Irlandia Ginanjar Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.
|
|
- Harjanti Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional Matematika 2008 Jurusan Matematika FMIPA UNPAD, Sumedang, 13 Desember 2008 Hierarchical Clustering Untuk Otomatisasi Pengelompokan Objek Pada Peta Dua Dimensi Hasil Analisis Multidimensional Scaling Satu Arah (Studi Kasus: Presepsi Mahasiswa terhadap Pelayanan Institusi) Irlandia Ginanjar Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. ABSTRAK Tujuan dari penelitian ini adalah untuk mengelompokan objek-objek pada peta dua dimensi yang merupakan hasil Analisis Multidimensional Scaling satu arah, yang mana metode pengelompokan objek-objek tersebut tidak secara visual tetapi dengan menggunakan Hierarchical Clustering, sehingga memungkinkan pengelompokan objek-objek tersebut secara otomatis. Masalah dalam penelitian ini adalah tidak teridentifikasinya karakteristik dimensi dari peta yang merupakan hasil analisis Multidimensional Scaling sehingga pengelompokan yang dilakukan secara visual yang akan mengakibatkan kesimpulan bersifat subjektif, sehingga diperlukan suatu metode untuk mengatasi hal tersebut. Kesimpulan dari penelitian ini adalah berdasarkan titik koordinat yang didapatkan dari Analisis Multidimensional Scaling satu arah kita mendapatkan jarak dimensi setiap objeknya, jarak dimensi setiap objek tersebut di analisis dengan menggunakan Hierarchical Clustering, dengan jumlah kelompok ditentukan oleh nilai Rescaled Distance Cluster Combine dan kelompok yang terbentuk ditentukan berdasarkan hasil dendogram. Hasil studi kasus dari penelitian ini ialah terbentuknya tiga kelopok karakteristik pelayanan PBM dengan karakteristik masing-masing kelompok adalah: Kelompok 1, kelompok karakteristik pelayanan yang menjadi prioritas pertama untuk diperbaiki. Kelompok 2, kelompok karakteristik pelayanan yang menjadi prioritas kedua untuk diperbaiki. Kelompok 3, kelompok karakteristik pelayanan yang tidak harus diperbaiki. Kata Kunci: Multidimensional Scaling, Hierarchical Clustering ABSTRACT The research objective is for grouping objects from two dimension map, where the map is output from one way Multidimensional Scaling Analysis, where the method for grouping using Hierarchical Clustering, that possible to make an automatic objects grouping. The problem in this research is, we can not identify dimension characteristic because of that the grouping used visual method. Visual method could be make subjective grouping, so we need non subjective grouping method. Conclusion from this research is with coordinate where we can get from one way Multidimensional Scaling Analysis we can get the dimension distance for every object and that dimension distance would be analyzed by Hierarchical Clustering Analysis, and we can found the number of group form Rescaled Distance Cluster Combine and the members of group can identified form dendogram. From study cases analysis we got three groups of institution service characteristics with the characteristic are, group 1 st is for the 1 st priority service characteristics that must be repaired, group 2 nd is for the 2 nd priority service characteristics that must be repaired, group 3 rd is for service characteristics that not must be repaired. Key Word: Multidimensional Scaling, Hierarchical Clustering 1. PENDAHULUAN Pemetaan adalah gambaran objek-objek yang dapat disajikan pada dua atau lebih dimensi. Tiap objek mempunyai posisi tertentu dalam suatu peta, hal itu memberikan suatu gambaran ruang mengenai hubungan antar objek-objek yang diamati. Cara pembuatan peta ini dapat dilakukan dengan beberapa metode statistik, diantaranya adalah Multidimensional Scaling, Analisis Korespondensi dan Biplot Analysis. 1
2 Berdasarkan hubungan antar objek-objek dari Peta kita bisa mengelompokan objek-objek tersebut Sesuai dengan keseragaman karakteristiknya. Pemetaan hasil Biplot Analysis bisa dikelompokan berdasarkan kuadran yang terbentuk karena setiap dimensi bisa diidentifikasi karakteristiknya, Pemetaan hasil Analisis Korespondensi dan analisis Multidimensional Scaling dua arah bisa dikelompokan berdasarkan karakteristik objek yang ikut dipetakan meskipun dimensi yang terbentuk tidak bisa diidentifikasi karakteristiknya, namun untuk analisis Multidimensional Scaling satu arah sulit untuk menentukan kelompoknya karena tidak ada karakteristik objek yang ikut dipetakan dan dimensi yang terbentuk tidak bisa diidentifikasi karakteristiknya. Selama ini pengelompokan dari peta hasil analisis Multidimensional Scaling satu arah dilakukan secara visual, hal itu mengakibatkan pengelompokan yang terbentuk bersifat subjektif sehingga akibatnya bisa menyesatkan. Masalah tersebut yang mendasari peneliti untuk melakukan penelitian ini dengan tujuan dari penelitian ini adalah: 1) Membuat peta dua dimensi dari Analisis multidimensional scaling satu arah. 2) Menentukan variabel yang akan menjadi bahan pengelompokan. 3) Menggunakan Analisis Hierarchical Clustering terhadap variabel bahan pengelompokan untuk mendapatkan kelompok secara otomatis. 4) Memadukan hasil Analisis Hierarchical Clustering dengan peta dua dimensi. Penelitian ini bermanfaat untuk: 1) Mengetahui teknik untuk mengelompokan objek dari peta presepsi yang tidak subjektif. 2) Mengetahui teknik untuk mengidentifikasi karakteristik kelompok objek yang terbentuk. 3) Hasil dari analisis ini juga memungkinkan untuk dipakai dalam penelitian lain, misalkan mencari metode Analisis pengelompokan non-subjektif lainnya untuk mendapatkan pengelompokan yang lebih baik. 2. METODE PENELITIAN 2.1. Pendekatan Masalah Penelitian Masalah dalam penelitian ini adalah, pengelompokan dari peta hasil Analisis Multidimensional Scaling satu arah dilakukan secara visual. Sehingga ada empat hal penting yang perlu diperhatikan dalam penelitian ini, pertama Analisis Multidimensional Scaling, kedua Analisis Hierarchical Clustering, ketiga penentuan data untuk clustering, dan keempat adalah memadukan hasil Analisis Hierarchical Clustering dengan hasil Analisis Multidimensional Scaling satu arah Analisis Multidimensional Scaling Penelitian ini memerlukan peta dua dimensi yang dihasilkan oleh Analisis Multidimensional Scaling, berdasarkan karakteristik data yang menjadi inputnya Analisis Multidimensional Scaling terbagi kedalam dua bagian, Pertama adalah Analisis Multidimensional Scaling satu arah yaitu analisis yang inputnya berbentuk row data, peta yang dihasilkan dari analisis ini objeknya adalah variabel kolom, Kedua adalah Analisis Multidimensional Scaling dua arah yaitu analisis yang inputnya berbentuk tabel kontingensi, peta yang dihasilkan dari analisis ini objeknya adalah variabel baris dan kolom. Dalam penelitian ini peta dua dimensi yang akan ditentukan pengelompokan objeknya adalah peta yang objek-objeknya variabel kolom, sehingga metode analisis yang digunakan adalah metode Analisis Multidimensional Scaling satu arah. 2
3 2.3. Analisis Hierarchical Clustering. Proses pengelompokan objek yang dipakai adalah proses penglompokan yang subjektifitasnya rendah sehingga terpilih metode pengelompokan dengan menggunakan Analisis Hierarchical Clustering. Analisis ini terpilih karena penentuan jumlah kelompok dan penentuan anggota kelompoknya sifatnya tidak subjektif, penentuan jumlah kelompoknya ditentukan oleh nilai selisih agglomerative pada dendogram diproyeksikan dengan Rescaled Distance Cluster Combine, dan anggota kelompoknya relatif berdasarkan jarak. Ukuran jarak yang digunakan adalah jarak Euclidean karena ukuran jarak tersebut sangat tepat untuk mempresentasikan jarak antara dua titik. Metode yang digunakan adalah metode Single Linkage (Nearest Neighbor), metode ini dipakai karena jarak antar cluster didefinisikan berdasarkan jarak minimum sehingga memungkinkan selisih agglomerative tertinggi tidak terjadi pada pengengelompokan akhir, dengan kata lain jika menggunakan Complete Linkage (Farthest Neighbor) dan Average Linkage jumlah kelompok yang paling mungkin terjadi adalah dua kelompok. Metode Centroid, Median atau Ward tidak memungkinkan untuk digunakan karena untuk tiga metode itu ukuran jaraknya tidak bisa menggunakan jarak Euclidean (harus squared Euclidean) 2.4. Penentuan Data untuk Clustering Pengelompokan dengan Analisis Hierarchical Clustering memerlukan data yang berbentuk jarak, karena pengelompokan yang akan dilakukan adalah pengelompokan dari peta, maka data jarak yang akan dipakai untuk pengelopokan tersebut adalah data titik koordinat dimensi dari objek peta tersebut. Data titik koordinat tersebut di dapatkan dari Analisis Multidimensional Scalling Memadukan Hasil Analisis Hasil dari Analisis Hierarchical Clustering berupa dendogram, berdasarkan dendogram tersebut bisa diidentifikasi berapa kelompok yang terbentuk dan apa saja anggota (objek) kelompoknya, kelompokan objek-objek yang ada di peta dua dimensi berdasarkan hasil Analisis Hierarchical Clustering tersebut. 3
4 3. PEMBAHASAN HASIL STUDI KASUS Dari hasil Analisis Multidimensional Scalling didapatkan koordinat dimensi (Tabel 1) sebagai berikut: Tabel 1. Titik koordinat untuk setiap dimensi No Objek Dimensi 1 Dimensi 2 No Objek Dimensi 1 Dimensi 2 1 FF01 1,7258 0, PA04-1,4361 0,077 2 FF02 0,34 0, PA05 1,4848-0,184 3 FF03-1,5082-0, PA06 1,622 0, FF04 0,3953-0, PA07-1,3125 0, FF05-1,5225-0, PA08-1,2233 0,769 6 FF06 0,4477-0, PP01 0,1702-0,183 7 FP01-1,4113-0, PP02-1,6259 0, FP02 1,8174-0, PP03-1,5316 0, FP03 1,6546-0, KD01 0,2952-0, KR01 0,5589 0, KD02-1,8829-0, KR02 1,5622-0, KD03-1,5349 0, KR03 1,7495 0, KD04 0,5121 0, KR04 0,3753-0, KD05 1,6204 0, KR05 1,5444-0, MI01-1,8544-0, PA01 0,3031 0, MI02-1,4868 0, PA02 0,0062-0, MI03 1,4513-0, PA03-1,3061-0,7656 Peta presepsi yang dihasilkan dari Analisis Multidimensional Scalling dapat dilihat pada Gambar PP02 KD03 PA07 PA08 KD MI02 PP03 KR01 Dimensi FF05 KD02 PA04 FF03 FP01 PA03 FF02 PA01 PA02 KD01 KR04 PP01 FF06 FF04 PA06 FF01 KD05 KR03 MI03 KR02 FP02 FP03 PA05 KR05 MI Dimensi 1 Gambar 1. Peta presepsi karakteristik pelayanan institusi berdasarkan presepsi mahasiswa Hasil Analisis Hierarchical Clustering dengan data input untuk analisis ini adalah titik koordinat untuk setiap dimensi, didapatkan nilai agglomerative untuk setiap Cluster stage (tingkat cluster), berdasarkan itu dihitung selisih agglomerative tingkat bersangkutan dengan tingkat sebelumnya (a i 1 a i ) yang hasil perhitungannya dicantumkan dalam Tabel 2 dibawah ini: 1 2 4
5 Tabel 2. Selisih Nilai Agglomerative untuk Setiap Tingkat cluster Cluster stage Agglomeration Coefficients Perbandingan antar stage Selisih Cluster stage Agglomeration Coefficients Perbandingan antar stage Selisih 1 0, , vs. 17 0, , vs. 2 0, , vs. 18 0, , vs. 3 0, , vs. 19 0, , vs. 4 0, , vs. 20 0, , vs. 5 0, , vs. 21 0, , vs. 6 0, , vs. 22 0, , vs. 7 0, , vs. 23 0, , vs. 8 0, , vs. 24 0, , vs. 9 0, , vs. 25 0, , vs. 10 0, , vs. 26 0, , vs. 11 0, , vs. 27 0, , vs. 12 0, , vs. 28 0, , vs. 13 0, , vs. 29 0, , vs. 14 0, , vs. 30 0, , vs. 15 0, , vs. 31 0, , vs. 16 0, , vs. 32 0, Terlihat bahwa selisih terbesar ada pada tingkat cluster 31, hal ini mengindikasikan bahwa jumlah kelompok yang paling baik adalah tiga kelompok. Dari hasil Analisis Hierarchical Clustering juga didapatkan dendogarm dapat dilihat pada gambar 2 5
6 Rescaled Distance Cluster Combine C A S E Label Num PA01 20 òûòòòòòø FF02 21 ò ó KR04 18 òòòûòø ùòòòòòòòø FF06 19 òòò ó ó ó PP01 15 òòòûòôòú ó KD01 17 òòò ó ó ùòòòòòòòòòòòòòòòòòòòø PA02 14 òòòòò ó ó ó FF04 16 òòòòòòò ó ó KR01 22 òòòòòòòûòòòòòòò ó KD04 23 òòòòòòò ó PA05 25 òòòø ùòòòòòòòòòòòòòø KR05 26 òòòú ó ó FF01 31 òûòôòø ó ó KR03 32 ò ó ó ó ó PA06 30 òòòú ó ó ó KR02 27 òûòú ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòò ó KD05 28 ò ó ó ó FP03 29 òòòú ó ó MI03 24 òòò ó ó FP02 33 òòòòò ó FF05 3 òûòø ó FF03 4 ò ùòø ó FP01 5 òòò ùòòòòòø ó PA03 6 òòòòò ùòòòòòòòòòø ó MI01 1 òòòòòûòòòòò ó ó KD02 2 òòòòò ó ó PA08 12 òòòòòûòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòò PA07 13 òòòòò ùòòòòòø ó KD03 10 òòòûòòòú ó ó PP02 11 òòò ó ùòòòòòòò PP03 8 òòòûòòò ó MI02 9 òòò ó PA04 7 òòòòòòòòòòòòò Garis Pemotong Pembetuk 3 Kelompok Gambar 2. Dendogram hasil Analisis Hierarchical Clustering Berdasarkan dendogram diatas terlihat anggota-anggota (objek) dari setiap kelompok yang terbentuk. Berdasarkan informasi yang didapatkan dari dendogram diatas, didapatkan kejelasan pembentukan kelompok objek-objek untuk peta dua dimensi yang hasilnya bisa dilihat pada Gambar 3. 6
7 1.0 PP02 KD03 PA07 PA08 KD MI02 PP03 KR01 Kelompok 2 Kelompok 3 Dimensi FF05 KD02 PA04 Kelompok 1 FF03 FP01 PA03 FF02 PA01 PA02 KD01 KR04 PP01 FF06 FF04 PA06 FF01 KD05 KR03 MI03 KR02 FP02 FP03 PA05 KR05 MI Dimensi 1 Gambar 3. Peta presepsi karakteristik pelayanan institusi yang membentuk tiga kelompok Seperti yang telah kita ketahui bahwa objek yang berada di kiri bawah adalah objek yang penilainya kecil dan bergerak ke kanan atas penilaian objeknya membesar. Sehingga berdasarkan studi kasus kelompok 1 bisa kita identifikasikan sebagai objek yang penilaiannya kecil, kelompok 2 bisa kita identifikasikan sebagai objek yang penilaiannya sedang dan kelompok 3 bisa kita identifikasikan sebagai objek yang penilaiannya besar, dengan kata lain kelompok 1 adalah kelompok karakteristik pelayanan yang menjadi prioritas pertama untuk diperbaiki, kelompok 2 adalah kelompok karakteristik pelayanan yang menjadi prioritas kedua untuk diperbaiki dan kelompok 3 adalah kelompok karakteristik pelayanan yang tidak harus diperbaiki. 4. KESIMPULAN DAN SARAN 4.1. Kesimpulan Subjektifitas dalam mengelompokan objek pada peta presepsi bisa ditanggulangi dengan menggunakan Analisis Hierarchical Clustering karena penentuan jumlah kelompoknya ditentukan oleh nilai selisih agglomerative pada dendogram diproyeksikan dengan Rescaled Distance Cluster Combine, dan penentuan anggota kelompoknya relatif berdasarkan jarak yang bisa dilihat pada dendogram. Ukuran jarak yang digunakan adalah jarak Euclidean dan metode yang digunakan adalah metode Single Linkage (Nearest Neighbor). Data jarak yang akan dipakai untuk Analisis Hierarchical Clustering adalah data titik koordinat dimensi setiap objek dari peta. Hasil Analisis Hierarchical Clustering menjadi dasar pembentukan kelompok objek-objek untuk peta dua dimensi Saran Penelitian ini bermaksud untuk menghindari subjektifitas pengelompokan objek dari peta dua dimensi, namun ada beberapa saran yang harus diperhatikan dalam pengunaan metode ini, yaitu: 1) Jika berdasarkan hasil Analisis Hierarchical Clustering dengan metode Single Linkage terbentuk cluster yang merupakan outlier, akan mengakibatkan adanya satu objek yang tidak terkelompok. Bila hal itu terjadi akan lebih baik jika metode yang digunakan adalah Complete Linkage atau Average Linkage
8 2) Jika selisih agglomerative terbesar ada di tahap awal atau akhir akan mengakibatkan kelompok yang terbentuk tidak efisien. Bila hal ini terjadi akan lebih baik di pilih selisih agglomerative terbesar kedua, bila kelompok yang terbentuk masih tidak efisien juga, pilih selisih agglomerative terbesar ketiga, dan seterusnya. DAFTAR PUSTAKA Carmone, Jr, Frank.J.; Green, Paul.E.; Smith, Scott.M., 1989 Multidimensional Scaling Concepts and Applications, Allyn and Bacon, Boston. Dillon, W.R.; Matthew G., Multivariate Analysis: Methods and Application, John Willey and Sons Inc, New York. Goldberg, Jack.L., Matrix Theory With Apllications, McGraw-Hill Inc, New York. Hair, Jr, J.F.; Black, W.C.; Babin, B.J.; Anderson, R.E.; Tatham, R.L., Multivariate Data Analysis, 6 th Ed, Pearson Education Inc, Singapore. Johnson, R.A.; Wichern, D.W., Applied Multivariate Statistical Analysis, Prentice-Hall Inc, New Jersey. Latin, J.; Carrol, J.; Douglas.; Green.; Paul.E., Analyzing Multivariat Data, Duxbury Applied Series, Canada. Morrison, D.F., Multivariate Statistical Methods, 4 th Ed, Thomson Learning Inc, Singapore. Maholtra, N.K., Marketing Research An Applied Orientation, 3 th Ed, Prentice-Hall Inc, New Jersey. Sudman, S.; Blair, E., Marketing Research A Problem Solving Approach, McGraw- Hill Companies Inc. Singapore. Rencher, Alvin C., Methods of Multivariate Analysis, 2 nd Ed, John Wiley & Sons, Inc. United States of America. Webb, A.R., Statistical Pattern Recognition, 2 nd Ed, John Wiley & Sons Ltd, The Atrium, Southern Gate, Chichester, West Sussex PO19 8SQ, England. 8
Aplikasi Multidimensional Scaling Untuk Peningkatan Pelayanan Proses Belajar Mengajar (PBM).
Aplikasi Multidimensional Scaling Untuk Peningkatan Pelayanan Proses Belajar Mengajar (PBM). Irlandia Ginanjar Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Abstrak Tujuan dari penelitian ini
Lebih terperinciIrlandia Ginanjar Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. ABSTRAK
Aplikasi Multidimensional Scaling Untuk Memposisikan Produk Pada Masalah Product Existing. (Studi Kasus: Presepsi Pelanggan Terhadap Produk Telepon Umum PT.TELKOM Tbk.) Irlandia Ginanjar Irlandia_g@unpad.ac.id
Lebih terperinciPenerapan Metode Multidimensional Scaling dalam Pemetaan Sarana Kesehatan di Jawa Barat
Jurnal Matematika Integratif ISSN 141-6184 Volume 1 No 1, April 016, pp 43 50 Penerapan Metode Multidimensional Scaling dalam Pemetaan Sarana Kesehatan di Jawa Barat Julita Nahar Program Studi Matematika,
Lebih terperinciCAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai
CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai Penguasaan Pengetahuan 5.1 Mampu mengidentifikasi permasalahan multivariat 5.2 Mampu menerapkan konsep
Lebih terperinciSemester : VI Hal: 1 dari 6. No.Revisi : 00. Deskripsi. Kemampuan manjerial. tertulis. Sikap dan. tata nilai 2-RP 1-CP DN, PA,BAK& RN)
PROD S1 STATSTKA FMPA TS RP S1 SP 08 Kurikulum 2014, Edisi : September 2014 A. CAPAAN PEMBELAJARAN : CP 11.11 : Mampu menganalisis data secara KUANTTATF baik secara Univariat maupun Multivariat serta menerapkannya
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciPENGELOMPOKAN DESA/KELURAHAN DI KOTA DENPASAR MENURUT INDIKATOR PENDIDIKAN
E-Jurnal Matematika Vol. (), Mei, pp. - ISSN: - PENGELOMPOKAN DESA/KELURAHAN DI KOTA DENPASAR MENURUT INDIKATOR PENDIDIKAN Ni Wayan Aris Aprilia A.P, I Gusti Ayu Made Srinadi, Kartika Sari Jurusan Matematika,
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN METODE MINIMAX LINKAGE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 253-260 PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN
Lebih terperinciAbstract. Abstrak. Keywords : Correspondence Analysis, Lecturer, Student, Service
Analisis Korepondensi Terhadap Karakteristik Kinerja Dosen Berdasarkan Faktor Penentu Mutu Pelayanan Di Jurusan Matematika Fmipa Universitas Sam Ratulangi 1 Djaka Liputo, 2 Djoni Hatidja, 3 Yohanes A.R.
Lebih terperinciAnalisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali
Jurnal Matematika Vol. 6 No. 1, Juni 2016. ISSN: 1693-1394 Analisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali I Gusti Ayu Made Srinadi Jurusan Matematika, Fakultas
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciBAB IV PENGOLAHAN DATA
BAB IV PENGOLAHAN DATA 4.1 Non-Hirarki Cluster (K-Means Cluster) 4.1.1 Print Output dan Analisa Output A. Initial Cluster Center Initial Cluster Centers Cluster 1 2 Kenyamanan 2 5 Kebersihan 3 5 Luas_Parkir
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster
Lebih terperinciAnalisa Anggaran Pendapatan dan Belanja Daerah (APBD) dengan Metode Hierarchical Clustering
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisa Anggaran Pendapatan dan Belanja Daerah (APBD) dengan Metode Hierarchical Clustering Viga Apriliana Sari, Nur Insani Jurusan Pendidikan
Lebih terperinciDhiani Tresna Absari,ST. Dosen Jurusan Teknik Informatika Universitas Surabaya
PERENCANAAN PEMBUATAN SISTEM PENUNJANG KEPUTUSAN DENGAN MENGGUNAKAN METODE CLUSTERING PADA STUDI KELAYAKAN PEMBUKAAN JARINGAN TRAYEK ANGKUTAN KOTA (SISTEM PENUNJANG KEPUTUSAN JARINGAN TRAYEK ANGKUTAN KOTA)
Lebih terperinciPERSEPSI KONSUMEN TERHADAP PRODUK SEPATU OLAHRAGA DI SPORT STATION MEGAMALL DENGAN MENGGUNAKAN ANALISIS MULTIDIMENSIONAL SCALING
PERSEPSI KONSUMEN TERHADAP PRODUK SEPATU OLAHRAGA DI SPORT STATION MEGAMALL DENGAN MENGGUNAKAN ANALISIS MULTIDIMENSIONAL SCALING Triana J. Masuku 1), Marline S. Paendong 1), Yohanes A.R. Langi 1) 1) Program
Lebih terperinciANALISIS KLASTER KECAMATAN DI KABUPATEN SEMARANG BERDASARKAN POTENSI DESA MENGGUNAKAN METODE WARD DAN SINGLE LINKAGE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 801-810 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS KLASTER KECAMATAN DI KABUPATEN SEMARANG BERDASARKAN
Lebih terperinciPemetaan Pulau-pulau di Indonesia terhadap Atribut Indikator Kesejahteraan Rakyat dengan Multidimensional Scaling
Pemetaan Pulau-pulau di Indonesia terhadap Atribut Indikator Kesejahteraan Rakyat dengan Multidimensional Scaling Nadia Dwi Andriani 1, Atika Nurani Ambarwati 2 1,2 Statistika, Akademi Statistika Muhammadiyah
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciANALISIS KLASTER STUDI KASUS: SEGMENTASI NASABAH SIMPEDES BRI UNIT LEMPUYANGAN YOGYAKARTA
ANALISIS KLASTER STUDI KASUS: SEGMENTASI NASABAH SIMPEDES BRI UNIT LEMPUYANGAN YOGYAKARTA Skripsi Untuk memenuhi sebagian persyaratan Mencapai derajat Sarjana S-1 Program Studi Matematika Diajukan oleh:
Lebih terperinciAnalisis Objek dan Assessor dari Data Ranking Tidak Lengkap Menggunakan DISTATIS Irlandia Ginanjar 1, 2, *, Bambang Widjanarko O.
Analisis Objek dan Assessor dari Data Ranking Tidak Lengkap Menggunakan DISTATIS Irlandia Ginanjar 1,, *, Bambang Widjanarko O. 1 1 Jurusan Statistika ITS, Surabaya, Jurusan Statistika UNPAD, Bandung email
Lebih terperinciANALISIS KORESPONDENSI UNTUK MENGETAHUI ALASAN MAHASISWA MEMILIH JURUSAN DI FMIPA UNIVERSITAS NEGERI MALANG
1 ANALISIS KORESPONDENSI UNTUK MENGETAHUI ALASAN MAHASISWA MEMILIH JURUSAN DI FMIPA UNIVERSITAS NEGERI MALANG (Studi Kasus Mahasiswa Non Kependidikan FMIPA Universitas Negeri Malang) Chofifatul Jannah
Lebih terperinciAnalisis Korespondensi Terhadap Persepsi Alumni Program Studi Matematika FMIPA Universitas Sam Ratulangi Mengenai Kurikulum Dan Proses Pembelajaran
Analisis Korespondensi Terhadap Persepsi Alumni Program Studi Matematika FMIPA Universitas Sam Ratulangi Mengenai Kurikulum Dan Proses Pembelajaran 1 Prastika Tumilaar, 2 Djoni Hatidja, 3 Jantje D. Prang
Lebih terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciPROSIDING ISSN: M-19 PROFIL PROVINSI DI INDONESIA BERDASARKAN SARANA PELAYANAN KESEHATAN MENGGUNAKAN ANALISIS KORESPONDENSI
M-19 PROFIL PROVINSI DI INDONESIA BERDASARKAN SARANA PELAYANAN KESEHATAN MENGGUNAKAN ANALISIS KORESPONDENSI Titi Purwandari 1, Yuyun Hidayat 2 1,2) Departemen Statistika FMIPA Universitas Padjadjaran email
Lebih terperinciANALISIS PENJUALAN BAHAN BAKAR MINYAK (BBM) dari PT. PERTAMINA (PERSERO) UPms V SURABAYA dengan METODE ARIMA BOX JENKINS
ANALISIS PENJUALAN BAHAN BAKAR MINYAK (BBM) dari PT. PERTAMINA (PERSERO) UPms V SURABAYA dengan METODE ARIMA BOX JENKINS Oleh: Rizky Amlia Rachmawati (1306.030.046) Dosen Pembimbing: Dra. Madu Ratna, M.Si
Lebih terperinciLAPORAN PENELITIAN. Perbandingan Komoditas Unggulan Pada Berbagai Kecamatan di Kabupaten Sumedang dengan Menggunakan Analisis Korespondensi
LAPORAN PENELITIAN Perbandingan Komoditas Unggulan Pada Berbagai Kecamatan di Kabupaten Sumedang dengan Menggunakan Analisis Korespondensi OLEH: Ketua : Irlandia Ginanjar Anggota I : I Gede Nyoman Mindra
Lebih terperinciPertemuan 14 HIERARCHICAL CLUSTERING METHODS
Pertemuan 14 HIERARCHICAL CLUSTERING METHODS berdasar gambar berdasar warna A A A A Q Q Q Q K K K K J J J J 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7 7 8 8 8 8 9 9 9 9 10 10 10 10 A K Q J (a). Individual
Lebih terperinciTEKNIK ANALISIS MULTIVARIAT (II) DENGAN STRUCTURAL EQUATION MODELLING ( SEM ) MENGGUNAKAN PROGRAM AMOS
TEKNIK ANALISIS MULTIVARIAT (II) DENGAN STRUCTURAL EQUATION MODELLING ( SEM ) MENGGUNAKAN PROGRAM AMOS Minto Waluyo mintowaluyo _ ti @yahoo.co.id Teknik Industri UPN Veteran Jatim Abstrak Penelitian yang
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciTransformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan
Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail: Desi_its@yahoo.com Mustika Hadijati Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK Kishartini 1, Diah Safitri 2, Dwi Ispriyanti 3
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 711-718 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI
Lebih terperinciMODUL 6 ANALISIS CLUSTER
MODUL 6 ANALISIS CLUSTER Tujuan Praktikum Pada modul 6 ini, tujuan yang hendak dicapai dalam pelaksanaan praktikum antara lain : Mahasiswa mampu mengenali karakteristik analisis cluster. Mahasiswa memahami
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciPemetaan Status Gizi Balita Terhadap Kecamatan-Kecamatan Di Kabupaten Trenggalek Dengan Metode Analisis Korespondensi
Pemetaan Status Gizi Balita Terhadap Kecamatan-Kecamatan Di Kabupaten Trenggalek Dengan Metode Analisis Korespondensi Oleh : Teguh Purianto (0 09 06) Dosen Pembimbing : Wibawati, S.Si., M.Si. ABSTRAK Anak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Traveling Salesmen Problem (TSP) Travelling Salesman Problem (TSP) merupakan sebuah permasalahan optimasi yang dapat diterapkan pada berbagai kegiatan seperti routing. Masalah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Analysis Clustering analysis merupakan metode pengelompokkan setiap objek ke dalam satu atau lebih dari satu kelompok,sehingga tiap objek yang berada dalam satu kelompok
Lebih terperinciANALISIS KARAKTERISTIK POLA BELANJA KELUARGA DENGAN ANALISIS KLASTER
ISSN: 2088-687X 73 ANALISIS KARAKTERISTIK POLA BELANJA KELUARGA DENGAN ANALISIS KLASTER Nur Arina Hidayati Program Studi Pendidikan Matematika FKIP UAD Jl. Prof. Dr. Soepomo, SH. Janturan Yogyakarta nurarinahidayati@gmail.com
Lebih terperinciAnalisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM)
Sidang Tugas Akhir Surabaya, 15 Juni 2012 Analisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM) Wenthy Oktavin Mayasari
Lebih terperinciTEKNIK ANALISIS MULTIVARIAT (II) DENGAN STRUCTURAL EQUATION MODELLING ( SEM
TEKNIK ANALISIS MULTIVARIAT (II) DENGAN STRUCTURAL EQUATION MODELLING ( SEM ) Menggunakan Program Amos Minto Waluyo mintowaluyo _ ti @yahoo.co.id Jurusan Teknik Industri UPN Veteran Jatim Alamat Penulis
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 terperinciPENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER ENSEMBLE
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 13 23 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER
Lebih terperinciBAB 5 PENUTUP 5.1 Implikasi
BAB 5 PENUTUP 5.1 Implikasi Dari hasil kerja praktek yang dilakukan selama 4 bulan, terhitung sejak tanggal 14 Juli hingga 14 Oktober 2010, dan melalui hasil observasi, wawancara, studi pustaka maupun
Lebih terperinciPengelompokan Data dengan Metode...(Luh Joni Erawati Dewi)
ISSN0216-3241 17 PENGELOMPOKAN DATA DENGAN METODE KLASTERISASI HIRARKI Oleh Luh Joni Erawati Dewi Jurusan Manajemen Informatika, FTK, Undiksha Abstrak Pengelompokan data sangat diperlukan untuk mengetahui
Lebih terperinciAnalisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016
Analisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016 Rana Amani Desenaldo 1 Universitas Padjadjaran 1 rana.desenaldo@gmail.com ABSTRAK Kesejahteraan sosial adalah
Lebih terperinciPenggerombolan Sekolah Menengah Atas Berdasarkan Nilai Ujian Nasional Di Kota Manado
Penggerombolan Sekolah Menengah Atas Berdasarkan Nilai Ujian Nasional Di Kota Manado Charles E. Mongi 1*, Chriestie E.J.C. Montolalu 2 1,2 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciANALISIS DISKRIMINAN FISHER POPULASI GANDA UNTUK KLASIFIKASI NASABAH KREDIT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 575-581 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DISKRIMINAN FISHER POPULASI GANDA UNTUK KLASIFIKASI
Lebih terperinciOleh : Arief Yudissanta ( ) Pembimbing : Prof. Susanti Linuwih Mstat.PHD
TUGAS AKHIR Oleh : Arief Yudissanta (1307 030 019) Pembimbing : Prof. Susanti Linuwih Mstat.PHD PENGELOMPOKAN SEKOLAH DASAR BERDASARKAN RATA-RATA NILAI UJIAN AKHIR SEKOLAH BERSTANDAR NASIONAL DI SETIAP
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan analisis data dan pembahasan pada Bab IV, kesimpulan penelitian ini adalah sebagai berikut. 1. Model VARIMA yang sesuai untuk data penjualan obat I,
Lebih terperinciTahapan yang umumnya dilakukan dalam merancang dan melaksanakan analisis konjoin secara umum adalah sebagai berikut :
ANALISIS KONJOIN Analisis konjoin adalah suatu teknik analisis yang dapat digunakan untuk menentukan tingkat kepentingan relatif berdasarkan persepsi pelanggan yang dibawa oleh suatu produk tertentu dan
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia bisnis pada jaman sekarang, para pelaku bisnis senantiasa selalu berusaha mengembangkan cara-cara untuk dapat mengembangkan usaha mereka dan memperhatikan
Lebih terperinciAPLIKASI ANALISIS KLASTER PADA DATA SIMULASI INDEKS GEOMAGNET LOKAL
Seminar Nasional Statistika I Institut Teknologi Sepuluh Nopember, 7 November 009 APLIKASI ANALISIS KLASTER PADA DATA SIMULASI INDEKS GEOMAGNET LOKAL John Maspupu Pusfatsainsa LAPAN, Jl. Dr. Djundjunan
Lebih terperinciANALISIS KELOMPOK DENGAN MENGGUNAKAN METODE HIERARKI UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASAR INDIKATOR KESEHATAN
1 ANALISIS KELOMPOK DENGAN MENGGUNAKAN METODE HIERARKI UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASAR INDIKATOR KESEHATAN, dan, Universitas Negeri Malang Email: lina_ninos26@yahoo.com ABSTRAK:
Lebih terperinciPENGELOMPOKANKINERJA DOSEN JURUSAN MATEMATIKA FMIPAUNTAN BERDASARKANPENILAIAN MAHASISWA MENGGUNAKAN METODE WARD
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 93 100. PENGELOMPOKANKINERJA DOSEN JURUSAN MATEMATIKA FMIPAUNTAN BERDASARKANPENILAIAN MAHASISWA MENGGUNAKAN METODE WARD
Lebih terperinci(M.1) HYBRID KORESPONDENSI UNTUK MENGANALISIS OBJEK BERDASARKAN KATEGORI KOLOM DAN KARAKTERISTIK OBJEK
MULTIVARIAT 4 (M.1) HYBRID KORESPONDENSI UNTUK MENGANALISIS OBJEK BERDASARKAN KATEGORI KOLOM DAN KARAKTERISTIK OBJEK Irlandia Ginanjar Jurusan Statistika, Universitas Padjadjaran, Bandung email: irlandia_g@unpad.ac.id
Lebih terperinciAnalisis Cluster Studi Kasus: Kabupaten Jepara Jawa Tengah
Analisis Cluster Studi Kasus: Kabupaten Jepara Jawa Tengah Disusun untuk Memenuhi Tugas Mata Kuliah Metode Analisis Perencanaan (TKP 34) Dosen Pengampu: Dr. Iwan Rudiarto Widjanarko, S.T., M.T. Sri Rahayu,
Lebih terperinciPROSIDING ISSN: M-14 ANALISIS K-MEANS CLUSTER UNTUK PENGELOMPOKAN KABUPATEN /KOTA DI JAWABARAT BERDASARKAN INDIKATOR MASYARAKAT
M-14 ANALISIS K-MEANS CLUSTER UNTUK PENGELOMPOKAN KABUPATEN /KOTA DI JAWABARAT BERDASARKAN INDIKATOR MASYARAKAT Soemartini 1, dan Enny Supartini 2 1,2) Departemen Statistika FMIPA UNPAD Bandung tine_soemartini@yahoocom,
Lebih terperinciAnalisis Klaster Hierarki Untuk Pengelompokkan Kabupaten/Kota Di Jawa Tengah Berdsarkan Indikator Indeks Pembangunan Manusia (IPM) Tahun 2015
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 229-239 p-issn: 2580-4596; e-issn: 2580-460X Halaman 229 Analisis Klaster Hierarki Untuk Pengelompokkan
Lebih terperinciANALISIS KELOMPOK METODE HIRARKI UNTUK PENGELOMPOKAN KOTA/KABUPATEN DI JAWA TIMUR BERDASARKAN INDIKATOR KETENAGAKERJAAN,,
1 ANALISIS KELOMPOK METODE HIRARKI UNTUK PENGELOMPOKAN KOTA/KABUPATEN DI JAWA TIMUR BERDASARKAN INDIKATOR KETENAGAKERJAAN,, Universitas Negeri Malang E-mail: desypurwaningyas@ymail.com Abstrak: Dengan
Lebih terperinciPENGELO MPOKAN KUALITAS UDARA AMBIEN MENURUT KABUPATEN/KOTA DI JAWA TENGAH MENGGUNAKAN ANALISIS KLASTER
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 393-402 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGELO MPOKAN KUALITAS UDARA AMBIEN MENURUT KABUPATEN/KOTA
Lebih terperinciANALISIS POSISI PLASA/MAL DI SURABAYA BERDASARKAN PERSEPSI DAN PREFERENSI MASYARAKAT KOTA SURABAYA DENGAN METODE MULTIDIMENSIONAL SCALING
ANALISIS POSISI PLASA/MAL DI SURABAYA BERDASARKAN PERSEPSI DAN PREFERENSI MASYARAKAT KOTA SURABAYA DENGAN METODE MULTIDIMENSIONAL SCALING Rigo Hartono Winta, Nur Iriawan Program Pascasarjana Magister Manajemen
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI PENJURUSAN SISWA MELALUI ANALISIS DISKRIMINAN. Nerli Khairani Lia Anggriani Siregar. Abstrak
97 FAKTOR-FAKTOR YANG MEMPENGARUHI PENJURUSAN SISWA MELALUI ANALISIS DISKRIMINAN Nerli Khairani Lia Anggriani Siregar Abstrak Analisis diskriminan adalah metode statistika yang digunakan untuk mengelompokkan
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
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 terperinciPemetaan Biplot untuk Masalah Putus Sekolah Pendidikan Dasar pada Masyarakat Miskin antar Kecamatan di Kabupaten Ogan Ilir
Jurnal Penelitian Sains Volume 14 Nomer 2(A) 14203 Pemetaan Biplot untuk Masalah Putus Sekolah Pendidikan Dasar pada Masyarakat Miskin antar Kecamatan di Kabupaten Ogan Ilir Dian Cahyawati S. dan Oki Dwipurwani
Lebih terperinciAPLIKASI ANALISIS CLUSTER DALAM MENGELOMPOKKAN KECAMATAN BERDASARKAN FAKTOR PENYEBAB PENDUDUK BUTA AKSARA DI KABUPATEN JENEPONTO
APLIKASI ANALISIS CLUSTER DALAM MENGELOMPOKKAN KECAMATAN BERDASARKAN FAKTOR PENYEBAB PENDUDUK BUTA AKSARA DI KABUPATEN JENEPONTO Irwan Dosen Jurusan Matematika, Fak. Sains dan Teknologi. UIN Alauddin Makassar
Lebih terperinciBAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Setelah penulis melakukan penelitian di Putra Mandiri dan membahas hasil penelitian pada bab 4, maka penulis dapat mengambil kesimpulan yang merupakan jawaban
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 terperinciJumlah persentase ini tidak harus persis seperti diatas tetapi bisa bervariasi tergantung di perusahaan mana metode ini diterapkan.
BAB 2 TINJAUAN PUSTAKA 2.1 Metode Pengelompokan ABC Pada abad ke-18, Villfredo Pareto, dalam penelitiannya mengenai distribusi kekayaan penduduk di Milan Italia, menemukan bahwa 20% dari total populasi
Lebih terperinciLABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
Lebih terperinciAnalisis Dan Pembahasan
Analisis DIskriminan Analisis Dan Pembahasan Variabel Variabel Pembeda Lamda P-value Penderita Diare Ditangani (X 13 ) 0,269 0,000 Pelayanan Anak Balita (X 8 ) 0,087 0,000 Pelayanan Kesehatan Dasar Masyarakat
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperinciPROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011
(DS.6) ANALISIS KURVA PERTUMBUHAN SEBAGAI ANALISIS SETELAH MANOVA UNTUK DATA LONGITUDINAL Enny Supartini Statistika F MIPA Universitas Padjadjaran Bandung e-mail : arthinii@yahoo.com Abstrak Eksperimen
Lebih terperinciPengenalan Pola Karakter Tulisan Tangan Dengan Menggunakan Metoda Clustering Melalui Similarity Measure Approach
Pengenalan Pola Karakter Tulisan Tangan Dengan Menggunakan Metoda Clustering Melalui Similarity Measure Approach Erry Febriansyah Prananta / 0422071 Email : erry_prananta@yahoo.com Jurusan Teknik Elektro,
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciPrototype-Based Fuzzy Clustering melalui Algoritma FCM pada Pengklasteran Kabupaten-Kabupaten di Jawa Timur berdasarkan Karakteristik Perempuan
Jurnal Penelitian Sains Volume 18 Nomor 3 September 2016 Prototype-Based Fuzzy Clustering melalui Algoritma FCM pada Pengklasteran Kabupaten-Kabupaten di Jawa Timur berdasarkan Karakteristik Perempuan
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 terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciBAB I PENDAHULUAN. Analisis statistik multivariat adalah metode statistik di mana masalah yang
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Analisis statistik multivariat adalah metode statistik di mana masalah yang diteliti bersifat multidimensional dengan menggunakan tiga atau lebih variabel
Lebih terperinciMETODE PAUTAN TERBAIK DALAM PENGELOMPOKAN DESA/KELURAHAN DI KOTA DENPASAR MENURUT INDIKATOR PENDIDIKAN KOMPETENSI STATISTIKA SKRIPSI
35 METODE PAUTAN TERBAIK DALAM PENGELOMPOKAN DESA/KELURAHAN DI KOTA DENPASAR MENURUT INDIKATOR PENDIDIKAN KOMPETENSI STATISTIKA SKRIPSI NI WAYAN ARIS APRILIA A.P 1008405033 JURUSAN MATEMATIKA FAKULTAS
Lebih terperinciAnalisis Faktor Komponen Bahan Non Makanan pada Klaster Ketiga
Compo nent Total Analisis Faktor Komponen Bahan Non Makanan pada Klaster Ketiga Initial Eigenvalues % of Variance Cumulative % Extraction Sums of Squared Loading Total % of Variance Cumulative % BAB IV
Lebih terperinciInfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 3, No.2, September 2014
APLIKASI METODE-METODE AGGLOMERATIVE DALAM ANALISIS KLASTER PADA DATA TINGKAT POLUSI UDARA Oleh: Dewi Rachmatin Jurusan Pendidikan Matematika, UniversitasPendidikan Indonesia dewirachmatin@upi.edu ABSTRAK
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan algoritma hierarchical clustering dan k-means untuk pengelompokan desa tertinggal.
Lebih terperinciTEKNOSI, Vol. 02, No. 03, Desember Koko Handoko Universitas Putera Batam (cooresponding author)
TEKNOSI, Vol. 02, No. 03, Desember 2016 31 PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI PROGRAM STUDI
Lebih terperinciPENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 53-58 ISSN: 2303-1751 PENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA NOVA SARI BARUS 1, I PUTU EKA NILA KENCANA
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 terperinciDAFTAR ISI. Latar Belakang Masalah... I.1. Rumusan Masalah... I.2. Maksud dan Tujuan Penelitian... I.2. Batasan Masalah... I.2
vii DAFTAR ISI LEMBAR PENGESAHAN.......i ABSTRACT.....ii ABSTRAKSI...iii KATA PENGANTAR.....iv DAFTAR ISI...vii DAFTAR GAMBAR........x DAFTAR TABEL......xii DAFTAR RUMUS...xiii DAFTAR LAMPIRAN...xiv BAB
Lebih terperinciAnalisis Hibrid Korespondensi Untuk Pemetaan Persepsi. Hybrid Correspondence Analysis for Mapping Perception
Jurnal EKSPONENSIAL Volume, Nomor, Mei ISSN 85-89 Analisis Hibrid Korespondensi Untuk Pemetaan Persepsi Hybrid Correspondence Analysis for Mapping Perception Fitriani, Rito Goejantoro, dan Darnah Andi
Lebih terperinciFajar Ropi BINUS UNIVERSITTY, Jakarta, Indonesia, Abstrak. Seiring dengan berjalannya waktu persaingan dan kompetisi untuk meraih
Analisis Sikap DAN Faktor Pemilihan Perguruan Tinggi Swasta Jakarta Berbasis Komputer Menggunakan Model Fishbein dan Biplot (Studi kasus : SMA Kota Bogor) Fajar Ropi BINUS UNIVERSITTY, Jakarta, Indonesia,
Lebih terperinciPenggunaan Analisis Two Step Clustering untuk Data Campuran. Two Step Clustering Analysis for Combination Data
Penggunaan Analisis Two Step Clustering untuk Data Campuran Charles E. Mongi 1 1 PS Matematika FMIPA Universitas Sam Ratulangi Manado, charlesmongi@ymail.com Abstrak Penggerombolan adalah proses mengelompokkan
Lebih terperinciAnalisis Klaster Kecamatan di Kabupaten Semarang Berdasarkan Potensi Desa Menggunakan Metode Ward dan Single Linkage
Analisis Klaster Kecamatan di Kabupaten Semarang Berdasarkan Potensi Desa Menggunakan Metode Ward dan Single Linkage SKRIPSI Disusun oleh : Nama : Annisa Nur Fathia NIM : 24010212110050 DEPARTEMEN STATISTIKA
Lebih terperinci4. Bagaimana pengaruh perceived quality atas produk Pertamax di SPBU Pertamina Pasteur terhadap tingkat kepuasan konsumen? Berdasarkan hasil analisa r
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian yang telah dijelaskan dalam bab sebelumnya, maka dapat dijelaskan jawaban dari pertanyaan-pertanyaan penelitian yaitu sebagai berikut
Lebih terperinciCluster Analysis. Hery Tri Sutanto. Jurusan Matematika MIPA UNESA. Abstrak
S-17 Cluster Analysis Hery Tri Sutanto Jurusan Matematika MIPA UNESA Abstrak Dalam analisis cluster mempelajari hubungan interdependensi antara seluruh set variabel perlu diteliti. Tujuan utama analisis
Lebih terperinciBAB II KAJIAN TEORI. linier, varian dan simpangan baku, standarisasi data, koefisien korelasi, matriks
BAB II KAJIAN TEORI Pada bab II akan dibahas tentang materi-materi dasar yang digunakan untuk mendukung pembahasan pada bab selanjutnya, yaitu matriks, kombinasi linier, varian dan simpangan baku, standarisasi
Lebih terperinciPENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR
PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciPENERAPAN ANALISIS GEROMBOL DALAM PENGELOMPOKAN LENGKUAS MENURUT KANDUNGAN BIOAKTIF
Seminar Nasional Matematika 2014, Universitas Udayana ISSN: 2406-9868 PENERAPAN ANALISIS GEROMBOL DALAM PENGELOMPOKAN LENGKUAS MENURUT KANDUNGAN BIOAKTIF I Gusti Ayu Made Srinadi 1, I Made Agus Gelgel
Lebih terperinciClustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means
Clustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means Ginanjar Abdurrahman 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata
Lebih terperinciJURNAL MATEMATIKA DAN PEMBELAJARANNYA 2016 VOLUME 2, NO. 1. ISSN
VOLUME 2, NO. 1. ISSN 2303-0992 N. PONTO PENGKAJIAN PEMBENTUKAN MODEL KLASIFIKASI DALAM PENGELOMPOKKAN JURUSAN SISWA DI SMA (Studi Kasus: Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Propinsi
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperinci