Ahmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
|
|
- Hartono Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Tersedia di Jurnal Matematika 00 (2013) PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa Lubuk Batee, Aceh Besar) Ahmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala ABSTRAK Clustering merupakan salah satu teknik pengelompokan yang telah banyak digunakan di berbagai disiplin ilmu, yang bertujuan untuk mengelompokkan objek yang didasarkan pada kesamaan. Sebuah metode pengelompokan yang baik akan menghasilkan kualitas kelompok yang baik dilihat dari keakuratan hasil pengelompokan dengan data sebenarnya. Pada penelitian ini dilakukan pengelompokan piksel pada data citra satelit Quickbird tahun 2010 dengan objek penelitian daerah Desa Lubuk Batee, Aceh Besar. Pengelompokan tersebut menggunakan Fuzzy Clustering, yaitu metode Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel (FGK) dengan membentuk empat kriteria pengelompokan. Metode pengelompokan yang baik dilihat berdasarkan perbandingan hasil visualisasi dan pengambilan data secara acak yang kemudian divalidasi dengan data sebenarnya. Kata kunci : Fuzzy Clustering, Fuzzy C-Means (FCM), Fuzzy Gustafson-Kessel (FGK), Pengelompokan, Penginderaan Jarak Jauh. ABSTRACT Clustering is a grouping technique widely used in various disciplines, which the aim is to classify objects based on their similarity. A good clustering method will produce clusters with a good accuracy when compared to the actual data. In this research, the pixel data of Quickbird satellite image 2010 are grouping with the object of the study area Lubuk Batee village, Aceh Besar. The grouping used Fuzzy Clustering, Fuzzy C-Means method (FCM) and Fuzzy Gustafson-Kessel (FGK) by forming four grouping criteria. A good method of grouping can be seen by comparing the results of visualization and taking randomly some data which will then be validation to the actual data. Keywords: Fuzzy Clustering, Fuzzy C-Means (FCM), Fuzzy Gustafson-Kessel (FGK), Clustering, Remote Sensing 1. PENDAHULUAN Perkembangan teknologi saat ini telah memberikan kemudahan kepada manusia untuk melakukan berbagai pekerjaan. Salah satu hasil dari perkembangan teknologi adalah pengindaraan jarak jauh (remote sensing), dengan adanya teknologi tersebut banyak manfaat yang bisa didapatkan seperti pemetaan pada bidang sumber daya alam, pertanian dan pengelolaan tata ruang. Salah satu data citra satelit yang sering digunakan adalah Quickbird. Data citra Satelit Quickbird memiliki resolusi 2,4 meter (mulitspektral) dan 60 sentimeter (pankromatik) dan dianggap sudah sangat baik untuk mengelompokkan dan menghasilkan peta tematik dengan teknik pengelompokan berdasarkan intensitas warna. Teknik pengelompokan dapat digunakan untuk mendapatkan informasi awal dari data citra satelit. Dengan metode pengelompokan konvensional, sebuah data yang berbentuk kabur atau tidak terdefinisi dapat didefinisikan dalam sebuah kelompok menggunakan fuzzy clustering. Penggolongan data ke dalam kelompok (cluster) ditentukan berdasarkan derajat keanggotaan (membership degree) yang bernilai antara 0 hingga 1 [7]. Ada banyak metode pengelompokan dalam fuzzy clustering, pada penelitian ini metode pengelompokan yang digunakan adalah Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel (FGK). Metode ini akan digunakan untuk mengelompokkan data sesuai kelompoknya dan diharapkan mendapatkan hasil yang akurat, serta mendapatkan metode yang terbaik antara Fuzzy C-Means (FCM) dan Fuzzy Gustafson- Kessel (FGK) dengan cara melihat perbandingan hasil visualisasi dan pengambilan data secara acak yang kemudian divalidasi dengan data sebenarnya.
2 2. METODE PENELITIAN Data yang digunakan pada penelitian ini adalah citra Satelit Quickbird daerah Desa Lubuk Batee Kecamatan Ingin Jaya, Aceh Besar sebagai objek penelitian. Penelitian ini menggunakan metode Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel (FGK) untuk melakukan pengelompokan objek. Proses pengelompokan dengan metode FCM dan FGK menggunakan perangkat lunak Matlab R2010a. Kemudian untuk melihat hasil perbandingan metode dilakukan visualisasi dan pengambilan data secara acak yang kemudian divalidasi dengan data sebenarnya dengan menggunakan perangkat lunak Grass Fuzzy C-Means (FCM) Fuzzy C-Means (FCM) adalah suatu teknik pengelompokan data yang keberadaan tiap-tiap data dalam suatu kelompok ditentukan oleh nilai atau derajat keanggotaan tertentu dan teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981 [3]. Berikut algoritma pengelompokan Fuzzy C-Means (FCM) [1]. dengan dimana X adalah data yang akan dikelompokan U adalah matriks partisi awal dengan membangkitkan nilai acak V adalah matriks pusat kelompok Adapun langkah langkah dalam metode FCM adalah 1. Menentukan data yang akan dikelompokan dengan bentuk matriks X berukuran dengan n x m, dimana n = jumlah data yang akan dikelompokan, m = atribute setiap data. 2. Menentukan: a. Jumlah kelompok yang akan dibentuk = c ( 2). b. Pangkat atau pembobot w = 2. c. Maksimum iterasi. d. Kriteria penghentian terkecil = e. Iterasi awal t = Membentuk matriks partisi awal U dengan membangkitkan nilai acak µ ik, i=1,2,,n; k=1,2,,c; sebagai elemen-elemen matriks partisi awal U sebagai 4. Menghitung pusat kelompok, dengan k=1,2, c; dan j=1,2,,m 5. Menghitung fungsi obyektif 6. Memperbaiki derajat keanggotaan setiap data pada setiap kelompok (perbaiki matriks partisi), sebagai 7. Menentukan kriteria pemberhentian, Jika ( U t U t-1 ξ atau t > MaxIter) maka dihentikan, namun apabila tidak. Maka elemen dinaikkan iterasi dan kembali ke langkah Fuzzy Gustafson-Kessel (FGK) Fuzzy Gustafsson-Kessel (FGK) adalah suatu cara pengelompokan data yang mana keberadaan tiap-tiap data dalam suatu kelompok ditentukan oleh nilai keanggotaan dan teknik ini merupakan salah satu varians dari fuzzy clustering yang dikembangkan oleh Gustafson dan Kessel pada tahun 1979 [2]. Berikut algoritma pengelompokan Fuzzy Gustafson-Kessel (FGK) [1]. dengan = dimana : X adalah data yang akan dikelompokan U adalah matriks partisi awal dengan membangkitkan nilai acak V adalah matriks pusat kelompok A i adalah mengindikasikan jarak kelompok Adapun langkah-langkah dalam metode FGK adalah 1. Menentukan data yang akan dikelompokan dengan bentuk matriks X berukuran dengan n x m, dimana n = jumlah data yang akan dikelompokan, m = atribute setiap data. 2. Menentukan: a. Jumlah kelompok yang akan dibentuk = c ( 2). b. Pangkat atau pembobot w = 2. c. Maksimum iterasi. d. Kriteria penghentian terkecil = e. Iterasi awal t = 1.
3 3. Membentuk matriks partisi awal U dengan membangkitkan nilai acak µ ik, i=1,2,,n; k=1,2,,c; sebagai elemen-elemen matriks partisi awal U sebagai 4. Menghitung pusat kelompok, untuk v setiap kelompok sebagai berikut 5. Menghitung kovarian matriks pengelompokan ( ) dengan rumus 6. Menghitung jarak 7. Memperbaiki derajat keanggotaan setiap data pada setiap kelompok 8. Menentukan kriteria pemberhentian Jika ( U t U t-1 ξ atau t > MaxIter) maka dihentikan, namun apabila tidak. Maka elemen dinaikkan iterasi dan kembali ke langkah Validasi Pengelompokan Validasi pengelompokan adalah sebuah konsep untuk mengevaluasi bagaimana hasil pengelompokan yang baik [4]. Hal ini diperlukan karena jumlah kelompok yang ditentukan atau bentuk kelompok mungkin tidak sesuai dengan data sebenarnya. Untuk menentukan jumlah kelompok yang paling optimal sesuai dengan data, maka digunakanlah indeks pengukuran validitas kelompok salah satunya separation index[6]. Jumlah kelompok optimal ditunjukkan oleh nilai validitas kelompok saat mencapai kondisi nilai minimum pertama di lembah pertama yang didapatkan [5]. 3. HASIL DAN PEMBAHASAN 1. Penentuan Kelompok Optimal Data Satelit Quickbird memiliki tiga saluran, ketiga saluran tersebut diubah menjadi data piksel kemudian setalah menjadi piksel-piksel ketiga data tersebut digabungkan menjadi sebuah matriks berukuran baris dan 3 kolom. Sebelum melakukan proses pengelompokan dengan menggunakan metode FCM dan FGK terlebih dahulu menentukan jumlah kelompok yang akan dibentuk, dengan menggunakan validasi separation index. Tabel 1. Hasil Validasi Separation Index Kelompok Separation index Separation index FCM FGK Dari hasil tabel diatas, maka diperoleh nilai validasi minimum pada lembah pertama terdapat pada kelompok 4. Dengan menghasilkan nilai validasi untuk FCM sebesar dan validasi FGK sebesar Sehingga untuk melakukan pengelompokan yang terbaik menggunakan metode FCM dan metode FGK pada data penelitian ini dapat menggunakan 4 kelompok yaitu rumah, air, sawah dan tumbuhan Dimana min adalah jarak minimum antara pusat kelompok N adalah jumlah titik data pada X c adalah jumlah kelompok V i adalah pusat kelompok ke-i µ ik adalah keanggotaan fuzzy dari titik data Gambar 1. Satelit Quickbird 2. Pengelompokan data dengan FCM dan FGK Matriks berukuran baris dan 3 kolom dilakukan proses pengelompokan dengan menggunakan metode Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel (FGK). Pada proses FCM dan FGK diperoleh nilai
4 matriks partisi U pada pengelompokan ini maka dapat dilihat nilai kecenderungannya. 3. Hasil gambar perbandingan pengelompokan FCM dan FGK Gambar 2. Nilai kecendurungan matriks partisi FCM Gambar 5. Hasil Pengelompokan FCM Gambar 3. Nilai kecendurungan matriks partisi FGK Sehingga dari nilai matriks U dapat dibentuk kembali hard cluster menjadi matriks dengan melihat nilai U terbesar setiap barisnya. Gambar 6. Hasil Pengelompokan FGK Gambar 3. Nilai Matriks U FCM menjadi hard cluster Gambar 7. Citra Penelitian Gambar 4. Nilai Matriks U FGK menjadi hard cluster Nilai hard cluster inilah kemudian diubah kembali menjadi matriks berukuran 639 baris dan 1268 kolom. Matriks ini yang akan diubah ke dalam citra dan menghasilkan gambar untuk FCM dan FGK. Keterangan: 1. Rumah dan Jalan 2. Air 3. Sawah 4. Tumbuhan Secara visualisasi dari dua hasil pengelompokan fuzzy di atas, Fuzzy Gustafson-Kessel (FGK) menghasilkan data pengelompokan yang memiliki keakurasian yang lebih baik dibandingkan Fuzzy C-Means (FCM) untuk memvisualisasikannya gambaran data sebenarnya.
5 4. Perbandingan berdasarkan pengambilan sampel acak Salah satu cara untuk melihat hasil perbandingan metode manakah yang paling akurat, dapat dilakukan dengan pengambilan sampel secara acak berdasarkan piksel untuk diindentifikasi dan dievaluasi berdasarkan data sebenarnya. Pada penelitian ini, sampel yang diambil secara acak berjumlah 500 data untuk setiap hasil pada Fuzzy C- Means (FCM), Fuzzy Gustafson-Kessel (FGK) dan data koordinat. Dimana hasil yang diperoleh nantinya akan diindentifikasi dengan data sebenarnya pada peta. Tabel 2. Hasil akurasi FCM Tabel 3. Hasil akurasi FGK Dari hasil verifikasi diperoleh data pengelompokan Fuzzy Gustafson-Kessel (FGK) lebih akurat dibandingkan hasil pengelompokan Fuzzy C-Means (FCM), ini dapat dilihat dari hasil akurasi pengelompokan FCM sebesar 62% dan hasil Pengelompokan FGK sebesar 88%. Sehingga diperoleh metode pengelompokan FGK sangat akurat untuk penelitian ini. Keterangan: 1. Rumah dan jalan 3. Sawah 2. Air 4. Tumbuhan 4. SIMPULAN Dalam penelitian ini, proses fuzzy clustering pada metode Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel (FGK) dengan parameter yang sama didapati bahwa metode FGK lebih akurat dibandingkan dengan metode FCM. Simpulan ini didasari yang pertama dari perhitungan validasi pengelompokan, pada metode FCM didapati hasil akurasi pengelompokan sebesar 62%, sedangkan pada metode FGK hasil akurasi pengelompokan sebesar 88% dari data sebenarnya. Sehingga disimpulkan berdasarkan hasil validasi pengelompokan bahwa metode FGK lebih akurat dari pada metode FCM. Serta yang kedua didasari dari perbandingan hasil visualisasi dari dua pengelompokan fuzzy, yaitu FGK menghasilkan data pengelompokan yang memiliki keakurasian yang lebih baik dibandingkan FCM dalam memvisualisasikan gambaran data sebenarnya pada kasus kawasan Desa Lubuk Batee Kecamatan Ingin Jaya, Aceh Besar. 5. DAFTAR PUSTAKA [1] Babuska, Robert Fuzzy and Neural Control. Delft University of Technology, Delft. [2] Dwijayani, Monicha Pengelompokan Entitas Audit Pemerintah Daerah di BPK RI Perwakilan Jawa Barat dengan Metode Clustering. Jurnal Program Study Magister Manajemen Teknologi. Institut Teknologi Sepuluh Nopember Surabaya, Surabaya. [3] Kusumadewi, Sri Analisis Desain Sistem Fuzzy Mengunakan Tool Box Matlab. Graha Ilmu, Yogyakarta. [4] Wang, Xiao-Ying., Garibaldi, Jonathan M., Bird, Benjamin., and George, Mike W Novel Developments In Fuzzy Clustering for the Classification of Cancerous Cells using FTIR Spectroscopy. Proc. Of advances in Fuzzy Clustering and its Applications. England: page [5] Widodo, Agus., Purhadi Perbandingan Metode Fuzzy C-Means dan Fuzzy C-Shell Clustering (Studi Kasus Kabupaten/Kota di Pulau Jawa Berdasarkan Variabel Pembentuk Indeks Pembangunan Manusia). Institut Teknologi Sepuluh Nopember, Surabaya. [6] Wu, Kuo-Lung., Yang, Miin-Shen A Cluster Validity Index For Fuzzy Clustering. Pattern Recognition Letters, [7] Zadeh, L.A Fuzzy Sets. Information and Control, Vol 8 :
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENGELOMPOKAN PERSENTASE PENDUDUK BERUMUR 15 TAHUN KE ATAS MENURUT KABUPATEN/KOTA DAN PENDIDIKAN TERTINGGI
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 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 terperinciKata kunci : Analisis kelompok, Fuzzy Clustering, Fuzzy C-Means (FCM), Fuzzy C-Shell (FCS), Penginderaaan Jarak Jauh.
PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY C- SHELL (FCS) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (STUDI KASUS DAERAH PEUKAN BADA, ACEH BESAR) Novi Reandy Sasmita 1, Hizir Sofyan 1, Muhammad Subianto
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 terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih 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 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 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 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 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 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 terperinciPENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA
PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA APPLICATION OF GUSTAFSON-KESSEL CLUSTERING METHODS FOR SEGMENTATION DETERMINING DEBTOR AT BANK CIMB
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 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 terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciAPLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN
APLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN Abdul Aziz, S.Si, M.Si. Abstrak Teknik Fuzzy c-means clustering termasuk dalam salah satu keluarga clustering. Seperti teknik clustering
Lebih terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciTESIS PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI PERWAKILAN BPK RI JAWA BARAT DENGAN METODE CLUSTERING. Monicha Dwijayani
TESIS PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI PERWAKILAN BPK RI JAWA BARAT DENGAN METODE CLUSTERING Monicha Dwijayani 9108 205 810 Mahendrawati, ST., MSc.,PhD Prof.Drs.Nur Iriawan M.Ikom. PhD
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GUSTAFSON KESSEL CLUSTERING PADA INDEKS LQ45
ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GUSTAFSON KESSEL CLUSTERING PADA INDEKS LQ45 SKRIPSI Disusun oleh: LAILLY RAHMATIKA J2E009007 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciMuziburrahman, Hizir Sofyan, Marlina
APLIKASI SISTEM INFORMASI GEOGRAFIS (SIG) TERHADAP PERSEBARAN TINGKAT PENCEMARAN AIR SUMUR DI KAWASAN INDUSTRI (Studi Kasus Kecamatan Muara Satu, Kota Lhokseumawe) Muziburrahman, Hizir Sofyan, Marlina
Lebih terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciEVALUASI TUTUPAN LAHAN DARI CITRA RESOLUSI TINGGI DENGAN METODE KLASIFIKASI DIGITAL BERORIENTASI OBJEK (Studi Kasus: Kota Banda Aceh, NAD)
EVALUASI TUTUPAN LAHAN DARI CITRA RESOLUSI TINGGI DENGAN METODE KLASIFIKASI DIGITAL BERORIENTASI OBJEK (Studi Kasus: Kota Banda Aceh, NAD) Dosen Pembimbing: Dr.Ing.Ir. Teguh Hariyanto, MSc Oleh: Bayu Nasa
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciKLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS
JURNAL LOGIC. VOL.15. NO.1 MARET 015 51 KLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS Putu Manik Prihatini Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit Jimbaran, P.O.Box 1064 Tuban
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 terperinciIdentifikasi Spasial Calon Walikota Manado Tahun 2015 Menggunakan Algoritma Fuzzy C-Means
Identifikasi Spasial Calon Walikota Manado Tahun 2015 Menggunakan Algoritma Fuzzy C-Means Winsy Weku 1, Charitas Fibriani 2 1 Program Studi Matematika, FMIPA, UNSRAT Manado, winsy_weku@unsrat.ac.id 2 Program
Lebih terperinciMelihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means
Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means Muhammad Halim 1, Andi Farmadi 2, H. Irwan Budiman 3 1,2,3 Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciPEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS
PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS Sri Redjeki Teknik Informatika STMIK AKAKOM Jl. Raya Janti No 143 Yogyakarta e-mail: dzeky@akakom.ac.id ABSTRAK Sebuah perguruan
Lebih terperinciMATHunesa Jurnal Ilmiah Matematika Volume 2 No.6 Tahun 2017 ISSN
MATHunesa Jurnal Ilmiah Matematika Volume 2 No.6 Tahun 2017 ISSN 2301-9115 SEGMENTASI CITRA MAGNETIC RESONANCE IMAGING (MRI) MENGGUNAKAN FUZZY C- MEANS (FCM) Erva Ani Dwi Katwarti 1) Jurusan Matematika,
Lebih terperinciCLUSTERING KINERJA AKADEMIS MAHASISWA MENGGUNAKAN FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Agustus 2016, 29-34 CLUSTERING KINERJA AKADEMIS MAHASISWA MENGGUNAKAN FUZZY C-MEANS Nurissaidah Ulinnuha 1 Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam
Lebih terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciPENENTUAN PENERIMA BEASISWA DENGAN ALGORITMA FUZZY C-MEANS DI UNIVERSITAS MEGOW PAK TULANG BAWANG
Page 158 Jurnal TIM Darmajaya Vol. 01 No. 02 Oktober 2015 PENENTUAN PENERIMA BEASISWA DENGAN ALGORITMA FUZZY C-MEANS DI UNIVERSITAS MEGOW PAK TULANG BAWANG Muhardi 1 Nisar 2 1 Universitas Megow Pak 2 MTI
Lebih terperinciPERANCANGAN PERANGKAT LUNAK SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE FUZZY CLUSTERING SKRIPSI MUHAMMAD PRAYUDHA
PERANCANGAN PERANGKAT LUNAK SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE FUZZY CLUSTERING SKRIPSI Diajukan untuk melengkapi tugas dan syarat mencapai gelas Sarjana Komputer MUHAMMAD PRAYUDHA 061401016 PROGRAM
Lebih terperinciPemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means
ISSN: 2089-3787 527 Pemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means Yulia Yudihartanti, Sudiyanur Hidayatullah STMIK Banjarbaru Jl. A. Yani Km. 33 Banjarbaru, 0511(4782881) e-mail: yuliaydh@yahoo.co.id,
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciPenerapan Algoritma Fuzzy Clustering Untuk Penentuan Jurusan Sekolah Menengah Kejuruan ( SMK Negeri 1 Rambah )
Riau Journal Of Computer Science Vol.1/No.1/2015 : 84-91 84 Penerapan Algoritma Fuzzy Clustering Untuk Penentuan Jurusan Sekolah Menengah Kejuruan ( SMK Negeri 1 Rambah ) Basorudin Program Studi Teknik
Lebih terperinciSistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting
Jurnal Sistem Bisnis 03(2011) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 153 Sistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting Tri Sandhika
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 terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinciEnigma Journal of Infotmatic (ENJOI 2016) ISSN :
b 1 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12
Lebih terperinciCLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Scot Morton adalah orang yang pertama kali mengartikulasikan konsep Decision Support System (DSS), mendefenisikan DSS sebagai sistem berbasis komputer
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 terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih terperinciPerbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling
Perbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling Aditya Ramadhan 1, Zuliar Efendi 2, Mustakim 3 1,2,3 Program Studi Sistem Informasi, Fakultas Sains dan Teknologi
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 terperinciImplementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions Ivan Hardiyanto,
Lebih terperinciCLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM)
CLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM) Idni Irsalina 1*, Endang Supriyati 2, Tutik Khotimah 3 Program Studi Teknik Informatika, Fakultas Teknik,
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 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 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 terperinciFUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN)
FUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail : emha_tl@yahoo.com Abstraksi Clustering merupakan proses pengelompokan
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 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 terperinciPREDIKSI CUACA MARITIM UNTUK MENDETEKSI KEBERADAAN SUMBER DAYA LAUT IKAN DI PERAIRAN JAWA TIMUR
PREDIKSI CUACA MARITIM UNTUK MENDETEKSI KEBERADAAN SUMBER DAYA LAUT IKAN DI PERAIRAN JAWA TIMUR OLEH : Bagusranu Wahyudi Putra 2410100044 DOSEN PEMBIMBING : Dr. Ir. Aulia Siti Aisjah, MT. Ir. Syamsul Arifin,
Lebih terperinciANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 641-650 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
Lebih terperinciKlasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching
Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching Octa Heriana 1, Risanuri Hidayat 2 1,2 Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Lebih terperinciBAB I PENDAHULUAN. Dalam beberapa tahun terakhir, logika samar telah digunakan dalam berbagai
1 BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian Dalam beberapa tahun terakhir, logika samar telah digunakan dalam berbagai bidang untuk menyelesaikan masalah-masalah yang ada. Walaupun logika samar adalah
Lebih terperinciSeleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni
1 Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni Femi Dwi Astuti Program Studi Teknik Informatika STMIK AKAKOM femi@akakom.ac.id Abstrak -
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
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 terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciIdentifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah dengan Fuzzy C-Mean
Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah dengan Fuzzy C-Mean 1 Ardi Pujiyanta, 2 Sovian Rizqiawan 1,2 Program Studi Teknik Informatika, Universitas Ahmad Dahlan Email: 1 ardi_iin@yahoo.com,
Lebih terperinciANALISA KINERJA CODEBOOK PADA KOMPRESI CITRA MEDIS DENGAN MEMPERHATIKAN REGION OF INTEREST
ANALISA KINERJA CODEBOOK PADA KOMPRESI CITRA MEDIS DENGAN MEMPERHATIKAN REGION OF INTEREST Michihiro Suryanto / 0422033 Departement Of Electrical Engineering, Maranatha Christian University. Jl. Prof.Drg.Suria
Lebih terperinciPERBANDINGAN METODE SUPERVISED DAN UNSUPERVISED MELALUI ANALISIS CITRA GOOGLE SATELITE UNTUK TATA GUNA LAHAN
PERBANDINGAN METODE SUPERVISED DAN UNSUPERVISED MELALUI ANALISIS CITRA GOOGLE SATELITE UNTUK TATA GUNA LAHAN Latar Belakang Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi
Lebih terperinciPenerapan Fuzzy C-Means (FCM) Dalam Masalah Penentuan Lokasi Fasilitas
Penerapan Fuzzy C-Means (FCM) Dalam Masalah Penentuan Lokasi Fasilitas Hetty Rohayani. H Jurusan Sistem Komputer, STIKOM Dinamika Bangsa Kampus STIKOM Dinamika Bangsa, Jambi, Indonesia Telp : +62-741-35095,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Hasil sensus jumlah penduduk di Indonesia, dengan luas wilayah kurang lebih 1.904.569 km 2 menunjukkan adanya peningkatan jumlah penduduk, dari tahun 2010 jumlah penduduknya
Lebih terperinciJurusan Statistika, FMIPA, ITS Kampus ITS Sukolilo, Surabaya,
IndoMS Journal on Statistics Vol. 1, No. (013), Page. 61-71 PERBANDINGAN METODE FUZZY C-MEANS CLUSTERING DAN FUZZY C-SHELL CLUSTERING (STUDI KASUS: KABUPATEN/KOTA DI PULAU JAWA BERDASARKAN VARIABEL PEMBENTUK
Lebih terperinciBAB V PENUTUP. Menggunakan Metode Fuzzy C-Means Clustering, dapat diambil kesimpulan
BAB V PENUTUP 5.1. Kesimpulan Dari serangkaian uji coba dan analisa yang telah dilakukan pada aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means
Lebih terperinciImplementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang
Implementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang Implementation Of Fuzzy C-Means Algorithm For Clustering Tuberculois Patients at Semarang. Devi Dwi R¹, Etika
Lebih terperinciPERBANDINGAN KLASIFIKASI TUTUPAN LAHAN DENGAN METODE OBJECT-BASED DAN PIXEL- BASED
PERBANDINGAN KLASIFIKASI TUTUPAN LAHAN DENGAN METODE OBJECT-BASED DAN PIXEL- BASED TUGAS AKHIR Karya Tulis sebagai salah satu syarat untuk memperoleh gelar Sarjana Oleh NANDHY RAMADHANNY HOESIN POETRI
Lebih terperinciANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI
ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI SKRIPSI Disusun Oleh : DESY RAHMAWATI NINGRAT 24010212120009 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciIMPLEMENTASI LOGIKA FUZZY DALAM RECRUITMENT ASISTEN LABORATORIUM MENGGUNAKAN METODE C-MEANS (STUDI KASUS: TEKNIK INFORMATIKA UNIVERSITAS TANJUNGPURA)
IMPLEMENTASI LOGIKA FUZZY DALAM RECRUITMENT ASISTEN LABORATORIUM MENGGUNAKAN METODE C-MEANS (STUDI KASUS: TEKNIK INFORMATIKA UNIVERSITAS TANJUNGPURA) Rizkya Bina Islamiati Program Studi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Data atau informasi yang terdapat pada multimedia tidak hanya disajikan dalam bentuk teks,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN VARIETAS KELAPA SAWIT DENGAN METODE FUZZY C-MEANS
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN VARIETAS KELAPA SAWIT DENGAN METODE FUZZY C-MEANS Faizal Widya Nugraha 1), Silmi Fauziati 2), Adhistya Erna Permanasari 3) 1), 2), 3) Departemen Teknik Elektro Dan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang antara lain bidang teknologi informasi, arkeologi, astronomi, biomedis,
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciPenerapan Algoritma Fuzzy C-Means Guna Penentuan Penjurusan Program Peserta Didik Tingkat SMA
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Penerapan Algoritma Fuzzy C-Means Guna Penentuan Penjurusan Program Peserta Did Tingkat SMA Maria Anistya Sasongko 1, Lil Linawati 2, Hanna
Lebih terperinciVolume 9 Nomor 2 Desember 2015
Volume 9 omor 2 Desember 2015 Jurnal Ilmu Matematika dan Terapan Desember 2015 Volume 9 omor 2 Hal. 135 146 APLIASI METODE FUZZY C-MEAS UTU PEGLASTERA ELAYAA RUMAH DI DESA WAYAME, AMBO R. P. A. Sormin
Lebih terperinciHASIL DAN PEMBAHASAN. 4. Menghitung fungsi objektif pada iterasi ke-t, 5. Meng-update derajat keanggotaan. 6. Mengecek kondisi berhenti:
2. v kj merupakan centroid term ke-j terhadap cluster ke-k 3. μ ik merupakan derajat keanggotaan dokumen ke-i terhadap cluster ke-k 4. i adalah indeks dokumen 5. j adalah indeks term 6. k adalah indeks
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Persiapan Tahap persiapan merupakan tahapan penting dalam penelitian ini. Proses persiapan data ini berpengaruh pada hasil akhir penelitian. Persiapan yang dilakukan meliputi
Lebih terperinciIMPLEMENTASI METODE FUZZY C-MEANS PADA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN MUSTAHIK DI BAZNAS KENDARI
semantik, Vol.2, No.1, Jan-Jun 2016, pp. 155-168 ISSN : 2502-8928 (Online) 155 IMPLEMENTASI METODE FUZZY C-MEANS PADA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN MUSTAHIK DI BAZNAS KENDARI Restin Welinda* 1,
Lebih terperinciFUZZY SUBTRACTIVE CLUSTERING BERDASARKAN KEJADIAN BENCANA ALAM PADA KABUPATEN/KOTA DI JAWA TENGAH
FUZZY SUBTRACTIVE CLUSTERING BERDASARKAN KEJADIAN BENCANA ALAM PADA KABUPATEN/KOTA DI JAWA TENGAH 1 Diah Safitri, 2 Rita Rahmawati, 3 Onny Kartika Hitasari 1,2,3 Departemen Statistika FSM Universitas Diponegoro
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DENGAN ALGORITMA FUZZY C-MEANS (FCM)
SISTEM PENGENALAN WAJAH MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DENGAN ALGORITMA FUZZY C-MEANS (FCM) Andri Suryadi Abstrak Berkembangnya ilmu pengetahuan dan teknologi dalam computer vision
Lebih terperinciSKRIPSI BOHO SURIANTO NAIBAHO
i DIGITASI OTOMATIS OBJEK BANGUNAN PADA CITRA SATELIT MENGGUNAKAN METODE K MEANS CLUSTERING SKRIPSI BOHO SURIANTO NAIBAHO 091402047 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciAnalisis Ketelitian Geometric Citra Pleiades 1B untuk Pembuatan Peta Desa (Studi Kasus: Kelurahan Wonorejo, Surabaya)
Analisis Ketelitian Geometric Citra Pleiades 1B untuk Pembuatan Peta Desa (Studi Kasus: Kelurahan Wonorejo, Surabaya) Iva Nurwauziyah, Bangun Muljo Sukojo, Husnul Hidayat Jurusan Teknik Geomatika, Fakultas
Lebih terperinciAPLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU
Eksakta Vol. 18 No. 2, Oktober 2017 http://eksakta.ppj.unp.ac.id E-ISSN : 2549-7464 P-ISSN : 1411-3724 APLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU Nur Afandi,
Lebih terperinciSKRIPSI. Disusun Oleh: SARITA BUDIYANI PURNAMASARI NIM
PEMILIHAN CLUSTER OPTIMUM PADA FUZZY C-MEANS (Studi kasus: Pengelompokan Kabupaten/Kota di Jawa Tengah berdasarkan Indikator Indeks Pembangunan Manusia) SKRIPSI Disusun Oleh: SARITA BUDIYANI PURNAMASARI
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinci