Jalaludin Emilove
I was born in Bogor, on August,28th in 1973. In education was Elementary School of Nasyatul Khair, Graduate in the year 1986, Junior High School of “SEGAR”, Graduate in the year 1989, Economical High School of SMK 51 Jakarta Timur, Accounting Graduate in the year 1992, Universitas STMIK Swadharma - Sistem Informasi (S1) Graduate in the year 2013,
Universitas STMIK Eresha - Teknik Informatika (S2) Graduate in the year 2015
MCP (Microsoft Certified Profesional) MB7-225 Credential :Dynamic , Professional Certification Version : Microsoft Dynamic Navision 4.0 Financials ; Description :Microsoft Business Solutions Navision 4.0 Financials.
Graduate in the Dec 2009.
Now I am a Lecture in University of Pamulang (UNPAM) NIDN : 0428087302
Supervisors: Nyimas Hilmiyati, S.Pd
Universitas STMIK Eresha - Teknik Informatika (S2) Graduate in the year 2015
MCP (Microsoft Certified Profesional) MB7-225 Credential :Dynamic , Professional Certification Version : Microsoft Dynamic Navision 4.0 Financials ; Description :Microsoft Business Solutions Navision 4.0 Financials.
Graduate in the Dec 2009.
Now I am a Lecture in University of Pamulang (UNPAM) NIDN : 0428087302
Supervisors: Nyimas Hilmiyati, S.Pd
less
Interests
Uploads
Papers by Jalaludin Emilove
Thesis Chapters by Jalaludin Emilove
In finding a relationship between the items that are in the XML file is required for mining classification rule. The problem in this research is how to use the content of mining classification rules between existing tags in the XML file by using the XQuery command is functional programming and query language which is used to query or process the XML file.
This research method is to apply the mining classification rule with two different algorithms that Naïve Bayes Algorithm and K-Nearest Neighbour Algorithm. At large data, it's required speed of the search data, therefore the selection of Naïve Bayes Algorithm and K-Nearest Neighbor Algorithm becomes most important to compare the processing time between the two algorithms in XML files using different datasets and size.
The results are they are shows the algorithm Naïve Bayes (NB) significantly more faster than the algorithm K Nearest Neighbor (KNN). The comparisons were performed on the testing process is to provide a load of parameter objects (objects 4, 8 objects and 12 objects) and loading the data row for each object group of 5,000, 10,000 and 30,000 records.
In English
Abstrak :Extensible Markup Language (XML) adalah bahasa markup untuk web yang direkomendasikan oleh World Wide Web Consortium (W3C) untuk pertukaran data antar sistem yang beraneka ragam.
Dalam mencari hubungan diantara item-item yang ada didalam file XML diperlukan adanya aturan klasifikasi penambangan (mining classification rule).
Permasalahan dalam penelitian ini adalah bagaimana menggunakan aturan klasifikasi penambangan diantara content tag yang ada di dalam file XML dengan menggunakan perintah XQuery yang merupakan bahasa query dan pemrograman fungsional (functional programming and query language) yang digunakan untuk melakukan query atau memproses file XML.
Metode penelitian ini adalah mengaplikasikan mining classification rule dengan dua algoritma yang berbeda yaitu Algoritma Naïve Bayes dan Algoritma K-Nearest Neighbour. Pada data besar diperlukan kecepatan dalam pencarian data, oleh karena itu pemilihan Algoritma Naïve Bayes dan Algoritma K-Nearest Neighbour menjadi sangat penting dengan membandingkan waktu proses diantara kedua algoritma pada file XML dengan menggunakan dataset dan size yang berbeda.
Hasil penelitian menunjukkan algoritma Naïve Bayes (NB) lebih cepat secara signifikan dibandingkan dengan algoritma K Nearest Neighbor (KNN). Perbandingan yang dilakukan pada proses pengujian adalah dengan memberikan beban objek parameter (4 objek, 8 objek dan 12 objek) serta pembebanan row data pada masing-masing kelompok objek sebesar 5.000, 10.000 dan 30.000 record.
Keyword :
Data mining, K-Nearest Neighbor, Naïve Bayes, XML, XQuery
In finding a relationship between the items that are in the XML file is required for mining classification rule. The problem in this research is how to use the content of mining classification rules between existing tags in the XML file by using the XQuery command is functional programming and query language which is used to query or process the XML file.
This research method is to apply the mining classification rule with two different algorithms that Naïve Bayes Algorithm and K-Nearest Neighbour Algorithm. At large data, it's required speed of the search data, therefore the selection of Naïve Bayes Algorithm and K-Nearest Neighbor Algorithm becomes most important to compare the processing time between the two algorithms in XML files using different datasets and size.
The results are they are shows the algorithm Naïve Bayes (NB) significantly more faster than the algorithm K Nearest Neighbor (KNN). The comparisons were performed on the testing process is to provide a load of parameter objects (objects 4, 8 objects and 12 objects) and loading the data row for each object group of 5,000, 10,000 and 30,000 records.
In English
Abstrak :Extensible Markup Language (XML) adalah bahasa markup untuk web yang direkomendasikan oleh World Wide Web Consortium (W3C) untuk pertukaran data antar sistem yang beraneka ragam.
Dalam mencari hubungan diantara item-item yang ada didalam file XML diperlukan adanya aturan klasifikasi penambangan (mining classification rule).
Permasalahan dalam penelitian ini adalah bagaimana menggunakan aturan klasifikasi penambangan diantara content tag yang ada di dalam file XML dengan menggunakan perintah XQuery yang merupakan bahasa query dan pemrograman fungsional (functional programming and query language) yang digunakan untuk melakukan query atau memproses file XML.
Metode penelitian ini adalah mengaplikasikan mining classification rule dengan dua algoritma yang berbeda yaitu Algoritma Naïve Bayes dan Algoritma K-Nearest Neighbour. Pada data besar diperlukan kecepatan dalam pencarian data, oleh karena itu pemilihan Algoritma Naïve Bayes dan Algoritma K-Nearest Neighbour menjadi sangat penting dengan membandingkan waktu proses diantara kedua algoritma pada file XML dengan menggunakan dataset dan size yang berbeda.
Hasil penelitian menunjukkan algoritma Naïve Bayes (NB) lebih cepat secara signifikan dibandingkan dengan algoritma K Nearest Neighbor (KNN). Perbandingan yang dilakukan pada proses pengujian adalah dengan memberikan beban objek parameter (4 objek, 8 objek dan 12 objek) serta pembebanan row data pada masing-masing kelompok objek sebesar 5.000, 10.000 dan 30.000 record.
Keyword :
Data mining, K-Nearest Neighbor, Naïve Bayes, XML, XQuery