DAN KESIMPULAN c.

A. HASIL

Tampilan halaman Penerima

setelah

Pada halaman ini terdapat tombol edit

perancangan adalah tahap implementasi

untuk mengedit data serta tombol

program. Pada tahap implementasi ini,

hapus untuk menghapus data. Dan

aplikasi dibuat menggunakan bahasa PHP

untuk ombol utama

dan basis data MySQL. Berikut ini adalah

yaitu :

hasil tampilan program :

1) Tombol

Tahap

selanjutnya

Tampilkan

untuk

menampilkan hasil dari pendaftar

a. Tampilan Halaman Login Halaman ini digunakan untuk admin

yang layak maupun yang tidak

masuk pada menu utama dengan cara

layak.

mengisikan

kolom

username

password.

dan

2) Tombol Print digunakan untuk mencetak hasil dari data pendaftar yang layak maupun yang tidak layak. 3) Tombol pendaftar untuk melihat seluruh data pendaftar yang ada




yang sudah di hapus maupun di

B. KESIMPULAN

edit.

Dari hasil penelitian yang telah dilakukan penulis mengenai skripsi yang berjudul Sistem Pendukung Keputusan Penerimaan

Dana

Perempuan

(SPP)

Simpan PNPM

Pinjam MPd

Menggunakan Metode Naive Bayes di Ds. Gambar 3.3 Halaman Penerima

Bandar Kedung Mulyo Kab. Jombang

d. Halaman Seleksi

dapat

disimpulkan

Pada halaman ini digunakan untuk

menggunakan

menyeleksi mendaftar

pendaftar untuk

bahwa

dengan

aplikasi tersebut dapat

yang

ingin

menentukan masyarakat yang layak dan

menerima

dana

yang tidak layak menerima dana. Metode

Simpan Pinjam Perempuan.

Naive Bayes digunakan untuk perhitungan nilai kepastian serta dirancang dengan bahasa

pemrograman

PHP

dan

menggunakan database MySQL.

IV. Gambar 3.4 Tampilan Halaman Seleksi e. Halaman hasil seleksi Halaman ini untuk mengetahui hasil seleksi pendaftar apakah layak atau tidak untuk menerima dana Simpan Pinjam Perempuan, dan terdapat tombol kembali untuk kembali ke halaman seleksi.

Gambar 3.5 Tampilan Halaman Hasil

DAFTAR PUSTAKA Azmi, Meri., Sonatha, Yance. & Rasyidah. 2014. Pemanfatan Sistem Pendukung Keputusan Untuk Penentuan Alokasi Dana Kegiatan (Studi Kasus Unit Kegiatan Mahasiswa Politeknik Negeri Padang). Jurnal Momentum, 16(1). (Online), tersedia : http://ejournal.itp.ac.id/index.php/mo mentum/article/view/161, 28 Februari 2016 Ahmadi, Aziz dan Hartati, Sri. 2013. Penerapan Fuzz C-Means dalam Sistem Pendukung Keputusan untuk Penentuan Penerima Banuan Langsung Masyrakat (BLM) PNPM MPd (Studi Kasus PNPM MPd Kec. Ngadirejo Kab.Pacitan). Berkal MIPA, 23(3). (Online), tersedia : http://pdmmipa.ugm.ac.id/ojs/index.php/bimipa /article/view/906, 25 Desember 2015

Seleksi Khisma Ilmi El Imami | 12.1.03.02.0116 Teknik – Teknik Informatika



Arfiana, Fikri. 2014. Klasifikasi Kendaraan Roda Empat Menggunakan Metode Naive Bayes. Skripsi. Bandung: Fakultas Teknik Universitas Widyatama. Ketentuan Dasar PNPM Mandiri Perdesaan. Program Nasional pemberdayaan Masyarakat Media Informasi PNPM Kecamaan Surade Kabupaten Sukabumi Provinsi Jawa Barat. ( Online), tersedia: http://upkpnpmsurade.org/pto-pnpm/1kebijakan-pokok-pnpm-mp/50ketentuan-dasar-pnpm-mandiriperdesaan-.html, diunduh 15 November 2015.

Yakub. 2012. Pengantar Sistem Informasi. Yogyakarta : Graha Ilmu. Yunsita, Amalia dan Handini, Rosiana. 2012. Sistem Pendukung Keputusan Menentukan Lokasi Umah Makan. Seminar Teknologi Informasi Dan Komunikasi Terapan 2013 (Semantik 2013). (Online) , tersedia : http://publikasi.dinus.ac.id/index.php /semantik/article/download/144/105 , 27 Desember 2015

Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: Andi. Mufid, Ahmad. 2014. Sistem Pendukung Keputusan Penilaian Proposal Kegiatan PNPM MPd Menggunakan Metode Profile Matching dan Analytic Hierarchy Process (AHP). Jurnal Sistem Informasi Bisnis 01(2014), (Online), tersedia : http://ejournal.undip.ac.id/index.php/ jsinbis,28 Februari 2016. Nugroho, Henry dan Suryati, Pulut. 2013. Aplikasi Sistem Pendukung Keputusan Pengajuan Kredit Sepeda Motor. Seminar Teknologi Informasi Dan Komunikasi Terapan 2013 (Semantik 2013). (Online), tersedia : http://eprints.dinus.ac.id/5195/1/P21TI35-Semantik-106fxhenry_stmik_akakom_%28final%2 9.pdf , 28 Februari 2016. Prasetyo, Eko.2012. Data Mining Konsep Dan Aplikasi Menggunakan Matlab. Yogyakarta : Andi.

Turban, E., J.E dan T. Liang. 2005. Decision Support System And Intelegent System. New Jersey : Perason Prantince Hall. Khisma Ilmi El Imami | 12.1.03.02.0116 Teknik – Teknik Informatika


Copyright © 2024 ADOC.PUB. All rights reserved.
About Us | Privacy Policy | Terms of Service | Copyright | Contact Us | Cookie Policy

Sign In

Email

Password

Remember me Forgot password?

Our partners will collect data and use cookies for ad personalization and measurement. Learn how we and our ad partner Google, collect and use data. Agree & close

SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH :

Recommend Documents