Wikipedia:Perubahan tertunda/Permohonan hak peninjau

Pintasan

Catatan: "Peninjau" Wikipedia secara definisi berbeda dari "penyunting" Wikipedia. Para "penyunting Wikipedia" (atau sering disebut sebagai "pengguna Wikipedia" atau "Wikipediawan") adalah semua orang yang menyunting di Wikipedia, baik pengguna aktif maupun yang sudah tidak aktif lagi. Sedangkan "Peninjau Wikipedia" adalah sekelompok penyunting yang telah dipercaya yang suntingannya tidak perlu diperiksa lagi oleh pengurus dan dapat membantu tugas pengurus memeriksa suntingan Wikipediawan yang lain. Status sebagai penyunting selamanya tidak dapat dicabut, kecuali semua kontribusi Anda dihapus oleh pengurus, sementara status sebagai Peninjau dapat diberikan dan dicabut kembali oleh birokrat apabila tidak digunakan dengan baik.

Untuk berkontribusi di Wikipedia (memulai artikel atau menyunting artikel yang sudah ada), Anda tidak perlu mengajukan hak untuk menjadi seorang Peninjau, artikel yang Anda buat sudah dapat langsung tertampil di Wikipedia. Namun apabila Anda sudah cukup banyak berkontribusi di Wikipedia, pertimbangkan untuk meminta status kelompok Peninjau sehingga Anda dapat meringankan tugas pengurus dan Peninjau yang lain.

Gunakan halaman ini untuk mengajukan permintaan hak Peninjau.

Keterangan selengkapnya tentang hak-hak Peninjau, silakan baca Proses peninjauan
Keterangan selengkapnya tentang syarat-syarat mengajukan diri sebagai Peninjau, silakan baca Status Peninjau. (wajib dibaca terlebih dahulu)
Lihat pula: Daftar otomatis para peninjau dan Arsip

Wikipediawan yang mendaftar di bawah ini diharapkan sudah membaca persyaratan yang tertera di Status Peninjau.

Apabila pemohon belum memenuhi syarat keaktifan surel pengguna dan/atau jumlah bita laman pengguna, pemohon diberikan waktu 1x24 jam untuk melengkapinya, dan kemudian pengurus dapat memberikan keputusan.
Apabila pemohon belum memenuhi syarat lama bergabung, jumlah suntingan, jumlah ruang nama, dan/atau riwayat pemblokiran, pemohon boleh mengajukan permohonan baru dalam waktu 3 (tiga) hari setelah permohonan pertamanya ditutup.
Apabila pemohon belum memenuhi syarat menangani vandalisme dan/atau keterampilan menulis dalam bahasa Indonesia, pemohon boleh mengajukan permohonan baru dalam waktu 14 (empat belas) hari setelah permohonan pertamanya ditutup.

Permohonan yang belum disetujui, dapat diarsipkan dua pekan setelah penutupan.

Buat permintaan baru

Firman.Nst (18 Mei 2019)

Status: Tidak dilanjutkan

Firman.Nst (kontrib. • catatan • pemblokiran • status • ubah hak pengguna) mengajukan permohonan status sebagai editor.

Lama bergabung: 2 tahun (log registrasi) (minimal 60 hari pada waktu status diberikan atau saat permohonan diajukan)

Terpenuhi: Akun dibuat pada tanggal 22 Oktober 2017

Jumlah suntingan: 523 (kontribusi) (minimal 150 suntingan selama 3 bulan terakhir)

Terpenuhi: Hanya 515 suntingan

Jumlah ruang nama: 5 (edit count) (minimal telah berkontribusi di 5 ruang nama yang berbeda selama 3 bulan terakhir)

Terpenuhi: Ada 8 ruang nama

Pengguna lain dapat mengirim surel? iya (surel pengguna)

Tidak Terpenuhi: Tidak

Besar (bita) halaman pengguna: 1.000+ (halaman pengguna) (harus memiliki halaman pengguna minimal sebesar 100 bita)

Terpenuhi: 3.529 bita

Riwayat pemblokiran: Tidak ada (log pemblokiran) (harus tidak pernah diblokir selama 6 bulan terakhir atas alasan vandalisme)

Terpenuhi: Tidak pernah

Pemohon: Firman.Nst ✉ 18 Mei 2019 13.18 (UTC)[balas]

Catatan editor:: Mohon maaf, sdr Firman.Nst saat ini belum bisa diberikan status editor. Mohon aktifkan surel Anda terlebih dahulu dan ajukan kembali permohonan setelah dua pekan dari keputusan ini. Terima kasih. Salam. ✠Aviel Dase (Kirim Pesan) 19 Mei 2019 14.45 (WITA)

Fakhrizal Nst (31 Mei 2019)

Status: Masih diproses

Fakhrizal Nst (kontrib. • catatan • pemblokiran • status • ubah hak pengguna) mengajukan permohonan status sebagai editor.

Lama bergabung: 5 bulan lebih (log registrasi) (minimal 60 hari pada waktu status diberikan atau saat permohonan diajukan)

Terpenuhi Akun dibuat pada tanggal 18 Desember 2018.

Jumlah suntingan: 150 lebih (kontribusi) (minimal 150 suntingan selama 3 bulan terakhir)

Terpenuhi ± 200 suntingan

Jumlah ruang nama: 7 (edit count) (minimal telah berkontribusi di 5 ruang nama yang berbeda selama 3 bulan terakhir)

Terpenuhi 7 ruang nama

Pengguna lain dapat mengirim surel? Ya (surel pengguna)

Terpenuhi Ya

Besar (bita) halaman pengguna: 100 lebih (halaman pengguna) (harus memiliki halaman pengguna minimal sebesar 100 bita)

Terpenuhi 1.439 bita

Riwayat pemblokiran: Tidak ada (log pemblokiran) (harus tidak pernah diblokir selama 6 bulan terakhir atas alasan vandalisme)

Terpenuhi Tidak pernah

Pemohon: Fakhrizal Nst (bicara) 31 Mei 2019 08.55 (UTC)[balas]

Catatan editor: Pengguna memenuhi semua persyaratan menjadi editor. ✠Aviel Dase (Kirim Pesan) 31 Mei 2019 18.47 (WITA)

Catatan editor: @Aldnonymous: memanggil. ✠Aviel Dase (Kirim Pesan) 31 Mei 2019 18.47 (WITA)

Joyowijoyo12 (10 Juni 2019)

Status: Tidak dilanjutkan

Joyowijoyo12 (kontrib. • catatan • pemblokiran • status • ubah hak pengguna) mengajukan permohonan status sebagai editor.

Lama bergabung: (log registrasi) (minimal 60 hari pada waktu status diberikan atau saat permohonan diajukan)

terpenuhi 1 Oktober 2018

Jumlah suntingan: (kontribusi) (minimal 150 suntingan selama 3 bulan terakhir)

terpenuhi

Jumlah ruang nama: (edit count) (minimal telah berkontribusi di 5 ruang nama yang berbeda selama 3 bulan terakhir)

terpenuhi

Pengguna lain dapat mengirim surel? (surel pengguna)

tidak terpenuhi

Besar (bita) halaman pengguna: (halaman pengguna) (harus memiliki halaman pengguna minimal sebesar 100 bita)

terpenuhi

Riwayat pemblokiran: (log pemblokiran) (harus tidak pernah diblokir selama 6 bulan terakhir atas alasan vandalisme)

terpenuhi
Pemohon: Joyowijoyo12 (bicara) 10 Juni 2019 05.20 (UTC)[balas]

Catatan editor:: Pengguna tidak mengaktifkan surel. Silakan diaktifkan terlebih dahulu dan pengguna dapat kembali mengajukan paling cepat dua pekan sejak pengajuan ini tidak diterima. Sabjan Badio (bicara) 10 Juni 2019 05.34 (UTC)[balas]

Metode Decision Tree Menggunakan Algoritma C45

Berikut ini merupakan hasil skripsi saya sendiri tentang Implementasi Metode Decision Tree Untuk Menentukan Klasifikasi Bangunan Rumah Tinggal Di Bandar Lampung. Semoga halaman ini dapat membantu teman-teman yang ingin mencari referensi dan belajar tentang Algoritma C.45.

ABSTRAK

Properti merupakan salah satu objek bisnis yang sangat menguntungkan karena kemungkinan penambahan nilai jual yang sangat besar dari waktu ke waktu. Pertumbuhan penduduk di Indonesia setiap tahunnya selalu bertambah sehingga jumlah permintaan kebutuhan akan tempat tinggal juga meningkat. Namun untuk memilih sebuah rumah biasanya konsumen tidak mengetahui klasifikasi dan penilaian bangunan rumah, sehingga menghambat dalam proses pemilihan sebuah rumah.

Pada penggunaan metode “Decision Tree” dalam kasus klasifikasi bangunan rumah tinggal, dengan algoritma C4.5 dapat menentukan klasifikasi dan nilai bangunan rumah tinggal. Metode “Decision Tree “ mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Kasus klasifikasi bangunan rumah tinggal dimulai dengan memproses data training menggunakan algoritma C4.5 untuk menjadi pohon keputusan yang merepresentasikan aturan dalam menentukan klasifikasi dan nilai bangunan rumah tinggal.

Dalam proses klasifikasi bangunan rumah tinggal menggunakan metode “Decision Tree “ dan algoritma C4.5 ini dapat menentukan klasifikasi dan penilaian bangunan rumah tinggal serta mengurangi penilaian yang bersifat subjektif.

Kata Kunci : Decision Tree, Algoritma C4.5, Klasifikasi Bangunan Rumah

PENDAHULUAN

Latar Belakang Properti merupakan salah satu objek bisnis yang sangat menguntungkan. Properti seperti misalnya rumah, tanah maupun ruko juga merupakan salah satu investasi yang banyak diminati oleh para pebisnis karena kemungkinan penambahan nilai jual yang sangat besar dari waktu ke waktu. Salah satu bagian dari properti adalah bangunan, baik bangunan berupa rumah, gedung, toko dsb. Bangunan rumah ialah salah satu penilaian yang digunakan konsumen untuk menentukan proses pemilihan sebuah rumah. Seiring berjalannya waktu, pertumbuhan penduduk di Indonesia setiap tahunnya selalu bertambah sehingga jumlah permintaan kebutuhan akan tempat tinggal juga meningkat. Ini terbukti dengan semakin banyak dibangun perumahan baru untuk memenuhi kebutuhan tempat tinggal masyarakat. Namun untuk memilih sebuah rumah biasanya bangunan rumah yang dijual tidak sesuai dengan penilaian (misalnya: ada orang yang ingin membeli rumah tetapi rumah yang dijual bangunannya tidak sesuai kriteria). Hal ini disebabkan, karena konsumen tidak mengetahui klasifikasi dan penilaian bangunan rumah, sehingga menghambat dalam proses pemilihan sebuah rumah.

Padahal, jika masyarakat mengetahui klasifikasi bangunan rumah yang dijual tersebut akan mempermudah dalam proses pemilihan bangunan rumah sesuai yang diinginkan. Situasi tersebut dapat dihindari jika masyarakat memiliki pengetahuan tentang klasifikasi dan penilaian bangunan rumah. Pengetahuan tersebut dapat diperoleh dari buku atau situs-situs yang membahas tentang klasifikasi bangunan rumah. Akan tetapi untuk mempelajari hal tersebut tidaklah mudah, karena selain memerlukan waktu untuk memahaminya, sumber-sumber tersebut juga belum tentu benar.

METODE PENELITIAN

Sistem Pendukung Keputusan Menurut (Kusrini 2007) ”Pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat.

Data Minins Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis (Hermawati 2013).

Klasifikasi Klasifikasi adalah menentukan sebuah record data baru ke salah satu dari beberapa kategori(class) yang telah didefinisikan sebelumnya. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Salah satu contoh yang mudah dan popular adalah dengan decision tree yaitu salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi.

Decision Tree Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti ‘’Structured Query Language’’ untuk mencari ‘’record’’ pada kategori tertentu (Kusrini 2009).

Algoritma C4.5 Secara umum Algoritma C4.5 digunakan untuk membangun pohon keputusan adapun langkah-langkah nya sebagai berikut: Pilih atribut sebagai akar Buat cabang untuk masing-masing nilai Bagi kasus dalam cabang Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.

Untuk memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut-atribut yang ada. Untuk menghitung Gain digunakan rumus seperti tertera dalam rumus 1 berikut. Gain(S, A) = Entropy (S) - ∑_(i=1)^n▒(| S_i |)/(| S |) * Entropy(Si) (1) Dengan: S : Himpunan kasus A : Atribut n : Jumlah partisi atribut A |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S Sedangkan penhitungan nilai Entropy dapat dilihat pada rumus 2 berikut: Entropy(S) = ∑_(i=1)^n▒- pi * 〖log〗_2 pi (2) Dengan : S : Himpunan Kasus A : Fitur n : Jumlah partisi S pi : Proporsi dari Si terhadap S

Metode Waterfall Metode ‘’waterfall’’ merupakan salah satu metode dalam SDLC yang mempunyai ciri khas pengerjaan setiap fase dalam ‘’waterfall’’ harus diselesaikan terlebih dahulu sebelum melanjutkan ke fase selanjutnya. Artinya fokus terhadap masing-masing fase dapat dilakukan maksimal karena tidak adanya pengerjaan yang sifatnya paralel.

Tahapan Pengembangan Sistem Planning Planning merupakan tahap awal dari pengembangan sistem. Dalam hal ini menentukan proses pengambilan keputusan yang akan dibuat dengan cara menggambarkan sistem, sehingga pengguna dapat mengetahui tentang klasifikasi bangunan rumah yang ditempati. Analysis Analisis dilakukan berdasarkan tahapan Data Knowledge Discovery in Database (KDD). Digunakan untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Dan berikut adalah tahapan dalam keseluruhan proses KDD yaitu :

Knowladge Discovery in Database Data Selection Tahap ini adalah langkah awal untuk menentukan data klasifikasi bangunan rumah. Pengambilan data yang mempengaruhi klasifikasi bangunan rumah yaitu pondasi, struktur bangunan, rangka atap, penutup atap, plafond, dinding, pintu & jendela serta lantai yang dilakukan dalam tahap penggalian informasi dalam Knowledge Discovery in Database. Pre-processing / Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data selection yang terdiri dari pondasi, struktur, rangka, penutup, plafond, dinding, pintu & jendela dan lantai yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Transformation Mentransforamsikan data ke dalam bentuk yang lebih sesuai untuk data mining dalam bentuk coding dari data selection yaitu pondasi, struktur, rangka, penutup, plafond, dinding, pintu & jendela dan lantai yang akan menghasilkan klasifikasi bangunan rumah tinggal dan data yang telah dilakukan cleaning atau pre-processing untuk mempersiapkan data yang akan di masukan ke dalam database yang akan menjadi data training dan di olah untuk klasifikasi bangunan rumah tinggal sesuai dengan metode Decision Tree. Data mining Berikut ini adalah perhitungan pembentukan pohon keputusan dengan menggunakan Algoritma C4.5 pada Gambar 2.3. Menghitung jumlah kasus, jumlah kasus untuk keputusan Sederhana, jumlah kasus untuk keputusan Menengah Mewah, dan Entropy dari semua kasus dan kasus yang dibagi berdasarkan atribut Pondasi, Struktur, Rangka atap, Penutup atap, Plafond, Dinding, Pintu & Jendela dan Lantai. Setelah itu lakukan perhitungan Gain untuk masing-masing atribut. Perhitungan Entropy menggunakan rumus 2 : Entropy (Total) = 0.996791632 Entropy (Pondasi-Tapak) = 0.811278124 Entropy (Pondasi-Struktur) = 0.747784151 Entropy (Struktur-Beton) = 0.863120569 Entropy (Struktur-Rangka) = 0.650022422 Entropy (Rangka-Beton) = 0.811278124 Entropy (Rangka-Kayu) = 0.811278124 Entropy (Penutup-Kodok) = 0.811278124 Entropy (Plafond-Kayu) = 0.811278124 Entropy (Dinding-B.Bata) = 0.970950594 Entropy (Dinding-Batako) = 0.918295834 Entropy (Dinding-Spndex) = 0.918295834 Entropy (Pintu-Kusen III) = 0.721928095 Entropy (Pintu-K.Bening) = 0.811278124 Entropy (Lantai-Marmer) = 0.811278124 Perhitungan Gain menggunakan rumus 1 : Gain(Total,Pondasi) = 0.996791632 -((8/15*0.811278124)+(7/15*0.747784151) = 0.215144028 Gain(Total,Struktur) = 0.333993065 Gain(Total,Rangka) = 0.347769132 Gain(Total,Penutup) = 0.780450799 Gain(Total,Plafond) = 0.780450799 Gain(Total,Dinding) = 0.3058231 Gain(Total,Pijen) = 0.5398081 Gain(Total,Lantai) = 0.813132465

Dari hasil tersebut dapat diketahui bahwa atribut dengan Gain tertinggi adalah Lantai yaitu sebesar 0.813132465. Dengan demikian Lantai dapat menjadi node akar. Dari kelima nilai atribut tersebut, nilai atribut Semen Ekspose, Keramik 30 X 30 sudah mengklasifikasikan kasus menjadi Sederhana dan Keramik 40 X 40, Keramik 60 X 60 sudah mengklasifikasikan kasus menjadi Menengah Mewah, sehingga tidak perlu dilakukan perhitungan lebih lanjut, tetapi untuk nilai atribut Marmer masih perlu dilakukan perhitungan lagi.

Setelah melakukan proses perhitungan node 1, terdapat nilai atribut yang tidak menuju ke hasil. Atribut tersebut perlu dilakukan proses perhitungan untuk menentukan node akar selanjutnya. Perhitungan node selanjutnya yaitu dengan menghitung jumlah kasus yang diawali lantai-marmer yang menuju keputusan Sederhana dan Menengah Mewah. Dan Entropy dari semua kasus yang dibagi berdasarkan atribut Pondasi, Struktur, Rangka atap, Penutup atap, Plafond, Dinding, Pintu & Jendela. Setelah itu lakukan perhitungan Gain dan Entropy seperti perhitungan node 1 untuk masing-masing atribut. Dari hasil tersebut dapat diketahui bahwa atribut dengan Gain tertinggi adalah Penutup atap, Plafond, Dinding, Pintu & Jendela yaitu sebesar 0.918295834. Karena nilai Gain tertinggi lebih dari satu, dengan demikian dapat memilih atribut secara acak. Plafond dapat menjadi node akar selanjutnya. Ada 3 nilai atribut dari Plafond yaitu Triplek, Gypsumboard, Kayu(lambressering). Interpretation / Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation.

HASIL PENELITIAN DAN PEMBAHASAN

Hasil Penelitian Pada pembahasan ini menjelaskan hasil perancangan klasifikasi bangunan rumah tinggal di Bandar Lampung yang dirancang untuk memudahkan dalam proses pemilihan rumah. Pembahasan Implementasi metode ‘’decision tree’’ untuk menentukan klasifikasi bangunan rumah tinggal di Bandar Lampung ini menjelaskan, masyarakat dapat menetukan klasifikasi bangunan rumah tinggal dengan memilih material bangunan rumah. Setelah selesai memilih material bangunan, maka sistem akan memunculkan hasil klasifikasi bangunan rumah apakah jenis bangunan rumah tersebut Sederhana atau Menengah Mewah serta material yang dipilih oleh user. Sistem klasifikasi bangunan rumah tinggal ini memiliki kelebihan dan kekurangan. Kelebihan sistem yang berjalan : Sistem klasifikasi bangunan rumah tinggal ini dapat menentukan jenis bangunan rumah tinggal Sederhana dan Menengah Mewah. Sistem ini dapat membantu dalam pemilihan bangunan rumah sesuai kriteria. Sistem ini dapat melakukan perbandingan hasil data training dan data testing. Kekurangan sistem yang berjalan : Jumlah data training yang hanya 15 sample. Sulitnya mengetahui material bangunan rumah seperti pondasi dan struktur pada bangunan rumah yang sudah jadi. User harus mengetahui tentang material bangunan rumah.

Pengujan Sistem Setelah tahap pembuatan dilakukan, maka program perlu diuji. Pengujian dilakukan dengan menjalankan sistem dengan menggunakan laptop dengan alamat local http:/localhost/klasifikasi. Proses berjalan dengan baik, semua tampilan dan menu dapat di akses. Pengujian dilakukan dengan membandingkan hasil data training dengan hasil data testing.

SIMPULAN

Simpulan Berdasarkan latar belakang serta pembahasan-pembahasan pada bab sebelumnya, maka dapat disimpulkan bahwa : Aplikasi yang dibuat dapat digunakan untuk menentukan klasifikasi bangunan rumah tinggal. Pada aplikasi klasifikasi bangunan rumah tinggal ini tidak memberikan hasil yang optimal, dikarenakan aplikasi yang dibuat hanya menentukan klasifikasi bangunan rumah tinggal sederhana dan menengah mewah.

DAFTAR PUSTAKA

Andriani, A. 2013. Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus : AMIK BSI Yogyakarta, Jurnal Seminar Nasional Teknologi Informasi dan Komunikasi, ISSN: 2089-9815 : 163-167. https://fti.uajy.ac.id/sentika/publikasi/makalah/2013/2013_23. (Diakses 21 Juni 2016 10:52 wib)

Augusto, J, dan Mudjihartono. P. 2012. Analisis Efektivitas Algoritma C4 .5 dalam Menentukan Peserta Pemenang Tender Projek, Jurnal Seminar Nasional Teknologi Informasi dan Komunikasi, ISBN: 978-602-19837-0-6, 7-11. http://demo.pohonkeputusan.com/files/Analisis_Efektivitas_Algoritma_C4.5 dalam_Menentukan_Peserta_Pemenang_Tender_Projek. (Diakses 21 Juni 2016 10:41 wib)

Azmi, Z. et al. 1978. Decision Tree Berbasis Algoritma Untuk Pengambilan Keputusan, Jurnal Ilmiah Saintikom, 12(3): 157–164. http://lppm.trigunadharma.ac.id/public/fileJurnal/hp7mJurnal%2012-3-2013_1%20zulfian. (Diakses 21 Juni 2016 10:52 wib)

Dipaloka, A. 2016. Penerapan Decision Tree untuk Penentuan Pola Data Penerimaan Mahasiswa Baru. Jurnal Penelitian Sitrotika, 7(1), ISSN: 1693-9670. https://www.researchgate.net/profile/Aradea_Dipaloka/publication/267757302_Penerapan_Decision_Tree_untuk_Penentuan_Pola_Data_Penerimaan_Mahasiswa_Baru/links/5459dd200cf2bccc4912d6a8.pdf?origin=publication_detail. (Diakses 21 Juni 2016 10:47 wib)

Hermawati, F.A., 2013. DATA MINING, Surabaya: Andi.

Jogiyanto, 2005. Analisis dan Desain Sistem Informasi : Pendekatan Terstruktur Teori dan Praktik Aplikasi Bisnis, Yogyakarta: Andi.

Kusrini, 2009. Algoritma Data Mining, Yogyakarta: Andi.

Kusrini, 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta: Andi.