PENDAHULUAN TINJAUAN PUSTAKA
|
|
- Liani Tan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Latar Belakang PENDHULUN Listrik merupakan sumber daya yang sangat dibutuhkan saat ini. Penggunaan listrik setiap tahun, bahkan setiap bulan terus meningkat. Hal ini dibuktikan dengan selalu bertambahnya jumlah pelanggan PLN pada setiap bulannya. Peningkatan jumlah pelanggan dan penggunaan listrik, tentunya harus didukung oleh pihak PLN dengan meningkatkan pelayanannya. Pihak PLN dapat melakukan pengambilan keputusan yang lebih baik untuk meningkatkan pelayanannya dengan mengetahui segmentasi pelanggannya. PLN menyimpan data penggunaan listrik dari pelanggannya secara berkala. Data penggunaan listrik yang ada dapat dimanfaatkan untuk analisis segmentasi pelanggan. Segmentasi pelanggan, dapat dilakukan dengan teknik clustering. Setelah segmentasi dilakukan, pesebaran setiap segmen dapat divisualisasikan pada peta untuk mempermudah melihat persebaran setiap segmen dari aspek spasialnya. Pada penelitan sebelumnya, Daulay (2006) telah melakukan segmentasi pasar mie instant dengan menggunakan algoritme clustering Fuzzy C-Means. lgoritme Fuzzy C-Means dapat memberikan hasil segmentasi yang lebih alami dibandingkan Hard C-Means (K- Means) karena hasil clustering dipengaruhi oleh kecenderungan masing-masing data terhadap cluster-nya. Suatu data tidak hanya tepat milik satu cluster, tetapi juga dapat memiliki nilai derajat keanggotaan pada cluster lainnya. Ukuran rendah, sedang, tinggi, dan sangat tinggi bersifat alami, sehingga metode Fuzzy C-Means lebih cocok digunakan untuk melakukan segmentasi dibandingkan dengan menggunakan Hard C- Means. Perbedaan penelitian ini dengan penelitian yang dilakukan oleh Daulay (2006) adalah dari segi pemilihan jumlah cluster atau segmen yang dihasilkan. Penelitian Daulay (2006) ditujukan untuk mencari jumlah cluster yang tepat untuk digunakan dalam clustering (segmentasi), sedangkan pada penelitian ini jumlah cluster yang digunakan sudah ditentukan, yaitu sebanyak empat cluster, di mana keempat cluster tersebut akan menjadi empat kelas pengguna listrik, yaitu: kelas rendah, kelas sedang, kelas tinggi, dan kelas sangat tinggi. Tujuan Tujuan dari penelitian ini adalah: 1. Melakukan segmentasi penggunaan listrik dengan menerapkan metode clustering Fuzzy C-Means pada data pelanggan PLN UPJ Bogor Timur berdasarkan pelanggan dan daerah. 2. Mendapatkan karakteristik kelas penggunaan listrik setiap segmen yang terbentuk dari hasil clustering. 3. Menampilkan persebaran cluster yang terbentuk pada peta Ruang Lingkup Segmentasi pelanggan PLN yang dilakukan menggunakan data pelanggan PLN UPJ Bogor Timur pada bulan Desember tahun 2009 dengan algoritme clustering Fuzzy C- Means. Manfaat Penelitian Penerapan algoritme clustering Fuzzy C- Means pada data penggunaan listrik dapat memperlihatkan segmentasi dan karakteristik dari setiap segmen penggunaan listrik di daerah Bogor Timur berdasarkan pelanggan dan daerah. Penelitian ini diharapkan dapat membantu pihak PLN UPJ Bogor Timur dalam melakukan pengambilan keputusan yang lebih baik untuk meningkatkan pelayanan PLN UPJ Bogor Timur dengan mengevaluasi persebaran segmen penggunaan listrik. TINJUN PUSTK Knowledge Discovery in Databases (KDD) Knowledge discovery in databases (KDD) adalah keseluruhan proses untuk mengubah data mentah menjadi informasi yang berguna (Tan et al. 2006). KDD merupakan sebuah proses iteratif yang terurut, dan data mining merupakan salah satu langkah dalam KDD (Han & Kamber 2006). Tahapan proses KDD menurut Han & Kamber (2006), yaitu: 1. Pembersihan data Pembersihan terhadap data dilakukan untuk menghilangkan data yang tidak konsisten dan data yang mengandung noise. 2. Integrasi data Proses integrasi data dilakukan untuk menggabungkan data dari berbagai sumber. 1
2 3. Seleksi data Proses seleksi data mengambil data yang relevan digunakan untuk proses analisis. 4. Transformasi data Proses menransformasikan atau menggabungkan data ke dalam bentuk yang sesuai dengan teknik data mining yang akan digunakan. 5. Data mining Data mining merupakan proses yang penting dimana metode-metode cerdas diaplikasikan untuk mengekstrak pola-pola dalam data. 6. Evaluasi pola Evaluasi pola diperlukan untuk mengidentifikasi beberapa pola yang menarik yang merepresentasikan pengetahuan. 7. Representasi pengetahuan Penggunaan visualisasi dan teknik representasi untuk menunjukkan hasil penggalian pengetahuan dari data kepada pengguna. Normalisasi z-score Normalisasi merupakan bagian dari transformasi data, yaitu atribut diskalakan ke dalam rentang nilai tertentu yang lebih kecil seperti -1,0 1,0 atau 0,0 1,0. Salah satu teknik normalisasi yang dapat digunakan adalah z-score. Normalisasi z-score (zero-mean normalization) merupakan normalisasi berdasarkan nilai rata-rata dan standar deviasi dari suatu atribut (Han & Kamber 2006). Misalkan nilai v merupakan elemen dari, Ᾱ adalah rata-rata, dan adalah nilai standar deviasi dari atribut, maka nilai v akan ditransformasikan menjadi v dengan fungsi... (1) Normalisasi z-score berguna ketika nilai aktual dari maksimum dan minimum suatu atribut tidak diketahui atau ketika outlier mendominasi pada normalisasi min-max. Data Mining Data mining merupakan proses ekstraksi informasi data berukuran besar (Han & Kamber 2006). Teknik data mining digunakan untuk memeriksa database berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna, sehingga bisa didapatkan informasi berguna yang mungkin sebelumnya belum diketahui. Tugas data mining dari sudut pandang analisis data dapat diklasifikasi menjadi dua kategori, yaitu descriptive data mining dan predictive data mining. Descriptive data mining menjelaskan sekumpulan data dalam cara yang lebih ringkas. Ringkasan tersebut menjelaskan sifat-sifat yang menarik dari data. Predictive data mining menganalisis data dengan tujuan mengonstruksi satu atau sekumpulan model dan melakukan prediksi perilaku dari kumpulan data baru. Beberapa tugas dari data mining adalah: nalisis asosiasi Klasifikasi dan prediksi nalisis cluster nalisis outlier nalisis trend dan evolusi Clustering nalisis cluster atau yang biasa disebut clustering berbeda dengan classification dimana tidak terdapat variabel target untuk clustering. lgoritme clustering membagibagi dari keseluruhan himpunan data menjadi subkelompok atau cluster yang relatif homogen, dimana kesamaan record-record di dalam cluster diperbesar, dan kesamaan record-record di luar cluster diperkecil. Clustering seringkali diterapkan dalam langkah persiapan pada proses data mining dengan menghasilkan cluster-cluster yang digunakan sebagai input untuk berbagai teknik, seperti jaringan syaraf tiruan. Struktur data yang digunakan dalam clustering adalah data matriks sedangkan tipe data yang digunakan adalah (Han & Kamber 2006): Interval-scaled variable merupakan ukuran kontinu pada penskalaan linear. Contoh variabel yang termasuk pada tipe data ini yaitu tinggi, berat, temperatur cuaca, dan koordinat bujur-lintang. tribut biner hanya mempunyai dua nilai yaitu 0 dan 1. tribut nominal memiliki lebih dari dua nilai, misalkan merah, biru, kuning, hijau. tribut ordinal dapat berupa data diskret atau data kontinu. Tipe data ini dapat diperlakukan seperti tipe data intervalscaled variable yang sangat mempertimbangkan urutan. tribut rasio menggunakan skala eksponensial, misalkan e Bt atau e -Bt. Kesamaan dan ketidaksamaan antara dua objek diukur menggunakan pengukuran jarak. 2
3 Beberapa pengukuran jarak yang populer digunakan antara lain: Jarak Euclidean: Jarak Manhattan Jarak Minkowski... (2)... (3)... (4) Jarak Euclidean biasa digunakan untuk mengevaluasi kedekatan objek dalam ruang dua atau tiga dimensi. (bonyi & Feil 2007). Jarak Minkowski, merupakan generalisasi dari jarak Euclidean dan jarak Manhattan, dimana p merupakan nilai integer positif. Jarak Minkowski akan merepresentasikan jarak Manhattan jika p = 1, dan akan merepresentasikan jarak Euclidean jika p = 2 (Han & Kamber 2006). Menurut Han & Kamber (2006), beberapa pendekatan yang sering digunakan dalam clustering, yaitu: 1. Partitional method, yaitu membangun sebuah partisi dari sebuah database D dengan n objek ke dalam himpunan k cluster. Kemudian diberikan sebuah k, temukan partisi dari k cluster yang mengoptimisasi pilihan kriteria partisi, yaitu: Global optimal: menyelesaikan dengan menjumlahkan semua partisi. Heuristic methods: K-means: tiap cluster diwakilkan oleh titik tengah cluster. K-medoids atau PM (Partition around medoids): tiap cluster diwakilkan oleh satu objek di dalam cluster. Fuzzy C-Means (FCM): sebagian data menjadi anggota dari dua atau lebih cluster. 2. Hierarchical method, yaitu membuat sebuah dekomposisi berhirarki dari himpunan data (atau objek) menggunakan beberapa kriteria. Metode ini memiliki dua jenis pendekatan yaitu: gglomerative, dimulai dengan titiktitik sebagai cluster individu. Pada setiap tahap dilakukan penggabungan setiap pasangan titik pada cluster sampai hanya satu titik (atau cluster) yang tertinggal. Divisive, dimulai dengan satu cluster besar yang berisi semua titik data (all inclusive cluster). Pada setiap langkah, dilakukan pemecahan sebuah cluster sampai setiap cluster berisi sebuah titik (atau terdapat k cluster). 3. Density-based, merupakan pendekatan yang berdasarkan konektivitas dan fungsi kepadatan. 4. Grid-based, merupakan pendekatan yang berdasarkan pada struktur multiple-level granularity. 5. Model-based, sebuah model yang dihipotesis untuk tiap cluster dan ide dasarnya adalah untuk menemukan model yang pantas untuk tiap cluster. Kualitas hasil clustering bergantung pada metode ukuran kesamaan yang digunakan dan implementasinya. Selain itu, kualitas dari metode clustering yang digunakan juga diukur dari kemampuannya untuk menemukan beberapa atau semua pola yang tersembunyi. Himpunan Fuzzy Teori himpunan fuzzy dan logika fuzzy adalah suatu cara yang dapat digunakan untuk mengatasi ketidaktepatan dan ketidakpastian. Secara singkat, teori himpunan fuzzy memungkinkan suatu objek adalah milik suatu himpunan dengan nilai derajat keanggotaan di antara 0 dan 1, sedangkan logika fuzzy memungkinkan pernyataan untuk membenarkan dengan tingkat kepastian antara 0 dan 1. Teori ini diperkenalkan oleh Lotfi Zadeh pada tahun 1965 (Tan et al. 2006). Nilai derajat keanggotaan menunjukkan bahwa suatu objek tidak hanya memiliki kondisi benar (bernilai 1) atau salah (bernilai 0), tetapi juga ada kondisi yang terletak di antara keduanya. Kondisi tersebut direpresentasikan dengan nilai derajat keanggotaan yang berada pada selang nilai 0 dan 1. Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Fungsi keanggotaan dari himpunan fuzzy dapat dinotasikan dengan: X [0,1]. Gambar 1 merupakan contoh kurva fungsi keanggotaan. Pada gambar tersebut, titik yang ditunjukkan 3
4 oleh huruf X memiliki derajat keanggotaan sebesar 0,5. Gambar 1 Kurva fungsi keanggotaan Fungsi Keanggotaan pada Fuzzy Cluster Pada pendekatan fuzzy clustering, setiap data diberikan sebagian derajat keanggotaan dari beberapa cluster yang terdekat. Setiap data akan memiliki derajat keanggotaan yang diasosiasikan untuk setiap pusat cluster pada selang nilai 0 sampai 1, yang menunjukkan kekuatan penempatannya dalam cluster. pembicaraan U dengan fungsi keangotaan μ dan μ B, maka operasi-operasi dasar himpunan fuzzy berikut dapat didefinisikan: a. Union (Penggabungan) Gabungan dua himpunan samar dan B adalah himpunan samar C. C = B atau C = TU B Dengan derajat keanggotaan C adalah: μ (x) = max (μ (x), μ (x)) c B b. Intersection (Irisan) = (μ (x) μ B (x)) Irisan dua himpunan samar dan B adalah himpunan samar C. C = B atau C = DN B Dengan derajat keanggotaan C adalah: μ (x) = min (μ (x), μ (x)) c B = (μ (x) μ B (x)) c. Complement (Ingkaran) Komplemen himpunan samar diberi tanda Ā (NOT ) dan didefinisikan sebagai berikut: μ Ā (x) = 1 - μ (x) Gambar 2 Fungsi keanggotaan pada fuzzy cluster (Cox 2005) Sebagai gambaran, fungsi keanggotan pada fuzzy cluster dapat dibayangkan diameter ruang cluster sebagai dasar dari suatu himpunan fuzzy berbentuk lonceng. Kurva keanggotaan mendefinisikan sejauh mana sebuah titik berada pada cluster. Ilustrasi dari fungsi keanggotaan pada fuzzy cluster dapat dilihat pada Gambar 2 (Cox 2005). Pada gambar tersebut pusat cluster ditunjukkan oleh titik dengan huruf C yang memiliki nilai derajat keanggotaan 1, sedangkan titik dengan huruf merupakan anggota dari cluster dengan pusat cluster C memiliki derajat keanggotaan sebesar 0,5 pada cluster tersebut. Operasi Himpunan Fuzzy Misalkan himpunan dan B adalah dua nilai dari himpunan fuzzy pada semesta Fuzzy C-Means (FCM) Fuzzy C-Means merupakan salah satu teknik clustering yang menggunakan model pengelompokan fuzzy, sehingga data dapat menjadi semua anggota kelas atau cluster yang terbentuk dengan derajat atau tingkat keanggotaan yang berbeda pada selang nilai 0 sampai 1. Keberadaan suatu data pada cluster ditentukan oleh derajat keanggotaannya. Teknik FCM ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun Perbedaan derajat keanggotaan antara Hard C-Means (atau yang lebih dikenal sebagai K-Means) dibandingkan dengan Fuzzy C-Means dapat dilihat pada Gambar 3 dan Gambar 4. Kedua gambar tersebut merupakan kurva derajat keanggotaan untuk cluster. Pada Gambar 3 terlihat titik-titik yang berada pada cluster memiliki nilai derajat keanggotaan bernilai 1, selainnya nilai derajat keanggotannya bernilai 0, sedangkan pada Gambar 4, titik yang ditandai dengan huruf X merupakan titik milik cluster B, tetapi memiliki derajat keanggotaan pada cluster sebesar 0,25. Perbandingan matriks derajat keanggotaan dari Hard C-Means (HCM) dan Fuzzy C-Means (FCM) dapat dilihat pada 4
5 Tabel 1 (Diasumsikan jumlah cluster yang terbentuk sebanyak dua). objektif yang digunakan pada algoritme FCM adalah sebagai berikut (Ross 2005):... (5) dengan:... (6) Gambar 3 Derajat keanggotaan pada Hard C- Means (K-Means)... (7)... (8) Gambar 4 Derajat Keanggotaan pada Fuzzy C-Means Tabel 1 Perbedaan matriks derajat keanggotaan HCM dengan FCM Matriks derajat keanggotaan pada HCM Matriks derajat keanggotaan pada FCM dimana: w adalah pembobot (parameter fuzzy), dengan w, c adalah jumlah cluster, dengan c 2 dan c < n, n adalah banyaknya data, ik adalah fungsi untuk nilai derajat keanggotaan data ke-k ke cluster ke-i (matriks partisi), d ik adalah fungsi ukuran jarak untuk jarak Euclidean antara pusat cluster ke-i dengan data ke-k, d jk adalah fungsi ukuran jarak untuk jarak Euclidean antara pusat cluster ke-j dengan data ke-k, v ij adalah pusat cluster dari variabel ke-i, dan cluster ke-j, X adalah data yang di-cluster: Konsep dasar dari FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata setiap cluster. Setiap data memiliki derajat keanggotaan untuk setiap cluster. Pada kondisi awal, pusat cluster masih belum akurat. Pusat cluster akan menuju ke lokasi yang tepat dengan cara memperbaiki pusat cluster dan derajat keanggotaan untuk setiap cluster secara berulang. Perulangan yang dilakukan didasarkan pada fungsi objektif (Gulley & Jang 2000). lgoritme FCM lgoritme FCM bertujuan untuk mencari partisi cluster fuzzy yang optimal dengan meminimalkan nilai fungsi objektif. Fungsi U adalah matriks partisi (matriks derajat keanggotaan cluster): V adalah matriks pusat cluster: Nilai J w terkecil adalah yang terbaik, sehingga: 5
6 lgoritme FCM secara lengkap diberikan sebagai berikut (Ross 2005): 1. Menentukan: a. Matriks X berukuran n m, dengan n = jumlah data yang akan di-cluster dan m = jumlah variabel (kriteria). b. Jumlah cluster yang akan dibentuk (n > c 2). c. pembobot (w > 1) d. Maksimum iterasi (i) e. Kriteria penghentian/treshold (ɛ = nilai positif yang sangat kecil). 2. Membentuk matriks partisi awal U (derajat keanggotaan dalam cluster) dengan ukuran n c; matriks partisi biasanya dibuat acak. 3. Menghitung pusat cluster V untuk setiap cluster dengan menggunakan persamaan nomor Memperbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi) menggunakan persamaan nomor Menghentikan iterasi jika pusat cluster V tidak berubah. lternatif kriteria penghentian adalah jika perubahan nilai error (selisih nilai fungsi objektif) < nilai treshold atau jika nilai absolut perubahan matriks U di bawah nilai treshold (Höppner et al. 1999). Nilai perubahan matriks partisi pada iterasi sekarang dengan iterasi sebelumnya menggunakan fungsi nomor (9) pabila Δ ε maka iterasi dihentikan. Pencarian nilai Δ dilakukan dengan mengambil elemen terbesar dari nilai mutlak antara ik (t) dengan ik (t-1). Jika tidak memenuhi kriteria penghentian, kembali ke langkah nomor 3. lgoritme FCM diterapkan pada data contoh yang terdapat pada Tabel 2. Tabel 2 Data contoh X Y Nilai awal yang ditentukan untuk clustering FCM pada data contoh adalah sebagai berikut: 1. Matriks partisi awal (U 0 ): U = 2. Jumlah cluster yang akan dibentuk c = 3 3. Pangkat pembobot w = 2 4. Maksimum iterasi i = Kriteria penghentian ɛ = 10-5 Melalui proses FCM, clustering optimal terbentuk pada iterasi ke-22, dengan hasil: i = 22 (iterasi terakhir) Matriks pusat vektor (V): V = Matriks U ter-update (U 22 ): U = Fungsi objektif selama 22 iterasi dapat dilihat pada Tabel 3. Tabel 3 Fungsi objektif dalam 22 iterasi pada data contoh Iterasi ke- Fungsi Objektif 1 495, , , , , , , , , ,
7 Iterasi ke- Fungsi Objektif , , , , , , , , , , , , Hasil clustering dengan FCM untuk data contoh dapat dilihat pada Gambar 5. Cluster 1 ditunjukkan oleh warna cyan, cluster 2 ditunjukkan oleh warna magenta, dan cluster 3 ditunjukkan oleh warna biru. Pusat cluster ditunjukkan oleh titik berbentuk kotak dengan warna yang sejenis dengan cluster-nya. Gambar 5 Plot 2 dimensi pada program FCM untuk data contoh METODE PENELITIN Langkah-langkah yang dilakukan pada penelitian ini adalah sebagai berikut: Studi Pustaka Pada tahap ini dilakukan pengumpulan informasi dan bahan pustaka yang berkaitan dengan data mining dan logika fuzzy khususnya Fuzzy C-Means. Proses Knowledge Discovery in Databases Pada penelitian ini, proses Knowledge Discovery in Databases (KDD) dilakukan sesuai dengan tahap KDD menurut Han & Kamber (2006). Tahap-tahap KDD yang dilakukan pada penelitian ini adalah: 1. Pembersihan data Pembersihan data dilakukan dengan cara menghapus data yang tidak valid seperti data yang kurang lengkap nilai atributnya. Selain dari data yang kurang nilai atributnya, pembersihan data juga dilakukan dengan tidak mengikutsertakan data yang memiliki atribut daerah yang tidak terdapat pada peta. Daerah-daerah yang dianggap tidak valid karena tidak terdapat pada peta adalah: Babakan Fakultas, Bojong Enyod, Ceger, Desa Tengah, Graha Indah, Kalibata, Karang sem, Komplek LPTI, Panggugah, Pulo rmin, dan Sampora. 2. Integrasi data Proses integrasi data yang dilakukan adalah dengan menambahkan titik koordinat dummy (X dan Y) untuk setiap data, karena data sumber yang didapatkan tidak memiliki titik koordinat. Integrasi titik koordinat pada data diperlukan untuk visualisasi persebaran cluster penggunaan listrik pada peta. Titik koordinat yang diberikan bersifat random pada satu daerah. Sebagai contoh, dalam satu daerah terdapat 100 data yang memiliki atribut lingkungan Babakan, maka disebar sebanyak 100 titik koordinat pada daerah Babakan. Kemudian 100 titik koordinat tersebut diintegrasikan pada 100 data yang memiliki atribut daerah Babakan. 3. Seleksi data Tahap seleksi data pada penelitian ini terdapat dua tahap seleksi, yaitu seleksi berdasarkan daerah dan seleksi berdasarkan jam penggunaan listrik. Sebelum melakukan seleksi berdasarkan daerah, dilakukan pengelompokan daerah terlebih dahulu. Proses pengelompokan daerah dilakukan dengan menggabungkan beberapa daerah ke dalam satu kelurahan. Sebagai contoh, data yang memiliki atribut daerah Kedung Halang, Nanggrak Indah, Nanggrak Mekar, dan Pasir Jambu dijadikan satu daerah, yaitu daerah kelurahan Kedung Halang. Tahap seleksi data pertama adalah seleksi berdasarkan daerah. Pada tahap ini, data yang dipilih adalah data pelanggan PLN UPJ Bogor Timur yang dikategorikan sebagai daerah PLN UPJ Bogor Timur. Hal ini dilakukan karena PLN UPJ Bogor Timur tidak hanya melayani pelanggan di daerah Bogor Timur saja, melainkan juga 7
SEGMENTASI PELANGGAN PLN UPJ BOGOR TIMUR DAERAH BOGOR MENGGUNAKAN FUZZY C-MEANS KAMAL AFIAT
SEGMENTASI PELANGGAN PLN UPJ BOGOR TIMUR DAERAH BOGOR MENGGUNAKAN FUZZY C-MEANS KAMAL AFIAT DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT
Lebih terperinciImplementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
Implementasi Sistem Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkahlangkah melakukan clustering dengan FCM,
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 State of the Art Penelitian mengenai segmentasi pasar pada sebuah perusahaan telah banyak digunakan dengan tujuan untuk mengetahui strategi pasar yang baik dan dapat menguntungkan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Sponge atau poriferans berasal dari bahasa Latin yaitu porus yang artinya pori dan ferre yang artinya memiliki. Sponge adalah hewan berpori, pada umumnya terdapat di lautan,
Lebih terperinciPE DAHULUA. Latar Belakang
Latar Belakang PE DAHULUA Pemilihan Kepala Daerah dan Wakil Kepala Daerah, atau seringkali disebut Pilkada, adalah pemilihan umum untuk memilih Kepala Daerah dan Wakil Kepala Daerah secara langsung di
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 terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
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 terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Knowledge Discovery in Database (KDD) dan Data Mining Banyak orang menggunakan istilah data mining dan knowledge discovery in databases (KDD) secara bergantian untuk menjelaskan
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
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 terperinci2. Tinjauan Pustaka. Gambar 2-1 : Knowledge discovery in database
2. Tinjauan Pustaka 2.1 Data Mining Data mining merupakan ilmu yang mempelajari tentang proses ekstraksi informasi yang tersembunyi dari sekumpulan data yang berukuran sangat besar dengan menggunakan algoritma
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperincipenyebarannya. Diharapkan dari penelitian ini dapat terbentuk sebuah basis pengetahuan spasial yang bermanfaat. PENDAHULUAN
1 PENDAHULUAN Latar Belakang Kemiskinan merupakan suatu hal yang memiliki batasan yang luas, tetapi bagaimanapun juga batasan mengenai kemiskinan harus tetap diukur untuk kebijakan pemerintah. Menurut
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
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 III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Penelusuran Minat dan Kemampuan (PMDK) diselenggarakan oleh suatu perguruan tinggi secara mandiri.
BAB II LANDASAN TEORI 2.1 Penelusuran Minat dan Kemampuan (PMDK) PMDK adalah salah satu program penerimaan mahasiswa baru yang diselenggarakan oleh suatu perguruan tinggi secara mandiri. Sesuai dengan
Lebih terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
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 terperinciPEMBENTUKAN SISTEM INFERENSI FUZZY MAMDANI DENGAN FUZZY C-MEANS UNTUK DATA MAHASISWA BARU IPB TAHUN Oleh: INU WISNUJATI G
PEMBENTUKAN SISTEM INFERENSI FUZZY MAMDANI DENGAN FUZZY C-MEANS UNTUK DATA MAHASISWA BARU IPB TAHUN 2000-2004 Oleh: INU WISNUJATI G64101033 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 HIMPUNAN CRIPS Himpunan adalah suatu kumpulan objek-objek yang mempunyai kesamaan sifat tertentu. Suatu himpunan harus terdefinisi secara tegas, artinya untuk setiap objek selalu
Lebih terperincidengan Algoritma K Means
K Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
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 terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
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 terperinciPENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS. Abstrak
1 PENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS Nila Yuliani 1) Mardhiah Fadli 2) Warnia Nengsih 3) Program Studi Sistem Informasi Politeknik Caltex
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciIMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU
PROYEK TUGAS AKHIR IMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU (Studi Kasus : SMK Pembangunan Nasional Purwodadi) Disusun oleh: Novian Hari Pratama 10411 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciKonsep Data Mining DATA MINING & KNOWLEDGE DISCOVERY IN DATABASES. Bertalya Universitas Gunadarma 2009
Konsep Data Mining DATA MINING & KNOWLEDGE DISCOVERY IN DATABASES Bertalya Universitas Gunadarma 2009 Data Mining (DM) DM merupakan suatu proses penjelajahan otomatis untuk mendapatkan informasi berguna
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 terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciBAB II KAJIAN TEORI. masalah fuzzy linear programming untuk optimasi hasil produksi pada bab
BAB II KAJIAN TEORI Berikut diberikan landasan teori mengenai program linear, konsep himpunan fuzzy, program linear fuzzy dan metode Mehar untuk membahas penyelesaian masalah fuzzy linear programming untuk
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan analisa datadan algoritma Fuzzy C-Means untuk mangetahui pola perilaku konsumen. 2.1. Pola
Lebih terperinciK-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia
K-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia Okta Riveranda 1), Warnia Nengsih, S.Kom., M.Kom. 2) 1) Program Studi Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: okta12si@mahasiswa.pcr.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab II ini menjelaskan tentang teori-teori pendukung yang digunakan untuk pembahasan selanjutnya yaitu sistem persamaan linear sistem persamaan linear kompleks dekomposisi Doolittle
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 terperinciIMPLEMENTASI FUZZY C-MEANS DALAM MENGANALISA KEMISKINAN DESA
IMPLEMENTASI FUZZY C-MEANS DALAM MENGANALISA KEMISKINAN DESA Harliana Teknik Informatika STIKOM POLTEK Cirebon Jl Brigjend Darsono Bypass No3 3, Cirebon 45153 Email : harliana.merdiharto@gmail.com Abstrak
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 terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Customer Relationship Management (CRM) CRM adalah perpaduan antara teori, metode, teknik, kompetensi dan software enterprise untuk mengembangkan jangka panjang perusahaan dengan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Metode Peramalan Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciBAB 3 ANALISIS DAN PENGEMBANGAN ALGORITMA. ketidakpastian. Citra tersebut terkadang belum tentu dapat diketahui objeknya,
BAB 3 ANALISIS DAN PENGEMBANGAN ALGORITMA 3.1 Analisis Permasalahan Pengolahan citra merupakan sebuah proses yang memiliki banyak faktor ketidakpastian. Citra tersebut terkadang belum tentu dapat diketahui
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciDATA PREPROCESSING. Budi Susanto (versi 1.2)
DATA PREPROCESSING Budi Susanto (versi 1.2) Kenali Data Anda Atribut Data Memahami tipe atribut Membantu membetulkan data saat integrasi data Deskripsi Statistik Data Memudahkan untuk mengisi nilai yang
Lebih terperinciMetode Fuzzy. Analisis Keputusan TIP FTP UB
Metode Fuzzy Analisis Keputusan TIP FTP UB Pokok Bahasan Pendahuluan Logika Klasik dan Proposisi Himpunan Fuzzy Logika Fuzzy Operasi Fuzzy Contoh Pendahuluan Penggunaan istilah samar yang bersifat kualitatif
Lebih terperinciKOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK. Iqbal Kharisudin. Jurusan Matematika FMIPA Universitas Negeri Semarang
KOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK S-33 Iqbal Kharisudin Jurusan Matematika FMIPA Universitas Negeri Semarang Email: iqbal_kh@staff.unnes.ac.id Abstrak: Dalam analisis
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciHASIL DA PEMBAHASA. Pengadaan Data
1 Memilih atribut yang akan diklasifikasikan ke dalam k kelas, misal atribut yang dipilih adalah atribut x. 2 Sekumpulan k-1 nilai dibangkitkan secara acak dalam selang [min{x}, max{x}]. Selang ini digunakan
Lebih terperinciFUZZY MULTI-CRITERIA DECISION MAKING
Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penambangan Data (Data Mining) Penambangan data (Data Mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciSTUDI TENTANG PERSAMAAN FUZZY
STUDI TENTANG PERSAMAAN FUZZY Elva Ravita Sari Evawati Alisah Jurusan Matematika Fakultas Sains Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang e-mail: mbemvie@gmail.com ABSTRAK Bilangan
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 terperincidan kesatuan nyata yang dapat digunakan dalam pengambilan keputusan. [JOG99]
BAB II LANDASAN TEORI 2.1 Sistem Pendekatan sistem yang kbih menekankan pada elemen atatu komponennya mendefinisikan suatu sistem sebagai berikut: [JOG99] Sistem adalah kumpulan dan elemen-elemen yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciBAB II TINJAUAN PUSTAKA. 2.1 Ekonomi dan Produk Domestik Regional Bruto. Istilah ekonomi berasal dari bahasa Yunani, terdiri atas kata oikos dan
BAB II TINJAUAN PUSTAKA 2. Ekonomi dan Produk Domestik Regional Bruto Istilah ekonomi berasal dari bahasa Yunani, terdiri atas kata oikos dan nomos. Oikos berarti rumah tangga, nomos berarti aturan. Sehingga
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciKlasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means
Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means Nielza Atthina Jurusan Teknik Informatika Universitas Islam Indonesia Yogyakarta 09523458@students.uii.ac.id
Lebih terperinciPEMBANGKITAN ATURAN FUZZY MENGGUNAKAN FUZZY C-MEANS (FCM) CLUSTERING UNTUK DIAGNOSA RISIKO PENYAKIT JANTUNG KORONER (PJK)
PEMBANGKITAN ATURAN FUZZY MENGGUNAKAN FUZZY C-MEANS (FCM) CLUSTERING UNTUK DIAGNOSA RISIKO PENYAKIT JANTUNG KORONER (PJK) Resti Ludviani 1, Candra Dewi, Dian Eka Ratnawati Program Studi Ilmu Komputer,
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 1 Mahasiswa Program Studi Matematika FSM
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang telah dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means
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 terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA 2.1 Sistem Informasi Manajemen Mcleod R dan Schell G, (2004) membagi sumber daya menjadi dua bagian yaitu sumberdaya fisikal dan sumberdaya konseptual. Sumber daya fisikal terdiri
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinciPENERAPAN METODE CLUSTERING UNTUK MEMETAKAN POTENSI TANAMAN KEDELAI DI JAWA TENGAH DENGAN ALGORITMA FUZZY C- MEANS
1 PENERAPAN METODE CLUSTERING UNTUK MEMETAKAN POTENSI TANAMAN KEDELAI DI JAWA TENGAH DENGAN ALGORITMA FUZZY C- MEANS Indra Setiawan 1 1 Teknik Informatika Universitas Dian Nuswantoro Semarang E-mail :
Lebih terperinci