KOMPARASI ALGORITMA C4.5 BERBASIS PSO DAN GA UNTUK .
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 2020p-ISSN :2502-7131e-ISSN :2502-714xKOMPARASI ALGORITMA C4.5 BERBASIS PSO DAN GAUNTUK DIAGNOSA PENYAKIT STROKERamdhan Saepul Rohman 1, Rizal Amegia Saputra 2 , Dasya Arif Firmansaha 3Page 1551,2,3Fakultas Teknologi Informasi, Universitas Bina Sarana InformatikaJl. Cemerlang No. 8 Sukakarya Sukabumi, Jawa Barat1ramdhan.rpe@bsi.ac.id, 2 rizal.rga@bsi.ac.id, 3 dasya.daf@bsi.ac.idAbstrak— Stroke merupakan gangguan fungsi otak baik lokal maupun menyeluruh yangdisebabkan karena pasokan darah ke otak terganggu yang terjadi secara cepat dan berlangsunglebih dari 24 jam atau berakhir dengan kematian. Stroke Merupakan 1 dari 10 jenispenyakit yang paling mematikan di Indonesia. Hal ini berdasarkan pada data yang dikumpulkandari sampel yang mewakili Indonesia, meliputi 41.590 kematian sepanjang 2014 dan padasemua kematian itu dilakukan autopsi verbal, sesuai pedoman Badan Kesehatan Dunia.Pentingnya mengetahui gejala sejak dini merupakan langkah awal dalam pencegahan terjadinyastroke. Maka itu, dilakukan penelitian untuk menganalisa data terkait dengan penyebab stroke.Adapun atribut yang terlibat dalam penyebab terjadinya stroke yakni, usia, jenis kelamin, kadarglukosa, riwayat penyakit jantung, hipertensi, tipe pekerjaan, tipe tempat tinggal, statusmerokok, index masa tubuh dan status pernikahan. Diperlukan suatu algoritma tertentu untukmengklasifikasikan semua atribut tersebut. C45 merupakan Algoritma yang paling banyakdigunakan, dalam kasus ini akurasi dari algoritma C4.5 sebesar 99.07%. Selanjutnya AlgoritmaC4.5 dioptimasi dengan menggunakan Particle Swarm Optimization sehingga memperolehakurasi sebesar 99.28% dan Algoritma C4.5 juga dioptimasi dengan menggunakan GeneticAlgorithm sehingga memperoleh akurasi sebesar 99.38%.Kata Kunci— Stroke, C4.5, Algoritma C4.5, Particle Swarm Optimization, Genetic Algorithm.Abstract-Stroke is a disorder of brain function both locally and comprehensively due to adisrupted blood supply to the brain that occurs quickly and lasts more than 24 hours or endswith death. Stroke is one of the 10 most deadly diseases in Indonesia. This is based on datacollected from samples representing Indonesia, covering 41,590 deaths throughout 2014 and inall deaths a verbal autopsy was carried out, according to World Health Organization guidelines.The importance of knowing symptoms early on is the first step in preventing stroke. Therefore,research was conducted to analyze data related to the cause of stroke. The attributes involvedin the cause of stroke are age, sex, glucose level, history of heart disease, hypertension, type ofwork, type of residence, smoking status, body mass index and marital status. A certainalgorithm is needed to classify all of these attributes. C45 is the most widely used algorithm, inthis case the accuracy of the C4.5 algorithm is 99.07%. Furthermore, the C4.5 Algorithm wasoptimized using Particle Swarm Optimization to obtain an accuracy of 99.28% and the C4.5Algorithm was also optimized by using the Genetic Algorithm to obtain an accuracy of 99.38%.Keywords— Stroke, C4.5, Algoritma C4.5, Particle Swarm Optimization, Genetic Algorithm.I. PENDAHULUANPentingnya mengetahui gejala penyakit merupakanlangkah awal dalam mengantisipasi timbulnya suatupenyakit yang dapat membahayakan kesehatan danbahkan menyebabkan kematian.Stroke merupakan gangguan fungsi otak baiklokal maupun menyeluruh yang disebabkan karenapasokan darah ke otak terganggu yang terjadi secaracepat dan berlangsung lebih dari 24 jam atauberakhir dengan kematian[1].Stroke Merupakan 1 dari 10 jenis penyakit yangpaling mematikan di Indonesia. Hal ini berdasarkanpada data yang dikumpulkan dari sampel yangmewakili Indonesia, meliputi 41.590 kematiansepanjang 2014 dan pada semua kematian itudilakukan autopsi verbal, sesuai pedoman BadanKesehatan Dunia (WHO) secara real time oleh dokterdan petugas terlatih [2].Stroke menjadi salah satu penyakit yang palingbanyak diderita oleh masyarakat Indonesia dan jugamenjadi salah satu penyebab kematian tertinggi diIndonesia pada urutan pertama disusul oleh diabetesdan hipertensi[3].Telah banyak penelitian yang sudah dilakukandiantaranya: Menurut jurnal Sigit Abdillah yangberjudul Penerapan Algoritma Decision Tree C4.5Untuk Diagnosa Penyakit Stroke Dengan KlasifikasiData Mining Pada Rumah Sakit Santa Maria Pemalang,mengemukakan bahwa untuk studi kasus penyakitstroke dapat memanfaatkan teknik klasifikasi data155
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 2020Page 156mining dengan algoritma C4.5 sebagai klasifikasistroke atau non-stroke. Dari metode klasifikasi datamining dengan algoritma C4.5 dan pengaplikasianpohon keputusan yang membentuk aturan tersebutterdapat akurasi pada data training yang berjumlah130 dari 156 data pasien sebesar 82,31%sedangkan akurasi pada data testing yang berjumlah26 dari 156 data pasien sebesar 76,92%. Perhitungankeduanya menggunakanconfusion matrix. Menurutjurnal Vina Adelina, Dian Eka Ratnawati, M. AliFauzi dalam penelitiannya menentukan tingkat resikostroke menggunakan metode Metode GA-FuzzyTsukamoto dengan tingkat akurasi yang didapatkansebesar 86.66%. Menurut jurnal Jeena R S dan SukeshKumar dalam penelitiannya memprediksi strokemenggunakan metode SVM dan akurasi yangdiperoleh sebesar 90% dengan menggunakan 12atribut berupa Usia, Jenis Kelamin, gejala Berjalan,Fibrilasi Atrium, Defisit wajah, Lengan / Tangandefisit, Kaki / Kaki defisit, Infark terlihat pada CT,Dyphasi, Hemianopia, Gangguan Visuospatial, tandaCerebellar.Penelitian ini bertujuan untuk menerapkanalgoritma C4.5 sebagai algoritma data mining yangpaling banyak digunakan serta komparasi antaraoptimasi Genetic Algorithm (GA) dan optimasiParticle Swarm Optimization (PSO) dalammemprediksi terjadinya penyakit stroke.p-ISSN :2502-7131e-ISSN :2502-714xC. Validasi DataData dalam penelitian ini diambil dari KaggleDataset yang terdiri dari 10 atribut predictor dan 1atribut hasil. Pada dataset tersebut akan dilakukanvalidasi data dengan menghilangkan data missingvalue. Data yang didapat dari Kaggle Datasetsebanyak 43401 record, dari data tersebut terdapatdata missing value sebanyak 14335 record. Kemudiandata missing value tersebut akan dihilangkan agar datamenjadi valid sehingga data yang diolah tanpa missingvalue adalah sebanyak 29066 record setelah itudilakukan remove duplicate sehingga data yangdiperoleh sebanyak 2906. Pengolahan data juga dapatberupakonversinilaiagarmempermudahpembentukan modelTABEL IATRIBUT DAN NILAI KATEGORI DALAM MEMPREDIKSIPENYAKIT STROKEII. METODE PENELITIANA. Jenis PenelitianDalam Penelitian ini dilakukan dua pendekatanutama penelitian, yaitu pendekatan kualitatif akan untuk menganalisa kajian literatur yangberkenaan dengan variable-variabel yang digunakandalam pengumpulan data[5].Sedangkan pendekatatan kuantitif merupakanmetode penelitian yang digunakan untuk menelitipada populasi atau sampel tertentu, pengumpulan datamenggunakan instrumen penelitian dan analisis databersifat statistik atau kuantitatif dengan tujuan untukmenguji hipotesis yang telah ditetapkan[6].B. Metode Pengumpulan DataPada tahap ini metode pengumpulan data dibagimenjadi dua sumber data yakni data primer dan datasekunder. Data primer yaitu data yang dikumpulkandari sumbernya langsung, sedangkan data sekunderyaitu data yang dikumpulkan dari peneliti sebelumnya.Dalam penelitian ini metode pengumpulan data untukmendapatkan sumber data yang digunakan adalahmetode pengumpulan data sekunder. Data utamadiperoleh dari kaggle dataset repository yang om/asaumya/healthcare-datasetstroke-data sedangkan data pendukung didapatkan daribuku, jurnal dan publikasi lainnyaBerikut merupakan deskripsi dari atribut diatas :1. Age/UmurMencakup usia dari usia pasien, menurut datakementerian kesehatan batasan usia yangberpotensi mengidap penyakit stroke diantaranya :a. 15-24b. 25-34c. 35-44d. 45-54156e.f.g.35-4455-6465-74
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 20202.3.Page 1574.5.6.h. 75Gender/ Jenis kelaminMencakup jenis kelamin dari pasien dengankategori Male (Laki-laki) dan Female (Perempuan)HypertensionSalah satu atribut yang mengindikasikan apakahpasien yang bersangkutan memiliki riwayatpenyakit hipertensi/ darah tinggi ataukah tidakHeart DiseaseSalah satu atribut yang mengindikasikan apakahpasien yang bersangkutan memiliki riwayatpenyakit penyakit jantung ataukah tidakEverMarriedSalah satu atribut yang mengindikasikan apakahpasien yang bersangkutan pernah menikah ataukahtidakWork TypeSalah satu atribut yang mengindikasikan typepekerjaan dari pasien yang merupakan salah satupenyebab stres yang berpotensi terjadinya penyakitstroke diantaranya:a.b.c.Children (Anak-anak)Private (Pribadi)Self Employed (Bekerja Sendiri)d.e.Govt job (Pekerja Pemerintahan)Never Work (Tidak Bekerja)7. Residence TypeMencakup tempat tinggal dari pasien yang meliputiUrban (Perkotaan) dan Rural (Pedesaan)8. AVG Glucose LevelMencakup rata-rata tingkat glukosa (Kadar guladalam darah) yang dapat menyebabkan timbulnyapenyakit stroke. pada dataset yang diteliti inimencakup “measured after meal” (Diukur setelahmakan).Kadar glukosa yang berpotensi mengakibatkanstroke pada pasien, diantaranya adalah pasiendengan kadar gula berlebih (hiperglikemia).Berikut kisaran kadar gula darah normal padatubuh (Noya , 2016):a. Sebelum makan: sekitar 70-130 mg/dLb. Dua jam setelah makan: kurang dari 180 mg/dLc. Setelah tidak makan (puasa) selama setidaknyadelapan jam: kurang dari 100 mg/dLd. Menjelang tidur: 100 – 140 mg/dLMenjaga kadar gula darah agar dalam angkanormal sangat penting. Gula darah terlalu rendah(hipoglikemia) atau tinggi (hiperglikemia) bisaberdampak negatif pada tubuh. Jika gula darahp-ISSN :2502-7131e-ISSN :2502-714xAnda di bawah 70 mg/dL maka Anda likemia jika kadar gula darah Anda lebihdari 200 mg/dL.9. BMI (Body Mass Index)Obesitas dengan tingkat BMI 30 Kg/m Sangatberpotensi mengalami resiko stroke secaraindependen (Li, et al., 2015)Didefinisikan sebagai indeks massa tubuh (BMI)30 atau lebih, obesitas sendiri merupakan faktorrisiko untuk stroke, terlepas apakah seseorangmemiliki faktor risiko lain seperti tekanan darahtinggi atau diabetes (Samiadi, 2017). Indeks massatubuh alias BMI membandingkan berat badandengan tinggi badan, dihitung dengan membagiberat badan dalam kilogram dengan tinggi badandalam meter kuadrat ( Quamila, 2017).(1)10. Smoking StatusSalah satu atribut yang mengindikasikan statusperokok/bukan perokok dari pasien dengankategori :a. Formerly smoked (Sebelumnya merokok)b. Smoked (Merokok)c. Never Smoked (Tidak pernah merokok)11. StrokeAtribut ini merupakan atribut predictor ataupenentu dengan kategori Suffered stroke(Menderita Stroke) dan No Stroke (Tidak Stroke)D. Kerangka PemikiranPenelitian ini terdiri dari beberapa tahapan sepertiterlihat pada gambar kerangka pemikiran 2.9.Permasalahan pada penelitian ini adalah belum begitubanyak penggunaan metode dalam memprediksipenyakit stroke serta belum dilakukannya komparasialgoritma C4.5 berbasis PSO dan C4.5 berbasis GAAtas dasar alasan tersebut diatas, maka dilakukanpenelitian menggunakan metode klasifikasi algoritmaC4.5 berbasis PSO (Particle Swarm Optimization) danjuga C4.5 berbasis Genetic Algorithm dalammemprediksi penyakit stroke. Pengujian metodedilakukan dengan cara confusion matrix dan kurvaROC. Untuk mengembangkan aplikasi berdasarkanmetode, digunakan tools RapidMiner studio sertadidukung dengan penggunaan pembuatan aplikasiberbasis web. Berikut dibawah ini kerangka pemikiranyang penulis buat untuk penelitian ini:157
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 2020p-ISSN :2502-7131e-ISSN :2502-714xPage 158Gbr1. Kerangka PemikiranE. Data MiningData mining adalah suatu disiplin ilmu yangbertujuan untuk menemukan, menggali ataumenambahkanpengetahuandaridataatauinformasi yang kita miliki[7][8].Menurut GartnerGroup menyebutkanbahwa DataMiningadalahproses menelusuri pengetahuan baru, pola dan trenyang dipilih dari jumlah data yang besar yangdisimpan dalam repositori atau tempat penyimpanandengan menggunakan teknik pengenalan pola sertastatistik dan tehnik matematika [8].F. Algoritma C4.5Algoritma C4.5 merupakan salah satu solusipemecahan kasus yang sering digunakan dalampemecahan masalah pada teknik klasifikasi[9].Pemilihan atribut sebagai simpul, baik simpul akar(root) atau simpul internal didasarkan pada nilai Gaintertinggi dari atribut-atribut yang ada. Penghitungannilai Gain digunakan rumus seperti dalam Persamaan1.Teknik perhitungan evolusi yang dikembangkanoleh Kennedy dan Eberhart tahun 1995, PSOdikembangkan dari kecerdasan berkelompok dandidasarkan pada penelitian perilaku gerakan kawananburung dan ikan. Sementara mencari makanan,burung-burung yang baik tersebar ataupergibersama-sama sebelum mereka menemukan tempatdi mana mereka dapat menemukan makanan.Sementara burung mencari makanan dari satutempat ke tempat[10].Secara garis besar, algoritma PSO dapat dijabarkandalam rumus berikut :𝑣 𝑖 𝑤 𝑣 𝑖 𝑟 𝑎𝑛𝑑 (0,1) 𝑐 1 (𝑥 𝑝 𝐵 𝑒𝑠𝑡 𝑥 𝑖 ) 𝑟 𝑎𝑛𝑑 (0,1) 𝑐 2 (𝑥 𝑔 𝐵 𝑒𝑠𝑡 𝑥 𝑖 )(4)dimana 𝑣 𝑖 merupakan kecepatan dari partikel ke-i,𝑤merupakan parameter inertia weight,𝑐 1merupakan parameter cognitive factor,𝑐 1merupakan parameter social factor, 𝑥 𝑖 adalahkoordinatposisidari uGain (S,A) Entropy(S) * Entropy( ) (2)permasalahan, 𝑥 𝑝 𝐵 𝑒𝑠𝑡 adalah koordinat posisiS : Himpunan kasusdari pBest, 𝑥 𝑔 𝐵 𝑒𝑠𝑡 adalah koordinat posisi dariA : AtributgBest.n : Jumlah partisi himpunan atribut AModifikasi kecepatan dan posisi tiap partikel dapat : Jumlah kasus pada partisi ke- idihitung menggunakan kecepatan saat ini dan jarakpbesti,d ke gbestd seperti ditunjukan pada persamaan S : Jumlah kasus dalam SUntuk menghitung nilai Entropy dapat dilihat pada berikut:vi,m w.vi,m c1 * R * (pbesti,m - xi,m) c2 * R *Persamaan 2(5)Entropy (S) pi *(3) (gbestm - xi,m)x x v(6)idi,mi,mn : Jumlah partisi SDimana:pi : Proporsi dari terhadap Sn: jumlah partikel dalam kelompokd: dimensiG. Particle Swarm Optimization (PSO)vi,m: kecepatan partikel ke-i pada iterasi ke-i158
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 2020Page 159w: faktor bobot inersiac1, c2 : konstanta akselerasi (learning rate)R: bilangan random (0-1)xi,d: posisi saat ini dari partikel ke-i pada iterasi keipbesti : posisi terbaik sebelumnya dari partikel ke-igbest : partikel terbaik diantara semua partikel dalamsatu kelompok atau populasi.H. Genetic Algorithm(GA)Genetic Algorithm atau Algoritma Genetika adalahsalah satu tipe algoritme evolusi yang populer dansudah banyak digunakan untuk masalah-masalahkompleks pada berbagai bidang. Algoritme Genetikabekerja dengan sebuah populasi yang terdiri dari suatuindividu-individu yang dimana masing-masing dapatmerepresentasikan sebuah solusi yang mungkin bagipersoalan yang ada[4].Berikut merupakan parameter dan siklus darialgoritma genetika[4]:a. Parameter Algoritma GenetikaDalam Algoritme Genetika terdapat beberapaparameter antara lain:1. Ukuran Populasi (Popsize)2. Tingkat pindah silang atau Crossover rate(Cr)3. Tingkat Mutasi atau Mutation Rate (Mr)4. Kondisi berhenti atau stopb. Siklus dalam Algoritme Genetika yaitu :1. Inisialisasi2. Reproduksi (Crossover, Mutasi)3. Evaluasi (Fitness & Offspring)4. Populasi generasi selanjutnyap-ISSN :2502-7131e-ISSN :2502-714xPendekatan yang diambil oleh algoritma ini adalahdengan menggabungkan secara acak berbagai pilihansolusi terbaik di dalam suatu kumpulan untukmendapatkan generasi solusi terbaik berikutnya yaitupadasuatukondisiyangmemaksimalkankecocokannya atau lazim disebut fitness[11].III. PEMBAHASANPenelitian ini bertujuan untuk menerapkan danmembandingkan Particle Swarm Optimizing danGenetic Algorithm dalam meningkatkan tingkatakurasi prediksi penyakit stroke dengan menggunakanmetode C4.5. Hasil dari penelitian ini sendiri berupahasil pengolahan data kualitatif dan kuantitatif denganperhitungan berdasarkan model yang diusulkan.Penelitian dilakukan pada sebuah dataset yang sudahtersedia yang bersifat publik. Eksperimen danpengujian dalam penelitian ini dilakukan denganmenggunakan metode C4.5 tanpa PSO atau GA danmetode menggunakan PSO atau GA.1. Eksperimen dan pengujian model C4.5Pengelolaan data menggunakan model C4.5dilakukan pada dataset yang terdiri dari 11 atributyang merupakan atribut dari diagnosis penyakit strokedan class yang merupakan hasil akhir prediksi.Model dari algoritma C4.5 yaitu berupa pohonkeputusan, agar lebih mudah dalam membuat pohonkeputusan, langkah pertama adalah menghitungjumlah class yang berpotensi terkena penyakit strokedan tidak stroke dari masing-masing class berdasarkanatribut yang telah ditentukan dengan menggunakandata training.Gbr 2. Pohon Keputusan Klasifikasi Penyakit Stoke Menggunakan Algoritma C4.5159
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 2020p-ISSN :2502-7131e-ISSN :2502-714xPage 160Gbr 3. Pohon Keputusan Klasifikasi Penyakit Stoke PSO-C4.5Dari pohon keputusan tersebut makadiperoleh aturan-aturan atau rule sebagai berikut:R1 : if Age 15-24 then class no StrokeR2 : if Age 25-34 and bmi 30 then class nostrokeR3 : if Age 25-34 and bmi 30 and smokingstatus fomrmely smoking then class no strokeR4 : if Age 25-34 and bmi 30 and smokingstatus Never smoked then class no strokeR5 : if Age 25-34 and smoking status smokes andResidence Type Rural and Avg Glukosa 180 thenclass no strokeR6 : if Age 25-34 and Avg Glukosa 180 and evermarried No then class no strokeR6 : if Age 25-34 and ever Married Yes andWork Type Private then class no strokeR7 : if Age 25-34 and Work Type Self Employedthen class Suffered StrokeR8 : if Age 25-34 and Residence Type Urban thenclass No StrokeR9 : if Age 25-34 and bmi 30 then class NoStrokeR10 : if Age 35-44 then class no strokeR11 : if Age 45-54 then class no strokeR12 : if Age 55-64 then class no strokeR13 : if Age 65-74 then class no strokeR14 : if Age 15 then class no strokeR15 : if Age 75 then class no strokeTerdapat 16 rule yang dihasilkan dari pohonkeputusan algoritma klasifikasi C4.5, dengan jumlahclass no stroke sebanyak 15 rule dan 1 rule untuk classSuffered Strokes. Sedangkan atribut yang terseleksidari 11 atribut menjadi 9 atribut yang terdiri dari Age,Heart desease, Ever Married, work Type, Avg GlukoseLevel, BMI, Residence Status, Smoking Status, Stroke.2. Komparasi Model Algoritma C4.5Algoritma C4.5 – PSO dan C4.5 – GATABLE IIPERBANDINGAN AKURASI DAN NILAI .5-GA92,02%0.500Hasil dari pengujian diatas menjelaskan bahwapengujian C4.5 menjadi lebih baik ketikamenggunakan optimasi Particle Swarm Optimizationdan Genetik Algorithm. Terbukti dengan menggunakanC4.5 berbasis PSO maka akurasi yang diperolehsebesar 91,63% dibanding dengan C4.5 saja yanghanya mendapatkan 89,93%. Namun meskipundemikian tingkat akurasi yang didapatkan jauh lebihtinggi menggunakan GA dibanding denganmenggunakan PSO dengan tingkat akurasi sebesar92,02%3.Pengembangan Aplikasi Model dari AlgoritmaC4.5Berdasarkan hasil eksperimen didapatkan modelterbaik dari metode algoritma C4.5 dan algoritma C4.5dan Particle Swarm Optimization,yangdikembangkan menjadi sebuah aplikasi.Berikut merupakan rancangan antarmuka aplikasidalam memprediksi penyakit stroke :dengan160
CESS (Journal of Computer Engineering System and Science)Vol. 5 No. 1 Januari 2020Page 161Gbr 4 Pengujian Aplikasi Model Algoritma C4.5 dan ParticleSwarm OptimizationIV. PENUTUPDari pembahasan-pembahasan diatas dapat ditarikkesimpulan bahwa Penelitian dengan menerapkanparticle swarm optimization dan Genetic Algorithmpada algoritma C4.5 dilakukan agar dapat dap
penyakit stroke serta belum dilakukannya komparasi algoritma C4.5 berbasis PSO dan C4.5 berbasis GA Atas dasar alasan tersebut diatas, maka dilakukan penelitian menggunakan metode klasifikasi algoritma C4.5 berbasis PSO (Particle Swarm Optimization) dan juga C4.5 berbasis Genetic Algorithm dalam memprediksi penyakit stroke.
and Artificial Systems” pada tahun 1975, yang cara kerjanya berdasarkan pada seleksi dan genetika alam. Konsep yang dipergunakan dalam algoritma genetika adalah mengikuti apa yang dilakukan oleh alam. [2] Algoritma genetik khu
dipengaruhi oleh faktor respons gempa. Pada SNI 2012 memiliki faktor respon gempa dan kombinasi pembebanan lebih besar daripada SNI 2002. Hasil komparasi analisis gempa statis linier dengan menggunakan analisis statik ekivalen gaya geser nominal dan simpangan antarlantai SNI 2012 lebih besar daripada SNI 2002 yaitu 13,84% dan 48,37%.
menggunakan metode Algoritma C4.5 dapat memodelkan pohon keputusan untuk klasifikasi persalinan normal atau caesar dengan tingkat akurasi sebesar 90%. Penelitian tentang Algoritma C4.5 Berbasis Decision Tree untuk Prediksi Kelahiran Bayi Prematur (Puspita & Wahyudi, 2015) dengan hasil penelitian
Menginstalasi Sistem Operasi Berbasis Textmerupakan modul teori dan atau praktikum yang membahas tentang penginstalan sistem operasi berbasis text, mulai dari pengenalan sistem operasi, berbasis text, persiapan penginstalan, pelaksanaan penginstalan dan mengoperasikan serta trouble shooting sistem operasi berbasis Text.
penyusunan anggaran berbasis kinerja di Perguruan Tinggi Agama Islam X ditinjau dari 4 aspek tersebut masih memerlukan perbaikan dan pengembangan agar penyusunan anggaran berbasis kinerja di PTAIN X menghasilkan anggaran yang andal dan akurat. Kata Kunci : Penganggaran Berbasis Kinerja (PBK), Teori Implementasi Kebijakan Publik.
Komponen Utama Kurikulum Berbasis Kompetensi Kurikulum berbasis kompetensi merupakan kerangka inti yang memiliki empat komponen dasar yaitu: 1) Kurikulum dan Hasil Belajar, 2) Penilaian Berbasis Kelas, 3) Kegiatan Belajar Mengaja
Sistem penilaian berbasis kelas telah disosialisasikan sejak diberlakukannya Kurikulum Berbasis Kompetensi di tahun 2004, dan juga terus dilakukan penelitian terhadap sistem penilaian berbasis kelas ini seperti yang telah dilakukan Halimah (2007). Berdasarkan hasil penelitian Halimah tentang Pengembangan Model Sis
Alex Rider: Never say Die by Anthony Horowitz Below are the complete reviews, written by the Lovereading4kids members. George Hutton - Dormston Secondary School Alex Rider receives a suspicious email from who could be Jack Starbright who was kidnapped on his previous mission. However, whilst trying to locate Jack, he accidentally manages to get tangled up in another MI6 Mission which could put .
