Artikel

Artikel merupakan kategori yang berisi kumpulan artikel baik tutorial maupun sharing tentang apapun. Baik perkuliahan maupun tutorial dan aplikasi.

Sistem Pakar Metode Naive Bayes

Metode Naive bayes adalah metode yang digunakan untuk melakukan perhitungan dalam penyelesaian kasus kepakaran. Konsep yang digunakan adalah menghitung nilai probabilitas kemunculan setiap varibel yang di pilih dalam perhitungannya dan selanjutnya   mengklasifikasinya berdasarkan variabel yang di masukkan.

Sistem pakar banyak sekali menggunakan pilihan metode, beberapa konsep dalam sistem pakar misalnya clustering dan probabilitas. Berkut ini sistem pakar yang saya kembangkan menggunakan metode Naive Bayes. Kasus yang kita ambil adalah untuk mendeteksi kasus perkembangan anak.

Untuk data yang diperlukan yaitu data gangguan serta data gejala terhadap gangguan permasalahan anak. Simak terus artikel ini.

Langkah-Langkah sistem pakar metode Naïve Bayes

Langkah-Langkah sistem pakar metode Naïve Bayes

Langkah-Langkah sistem pakar metode Naïve Bayes

Aplikasi Sistem Pakar Naïve Bayes

Pada analisis kali ini user interaface atau stakeholder yang terkait dengan aplikasi terdapat 2 user. User tersebut yaitu Admin dan member. Untuk masing-masing fungsi dan fiturnya yaitu:

  1. Admin, Merupakan user yang berperan dalam hal mengontrol jalannya aplikasi secara keseluruhan.
  2. Member, Merupakan user dengan fungsi menggunakan aplikasi dengan hanya beberapa fitur saja sesuai levelnya.

 

Nah untuk fitur dan detail masing-masing user level di atas yaitu:

#Admin

Login

Login pakar naive bayes

Login pakar naive bayes

Login, Sebelum menggunakan aplikasi pakar teorema bayes ini admin harus melakukan login kedalam aplikasi. Data login adalah data yang terdaftar pada menu user aplikasi. Admin login atau masuk aplikasi dengan menggunakan username dan password. Jika username dan password yang di masukkan salah, maka admin tidak bisa login.

User

User sistem pakar naive bayes

User sistem pakar naive bayes

User, merupakan menu yang berada pada data master. Data master merupakan data utama yang mempunyai fungsi untuk keperluan proses pada menu berikutnya. Untuk data master bisa terdapat lebih dari 1 menu atau bisa terdapat banyak menu. Oke, menu user  ini digunakan untuk mengelola user yang menggunakan aplikasi. Prosesnya diantaranya yaitu menambah user, mengedit user, dan menghapus user.

Gangguan

Gangguan sistem pakar naive bayes

Gangguan sistem pakar naive bayes

Gangguan, merupakan menu data master yang digunakan untuk mengelola data gangguan. Jika disamakan dengan konsep sistem pakar lain menu gangguan ini mungkin bisa kita namakan penyakit, namun jika pada kasus ini namanya gangguna. Proses detailnya yaitu menambah gangguan, mengedit gangguan, dan menghapus gangguan.

Gejala

Gejala sistem pakar naive bayes

Gejala sistem pakar naive bayes

Gejala, merupakan menu data master yang digunakan untuk mengelola gejala yang yang ada. Gejala adalah bagian yang terlibat terhadap gangguan. Untuk prosesnya meliputi menambah gejala, mengedit gejala, menghapus gejala.

Relasi

Relasi sistem pakar naive bayes

Relasi sistem pakar naive bayes

Relasi, merupakan menu data master yang digunakan untuk mengelola relasi antara gejala dengan gangguan. Relasi adalah hubungan yang mengindikasikan gangguan berdasarkan gejala. Untuk prosesnya mengedit relasi antara gejala terhadap gangguan.

Konsultasi

Konsultasi sistem pakar naive bayes

Konsultasi sistem pakar naive bayes

Konsultasi, merupakan menu yang digunakan untuk melihat data konsultasi yang diakukan. Pada user interface admin, admin dapat melihat user yang melakukan konsultasi,  termasuk admin sendiri. Detail informasi konsultasi seperti waktu konsultasi serta hasil perhitungan konsultasi kepada aplikasi pakar ini. Proses yang ada yaitu melakukan konsultasi.

Logout

Logout, merupakan menu yang digunakan untuk keluar dari aplikasi.

#Member

Register

Register sistem pakar naive bayes

Register sistem pakar naive bayes

Register, merupakan form untuk melakukan pendaftaran yang di lakukan member. Pada aplikasi atau sistem ini member daftar mendaftar untuk menggunakan aplikasi

Login

Login sistem pakar naive bayes

Login sistem pakar naive bayes

Login, merupakan form yang di gunakan untuk masuk aplikasi oleh member

Profil

Profil sistem pakar naive bayes

Profil sistem pakar naive bayes

Profil, merupakan menu yang digunakan untuk mengelola data member. Proses yang ada yaitu mengedit data profil atau data member.

Konsultasi

Konsultasi memberl sistem pakar naive bayes

Konsultasi memberl sistem pakar naive bayes

Konsultasi, merupakan menu yang digunakan untuk melihat data konsultasi yang pernah di lakukan. Bedanya dengan menu konsultasi pada halaman admin yaitu disini member hanya bisa melihat hasil konsultasinya dia sendiri dan tidak dengan hasil konsultasi user lain. Proses yang ada yaitu menu konsultasi lagi.

Logout

Logout, merupakan menu yang digunakan untuk keluar aplikasi sama seperti admin.

 

Terimakasih sudah membaca artikel ini. Jika kamu membutuhkan jasa sistemphp.com untuk mengembangkan aplikasi pakar dengan kasus yang berbeda ataupun mengkombinasikannya dengan metode lain kami siap membantu Kamu. Untuk pengembangan di lakukan menggunakan aplikasi berbasis web dan database mysql. Untuk info lebih lanjut bisa kontak kami langsung.

Postingan berikutnya

  1. aplikasi sistem pakar yang menggunakan login
  2. contoh metode naive bayes kebakar
  3. contoh program c metode bayes
  4. contoh sistem fakar
  5. erd sistem pakar
  6. jelaskan metode bayes
  7. langkah langkah naive bayes
  8. metode nive bayes
  9. sisttem pakar login

PHP – Perkalian Value Pada Looping

Beberapa hari yang lalu saya sedang mengerjakan sebuah projek tentang aplikasi sistem pakar menggunakan metode naive bayes. Pada pengerjaanya saya membutuhkan sebuah potongan kode atau script php yang mana fungsinya adalah untuk mengalikan sebuah nilai yang ada dalam loping tersebut.

Untuk perkalian looping fix dan sudah saya temukan caranya. Namun ada yang belum bisa terselesaikan yaitu mengalikan dengan bilangan berkoma yang banyak angkany  atau panjang angkanya. Dan sampai sekarang masalah ini belum terpecahkan. Output yang di hasilkan dari masalah ini adalah jika kita mengalikan angka dengan pecahan angka yang sangat panjang maka akan muncul perhitungan yang tidak terhingga dan muncul huru E pada bagian belangka angka tersebut.

Nah kembali lagi ke topik utama kita tadi, kita akang mengalikan sebuah value atau nilai yang ada pada looping. Untuk pembahasanny akan kita uraikan kedalam beberapa contoh berikut ini:

Perkalian Value Pada Looping

#Contoh 1

Berikut ini contoh yang sedikit simpel. Kita akan mengalikan angka yang akan kita gunakan untuk looping itu sendiri:

$kali=1;

for($i=1;$i<3;$i++){

$kali*=$i;

}

echo $kali;

//output: 6

#Contoh 2

Untuk konsep pada contoh kedua ini kita akan menggunakan sebuah array yang value arranya akan kita kalikan menggunakan fungsi loop. Oia untuk loopnya sendiri kamu bisa pakai apa saja misalnya for, while dan juga foreach terserah kamu

$nilai=array(1,2,3);

$kali=1;

for($i=1;$i<3;$i++){

$kali*=$nilai[$i];

}

echo $kali;

//output: 6

#Contoh 3

Nah untuk contoh yang kali ini kita akan menggunakan atau menjadikan logika pengalian tadi kedalam sebuah fungsi yang nantinya bisa kita gunakan kapan saja atau tinggal kita panggil saja, caranya:

function perkalian($data=array()){

$kali=1;

for($i=1;$i<3;$i++){

$kali*=$data[$i];

}

return $kali;

}

$data=array(1,2,3);

echo perkalian();

//output: 6

 

 

Demikian tutorial singkat yang dapat saya bagian, semoga bisa membantu dan bermanfaat untuk teman-teman semua yang sedang mengerjakan projek perkalian pada looping. Untuk kegunaanya itu nanti bergantung dengan projek yang sedang teman-teman kerjakan.

Postingan berikutnya

  1. looping perkalian php
  2. coding looping perkalian javascript

Metode Association Rule, Rumus dan Penjelasannya

Metode Association Rule merupakan metode yang sering di pakai untuk menyelesaikan permasalahan dalam kasus pendukung keputusan atau SPK. Cara kerja metode ini secara umum seperti konsep SPK lainya, yaitu menggunakan kriteria sebagai dasar untuk melakukan penilaian terhadap kasus yang akan di selesaikan.

Contoh kasus yang bisa kita jelaskan tentang implementasi metode ini misalnya kasus pemelihan dosen pembimbing, pemilihan asesor penelitian, penentuan pemberian bantuan dan masih banyak lagi. Untuk masing-masing kasus yang kita contohkan tadi, masing-masing mempunyai kriteria atau variabel sebagai dasar untuk menentukan penilaiannya. Nah berikut akan kita ulas mengenai metode Association Rule ini.

Mungkin sebagian kita masih bingung, metode association rule pun belum banyak yang tau. Metode ini sering kita kenal juga dengan algoritma apriori.

Analisi asosiasi atau association rule merupakan penerapan data mining yang  implementasinya untuk menemukan aturan asosiasi antara kombinasi item yang ada. Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antat item dalam suatu data set dan menampilkan dalam bentuk association rule seperti yang di jelaskan pada (Budhi dkk,2007). Association rule(aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu.Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.

 

Penyelesaian Association rule

Metode association menentukan dua output yaitu support dan confidence. Penting tidaknya suatu asosiasi dapat diketahui dari dua hal yang menjadi tolak ukur dari kedua tersebuta antara support dan confidence. Support ( nilai penunjang) adalah presentase kombinasi item tersebut dalam database, sedangkan confidence ( nilai kepastian ) adalah kuatnya hubungan antar-item dalam aturan asosiasi (Pane, Dewi kartika. 2013)

Rumus Mencari Support

Rumus support metode association rule

Rumus support metode association rule

Rumus Mencari Confidence

Rumus mencari confidence metode association rule

Rumus mencari confidence metode association rule

Contoh dalam kasus penjualan di minimarket dengan di jelaskan pada tabel transaksi:

Tabel data minim penjualan produk minimarket

Tabel data minim penjualan produk minimarket

Selanjutnya menentukan nilai support dengan menghitung jumlah transaksi yang mengandung
item A dibagi dengan jumlah transaksi yang ada, maka didapat :

Hasil perhitungan support associationr rule

Hasil perhitungan support associationr rule

Setelah mendapat nilai support maka langkah selanjutnya adalah mencari nilai confidence
dengan mencari banyaknya kemunculan item A dan B pada satu nota, maka didapat :

Tabel perhitungan confidence association rule

Tabel perhitungan confidence association rule

Setelah mendapat nilai support dan confidence maka langkah terakhir adalah menentukan nilai
final role atau strong rule association dengan cara mengkalikan nilai support dan confidence yang didapat dari proses sebelumnya.

Hasil akhir atau output association rule

Hasil akhir atau output association rule

Jadi kesimpulannya,,,,

Jika user memasukkan nilai minimal adalah 10% maka kombinasi yang memenuhi adalah
kombinasi gula, kopi, dan gula susu. Atau hasil perhitungan diatas dapat diartikan 15% orang
yang membeli gula juga akan membeli kopi, 10% orang membeli gula juga akan membeli susu.

Contoh diatas di kutip dari sebuah penelitian tentang association rule yang di teliti oleh Muhammat Maarifatul Huda dan Wijisetyaningsih dengan Judul sistem pendukung keputusan dalam penentuan bundling penjualan barang dengan metode apriori atau association rule. Pada Universitas Kanjuruhan.

Terimakasih semoga bermanfaat.

 

Postingan berikutnya

  1. metode association rule

Flowchart Metode K-Means

Flowchart Metode K-Means

Flowchart Metode K-Means

Metode K-means tergolong salah satu metode yang sedikit kompleks dan rumit untuk di teliti. Dalam konsepnya metode ini adalah metode yang digunakan untuk mengelompokkan atau culstering suatu keputusan dari data yang telah disediakan.

Bagi teman-teman yang masih bingung bagaimana proses ataupun langkah metode flowchart dapat digunakan untuk menyelesaikan suatu kasus, sistemphp kali ini akan mengulas mengenai flowchart yang digunakan pada pemrosesan metode k-means tersebut.

Penjelasan flowchart ini juga terkait degan penjelasan yang sudah saya bahas sebelumnya yang saya kumpulkan pada tag pembahasan metode k-means. Pada tag tersebut saya bahas mengenai kasus-kasus apa saja yang bisa  diterapkan dan bagaimana contoh implementasinya. Dan untuk perhitungan manual serta bagaimana cara menyelesaikan kasus dalam metode k-means akan kita posting di postingan selanjutnya.

Flowchart K-means

Seperti yang kita lihat pada gambar diatas, terdapat beberapa langkah proses pada metode k-means dalam menyelesaikan suatu kasus.

Pada gambar diatas merupakan flowchart metode bukan flowchart aplikasi, untuk flowchart aplikasi terdapat user interface yang berperan pada alur datanya. Dan ini berbeda-beda flowchartnya tergantung pada aplikasi yan di bangun, namun untuk secara umum, flowchart untuk metode ini di jelaskan sebagai berikut:

#Input

Merupakan inputan yang berperan dalam perhitungan metode K-means, Input ini adalah data mining yang tersimpan terlebih dahulu pada sistem atau aplikasi. Jika melihat pada contoh kasus, data input ini misalnya pada contoh clustering penjualan produk, maka data input berupa data penjualan produk. Pada kasus daerah rawan kriminial, maka data input sebagai data mining adalah data kriminal dan seterusnya.

Input ini dalam kaitannya dengan perhitungan metode, membutuhkan sebuah kategori data yang nantinya akan berujung pada cluster yang di hasilkan. Kategori data berperan sebagai penentuan titik pusat cluster terhadap data mining yang ada. Jika kategori tidak ada maka data di anggap sebagai cluster sama atau bahkan tidak bisa kita ketahui titik pusat datanya.

#Proses

Proses k-means merupakan tahapan bagaimana cluster keputusan dihasilkan. Setelah kita mengetahui komponen data input yang diperlukan Proses k-means dilakukan dengan menghitung titik pusat data pada setiap kategori, seperti yang sudah di singgung diatas. Dari titik pusat cluster selanjutnya akan di hitung proses lanjutannya yaitu mecari jarak antara setiap data pada kategori dengan titik pusatnya. Dari jarak tersebu maka proses akan menghasilkan sebuah nilai dari setiap cluster yang telah di tentukan sendiri oleh user sebelumnya.

Cara menentukan clustering untuk metode k-means dapat dilakukan dengan melihat penelitian sebelumya yang sejalan dengan penelitian yang dilakukan ataupun juga dapat mewawancarai langsung kepada dimana kita mengambil kasus penelitian yang dilakukan.

#Output

Dari hasil perhitungan K-means maka kita akan mengetahui sebuah nilai- cluster setiap data yang dihasilkan. Dari Cluster ini user dapat menyimpulkan data yang ada dan menganalisanya sebagai ouput atau keputusan akhir dari penyelesaian kasus menggunakan metode k-means.

 

Secara umum gambaran penyelesaian metode k-means dengan melihat pada flowchart seperti penjelasan diatas. Kada sebagian teman-teman kita masih bingung mencari data untuk suatu penelitian. Perlu diketahui data ini didapat dimana kita melakukan penelitian, misalkan pada kasus clustering penjualan produk diatas, kita dapat mewawancarai toko atau supermarket dimana kita meneliti sekaligus clustering yang akan di hasilkan dari output akhir metode ini. Untuk Analisis lainya seperti konteks diagram, dfd, erd dan aplikasinya dapat juga menggunakan jasa kami. GARANSI REVISI

Postingan berikutnya

  1. folowchart pada metode penelitian pada program matlab

61+ Judul Skripsi dan Tesis Metode Kmeans

61+ Judul Skripsi dan Tesis Metode Kmeans

61+ Judul Skripsi dan Tesis Metode Kmeans / gambar: clustercollaboration

Kmeans adalah suatu metode yang digunakan untuk menyelesaikan suatu kasus atau masalah penelitian yang hasil akhir atau outputnya adalah sebuah kelas. Pada umumnya kelas ini dijadikan sebuah simpulan dari sebuah hasil sistem pendukung keputusan.

Untuk penelitian skripsi metode kmeans dapat di implementasi dengan hanya menggunakan satu metode ini saja, namun banyak peneliti juga ingin membandingkan dengan metode clustering lainya hingga menemukan output yang dapat di simpulkan dari beberapa metode. Selain dapat digunakan untuk penelitian skripsi, metode ini juga dapat di implementasi pada penelitian tesis, namun letak perbedaannya adalah kasus dari penelitian yang dilakukan, misalnya dari segi ke kompleksitasnya.

Nah baiklah untuk kali ini kita akan ulas beberapa judul yang bisa menjadi gambaran kamu untuk mengajukan judul penelitian yang sedang akan kamu kerjakan. Untuk kasusnya tinggal kamu sesuaikan saja dengan di mana kamu akan mengambil atau mendapatkan data untuk penelitian kamu nantinya.

Oia, bagi teman-teman yang kesulitan dapat juga berkonsultasi dengan Saya langsung melalui Wa atau BBM. Oke kembali lagi, inilah judul-judulnya:

Judul metode Kmeans

  1. PENGELOMPOKAN KUALITAS KERJA PEGAWAI MENGGUNAKAN ALGORITMA K-MEANS
  2. PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN CALON PEMBELI KREDIT SEPEDA MOTOR MENGGUNAKAN K-MEANS CLUSTERING
  3. IMPLEMENTASI ALGORITMA K-MEANS UNTUK PENGELOMPOKKAN PENYAKIT PASIEN PADA PUSKESMAS
  4. PENERAPAN METODE K-MEANS UNTUK CLUSTERING MAHASISWA BERDASARKAN NILAI AKADEMIK
  5. ANALISA PENENTUAN JUMLAH CLUSTER TERBAIK PADA METODE K-MEANS CLUSTERING
  6. CLUSTERING KUALITAS BERAS BERDASARKAN CIRI FISIK MENGGUNAKAN METODE K-MEANS
  7. SEGMENTASI SUPPLIER MENGGUNAKAN METODE KMEANS CLUSTERING
  8. PENGKLASIFIKASIAN KARAKTERISTIK DENGAN METODE K-MEANS CLUSTER ANALYSIS
  9. PENERAPAN METODE K-MEANS CLUSTER ANALYSIS PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KONSENTRASI UNTUK
  10. MAHASISWA INTERNATIONAL CLASS
  11. PERBANDINGAN METODE K-MEANS DAN METODE DBSCAN PADA PENGELOMPOKAN RUMAH KOST MAHASISWA
  12. PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA
  13. PERANCANGAN METODE K-MEANS CLUSTERING DALAM PEMBERIAN DISPENSASI PEMBAYARAN KULIAH
  14. ANALISA CLUSTERING MENGGUNAKAN METODE K-MEANS DAN HIERARCHICAL CLUSTERING
  15. PERBANDINGAN K-MEANS DAN FUZZY C-MEANS UNTUK PENGELOMPOKAN DATA USER KNOWLEDGE MODELING
  16. PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS
  17. SISTEM PEMBAGIAN KELAS KULIAH MAHASISWA DENGAN METODE K-MEANS DAN K-NEAREST NEIGHBORS UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN
  18. PENGELOMPOKAN KABUPATEN/KOTA MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS
  19. SISTEM PEMBAGIAN KELAS KULIAH MAHASISWA DENGAN METODE K-MEANS DAN K-NEAREST NEIGHBORS UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN
  20. APLIKASI TEXT MINING UNTUK AUTOMASI PENENTUAN TREN TOPIK SKRIPSI DENGAN METODE K-MEANS CLUSTERING
  21. ANALISIS PERBANDINGAN METODE K-MEANS DENGAN IMPROVED SEMISUPERVISED K-MEANS PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM)
  22. PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENILAIAN DOSEN BERDASARKAN INDEKS KEPUASAN MAHASISWA
  23. PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU
  24. IMPLEMENTASI ALGORITMA K-MEANS UNTUK CLUSTERING PENYAKIT BERBAHAYA
  25. PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
  26. DATA MINING MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN STRATEGI PROMOSI
  27. PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
  28. IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK PENGELOMPOKAN LULUSAN
  29. SEGMENTASI PELANGGAN MENGGUNAKAN METODE K-MEANS CLUSTERING BERDASARKAN MODEL RFM PADA KLINIK KECANTIKAN
  30. PERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K – MEANS PADA PENGELOMPOKAN DOKUMEN
  31. PENERAPAN ALGORITMA K-MEANS PADA KOMPRESI ADAPTIF CITRA MEDIS MRI
  32. KELOMPOK PENYAKIT TANAMAN APEL MENGGUNAKAN METODE K-MEANS BERBASIS WEB
  33. KLASIFIKASI PENYAKIT GINJAL DENGAN METODE K-MEANS
  34. PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KARAKTERISTIK KESEJAHTERAAN RAKYAT MENGGUNAKAN METODE K-MEANS CLUSTER
  35. ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI
  36. CLUSTERING DATA UJIAN TENGAH SEMESTER (UTS) DATA MINING MENGGUNAKAN ALGORITMA K-MEANS
  37. METODE K-MEANS UNTUK OPTIMASI KLASIFIKASI TEMA TUGAS AKHIR MAHASISWA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
  38. KLASIFIKASI KEMATANGAN BUAH STRAWBERRY MENGGUNAKAN ALGORITMA K-MEANS
  39. PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN
  40. PERANCANGAN APLIKASI K-MEANS SEBAGAI PENENTU KONSENTRASI BAGI MAHASISWA INFORMATIKA
  41. PERANCANGAN SISTEM CLUSTERING SUSU SAPI DENGAN MENGGUNAKAN METODEK-MEANS
  42. IMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI KINERJA AKADEMIK MAHASISWA
  43. IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA
  44. KLASIFIKASI CALON PEGAWAI DENGAN MENGGUNAKAN METODE K-MEANS
  45. ANALISIS PERBANDINGAN K-MEANS DAN FUZZY C-MEANS UNTUK PEMETAAN MOTIVASI BALAJAR MAHASISWA
  46. ANALISA POLA PEMILIHAN PROVIDER TELEKOMUNIKASI BERDASARKAN PEKERJAAN DENGAN ALGORITMA KLUSTERING K -MEANS
  47. CLUSTERING MOBILITAS MASYARAKAT BERDASARKAN MODA TRANSPORTASI MENGGUNAKAN METODE K-MEANS
  48. PENGELOMPOKAN PEMINJAM BUKU DENGAN METODE K-MEANS DI PERPUSTAKAAN
  49. PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN CALON PEMBELI KREDIT SEPEDA MOTOR MENGGUNAKAN K-MEANS CLUSTERING
  50. PENENTUAN STRATEGI PENJUALAN ALAT-ALAT TATTOO MENGGUNAKAN METODEK-MEANSCLUSTERING
  51. PENERAPAN CLUSTERING BOOTSTRAP DENGAN METODE K-MEANS
  52. PEMETAAN TINDAK KEJAHATAN JALANAN DI KOTA SEMARANG MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
  53. KLASTERING SUARA LAKI-LAKI DAN PEREMPUAN MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN HASIL EKSTRAKSI FFT (FAST FOURIER TRANSFORM)
  54. PENERAPAN ALGORITMA INVASIVE WEED OPTIMNIZATION UNTUK PENENTUAN TITIK PUSAT KLASTER PADA K-MEANS
  55. APLIKASI PENGELOMPOKAN PELANGGAN PADA UMS STORE MENGGUNAKAN ALGORITMA K-MEANS
  56. PERBANDINGAN PENGKLUSTERAN DATA IRIS MENGGUNAKAN METODE K-MEANS DAN FUZZY CMEANS
  57. PENENTUAN PENERIMA BANTUAN TERNAK MENGGUNAKAN ALGORITMA K-MEANS & NAÏVE BAYES
  58. IMPLEMENTASI ALGORITMA ASSOCIATION RULE DAN K-MEANS SEBAGAI SISTEM REKOMENDASI PRODUK PADA WEBSITE PENJUALAN ONLINE
  59. SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT
  60. CLUSTERING DATA POLUTAN UDARA KOTA PEKANBARU DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING
  61. PENGKLASTERAN BANK SAMPAH MENGGUNAKAN METODE K-MEANS PADA DINAS LINGKUNGAN HIDUP
  62. SISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING

Diatas adalah judul-judul terbaru dan menarik untuk di teliti lebih lanjut. Untuk trik dan strateginya agar judul dengan menggunakan metode ini di terima, kamu dapat mengganti kasus dengan yang ada di sekitarmu.

Untuk jasa pembuatan aplikasinya, kami membuka jasa pembuatan aplikasi dengan menggunakan metode Kmeans. Untuk info lebih lanjut dapat menghubungi kami, via whatsapp atau bbm atau sms dan juga telpon.

Postingan berikutnya

  1. judul skripsi ti data mining dengan algoritma K-Means
  2. kmeans metode

Cara Simpel Backup Database MYSQL dengan PHP

Cara Simpel Backup Database MYSQL dengan PHP

Cara Simpel Backup Database MYSQL dengan PHP

Untuk menjaga aplikasi yang sedang online di sebuah server penting sekali melakukan manajemen terhadap data yang tersimpan pada server tersebut. Jika cara manual biasanya kita melakukannya dengan masuk kedalam database server yang ada, atau melalui aplikasi database phpmyadmin.

Nah untuk kali ini kita akan membuat cara membackup database berserta tabel dan field-fieldnya dan juga termasuk data yang ada didalam databasenya. Caranya cukup mudah dan simpel. Yang terpenting adalah kamu harus tahu nama datatabase yang digunakan, username database dan passwordnya.

Cara Simpel Backup Database MYSQL dengan PHP

function backup_database($tables = ‘*’){

$server   = “localhost”; $username = “root” ; $password = “” ; $database = “spp“;
//koneksi database

$con = new mysqli($server,$username,$password,$database); if($con->connect_error){ die(“Koneksi gagal: “.$con->connect_error); }
$db = $con;
//mengambil semua tabel pada database

if($tables == ‘*’){        $tables = array();        $result = $db->query(“SHOW TABLES”);        while($row = $result->fetch_row()){            $tables[] = $row[0];        }    }else{        $tables = is_array($tables)?$tables:explode(‘,’,$tables);    }

//memecah semua tabel

foreach($tables as $table){        $result = $db->query(“SELECT * FROM $table”);        $numColumns = $result->field_count;
$return .= “DROP TABLE $table;”;
$result2 = $db->query(“SHOW CREATE TABLE $table”);        $row2 = $result2->fetch_row();
$return .= “\n\n”.$row2[1].”;\n\n”;
for($i = 0; $i < $numColumns; $i++){            while($row = $result->fetch_row()){                $return .= “INSERT INTO $table VALUES(“;                for($j=0; $j < $numColumns; $j++){                    $row[$j] = addslashes($row[$j]);                    $row[$j] = str_replace(“\n”,”\\n”,$row[$j]);                    if (isset($row[$j])) { $return .= ‘”‘.$row[$j].'”‘ ; } else { $return .= ‘””‘; }                    if ($j < ($numColumns-1)) { $return.= ‘,’; }                }                $return .= “);\n”;            }        }
$return .= “\n\n\n”;    }

//menyimpan file kedalam root aplikasi

$handle = fopen(‘db-backup-‘.time().’.sql’,’w+’);    fwrite($handle,$return);    fclose($handle);}

Script php diatas adalah berupa fungsi dengan nama backup_database. Untuk memanggilnya kamu tinggal panggil saja dimana script ini adakan kamu letakkan dengan cara menggunakan fungsi tersebut yaitu backup_database();

Yang perlu kamu atur yaitu script berwarna merah dan biru. Untuk yang berwarna biru merupakan database yang akan di backup. Pada kasus ini database yang akan saya backup yaitu database spp.

Nantinya database yang tersimpan akan secara otomatis terdownload didalam root aplikasi apda server yang kamu gunakan. Jadi untuk mengambilnya kamu hanya perlu masuk ke root aplikasi web yang ada.

DOWNLOAD