PEMANFAATAN METODE CLUSTER SOM IDB SEBAGAI ANALISA PENGELOMPOKAN PENERIMA BEASISWA
|
|
- Bambang Tedjo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: PEMANFAATAN METODE CLUSTER SOM IDB SEBAGAI ANALISA PENGELOMPOKAN PENERIMA BEASISWA Lilia Rahmawati 1, Andharini Dwi Cahyani 2, Sigit Susanto Putro 3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo. Jl. Raya Telang, PO BOX 2, Kamal, Bangkalan liliarahmawati.8@gmail.com, 2 andharini.dwi.cahyani@gmail.com, 3 sigitida.06@gmail.com Abstrak Program beasiswa di khususkan untuk mahasiswa yang mempunyai kriteria yang sudah ditentukan. Jenis beasiswa yang diberikan pada mahasiswa yaitu Peningkatan Prestasi Akademik (PPA) dan Bantuan Belajar Mahasiswa (BBM). Penelitian ini bertujuan untuk mengelompokkan penerimaan beasiswa dengan teknik clustering untuk mendeteksi adanya adanya pencilan data (outlier). Teknik yang digunakan adalah menggunakan metode SOM (Self Organizing Maps) yang hasilnya divalidasi dengan metode IDB (Indeks Davies-Bouldin). Metode SOM mampu mengelompokkan data yang berdekatan untuk dicari kemiripan berdasarkan pola. Pada uji coba aplikasi dilakukan pengelompokan penerima beasiswa dengan menggunakan 2,3,4 dan 5 cluster dengan learning rate awal 0.6. Selanjutnya, hasil clustering diproses dengan IDB dan menunjukkan bahwa cluster 4 adalah cluster paling homogen dengan nilai IDB sebesar Kata kunci: Clustering, Self Organizing Maps, Indeks Davis Bouldin Abstract The scholarship program dedicated to students who have fulfilled pre-determined criteria. The types of scholarships which are given to students namely Improving Academic Achievement (PPA Peningkatan Prestasi Akademik) and the Student Learning Assistance (BBM Bantuan Belajar Mahasiswa). This study aims to group the scholarship recipients with clustering techniques to detect the presence of data outliers. The technique used is using SOM (Self Organizing Maps) whose results are validated with IDB method (Davies-Bouldin index). SOM method is able to classify the data that is adjacent to look for similarities in the patterns. In the experiment, the scholarship recipient is grouped into 2,3,4 and 5 clusters with the initial learning rate 0.6. Furthermore, those clustering results are validated by the IDB and presents that cluster 4 is the most homogeneous cluster with IDB value of Keywords: Clustering, Self Organizing Maps, Indeks Davis Bouldin 1. PENDAHULUAN Pemberian Beasiswa merupakan program kerja yang ada di setiap Universitas atau perguruan tinggi. Program beasiswa diadakan untuk meringankan beban mahasiswa dalam menempuh masa studi kuliah khususnya dalam masalah biaya. Pemberian beasiswa kepada mahasiswa dilakukan secara selektif sesuai dengan jenis beasiswa yang diadakan. Pada studi kasus penelitian ini, ada dua jenis beasiswa yang ditawarkan yaitu beasiswa PPA dan BBM. Dalam penelitian ini, penerapan data mining pada data penerimaan beasiswa untuk mengetahui adanya outlier dalam pengambilan keputusan penerimaan beasiswa. Selanjutnya dapat dilakukan analisa terhadap data outlier tersebut apakah diindikasikan sebagai kecurangan atau bukan. Metode data mining yang akan diterapkan dalam penelitian ini yaitu menggunakan clustering dengan menggunakan algoritma Self Organizing Maps (SOM) [1]. Clustering ini digunakan untuk melakukan pengelompokan data. Sedangkan Indeks Davies-Bouldin (IDB)
2 12 ISSN: digunakan untuk validasi cluster sehingga dihasilkan kelompok yang optimum atau paling homogen dari cluster-cluster yang sudah terbentuk. Pada penelitian Hamiyah [1] menggunakan studi kasus mengelompokan data sesuai kemiripan data pada pengelompokan siswa. Cluster yang digunakan adalah 3 tiga cluster dengan learning rate = 0.6 serta epoch 10, 20, 30 dengan MSE terkecil = di epoch 30 pada 245 data training. Sedangkan yang dijadikan tiga sampai dengan sembilan Cluster dengan learning rate 0.6 serta epoch 10, 20, 30 dengan MSE terkecil = di epoch 20 pada cluster ke-4 dengan 245 data training. Nilai terkecil pada pemvalidasian Cluster dengan IDB menggunakan tiga sampai dengan sembilan Cluster pada 245 data training berada pada cluster ke-9 dengan nilai IDB = dan hasilnya kurang akurat karena kelas yang terbentuk hanya dua kelompok [1]. 2. METODE PENELITIAN Flowchart penelitian ini gambaran dari alur sistem yang dikerjakan secara keseluruhan dalam suatu proses tertentu dan menjelaskan prosedur prosedur yang ada dalam sistem (Gambar 1). Mulai Data Beasiswa Normalisasi Clustering dengan SOM Dicari nilai IDB Jumlah Cluster terbaik Selesai Gambar 1 Alur sistem Langkah-langkah pengelompokan penerima beasiswa adalah sebagai berikut : 1. Inputkan data beasiswa dengan 5 kriteria. 2. Hasil data yang sudah dinormalisasikan dijadikan untuk proses selanjutnya. 3. Data tersebut dicluster menggunakan SOM, yang diawali dengan inisilisasi bobot, menetapkan learning rate, sehingga menghasilkan data yang sudah tercluster. 4. Untuk setiap cluster yang terbentuk kemudian dilakukan pencarian nila rata-rata dari data yang tercluster, sehingga diperoleh hasil akhir nilai IDB. 5. Langkah 3 dan 4 dilakukan sebanyak yang diinginkan. Pada penelitian ini dilakukan analisa pengelompokan data penerima beasiswa dengan menggunakan 2, 3, 4 dan 5 cluster. 6. Nilai IDB yang paling kecil adalah nilai IDB menunjukkan bahwa pengelompokan data tersebut adalah jenis pengelompoka yang mampu menghasilkan cluster paling homogen. Normalisasi Langkah pertama yang dilakukan pada penelitian ini adalah normalisasi. Normalisasi ini diawali dengan pembacaan data yang kemudian dilakukan perhitungan terhadap nilai statistik dari data. Setelah data statistik didapatkan, maka selanjutnya dilakukan proses pengkonversian terhadapa tiap instance dari data ke bentuk normal Zscore. Hasilnya disimpan kembali kedalam file untuk digunakan pada proses selanjutnya.
3 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Z-Score adalah suatu metode normalisasi yang didapatkan dengan mengurangkan intensitas raw data untuk masing-masing gen dengan keseluruhan rata-rata intensitas gen, kemudian dibagi dengan standar deviasi dari keseluruhan intensitas yang diukur [2]. zi = Keterangan : zi : Jarak Eucledian Distance s : Sampel data pelatihan x : data pelatihan x : rata rata sample data pelatihan (1) Self Organizing Maps (SOM) Jaringan kohonen diperkenalkan oleh Teuvo Kohonen seorang ilmuwan Finlandia pada tahun Jaringan kohonen memberikan sebuah tipe dari SOM kelas khusus dari jaringan syaraf tiruan [3].SOM merupakan metode berdasarkan model dari pendekatan jaringan syaraf tiruan [3]. SOM adalah metode terkemuka pendekatan jaringan syaraf tiruan untuk Clustering, setelah competitive learning [4]. SOM berbeda dengan competitive learning yaitu syaraf dalam satu lingkungan belajar untuk mengenali bagian lingkungan dari ruang input. SOM mengenali distribusi (seperti competitive learning) dan topologi dari vektor input yang melalui proses training, SOM memperlihatkan tiga karakteristik: kompetisi yaitu setiap vektor bobot saling berlomba untuk menjadi simpul pemenang, kooperasi yaitu setiap simpul pemenang bekerjasama dengan lingkungannya, dan adaptasi yaitu perubahan simpul pemenang. Algoritma SOM 1. Inisialisasi bobot. Pada tahap ini menentukan secara acak bobot awal secara random sebagai wij 2. Repeat a. Menentukan data Pada algoritma tahap ini adalah menetukan data selanjutnya b. Menentukan centroid dari obyek tersebut Untuk setiap data terhadap bobot dihitung menggunakan Euclidean Distance matrix c. Menentukan bobot terbaru Dalam menentukan bobot terbaru pada waktu t, maka diasumsikan obyek saat ini x(i) dan centroid yang terbentuk wj. Kemudian untuk menentukan centroid yang baru untuk waktu berikutnya t+1 w (baru) = w (lama) + α x w (lama) (2) α adalah learning rate, tiap kenaikan epoch (iterasi) maka learning rate = learning rate awal * Until tidak ada perubahan centroid atau threshold sudah terpenuhi. 4. Iterasi pada langkah ke-2 akan berhenti apabila threshold terpenuhi, untuk mencapai nilai threshold terpenuhi dilakukan dengan menghitung nilai MSE. 5. Menetapkan setiap obyek terhadap centroid dan menentukan letak Cluster tersebut. Pada Gambar 2 jika neuron/bobot yang di tengah adalah winner neuron untuk suatu input vector/data, maka neighboring neuron untuk winner neuron ini adalah mereka yang terletak di dalam lingkaran area, yang didefinisikan dengan Nc(t1), Nc(t2), dst. Nc(t1) adalah batas area pada iterasi ke-1, Nc(t2) adalah batas area pada iterasi ke-2, dst. Neuron yang secara topografi terletak jauh dari winner neuron tidak diupdate.
4 14 ISSN: Gambar 2 Ilustrasi Self Organizing Map (SOM) Flowchart perhitungan SOM dapat dilihat Pada Gambar 3. Mulai Input Data Inisialisasi Bobot Menentukan Learning Rate Menghitung Jarak Dengan Eucledian Distance tidak Update Bobot ya MSE Iterasi selesai Clustering Output Data yang sudah ter-cluster Selesai Gambar 3. Flowchart Self Organizing Maps (SOM) Berikut ini adalah penjelasan Gambar 3: 1. Masukan data mahasiswa yang mendaftar beasiswa. Data yang digunakan adalah data yang berbentuk matrik ixj, dan selanjutnya dilakukan proses clustering menggunakan metode SOM 2. Pada perhitungan menggunakan metode SOM, diawali dengan inisialisasi bobot secara random (acak) 3. Menetapkan learning rate (α), untuk epoch ke-2 dst nilai learning rate menjadi 0.5 * learning rate awal. 4. Untuk setiap data dilakukan perhitungan terhadap bobot menggunakan rumus Euclidean Distance. Kemudian dipilih nilai terkecil. 5. Data yang memiliki nilai terkecil dari langkah 4 digunakan untuk proses update bobot. 6. Melakukan pengecekan syarat berhenti, disini menggunakan nilai MSE. 7. Apabila nila MSE 0,1 iterasi akan berhenti 8. Selanjutnya dilakukan proses pengelompokkan atau clusterisasi, disini menggunakan rumus Euclidean. 9. Hasil akhir dari proses ini yaitu data tercluster
5 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Eucledian Distance Eucledian Distance dianggap sebagai distance matrix yang mengadopsi prinsip Phytagoras. Hal ini dikarenakan pola perhitungannya yang menggunakan aturan pangkat dan akar kuadrat. Eucledian akan memberikan hasil jarak yang relatif kecil.[5] Jarak antara Nilai Random/ Bobot dan data dihitung dengan menggunakan rumus Euclidean Distance. d eucledian = (pi qi) (3) Keterangan : d eucledian : Jarak Eucledian Distance pi : Titik Awal qi : Titik Awal N : Jumlah Data Indeks Davies-Bouldin (IDB) Indeks Davies-Bouldin (IDB) merupakan salah satu metode validasi cluster untuk evaluasi kuantitatif dari hasil clustering. Pengukuran ini bertujuan memaksimalkan jarak intercluster antara satu cluster dengan cluster yang lain. Dalam penelitian ini IDB akan digunakan untuk mendeteksi outlier pada masing-masing cluster yang terbentuk. var(x) = (x i x ) (4) max Ri = j = 1,, k, i j R ij (5) (6) = ( ) DB = Dimana DB : validasi davies bouldin Var : variance dari data N : Banyaknya data X : data ke-i X : rata-rata dari tiap Cluster R : jarak antar Cluster R (7) Skema clustering yang optimal adalah skema yang memiliki nilai IDB minimal [4]. Flowchart perhitungan IDB dapat dilihat pada Gambar 4. Mulai Input Data Hasil Clustering SOM Menghitung rata-rata dari tiap cluster... pers (2.3) Menghitung nilai variance dari setiap cluster..pers(2.4) Hitung R max...pers(2.5) Nilai IDB...pers(2.6) Output Cluster Optimum Selesai Gambar 4. Flowchart Indeks Davies Bouldin (IDB)
6 16 ISSN: Adapun penjelasannya Gambar 4. adalah sebagai berikut: 1. Data yang digunakan adalah data yang di dapat dari proses SOM, yaitu data yang sudah ter-cluster. 2. Cari nilai rata-rata dari masing-masing nilai cluster 3. Hitung variance data dari masing-masing dalam cluster 4. Cari R max dari langkah 2 dan 3 5. Hasil akhir adalah nilai IDB dari cluster 3. HASIL DAN PEMBAHASAN Setiap data memiliki banyak persyaratan atau kriteria yang sudah ditentukan. Dari persyaratan yang sudah di tentukan, ada beberapa persyaratan di atas yang menjadi pertimbangan utama untuk proses seleksi beasiswa. Data training dibawah ini menggunakan 5 kriterian utama yaitu IPK, Jumlah Tanggungan, Gaji, Daya Listrik dan Semester yang akan dilakukan proses perhitungan menggunakan metode yang sudah ditentukan. Tabel 1. Data Training NRP IPK Jml Tanggungan Gaji Daya Listrik Semester ,13 2 Rp ,14 5 Rp ,32 6 Rp Rp ,01 3 Rp ,43 3 Rp ,66 6 Rp Rp ,4 6 Rp ,13 2 Rp Cara menormalisasi data training menggunakan Z-Score contoh perhitungan Gaji orang tua (Persamaan 1): z1 = = 0, , z2 = = 0, ,12 Tabel 2. Data Training yang sudah ternormalisasi NRP IPK Jml Tanggungan Gaji Daya Listrik Semester ,24 1,13 0,92 1,63 0, ,55 1,13 0,5 1,63 0, ,51 0,56 1,93 0,71 0, ,22 1,13 0,68 0,71 0, ,08 1,13 1,02 0,71 0, ,04 0,56 0,8 0,71 0, ,67 0,56 0,06 0,52 1, ,61 1,13 0,89 0,71 0, ,08 0,56 1,02 0,71 0, ,54 1,13 0,36 0,52 1,57 a. Perhitungan SOM Eucledian Distance Setelah data melalui normalisasi di dapat, maka tahapan SOM menggunakan Eucledian Distance adalah sebagai berikut: 1. Menentukan Learning Rate secara Manual: diset 0.6, Tiap kenaikan epoch (iterasi) learning rate = learning rate awal * Inisialisasi Bobot awal secara random. Pada Tabel 3 menunjukkan bobot awal dengan 2 Cluster.
7 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Tabel 3. Bobot Awal 0,78 0,46 0,37 0,91 0,78 0,28 0,63 0,32 0,13 0,11 Untuk setiap data dihitung menggunakan dengan Euclidean Distance. Berikut contoh perhitungan setiap data terhadap bobot menggunakan rumus Euclidean Distance: d 2 = ( ) 2 +( ) 2 +( ) 2 +( ) 2 +( ) 2 = = 1.46 d 2 = ( ) 2 +( ) 2 +( ) 2 +( ) 2 +( ) 2 = = 3.13 (winner) 3. Setelah didapat winner untuk setiap data, maka dilakukan update bobot dengan menggunakan rumus: w (baru) = w (lama) + α x w (lama) Berikut contoh perhitungan update bobot dari hasil winner (perhitungan setiap data menggunakan rumus Euclidean Distance): UB = [( ) + 0.6[( ) - [( )]] = [ ] Tabel 4. Hasil Update Bobot Awal 0,78 0,46 0,37 0,91 0,78 0,85 0,93 0,68 1,03 0,55 Hasil update bobot dengan menggunakan rumus Euclidean distance untuk 2 Cluster Tabel 5. Hasil Clustering dengan Eucledian Distance No NPM Jarak Cluster , , , , , , , , , , Setelah data mengelompok maka langkah selanjutnya adalah mencari nilai IDB. Indeks Davies Bouldien digunakan untuk validasi cluster yaitu prosedur yang mengevaluasi hasil analisis cluster secara kuantitatif dan objektif sehingga dihasilkan kelompok optimum. Secara umum formulanya ditunjukan sebaga berikut: 1. Cari nilai rata-rata dari masing-masing nilai Cluster Cluster 1=jumlah data/banyaknya data=(0.0111/4)= Cluster2 =jumlah data/banyaknya data=(0.0140/6)= Hitung variance data dari masing-masing dalam Cluster (persamaan 3) Cluster 1 var (x) = 1/4 ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 = 0.25 Cluster 2 var(x) = 1/6 ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 = Cari R max (persamaan 4 dan 5)
8 18 ISSN: R12= / =0.41/0.0004= Hasil akhir adalah nilai IDB dari Cluster Secara umum formulanya ditunjukan sebaga berikut (persamaan 6): DB=1/2(1.025)= Dengan langkah yang sama dilakukan dengan setting jumlah cluster 3,4 dan dilakukan pencarian IDB pada jumlah cluster 2,3,4 dan 5. Hasil Indeks Davies Bouldien pada studi kasus dengan penentuan jumlah cluster 2,3,4 dan 5 dapat dilihat pada Tabel 4. berikut: Tabel 6. Nilai IDB Jumlah Nilai IDB Cluster Tabel 6 diatas menunjukkan nilai IDB pada jumlah cluster 2,3,4,5. Nilai IDB yang paling homogen adalah nilai IDB yang paling kecil. Data akan homogen jika dikelompokkan menjadi 4 cluster. 4. KESIMPULAN DAN SARAN Dari hasil uji coba dengan metode SOM mampu mengelompokkan data yang berdekatan untuk dicari kemiripan berdasarkan pola. kemiripan data pada pengelompokan beasiswa dilakukan dengan menggunakan jumlah cluster 2,3,4 dan 5 dengan learning rate awal 0.6. Hasil IDB Cluster 2 = , Cluster 3 = 0.340, Cluster 4 = 0.098, Cluster 5 = dari 10 data uji coba. Jadi jumlah cluster yang paling homogen adalah 4 cluster. DAFTAR PUSTAKA [1] Hamiyah, 2013, Pengelompokan Kualitas Kelas Pada Siswa Menggunakan Indeks Davies Bouldin SOM ( Self Organizing Map), Teknik Informatika, Univ. Trunojoyo Madura, Bangkalan. [2] Cheadle, C., Vawter, M. P., Freed, W. J., & Becker, K. G.,2003, Analysis of microarray data using Z score transformation, The Journal of molecular diagnostics, vol 5 no 2, hal [3] Larose, D. T., 2014, Discovering knowledge in data: an introduction to data mining, John Wiley & Sons. [4] Sitanggang, I. S., & Hermadi, I., 2007, Clustering menggunakan Self Organizing Maps studi kasus: data PPMB IPB, Jurnal Ilmu Komputer, vol. 5 no 2, [5] Chaudhuri, S., & Dayal, U., 1997, An overview of data warehousing and OLAP technology, ACM Sigmod record, vol. 26 no. 1, hal
PENGELOMPOKAN PEMINATAN JURUSAN DI SMK MENGGUNAKAN METODE SELF ORGANIZING MAP (SOM)
PENGELOMPOKAN PEMINATAN JURUSAN DI SMK MENGGUNAKAN METODE SELF ORGANIZING MAP (SOM) Rusydi Umar 1), Abdul Fadlil 2), Rifqi Rahmatika Az-Zahra 3) Program Studi Magister Teknik Informatika Universitas Ahmad
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciJURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)
JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) CLASSIFICATION OF THESIS USING SELF ORGANIZING MAPS CLUSTERING
Lebih terperinciAplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian
Aplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian Wiji Lestari, Singgih Purnomo STMIK Duta Bangsa Surakarta ABSTRAK Clustering adalah suatu metode
Lebih terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciBAB III METODE PENELITIAN. Pada bab ini akan dijelaskan bahan dan software yang digunakan
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan dan software yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan
Lebih terperinciBAB III PEMBAHASAN. Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang
BAB III PEMBAHASAN Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1982. Self Organizing Map merupakan salah satu bentuk topologi
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB)
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Irman Hermadi 1, Imas S. Sitanggang 1, Edward 2 1 Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS PADA DATA PELANGGARAN LALU LINTAS DI PENGADILAN NEGERI PURWODADI
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 IMPLEMENTASI ALGORITMA K-MEANS PADA DATA PELANGGARAN LALU LINTAS DI PENGADILAN NEGERI PURWODADI IMPLEMENTATION OF K-MEANS ALGORITHM FOR DATA TRAFFIC
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
Lebih terperinciTeknik Informatika, Universitas Kanjuruhan Malang, 2. Teknik Informatika, Universitas Kanjuruhan Malang,
CLUSTERING DATA MAHASISWA MENGGUNAKAN METODE SELF ORGANIZING MAPS UNTUK MENENTUKAN STRATEGI PROMOSI UNIVERSITAS KANJURUHAN MALANG Nomadeni Fitroh Arno 1 Moh. Ahsan 2 1 Teknik Informatika, Universitas Kanjuruhan
Lebih terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciPengelompokan Tingkat Kesehatan Masyarakat Menggunakan Shelf Organizing Maps Dengan Cluster Validation Idb dan I-Dunn Budi Dwi Satoto Manaemen Informatika Fakultas Teknik Universitas Trunooyo Madura Jl.
Lebih terperinciDisusun oleh MUHAMMAD NAJIB HILMI SKRIPSI. Diajukan Sebagai Syarat untuk Mendapatkan Gelar Sarjana Pada Jurusan Statistika
PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM) (Studi Kasus di Fakultas Sains dan Matematika Universitas
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciPENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Yulius Palumpun 1), Sitti Nur Alam 2) 1) Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Manajemen (FIKOM) - Universitas
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciImplementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK POLBAN)
Implementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK POLBAN) Ghifari Munawar Jurusan Teknik Komputer dan Informatika, Politeknik Negeri
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciDATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Lebih terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih terperinciANALISIS KELAYAKAN PEMBERIAN BEASISWA DI POLITEKNIK NEGERI BATAM DENGAN METODE CLUSTERING
ANALISIS KELAYAKAN PEMBERIAN BEASISWA DI POLITEKNIK NEGERI BATAM DENGAN METODE CLUSTERING TUGAS AKHIR Oleh : Maria 3310801006 Silvianty Noerliani 3310801016 Disusun untuk memenuhi syarat kelulusan Program
Lebih terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 429-437 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE K MEANS DAN SELF ORGANIZING MAP (STUDI KASUS:
Lebih terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih terperinciAplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori
Aplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori dan k-mean Clustering (Studi Kasus: Jurusan Teknik Informatika Universitas Trunojoyo Madura) Mohammad Syarief Prodi
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Oleh: EDWARD G
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Oleh: EDWARD G64102008 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2006
Lebih terperinciPemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM)
Pemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM) ITS,08-07-2010 NINIK WIDAYATI Latar Belakang Masalah Pembuatan
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ SKRIPSI Diajukan untuk memenuhi salah satu syarat memperoleh Gelar Sarjana pada Program Studi Sistem
Lebih terperinciPEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 53-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN
Lebih terperinciJURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: Vol. 7 No. 1 Agustus 2014
PERBANDINGAN METODE (SELF ORGANIZING MAP) DENGAN PEMBOBOTAN BERBASIS RBF (RADIAL BASIS FUNCTION) Andharini Dwi Cahyani 1, Bain Khusnul Khotimah, Rafil Tania Rizkillah 3 1,,3 Program Studi Teknik Informatika,
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinci1,2,3 Prodi S1 Ilmu Komputasi, Fakultas Informatika, Universitas Telkom
PREDIKSI INDEKS HARGA SAHAM MENGGUNAKAN SELF ORGANIZING MAP DAN GENETIC PROGRAMMING STOCK PRICE INDEX PREDICTION USING SELF ORGANIZING MAP AND GENETIC PROGRAMMING Lintong Aldiron Sihombing 1 Rian Febrian
Lebih terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
Lebih terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PERKEMBANGAN ANAK DI KABUPATEN BOGOR) WANGI SARASWATI
i CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PERKEMBANGAN ANAK DI KABUPATEN BOGOR) WANGI SARASWATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciClustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 188-194 p-issn: 2580-4596; e-issn: 2580-460X Halaman 188 Clustering Dampak Gempa Bumi di Indonesia
Lebih terperinciRancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier
Rancang Bangun Sistem Pendukung Keputusan Penerimaan Beasiswa Menggunakan Meotde Naive Bayes Classiffier Riani Dewi H 1, Yunita 2, Novi Indrawati 3 Mahasiswa Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciISBN IRWNS 2015
ISBN 978-979-3541-50-1 IRWNS 2015 Implementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK ) Ghifari Munawar Jurusan Teknik Komputer dan Informatika,
Lebih terperinciBAB 3 Metodologi 3.1 Kerangka Berpikir
BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET Handi Kurniawan Sohdianata 1, Sushermanto 2 Jurusan Teknik Informatika STMIK Banjarbaru 1, Jurusan Sistem Informasi STMIK Banjarbaru 2 Jl.
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciPenerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit
Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit Gadis Fransiska Yulianti Tae, Sri Suwarno, Widi Hapsari Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciProsiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
Lebih terperinciPemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA
Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Chandra Purnamaningsih Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami No 36 A Surakarta cpurnamaningsih@gmail.com
Lebih terperinciSISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta
SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta ABSTRAK Kecerdasan majemuk adalah hal penting dalam pembelajaran.
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: A-374
JURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: 2301-9271 A-374 Pengembangan Sistem Rekomendasi Peminjaman Buku Berbasis Web Menggunakan Metode Self Organizing Map Clustering Pada Badan Perpustakaan
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciTugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen
Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen Oleh: Abd. Wahab 1208100064 Pembimbing: Drs. Nurul Hidayat, M.Kom 19630404 198903 1 002 BAB1 Pendahuluan
Lebih terperinciPengelompokan Data DIPA Berbasis Penyerapan Anggaran Menggunakan Metode Self Organizing Map (SOM)
Pengelompokan Data DIPA Berbasis Penyerapan Anggaran Menggunakan Metode Self Organizing Map (SOM) Haerul Harun, I Ketut Eddy Purnomo 2, Eko Mulyanto Y. 3 Mahasiswa Jurusan Teknik Elektro, ITS, Surabaya
Lebih terperinciBAB 4. JARINGAN BERBASIS KOMPETISI
BAB 4. JARINGAN BERBASIS KOMPETISI Jaringan berbasis kompetisi menggunakan ide kompetisi untuk meningkatkan kontras dalam aktivasi neuron (winner take all). Hanya neuron yang aktivasinya diperbolehkan
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS Ardi Mardiana Fakultas Teknik, Universitas Majalengka Email: aim@ft.unma.ac.id Abstract Grouping language
Lebih terperinciAnalisis cluster pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan
Analisis cluster pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan ciri/sifat daripada pola-pola dalam
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciKLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN
KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN Wahyu Hadi Pujianto 1), Mochamad Hariadi 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Kosentrasi CIO)
Lebih terperinciANALISA DAN PEMANFAATAN ALGORITMA K-MEANS CLUSTERING PADA DATA NILAI SISWA SEBAGI PENENTUAN PENERIMA BEASISWA
ANALISA DAN PEMANFAATAN ALGORITMA K-MEANS CLUSTERING PADA DATA NILAI SISWA SEBAGI PENENTUAN PENERIMA BEASISWA Ari Muzakir Fakultas Ilmu Komputer, Universitas Bina Darma Palembang e-mail : ariemuzakir@gmail.com,
Lebih terperinciCLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK
CLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK Budi Warsito, Dwi Ispriyanti dan Henny Widayanti Program Studi Statistika FMIPA UNDIP Semarang ABSTRACT Industrial
Lebih terperinciPEMERINGKATAN PENERIMA BEASISWA BANTUAN BELAJAR MAHASISWA DI FAKULTAS MIPA UNS MENGGUNAKAN FUZZY SIMPLE ADDITIVE WEIGHTING
PEMERINGKATAN PENERIMA BEASISWA BANTUAN BELAJAR MAHASISWA DI FAKULTAS MIPA UNS MENGGUNAKAN FUZZY SIMPLE ADDITIVE WEIGHTING Oleh NUR INDAH NIM. M0109055 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN SOM (SELF ORGANIZING MAPS) ARTIKEL SKRIPSI
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN SOM (SELF ORGANIZING MAPS) ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Teknik
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN
SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta
Lebih terperinciIMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL
IMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL Hisar M. Simbolon (1) Sri Suwarno (2) Restyandito (3) hisarliska@gmail.com sswn@ukdw.ac.id dito@ukdw.ac.id Abstraksi Kompresi citra digital
Lebih terperinciThe 6 th University Research Colloquium 2017 Universitas Muhammadiyah Magelang
Penerapan Seleksi Atribut Berdasarkan Koefisien Variansi dan Korelasi untuk Inisialisasi Pusat Awal Klaster pada Algoritma K- Means dalam Pemetaan E-Government Tahun 2016 Ivon Dewi Apriliyaningsih 1*,
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisa data, rancangan sistem, dan skenario pengujian. Bagian analisa data meliputi data penelitian, analisis data, data preprocessing.
Lebih terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciDATA MINING DAN WAREHOUSE A N D R I
DATA MINING DAN WAREHOUSE A N D R I CLUSTERING Secara umum cluster didefinisikan sebagai sejumlah objek yang mirip yang dikelompokan secara bersama, Namun definisi dari cluster bisa beragam tergantung
Lebih terperinciLAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA. Oleh : ARI IRAWAN
LAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA Oleh : ARI IRAWAN 2010-51-221 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA KOMPUTER PROGRAM STUDI
Lebih terperinciPenerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak
IJCCS, Vol.7, No.2, July 2013, pp. 155~166 ISSN: 1978-1520 155 Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak Elvia Budianita* 1, Widodo Prijodiprodjo 2 1 Jurusan Teknik
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Pengembangan Sistem Rekomendasi Peminjaman Buku Berbasis Web Menggunakan Metode Self Organizing Map Clustering Pada Badan Perpustakaan Dan Kearsipan (BAPERSIP)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA
IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA Nurul Rohmawati W 1), Sofi Defiyanti 2), Mohamad Jajuli 3) 1),2),3) Teknik Informatika Fakultas Ilmu Komputer Universitas Singaperbangsa
Lebih terperinciMEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Page 87 Iin Parlina 1, Agus Perdana Windarto 2, Anjar Wanto 3, M.Ridwan Lubis
Lebih terperinciAPLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 2015)
APLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 015) Rezzy Eko Caraka 1 (1) Statistics Center Undip, Jurusan Statistika,
Lebih terperinciSistem Pendukung Keputusan Mahasiswa Berprestasi Menggunakan Metode TOPSIS
Sistem Pendukung Keputusan Mahasiswa Berprestasi Menggunakan Metode TOPSIS Sri Rahmawati Fitriatien Universitas PGRI Adi Buana Surabaya (Fakultas Keguruan dan Ilmu Pendidikan, Program Studi Pendidikan
Lebih terperinciPENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING
Media Informatika, Vol. 6, No. 1, Juni 2008, 39-55 ISSN: 0854-4743 PENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING Sukma Puspitorini Program Studi Teknik Informatika
Lebih terperinciPENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING
PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING 1 Wahyu Nurjaya W.K, 2 Nurjaman 1 Program Studi Sistem Informasi
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Lebih terperinciAPLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN
APLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN Abdul Aziz, S.Si, M.Si. Abstrak Teknik Fuzzy c-means clustering termasuk dalam salah satu keluarga clustering. Seperti teknik clustering
Lebih terperinciDATA MINING DENGAN TEKNIK CLUSTERING DALAM PENGKLASIFIKASIAN DATA MAHASISWA STUDI KASUS PREDIKSI LAMA STUDI MAHASISWA UNIVERSITAS BINA NUSANTARA
DATA MINING DENGAN TEKNIK CLUSTERING DALAM PENGKLASIFIKASIAN DATA MAHASISWA STUDI KASUS PREDIKSI LAMA STUDI MAHASISWA UNIVERSITAS BINA NUSANTARA Lindawati Jurusan Teknik Information, Fakultas Ilmu Komputer,
Lebih terperinciPartitional clustering KLASTERING DENGAN METODE K-MEANS
Partitional clustering KLASTERING DENGAN METODE K-MEANS PENDAHULUAN K-mean merupakan teknik klastering yang paling umum dan sederhana. Tujuan klastering ini adalah mengelompokkan obyek ke dalam k klaster/kelompok.
Lebih terperinciANALISIS CLUSTER K-MEANS DALAM PENGELOMPOKAN KEMAMPUAN MAHASISWA
ANALISIS CLUSTER K-MEANS DALAM PENGELOMPOKAN KEMAMPUAN MAHASISWA B. Poerwanto dan R.Y. Fa rifah Fakultas Teknik Universitas Cokroaminoto Palopo Email: bobbypoerwanto@uncp.ac.id, 2riskayanu@uncp.ac.id Abstract.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi saat ini sangatlah pesat. Berbagai ragam jenis informasi dapat diakses dari berbagai jenis media. Image digital merupakan salah satu
Lebih terperinciCLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
Lebih terperinciImplementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan Lulus Tepat Waktu (Studi Kasus : Fakultas Ilmu Komputer Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1726-1732 http://j-ptiik.ub.ac.id Implementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perangkat keras dan perangkat lunak di era ini sangat mempengaruhi pola pemakaian komputer. Komputer dapat di program seolah-olah seperti manusia. Salah
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Informasi Pengertian Sistem Informasi pada dasarnya merupakan hasil dari dua arti, yakni sistem dan informasi yang digabungkan. Berikut definisi sistem menurut para ahli
Lebih terperinci