Penggunaan mobil di Indonesia setiap tahunnya selalu meningkat dan membuat perusahaan otomotif berlomba-lomba dalam peningkatan penjualannya. Tujuan dari penelitian ini untuk mengelompokan data penjualan kedalam sebuah cluster dengan metode Data Mining Algoritma K-Means Clustering. Data Penjualan nantinya akan dikelompokan berdasarkan kemiripan data tersebut sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah brand dan penjualan. Cluster yang terbentuk setelah dilakukan proses K-Means Clustering terbagi menjadi tiga cluster yaitu Cluster 0 jumlah anggota 235 dengan presentase 26% dikategorikan Laris, Cluster 1 jumlah anggota 604 dengan presentase 67% dikategorikan Kurang Laris, dan Cluster 2 jumlah angota 61 dengan presentase 7% dikategorikan Paling Laris, dari proses clustering diatas dapat diperoleh validasi DBI (Davies Bouldin Index) dengan nilai 0,341

In the era of progressively more competitive industrial competition, especially in the manufacturing world, it is always required to develop the quality or quality of products and productivity. Each company is compete to win market share. One of the strategies carried out by the company is improving the quality of products and the production process conducted by the company. In the industrial world, product quality and productivity are the keys for success of the production process. Therefore, the purpose of this study is to analyze data for defective products at PT Mane Indonesia with the Particle Swarm Optimization (PSO) and Naïve Bayes Classifier method. The accuracy results using the Naïve Bayes algorithm get a value of 84.38% and an AUC value of 0.953. The results of the PSO-based Naïve Bayes algorithm get a value of 88.62% and AUC value of 0.945. Based on the research which has been performed by using Naïve Bayes based on PSO, it developed a contribution rate of 5,02% in predicting the defected products.

Kumpulan data nilai siswa pada sebuah sekolah dapat diolah dengan memanfaatkan teknologi data mining untuk menghasilkan pengetahuan menarik dan bermanfaat, yang selama ini tidak diketahui secara manual. Salah satu teknik data mining adalah clustering. Algoritma K-Means dapat digunakan untuk mengelompokan minat siswa terhadap mata pelajaran matematika pada sebuah sekolah sehingga dapat bermanfaat bagi pengguna kebijakan dalam proses pengambilan keputusan. Proses ini menghasilkan 2 cluster yaitu ( minat ) Matematika dan ( kurang minat ) matematika, dengan menggunakan teknik data mining menggunakan algoritma K-Means, dan akurasi diukur dengan Davies Bouldin Index. Pengujian menggunakan validasi DBI (Davies Bouldin Index) diperoleh nilai untuk tiap-tiap cluster. Untuk kelas 10 pengujian cluster 1 menghasilkan nilai DBI 0.941 dan cluster 2 nilai DBI 0.335 , kelas 11 pengujian cluster 1 menghasilkan nilai DBI 0.660 dan cluster 2 nilai DBI 0.506, kelas 12 pengujian cluster 1 menghasilkan nilai DBI 0.271 dan cluster 2 nilai DBI 0.111. Dari perhitungan Davies Bouldin Index (DBI) dapat disimpulkan bahwa jika semakin kecil nilai Davies Bouldin Index (DBI) yang diperoleh (non negatif >= 0) maka cluster tersebut semakin baik.

Abstrak— Kabupaten Bekasi terkenal sebagai lokasi dari pabrik-pabrik terkemuka di Indonesia. Kota ini merupakan bagian dari Metropolitan Jabodetabek dan menjadi kota satelit dengan jumlah penduduk terbanyak se-Indonesia Saat ini Kabupaten Bekasi berkembang menjadi tempat tinggal kaum urban dan sentra industri. yang didalamnya terdapat banyak Perguruan Tinggi. Namun belum ada aplikasi yang dapat memesan sebuah kamar kos/kontrakan di wilayah Kabupaten Bekasi. Tak sedikit masyarakat yang ketika sudah mendapatkan informasi yang sesuai keinginan, lalu datang langsung ketempat kos mendapati bahwa kamar yang diingankan sudah disewa oleh orang lain. Hal ini tentu saja akan menyita banyak waktu, tenaga dan biaya untuk datang ke tempat kos untuk mendatangi tempat kos yang sesuai keinginan. Sehingga peneliti membangun Aplikasi Penyewaan Kos Berbasis Android Untuk Mempermudah Para Pendatang mencari tempat tinggal guna membantu masyarakat pendatang. Adapun metode perancangannya menggunakan metode Waterfall dengan dengan Bahasa pemrograman Java dan Android Studio untuk tools development-nya. Aplikasi ini diuji menggunakan black box. Hasil dari pengujian aplikasi ini menyimpulkan bahwa fungsi yang diharapkan semuanya berhasil sesuai dengan keinginan.Kata kunci: Penyewaan Kos, Android, Android Studio, Mobile Programming  Abstract— Bekasi Regency is well-known as the location of the leading factories in Indonesia. This city is part of the Greater Jakarta Metropolitan and is a satellite city with the largest population in Indonesia. Currently, Bekasi Regency has developed into a place for urbanites and industrial centers. in which there are many universities. However, no application can order a boarding/rented room in the Bekasi Regency area. Not a few people, when they have received the desired information, then come directly to the boarding house and find that the desired room has been rented by someone else. This of course will take a lot of time, effort, and money to come to the boarding house to go to the boarding house that you want. So the researchers built an Android-based boarding house rental application to make it easier for newcomers to find a place to live to help immigrant communities. The design method uses the Waterfall method with the Java programming language and Android Studio for its development tools. This application is tested using a black box. The results of testing this application conclude that the expected functions are all successful as desired.Keywords: boarding house rental, Android, Android Studio, Mobile Programming

AbstrakKonsep program pengambilan keputusan saat ini berkembang sangat pesat. Banyak metode yang digunakanuntuk membantu proses pengambilan keputusan. Salah satu cara yang digunakan untuk menyelesaikanpermasalahan Multi Attributes Decision Making (MADM) adalah dengan metode Simple AdditiveWeighting (SAW). Hal ini disebabkan karena metode tersebut konsepnya sederhana, mudah dipahami, danmemiliki kemampuan untuk mengukur kinerja relatif dari alternative-alternative keputusan dalam bentukmatematis yang sederhana. Permasalahannya adalah untuk menyelesaikan sebuah kasus Multi AttributesDecision Making (MADM) tertentu mungkin akan sulit untuk menentukan metode mana yang palingrelevan dalam menyelesaikan permasalahan tertentu. Oleh sebab itu metode yang paling tepat adalah metodeSimple Additive Weighting (SAW) dalam menyelesaikan kasus siswa bermasalah. Dalam hal inipenyelesaian masalah Multi Attributes Decision Making dengan metode Simple Additive Weighting (SAW)ini bertujuan untuk membantu guru BK dalam pengambilan keputusan berdasarkan nilai alternative tertinggi.Dengan kemajuan teknologi yang sangat pesat saat ini, penulis memunculkan suatu ide atau gagasan untukmencoba mengkomputerisasikan sistem pengambilan keputusan siswa bermasalah di SMK Negeri 1Cikarang Pusat. Dengan membangun sebuah aplikasi yang akan membantu mempermudah dalampengambilan keputusan siswa bermasalah, dengan tujuan mempermudah dalam pengolahan data sehinggalebih optimal dan efektif. Sistem yang akan dibuat adalah “Sistem Pendukung Keputusan untuk menentukansiswa bermasalah dengan metode Simple Additive Weighting (SAW)”. Metode yang digunakan dalamAplikasi ini adalah Metode Simple Additive Weighting (SAW) serta tool untuk pemodelan menggunakanUnified Modeling Language (UML). Sistem ini dibangun menggunakan program PHP (HypertextPreprocessor) untuk input data siswa yang bermasalah dan mencari rating tertinggi untuk siswa yang lebihbermasalah.Kata kunci : metode simple additive weighting, multi attributes decision making, siswa bermasalah