BAB II LANDASAN TEORI
|
|
- Veronika Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI II.1 Sistem Pendukung Keputusan II.1.1 Definisi Sistem Pendukung Keputusan Berdasarkan Efraim Turban dkk, Sistem Pendukung Keputusan (SPK) / Decision Support System (DSS) adalah sebuah sistem yang dibangun untuk mendukung pengambil keputusan manajerial mengambil keputusan. SPK dibangun dengan tujuan untuk membantu para pengambil keputusan untuk mengembangkan kapabilitasnya tetapi tidak untuk mengganti proses pengambilan keputusannya. Definisi lain dari SPK adalah sekumpulan prosedur berbasis model yang digunakan untuk memproses data dan mengambil keputusan untuk membantu manager dalam pembuatan keputusan. II.1.2 Komponen Sistem Pendukung Keputusan Berdasarkan Efraim Turban dkk, sebuah aplikasi sistem pendukung keputusan dapat disusun dari sub sistem-sub sistem berikut : 1. Sub Sistem Manajemen Data (Data Management Subsystem) Sub sistem ini termasuk sebuah basis data yang berisi data yang relevan dan dikelola oleh perangkat lunak yang disebut sebagai Database Management System (DBMS). 2. Sub Sistem Manajemen Model (Model Management Subsystem) Sub sistem ini biasanya berupa paket perangkat lunak yang berisi modelmodel financial, statistik, manajemen ilmu pengetahuan, atau model kuantitatif lain yang menyediakan kemampuan analitik sistem dan manajemen perangkat lunak yang sesuai. 3. Sub Sistem Antarmuka Pengguna (User Interface Subsystem) Sistem ini digunakan sebagai alat komunikasi antara pengguna dengan SPK. Dengan sub sistem inilah para pengguna dapat mengendalikan semua proses pembuatan keputusan. 6
2 7 4. Sub Sistem Manajemen berbasis Pengetahuan (Knowledge-based Management Subsystem) Sub sistem ini merupakan sub sistem opsional yang berperan menyediakan kecerdasan untuk mendukung para pembuat keputusan. Sub sistem ini dapat berinterkoneksi dengan tempat penyimpanan ilmu pengetahuan organisasi (basis pengetahuan organisasi). Hubungan antar sub sistem-sub sistem tersebut dapat dilihat pada Gambar II.1 di bawah ini. Sistem berbasis Komputer Lain Jaringan Komputer Data External/Internal Manajemen Data Manajemen Model Model External Basis Pengetahuan Antarmuka Pengguna Basis Pengetahuan Organisasi User/Pengguna Gambar II.1 Hubungan antar sub sistem dalam SPK II.2 Data Mining Data Mining adalah sebuah istilah yang digunakan untuk menjelaskan penemuan pengetahuan (knowledge discovery) dalam basis data. Data mining adalah sebuah proses yang menggunakan teknik-teknik statistik, matematis, kecerdasan buatan dan machine-learning untuk mengambil dan mengidentifikasi informasi yang berguna dan pengetahuan dari sebuah basis data yang besar.
3 8 Data mining dapat menjadi suatu langkah yang dilakukan untuk pengambilan keputusan. Dalam sistem pengambilan keputusan, data mining dapat dikategorikan dalam sub sistem manajemen model. Hal tersebut dapat dilihat berdasarkan pada Gambar II.2. Gambar II.2. Proses Data Mining dalam Pengambilan Keputusan Data mining dapat mempercepat analisis dengan memfokuskan perhatian terhadap variable-variable yang paling penting. Dengan kemampuan sistem komputer yang semakin cepat, sekarang banyak organisasi-organisasi untuk memulai menerapkan aplikasi data mining. Setiap aplikasi data mining biasanya didukung dengan sekumpulan algoritma sebagai untuk mengambil relasi dalam data. Pendekatan pengambilan keputusan dibedakan berdasarkan kelas masalah yang akan dipecahkan. Adapun kelas-kelas masalah tersebut adalah Classification, Clustering, Association, Sequencing, Regression, Forecasting, Teknik lain(metode-metode kecerdasan buatan yang didalamnya termasuk reasoning, fuzzy logic, dan algoritma genetic). Aplikasi-aplikasi data mining telah banyak digunakan. Diantara contoh penggunaan data mining adalah pada bidang pemasaran, perbankan, retail dan penjualan, manufaktur dan produksi, perdagangan saham, asuransi, pemerintahan dan pertahanan, transportasi, kesehatan, penyiaran dan kepolisian.
4 9 II.3 Analisis Clustering II.3.1 Definisi Analisis Clustering Berdasarkan Joseph F. Hair dkk, analisis clustering adalah sekumpulan teknik pengolahan data multivariate yang mempunyai tujuan utama untuk mengelompokan obyek-obyek berdasarkan pada karakteristik yang dimilikinya. Analisis clustering mengklasifikasikan obyek-obyek (seperti responden, produk, atau entitas lain) sehingga setiap obyek yang mempunyai kemiripan satu dengan lainnya berada dalam satu cluster dengan memperhatikan kriteria pemilihan yang telah ditetapkan sebelumnya. Cluster obyek yang dihasilkan harus dapat memperlihatkan tingkat homogenitas internal yang tinggi dalam suatu cluster, dan tingkat heterogenitas yang tinggi antar cluster. Sehingga jika suatu klasifikasi berhasil, maka obyek-obyek yang ada dalam suatu cluster akan berdekatan dan obyek yang ada dalam cluster lain akan terpisah jauh. Variable 2 Variable 2 Variable 1 Variable 1 (a) Obyek belum dicluster (b) Obyek setelah dicluster Gambar II.3 Ilustrasi obyek sebelum dan sesudah dicluster Analisis clustering merupakan sebuah teknik pengolahan data multivariate yang bersifat unsupervised. Analisis clustering dapat diterapkan dalam banyak bidang, sebagai contoh adalah seperti di bawah ini. 1. Pemasaran/Marketing. Digunakan untuk mencari kelompok-kelompok customer dengan mempunyai sifat yang mirip.
5 10 2. Biologi. Digunakan untuk memembuat klasifikasi binatang atau tumbuhan berdasarkan fitur-fiturnya. 3. Perpustakaan. Digunakan untuk penentuan urutan penyimpanan/pengelompokkan buku 4. Asuransi. Digunakan untuk mengidentifikasi kelompok-kelompok pemegang polis asuransi yang mempunyai nilai klaim yang besar atau pun untuk mengidentifikasi penipuan. 5. Perencanaan kota. Digunakan untuk mengidentifikasi kelompok-kelompok rumah berdasarkan tipe rumah, nilai rumah, dan lokasi geografisnya. 6. Penelitian Gempa Bumi. Clustering digunakan untuk mengobservasi pusat gempa bumi untuk mengidentifikasi zona-zona yang berbahaya. 7. World Wide Web (WWW). Clustering digunakan untuk klasifikasi dokumen. II.3.2 Tujuan Analisis Clustering Tujuan utama analisis cluster adalah untuk mempartisi sekumpulan obyekobyek menjadi dua atau lebih kelompok berdasarkan kemiripan dari obyek tersebut terhadap karakteristik yang telah ditentukan. Berdasarkan Joseph F. Hair dkk, setelah suatu cluster ditemukan maka pengguna akan dapat mempunyai keuntungan-keuntungan diantaranya adalah: a. Pendeskripsian Taksonomi Analisis cluster dapat digunakan untuk maksud penelitian atau untuk pembentukan formasi taksonomi (klasifikasi obyek). Kemampuan analisis cluster dalam mempartisi telah banyak digunakan dalam banyak aplikasi misalnya dalam bidang biologi seperti pembuatan sebuah taksonomi biologi untuk klasifikasi berbagai kelompok binatang. Bidang pemasaran juga banyak menggunakan analisis cluster untuk tujuan misalnya membuat segmentasi pasar, memahami perilaku pembeli, mengenali peluang produk baru. b. Penyederhanaan Data Cluster-cluster yang didapat dengan proses clustering dapat dipandang sebagai bentuk sederhana dari keseluruhan obyek penelitian. Analisis cluster dapat digunakan untuk mengkompresi data. Sebagai contoh, jika penelitian yang
6 11 kita lakukan memiliki obyek penelitian yang banyak maka akan sangat sulit dan lama untuk memprosesnya jika penelitian dilakukan terhadap tiap obyek penelitian tersebut. Oleh karena itu maka solusi yang dapat diambil untuk mengatasi hal tersebut adalah dengan mengelompokkan obyek-obyek tersebut ke dalam cluster-cluster, sehingga penelitian dapat dilakukan terhadap cluster yang terbentuk. c. Pengidentifikasian Hubungan/Relationship Dengan cluster-cluster yang telah ditemukan dan berdasarkan struktur dari data yang direpresentasikan dalam cluster, para peneliti mendapatkan hubungan antar observasi yang mungkin tidak mungkin didapatkan dengan observasi tiap individu/obyek. II.3.3 Klasifikasi Teknik Clustering Berdasarkan teknik-teknik clustering yang umum digunakan, teknik-teknik clustering terdiri dari dua yaitu teknik clustering hierarki dan non-hierarki. Berdasarkan Prof. J. Suprapto, M.A, APU, klasifikasi teknik-teknik clustering adalah tampak pada Gambar II.4. Single Linkage Complete Linkage Teknik Clustering Hierarki Agglomerative Devisive Threshold Sekuensial Average Linkage Variance Linkage Centroid Linkage Non-Hierarki Threshold Parallel Optimizing Procedure Gambar II.4 Klasifikasi teknik-teknik clustering
7 12 II Teknik Clustering Hierarki Teknik clustering hierarki adalah suatu teknik clustering yang melibatkan pengkombinasian obyek terhadap cluster-cluster. Ada dua metode yang dapat dilakukan yaitu metode agglomerative dan metode divisive. Hasil dari metodemetode tersebut akan menghasilkan sebuah hierarki atau struktur pohon (dendrogram) yang menggambarkan cluster-cluster yang terbentuk. Kedua metode tersebut akan menghasilkan cluster sebanyak N-1 dimana N adalah banyaknya obyek-obyek yang diteliti. Hasil clustering dengan proses hierarki biasanya ditampilkan dalam bentuk dendrogram atau diagram scatter. Gambar II.5 di bawah ini adalah sebuah contoh proses clustering dan proses pembentukan diagram scatter dan dendrogramnya. Diagram Scatter Diagram Scatter Dendrogram Dendrogram (a) Sebelum diclusterkan (b) Cluster 1 & 2 digabung Diagram Scatter Diagram Scatter Dendrogram Dendrogram (c) Cluster 4 & 5 digabung (d) Cluster 1-2 & 3 digabung Diagram Scatter Dendrogram (e) Cluster & 4-5 digabung Gambar II.5 Contoh clustering dan pembentukan diagram scatter dan dendrogram
8 13 II Single linkage (keterhubungan tunggal) Metode single linkage adalah metode yang aturan kemiripan antar clusternya dilihat berdasarkan terhadap jarak sebuah obyek yang ada dalam sebuah cluster terhadap obyek lain dalam cluster lain yang mempunyai jarak paling dekat. Metode single linkage dapat juga disebut sebagai minimum distance clustering. Gambar II.6 Pengukuran jarak menggunakan single linkage II Complete linkage (keterhubungan lengkap) Metode complete linkage adalah metode yang aturan kemiripan antar cluster didasarkan kepada jarak maksimal antara sebuah obyek di suatu cluster dengan obyek lain di cluster lain yang mempunyai jarak paling jauh. Metode complete linkage juga disebut maximum distance clustering. Gambar II.7 Pengukuran jarak dengan complete linkage II Average linkage (keterhubungan rata-rata) Metode average linkage adalah metode yang aturan kemiripan antar cluster didasarkan kepada jarak rata-rata semua obyek di suatu cluster dengan semua obyek lain di cluster lain. Gambar II.8 Pengukuran jarak dengan average linkage
9 14 II Centroid linkage Metode centroid linkage adalah metode penentuan kemiripan 2 buah cluster yang ditentukan dengan mengukur jarak antar centroid cluster 2 buah cluster. Langkah yang dilakukan dalam metode ini adalah dengan menghitung titik pusat cluster berdasarkan obyek-obyek cluster tersebut. Centroid Gambar II.9 Pengukuran jarak dengan centroid linkage II Variance linkage Metode variance linkage yang umum digunakan adalah menggunakan prosedur Ward (Ward s Procedure). Pengukuran jarak ketetanggaan antar cluster dengan metode ini adalah demgan mencari nilai variance dari sebuah cluster dan dibandingkan dengan nilai variance dari cluster lain. II Teknik Clustering Non-Hierarki Teknik clustering non-hierarki adalah suatu teknik clustering yang melakukan proses clustering dengan cara menentukan terlebih dahulu banyaknya cluster yang diinginkan. Kemudian dari banyaknya cluster yang diinginkan tersebut, dibuatlah suatu cluster awal (cluster seed) yang dihasilkan dengan cara tertentu atau acak. Setiap obyek akan diukur jaraknya terhadap cluster-cluster awal tersebut. Teknik analisis cluster non-hierarki sering disebut pula dengan nama clustering K-mean. Metode yang banyak digunakan dalam analisis menggunakan
10 15 cara non-hierarki adalah Sequential Threshold Clustering, Parallel Threshold Clustering, Optimizing Procedure Clustering. Dalam clustering non-hierarki, data dibagi menjadi k group atau partisi yang setiap group tersebut merepresentasikan sebuah cluster. Hal inilah yang membedakan dengan teknik clustering hierarki, dimana dalam teknik clustering non-hierarki, banyak cluster yang diinginkan harus sudah diketahui sebelum proses clustering dilakukan. Adapun dasar dari proses teknik clustering nonhierarki adalah sebagai berikut : 1. Tentukan k titik pusat cluster (centroid) awal atau bibit., dimana k adalah banyaknya cluster yang diinginkan. 2. Tempatkan setiap obyek uji ke suatu cluster yang memiliki jarak terdekat dengan titik pusatnya. 3. Tempatkan ulang atau relokasi setiap obyek uji ke salah satu dari k cluster sesuai dengan aturan pemberhentian proses yang telah ditentukan. 4. Proses selesai jika tidak ada relokasi pada obyek uji atau jika relokasi telah memenuhi criteria yang telah ditentukan dalam aturan pemberhentian proses. Jika masih ada relokasi obyek uji atau belum sesuai criteria aturan pemberhentian proses, maka proses dilakukan dengan mengulang langkah dari langkah ke-2. Umumnya algoritma-algoritma clustering non-hierarki dibedakan berdasarkan cara pandang algoritma tersebut terhadap : 1. Metode yang digunakan untuk menentukan centroid awal cluster 2. Aturan yang digunakan untuk penempatan ulang obyek uji. Metode yang dapat digunakan untuk menentukan centroid awal cluster diantaranya adalah : 1. Memilih sebanyak k obyek uji yang memiliki variable data yang lengkap (nonmissing data) sebagai centroid awal cluster, atau 2. Memilih sebuah obyek uji yang memiliki data lengkap sebagai centroid cluster pertama, kemudian untuk menentukan centroid ke-2 dilakukan dengan cara mencari centroid yang sedemikian rupa sehingga mempunyai jarak yang
11 16 berjauhan dengan centroid cluster pertama, begitu juga dengan pemilihan centroid ke-3 dilakukan dengan cara memilih centroid yang berjauhan dengan centroid sebelumnya. Hal yang sama dilakukan untuk centroid cluter selanjutnya. 3. Secara acak memilih sebanyak k obyek uji yang memiliki data yang lengkap sebagai centroid cluster awal. 4. Memperbaiki centroid awal cluster menggunakan aturan tertentu sedemikian rupa sehingga jarak antar centroid akan mempunyai jarak yang saling berjauhan. 5. Menggunakan proses heuristic untuk mengidentifikasi pusat-pusat cluster sedemikian rupa sehingga mempunyai jarak yang berjauhan 6. Cluster awal ditentukan oleh peneliti Algoritma-algoritma non-hierarki juga dibedakan dengan cara algoritma tersebut memandang prosedur yang digunakan dalam menempatkan obyek uji ke suatu cluster. Beberapa algritma clustering jika dilihat dari aturan-aturan penempatan obyek uji terhadap cluster, dapat dibagi menjadi 3 algoritma yaitu : 1. Algoritma clustering dengan metode Sequential Threshold 2. Algoritma clustering dengan metode Parallel Threshold 3. Algoritma clustering dengan metode Optimizing Procedure II Clustering dengan metode Sequential Threshold Clustering Proses clustering dengan menggunakan metode sequential threshold clustering dimulai dengan memilih sebuah cluster seed dan kemudian menggabungkan setiap obyek yang ada dalam jarak yang telah ditentukan sebelumnya. Cluster tersebut akan disebut sebagai cluster pertama. Setelah cluster pertama terbentuk, maka cluster seed ke-dua digunakan dan kemudian obyekobyek yang mempunyai jarak terdekat akan digabungkan. Jika telah selesai, maka cluster berikutnya akan dibentuk dengan cara yang sama.
12 17 Metode ini disebut dengan sequential threshold clustering karena proses clustering dilakukan berurutan dari cluster pertama, kedua, ketiga dan berikutnya. Metode ini tidak memperbolehkan suatu obyek pindah ke cluster lain. II Clustering dengan metode Parallel Threshold Clustering Proses clustering dengan menggunakan metode parallel threshold clustering dimulai dengan memilih cluster seed-cluster seed yang akan dijadikan patokan pembuatan cluster. Setiap obyek akan diukur terhadap cluster seed tersebut. Sebuah obyek akan masuk ke suatu cluster jika mempunyai nilai jarak terhadap suatu cluster seed lebih dekat daripada cluster seed yang lain. Langkah ini mengakibatkan penentuan cluster tidak berurutan. Metode ini tidak memperbolehkan suatu obyek yang sudah menjadi anggota suatu cluster berpindah ke cluster lain. II Clustering dengan metode Optimizing Procedure Clustering Proses clustering dengan menggunakan metode ini mirip dengan sequential threshold atau parallel threshold clustering, perbedaannya adalah diperbolehkannya suatu obyek berpindah dari suatu cluster ke cluster lain. Ini terjadi ketika jarak ke suatu cluster ternyata lebih dekat daripada jarak obyek tersebut ke cluster yang sekarang. Proses optimalisasi dilakukan dengen menghitung ulang setiap obyek terhadap semua centroid cluster yang ada. Jika obyek tersebut mempunyai jarak yang lebih kecil terhadap suatu centroid cluster lain daripada centroid cluster sekarang, maka obyek tersebut direlokasi ke cluster terdekat tersebut. Optimalisasi cluster dapat dilakukan dengan langkah-langkah berikut : 1. Pilih sebuah obyek uji 2. Lakukan perbandingan jarak obyek uji dengan centroid cluster sekarang dengan jarak obyek uji dengan centroid cluster lain.
13 18 3. Jika jarak obyek uji ke centroid cluster lain lebih kecil daripada jarak obyek uji ke centroid sekarang, maka obyek uji direlokasi ke cluster terdekat. 4. Ulangi langkah 1 sampai 3 untuk semua obyek uji. 5. Ulangi langkah 1 sampai 4 jika masih terjadi relokasi. Langkah ini akan berhenti ketika tidak terjadi relokasi obyek uji ke cluster lain. II.3.4 Langkah-Langkah Proses Analisis Clustering Langkah-langkah yang dilakukan untuk proses analisis clustering dapat dilihat pada gambar II.10 di bawah ini. Merumuskan Masalah Memilih Metode Pengukuran Jarak/Similaritas Memilih Prosedur Clustering Menentukan Banyaknya Cluster Menginterpretasikan dan Memprofile Cluster Menguji Keandalan dan Validitas Cluster Gambar II.10 Langkah-langkah proses analisis clustering II Merumuskan Masalah Hal yang paling penting di dalam perumusan masalah analisis cluster adalah pemilihan variabel-variabel yang akan dipergunakan untuk pengclusteran (pembentukkan cluster). Memasukkan satu atau dua variabel yang tidak relevan dengan masalah clustering akan mengurangi kualitas hasil clustering.
14 19 Pada dasarnya variable-variabel yang akan dipilih harus menguraikan kemiripan (similaritas) antar obyek, yang memang benar-benar relevan dengan masalah yang dihadapi. Variabel harus dipilih berdasarkan penelitian sebelumnya, teori atau suatu pertimbangan berkenaan dengan hipotesis yang akan diuji. II Memilih Metode Pengukuran Jarak/Similaritas Karena tujuan clustering adalah untuk mengelompokkan obyek yang mirip ke dalam suatu cluster yang sama, maka beberapa ukuran diperlukan untuk menguji seberapa mirip atau berbeda obyek-obyek tersebut. Pendekatan yang paling biasa ialah mengukur kemiripan dinyatakan dalam jarak antar pasangan obyek. Obyek dengan jarak yang lebih pendek antar mereka akan lebih mirip satu sama lain dibandingkan dengan pasangan dengan jarak yang lebih panjang. Ada beberapa metode untuk mengukur jarak antar dua obyek. P2 P2 a b P1 c jarak p1, p2 = (p1 i p2 i ) 2 P1 n i=1 jarak p1, p2 = ( p1 i p2 i ) (a) Pengukuran Jarak Euclidean (b) Pengukuran Jarak Manhattan Gambar II.11 Perbandingan Pengukuran Jarak Euclidean dan Manhattan Ukuran kemiripan yang paling biasa dipakai adalah euclidean distance (jarak euclidean) atau nilai kuadratnya. Jarak euclidean adalah akar dari jumlah kuadrat perbedaan/deviasi di dalam nilai untuk setiap variabel. Gambar II.11 bagian (a) menggambarkan bagaimana jarak antara P1 dan P2 dihitung. Ada juga ukuran jarak lainnya yaitu jarak city-block atau jarak manhattan, yaitu jarak antara dua obyek merupakan jumlah perbedaan mutlak di dalam nilai untuk setiap variabel. Gambar II.11 bagian (b) menjelaskan perhitungan jarak menggunakan n i=1
15 20 perhitungan jarak manhattan. Ada berbagai cara untuk menghitung jarak antar dua titik dengan menggunakan teknik jarak Manhattan, bisa menggunakan jalur a, b atau c. II Memilih Prosedur Clustering Langkah selanjutnya dalam proses clustering adalah memilih prosedur clustering. Prosedur clustering yang bisa dipilih boleh menggunakan teknik hierarki atau teknik non-hierarki. Prosedur clustering yang dapat digunakan bisa dilihat di Gambar II.4. II Menentukan Banyaknya Cluster Isu utama dalam analisis cluster adalah menentukan berapa banyak cluster yang ingin dibentuk. Sebenarnya tidak ada aturan yang baku untuk menentukan berapa banyaknya cluster. Namun demikian ada beberapa petunjuk yang dapat digunakan yaitu : 1. Pertimbangan teoritis, konseptual, dan praktis mungkin bisa disarankan untuk menentukan berapa banyaknya cluster yang sebenarnya. 2. Di dalam clustering hierarki, jarak di mana cluster digabung bisa dipergunakan sebagai kriteria. 3. Di dalam clustering non-hierarki, rasio jumlah varian dalam cluster dengan jumlah varian antar cluster dapat diplotkan terhadap banyaknya cluster. 4. Besarnya relatif cluster seharusnya berguna/bermanfaat. II Menginterpretasi dan Memprofile Cluster Menginterpretasi dan memprofile cluster meliputi pengkajian mengenai centroid-centroid yaitu rata-rata nilai obyek yang terdapat dalam cluster pada setiap variabel. Nilai centroid memungkinkan kita untuk menguraikan setiap cluster dengan cara memberikan suatu nama atau label.
16 21 II Menguji Keandalan dan Validitas Cluster Beberapa pertimbangan perlu diberikan dalam analisis cluster, jangan sampai ada pemecahan clustering diterima tanpa beberapa penilaian atau pengujian tentang keandalan dan validitas clusternya. Ada beberapa prosedur yang dapat dilakukan untuk menguji tingkat validitas proses clustering, yaitu : 1. Lakukan analisis cluster pada data yang sama dengan menggunakan metode pengukuran jarak yang berbeda. 2. Menggunakan metode clustering yang berbeda dan bandingkan hasilnya. 3. Pecah atau bagi data secara acak menjadi dua bagian. Lakukan analisis cluster secara terpisah terhadap kedua bagian tersebut. Hilangkan beberapa variabel secara acak. Lakukan clustering yang didasarkan pada sisa variabel. Bandingkan hasilnya dengan hasil clustering yang didasarkan pada data asli yang masih utuh. 4. Di dalam clustering non-hierarki, pemecahan mungkin tergantung pada urutan obyek dalam seluruh data. Lakukan banyak proses clustering dengan menggunakan urutan obyek yang berbeda sampai pemecahan menjadi stabil.
BAB 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 terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Di tengah laju kemajuan teknologi telekomunikasi dan informatika, informasi yang cepat dan akurat semakin menjadi kebutuhan pokok para pengambil keputusan. Informasi
Lebih terperinciBAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data
BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data Data sudah menjadi bagian penting dalam pengambilan keputusan. Data telah banyak terkumpul baik itu data transaksi perbankan, data kependudukan,
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 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 terperinciKAJIAN ANALISIS CLUSTERING DAN PENERAPANNYA PADA SISTEM PENDUKUNG KEPUTUSAN
KAJIAN ANALISIS CLUSTERING DAN PENERAPANNYA PADA SISTEM PENDUKUNG KEPUTUSAN TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh : ANDRI HERYANDI
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
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 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 terperinciBAB II LANDASAN TEORI. yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk
BAB II LANDASAN TEORI 2.1 Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu.
Lebih terperinciBAB 2 LANDASAN TEORI. setelah membandingkan kinerja atau hasil yang dirasakannya dengan. diharapkan konsumen dengan apa yang dirasakan konsumen ketika
BAB 2 LANDASAN TEORI 2.1. Kepuasan Pelanggan Menurut Gerson (2004, p3), kepuasan pelanggan adalah persepsi pelanggan bahwa harapannya telah terpenuhi atau terlampaui. Sedangkan menurut Supranto (2001,
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 terperinciBAB II LANDASAN TEORI. Teori teori yang digunakan sebagai landasan dalam desain dan. implementasi dari sistem ini adalah sebagai berikut :
BAB II LANDASAN TEORI Teori teori yang digunakan sebagai landasan dalam desain dan implementasi dari sistem ini adalah sebagai berikut : 2.1. Sistem Informasi Manajemen Sistem Informasi Manajemen adalah
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 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 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 terperinci*Corresponding Author:
PERBANDINGAN KINERJA METODE COMPLETE LINKAGE DAN AVERAGE LINKAGE DALAM MENENTUKAN HASIL ANALISIS CLUSTER (Studi Kasus: Produksi Palawija Provinsi Kalimantan Timur 2014/2015) Silvia Ningsih 1, Sri Wahyuningsih
Lebih terperinciAnalisis Cluster dengan Average Linkage Method dan Ward s Method untuk Data Responden Nasabah Asuransi Jiwa Unit Link
Analisis Cluster dengan Average Linkage Method dan Ward s Method untuk Data Responden Nasabah Asuransi Jiwa Unit Link SKRIPSI Diajukan Kepada Fakultas Matematikan dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciBAB 3 ANALISA SISTEM
BAB 3 ANALISA SISTEM Pada perancangan suatu sistem diperlakukan analisa yang tepat, sehingga proses pembuatan sistem dapat berjalan dengan lancar dan sesuai seperti yang diinginkan. Setelah dilakukan analisis
Lebih terperinciBAB III METODE PENELITIAN. Alasan memilih Ciputra Taman Dayu Pandaan dikarenakan Ciputra Taman Dayu
BAB III METODE PENELITIAN 1.1 Lokasi Penelitian Lokasi penelitian ini di Ciputra Taman Dayu Property Pandaan Pasuruan yang terletak di Jl. Raya Surabaya Km. 48 Pandaan 67156 Pasuruan Jawa Timur. Alasan
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 terperinciPengenalan Pola. Klasterisasi Data
Pengenalan Pola Klasterisasi Data PTIIK - 2014 Course Contents 1 Konsep Dasar 2 Tahapan Proses Klasterisasi 3 Ukuran Kemiripan Data 4 Algoritma Klasterisasi Konsep Dasar Klusterisasi Data, atau Data Clustering
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 terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
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 terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING Arief Samuel Gunawan 1), Evasaria Magdalena
Lebih terperinciTipe Clustering. Partitional Clustering. Hirerarchical Clustering
Analisis Cluster Analisis Cluster Analisis cluster adalah pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN 3 SKS
SISTEM PENDUKUNG KEPUTUSAN 3 SKS Deskripsi Mata Kuliah Pengampu : Rahmat Robi Waliyansyah, M.Kom. Buku Pegangan : Dadan Umar Daihani, Komputerisasi Pengambilan Keputusan, Elex Media Komputindo, 2001. D.
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 terperinciProses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis. Bentuk yang paling umum digunakan adalah unsupervised learning
CLUSTERING DEFINISI Clustering : Proses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis Bentuk yang paling umum digunakan adalah unsupervised learning # Unsupervised learning
Lebih terperinciBAB I PENDAHULUAN. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
Lebih terperinciBAB 2 TINJAUAN PUSTAKA Klasifikasi Data Mahasiswa Menggunakan Metode K-Means Untuk Menunjang Pemilihan Strategi Pemasaran
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Beberapa penelitian terdahulu telah banyak yang menerapkan data mining, yang bertujuan dalam menyelesaikan beberapa permasalahan seputar dunia pendidikan. Khususnya
Lebih terperinciClustering. Virginia Postrel
8 Clustering Most of us cluster somewhere in the middle of most statistical distributions. But there are lots of bell curves, and pretty much everyone is on a tail of at least one of them. We may collect
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas mengenai landasan-landasan teori yang mendukung penelitian ini, yaitu analisis kelompok, metode pengelompokan hierarki (single linkage dan complete linkage),
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 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 terperinciOutline. Definisi SPK Tujuan SPK Fitur SPK Karakteristik dan Kemampuan SPK Komponen SPK
Tinjauan SPK Outline Definisi SPK Tujuan SPK Fitur SPK Karakteristik dan Kemampuan SPK Komponen SPK Definisi Menurut Keen dan Scoot Morton : Sistem Pendukung Keputusan merupakan penggabungan sumber sumber
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-521
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-521 Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan
Lebih terperincicommit to user 5 BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Text mining
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Text mining Text mining adalah proses menemukan hal baru, yang sebelumnya tidak diketahui, mengenai informasi yang berpotensi untuk diambil manfaatnya dari
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Analisis cluster merupakan salah satu alat yang penting dalam pengolahan data statistik untuk melakukan analisis data. Analisis cluster merupakan seperangkat metodologi
Lebih terperinciDecision Support System & Sub Sistem (Komponennya) Efraim Turban
Decision Support System & Sub Sistem (Komponennya) Efraim Turban Kompetensi DSS Mahasiswa mampu memahami perlunya DSS dan komponen penyusunnya. Pembahasan Secara umum pembahasan meliputi: karakteristik,
Lebih terperinciBAB I PENDAHULUAN. usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan
BAB I PENDAHULUAN 1.1 Latar Belakang PT. Bali Sinar Mentari adalah perusahaan yang bergerak pada bidang usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan domestik maupun mancanegara
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Pada penelitian yang dilakukan oleh (Chen, Sain, & Guo, 2012) berfokus untuk mengetahui pola penjualan, pelanggan mana yang paling berharga, pelanggan mana yang
Lebih terperinciBAB II TINJAUAN PUSTAKA. mengelompokkan anggota-anggota yang mirip atau mempunyai karakteristik yang
BAB II TINJAUAN PUSTAKA 2.1 Analisis Gerombol 2.1.1 Pengertian Analisis Gerombol Cluster atau gerombol dapat diartikan kelompok dengan demikian, pada dasarnya analisis gerombol akan menghasilkan sejumlah
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciData Mining. Clustering. Oleh : Suprayogi
Data Mining Clustering Oleh : Suprayogi Pendahuluan Saat ini terjadi fenomena yaitu berupa data yang melimpah, setiap hari banyak orang yang berurusan dengan data yang bersumber dari berbagai jenis observasi
Lebih terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
Lebih terperinciPENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING
PENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana
Lebih terperinciBAB II LANDASAN TEORI
6 BAB II LANDASAN TEORI 2 2.1 Tinjauan Pustaka Aplikasi sistem pendukung keputusan untuk menentukan penjurusan pada tingkat SMA sudah beberapa kali dilakukan dengan menggunakan metode yang bermacam-macam.
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciP6 Arsitektur SPK. A. Sidiq P. Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta
P6 Arsitektur SPK A. Sidiq P. Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta Arsitektur SPK 2 Arsitektur SPK Komponen-Komponen (arsitektur) DSS dibagi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB 2 TINJAUAN PUSTAKA DAN LANDASAN TEORI Pada bab ini akan membahas 2 hal yaitu tinjauan pustaka dan landasan teori yang digunakan dalam penelitian ini. 2.1. Tinjauan Pustaka Klasifikasi ABC jarang digunakan
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 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 terperincihttp://www.brigidaarie.com proses menganalisa data untuk mencari polapola tersembunyi dengan menggunakan metodologi otomatis Istilah lain : Machine Learning Knowledge Discovery in Database (KDD) Predictive
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 terperinciSistem Pendukung Keputusan / Decision Support System. Decision Support Systems & Weighted Product (WP)
Sistem Pendukung Keputusan / Decision Support System Decision Support Systems & Weighted Product (WP) Content 1. Definisi DSS 2. Karakteristik & Kemampuan DSS 3. Komponen DSS 4. Model Konseptual DSS 5.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
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 terperinciDECISION SUPPORT SYSTEMS
DECISION SUPPORT SYSTEMS Definisi Little,J.D.C (dalam Models and Managers:The Concept of a Decision Calculus,1970) : DSS sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembali Informasi KULIAH #9 Text Clustering (Ch.16 & 17) Clustering Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memiliki sifat sama.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terkait Pada penelitian ini, peneliti melakukan penelitian yang didasarkan pada penelitian terdahulu yang terkait dengan penelitian yang akan dilakukan peneliti.
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 terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih terperinciData Mining Clustering Oleh : Suprayogi
Data Mining Clustering Oleh : Suprayogi Pendahuluan Saat ini terjadi fenomena yaitu berupa data yang melimpah, setiap hari banyak orang yang berurusan dengan data yang bersumber dari berbagai jenis observasi
Lebih terperinciTAKARIR. : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas
TAKARIR Data Mining Clustering Cluster Iteratif Random Centroid : Penggalian data : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas : Berulang : Acak : Pusat area KDD (Knowledge
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciBAB III K-MEANS CLUSTERING. Analisis klaster merupakan salah satu teknik multivariat metode
BAB III K-MEANS CLUSTERING 3.1 Analisis Klaster Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis klaster tidak ada
Lebih terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
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 terperinciSistem Pendukung Keputusan Manajemen
Sistem Pendukung Keputusan Manajemen Entin Martiana, S.Kom, M.Kom Sistem Pendukung Keputusan proses pengambilan keputusan merupakan hal yang menjadi bagian penting di dalam suatu organisasi atau perusahaan.
Lebih terperinciRUANG LINGKUP SISTEM PENDUKUNG KEPUTUSAN
1 RUANG LINGKUP SISTEM PENDUKUNG KEPUTUSAN N. Tri Suswanto Saptadi 2 Bahan Kajian Karakteristik SPK Komponen-komponen SPK Kategori SPK Kapabilitas SPK 1 3 Ruang Lingkup 14 Standalone, terintegrasi dan
Lebih terperinciPengenalan Pola. Hierarchical Clustering
Pengenalan Pola Hierarchical Clustering PTIIK - 2014 Course Contents 1 Agglomerative Hierarchical Clustering (AHC) 2 Stui Kasus 3 Latihan an Diskusi 4 Progress Final Project Hierarchical Clustering Hierarchical
Lebih terperinciPENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA
Artikel Skripsi PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA SKRIPSI Diajukan Untuk Memenuhi Sebagian
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Mobilitas adalah hal yang tidak dapat dipisahkan dalam gaya hidup masyarakat sekarang ini. Serangkaian aktifitas menuntut seseorang untuk berada di suatu tempat bahkan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciDSS untuk Menganalisis ph Kesuburan Tanah Menggunakan Metode Single Linkage
61 DSS untuk Menganalisis ph Kesuburan Tanah Menggunakan Metode Single Linkage Abdi Pandu Kusuma, Rini Nur Hasanah, dan Harry Soekotjo Dachlan Abstrak - ph tanah merupakan ukuran jumlah ion hidrogen dalam
Lebih terperinciBAB III PEMBAHASAN. survei yang dilakukan BPS pada 31 Oktober Langkah selanjutnya yang
BAB III PEMBAHASAN Data yang digunakan dalam skripsi ini merupakan data sekunder yang diperoleh dari buku saku Ikhtisar Data Pendidikan Tahun 2016/2017. Data tersebut dapat dilihat pada Lampiran 1. Data
Lebih terperinciANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS)
ANALISIS MULTIVARIAT ANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS) Oleh : Rizka Fauzia 1311 100 126 Dosen Pengampu: Santi Wulan Purnami S.Si., M.Si. PROGRAM STUDI SARJANA JURUSAN
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN. Sistem Informasi Pariwisata
SISTEM PENDUKUNG KEPUTUSAN Sistem Informasi Pariwisata SISTEM PENDUKUNG KEPUTUSAN Proses pengambilan keputusan merupakan hal yang menjadi bagian penting di dalam suatu organisasi atau perusahaan. Pengambilan
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 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 terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu analisis peubah ganda, analisis gerombol (cluster analysis),
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa konsep yang menjadi dasar dalam penelitian ini, yaitu analisis peubah ganda, analisis gerombol (cluster analysis), metode penggerombolan hirarki
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Tinjauan Pustaka Hosseini dan Gholaiman (2010) dan Pradono dkk (2011) melakukan pengelompokkan konsumen dengan data yang bersifat metric dan menggunakan metode K-Means. Hosseini
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Berdasarkan Peraturan Pemerintah Nomor 37 tahun 2009, dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas teori tentang Sistem Pendukung Keputusan, Metode Simple Additive Weighting (SAW), Metode Profile Matching. 2.1 Sistem Pendukung Keputusan Dalam teori sistem
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 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 terperinciKOMBINASI ALGORITMA AGGLOMERATIVE CLUSTERING DAN K-MEANS UNTUK SEGMENTASI PENGUNJUNG WEBSITE
KOMBINASI ALGORITMA AGGLOMERATIVE CLUSTERING DAN K-MEANS UNTUK SEGMENTASI PENGUNJUNG WEBSITE Yudha Agung Wirawan, Dra.Indwiarti,M.Si, Yuliant Sibaroni,S.SI., M,T Program Studi Ilmu Komputasi Fakultas Informatika
Lebih terperinciPENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING
PENERAPAN DATA MINING PADA PENJUALAN HARDISK UNTUK OPTIMALISASI DISTRIBUSI MENGGUNAKAN METODE CLUSTERING Artikel Skripsi Universitas Nusantara PGRI Kediri PENERAPAN DATA MINING PADA PENJUALAN HARDISK
Lebih terperinciSubsistem manajemen data terdiri dari elemen-elemen berikut ini:
Nama : Fernanda Celsiliya NIM : 155030207111048 E. KOMPONEN UTAMA DECISION SUPPORT SYSTEM Menurut Carter et. al. (1992) Decision Support System (DSS) memiliki tiga komponen utama atau subsistem utama yang
Lebih terperinciSEGMENTASI CITRA. thresholding
SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos
Lebih terperinciKonsep Data Mining. Pendahuluan. Bertalya. Universitas Gunadarma 2009
Konsep Data Mining Pendahuluan Bertalya Universitas Gunadarma 2009 Latar Belakang Data yg dikumpulkan semakin bertambah banyak Data web, e-commerce Data pembelian di toko2 / supermarket Transaksi Bank/Kartu
Lebih terperinciSTUDI KOMPARATIF PENERAPAN METODE HIERARCHICAL, K-MEANS DAN SELF ORGANIZING MAPS (SOM) CLUSTERING PADA BASIS DATA. Abstract
STUDI KOMPARATIF PENERAPAN METODE HIERARCHICAL, K-MEANS DAN SELF ORGANIZING MAPS (SOM) CLUSTERING PADA BASIS DATA Undang Syaripudin 1, Ijang Badruzaman 2, Erwan Yani 3, Dede K 4, M. Ramdhani 5 1, 2 Teknik
Lebih terperinciP6 Arsitektur SPK. SQ
P6 Arsitektur SPK SQ http://sidiq.mercubuana-yogya.ac.id Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta Arsitektur Sistem Penunjang Keputusan 2 Arsitektur
Lebih terperinci