Dermawan, Surya (2017) Penentuan Pemenang Tender Menggunakan Kombinasi K-Neareast Neighbor Dan Cosine Similarity (Studi Kasus Pt. Unichem Candi Indonesia). Sarjana thesis, Universitas Brawijaya.
Abstract
Dalam pengambilan keputusan penentuan pemenang tender pada PT. Unichem Candi Indonesia masih bersifat manual. Hal ini disebabkan kurang nya pengetahuan dalam pengambilan keputusan. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data. Salah satu teknologi yang dapat digunakan untuk sistem informasi penentuan pemenang tender yaitu K-NEAREST NEIGHBOR dan cosine similarity dikarenakan teknologi ini menjadi yang efisien dan efektif bila diterapkan pada masalah di PT. Unichem Candi Indonesia. Algoritma K-NN adalah metode yang menggunakan algoritma supervised, yang mana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dan kategori pada K-NN. Nilai K merupakan jumlah data latih terdekat terhadap data uji. Dari Hasil pengujian pengaruh parameter nilai k diperoleh akurasi sebesar 73% pada nilai yang tertinggi, yaitu k =2. Pengujian dengan jumlah data latih dan data uji yang seimbang akan memperngaruhi besarnya nilai akurasi yang akan didapatkan. Berdasarkan hasil pengujian dengan jumlah data latih dan data uji yang seimbang didapatkan nilai akurasi sebesar 83% pada nilai yang tertinggi, yaitu k = 4.
English Abstract
In decision of determination of auction in PT. Unichem Candi Indonesia is still manual. Due to this lack of knowledge in decision making. Data mining is also referred to as a series of processes to explore the added value of knowledge that has so far not been known manually from a data set. One of the technology that can be used for information system of tender winner determination is K-NN and cosine similarity which this technology become efficient and effective when applied to problem in PT. Unichem Candi Indonesia. The K-NN algorithm is a method that uses a supervised algorithm, in which the results of the new test sample are classified by majority and category on K-NN. The K value is the amount of nearest training data to the test data. From the test results the effect of the value of k obtained accuracy of 73% where the highest value, ie k = 2. Testing with the amount of trainee data and test data are balanced will affect the amount of accuracy that will be obtained. Based on the test results with the amount of training data and test data obtained an accuracy value of 83% where the highest value, ie k = 4.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/716/051708228 |
| Uncontrolled Keywords: | Data Mining, K-Nearest Neighbor Algorithm, Cosine Similarity |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning > 006.312 Data mining |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 12 Oct 2017 07:40 |
| Last Modified: | 18 Sep 2020 07:34 |
| URI: | http://repository.ub.ac.id/id/eprint/3652 |
Actions (login required)
 |
View Item |