Pendiskritan Kelas Kontinyu dengan Algoritma K-Mean Cluster. Kusrini Dosen STMIK AMIKOM YOGYAKARTA Abstract
|
|
- Adi Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pendiskritan Kelas Kontinyu dengan Algoritma K-Mean Cluster Kusrini Dosen STMIK AMIKOM YOGYAKARTA Abstract Dalam proses pembentukan pengetahuan sering ditemui algoritma yang menyaratkan data dalam bentuk kelas diskrit, padahal dalam dunia nyata sering ditemui data dalam bentuk kelas kontinyu. Proses pengubahan data dalam kelas kontinyu menjadi data dalam kelas diskrit dapat dilakukan dengan cara manual,yaitu analis mendefinisikan interval nilai data kelas kontinyu yang akan dimasukkan dalam suatu kelas diskrit. Kelemahan dari pengubahan data dalam kelas kontinyu menjadi data dalam kelas diskrit diantaranya:1. tingkat akurasi tidak pasti, tergantung pada kepiawaian analis dalam menentukan kelas diskrit. 2. adanya data dalam kelas kontinyu yang memiliki kelas diskrit ganda. 3. adanya data dalam kelas kontinyu yang tidak memiliki kelas dalam kelas diskrit. 4. diperlukan usaha dari analis Dalam makalah ini, penulis memaparkan suatu metode pengubahan data kelas kontinyu menjadi data dalam kelas diskrit dengan menggunakan algoritma k-mean cluster. Metode ini berhasil diimplementasikan dengan script PHP dan DBMS My Sql. Hasil implementasi mampu mengubah tabel berisi data kelas kontinyu menjadi tabel berisi data kelas diskrit. Kata kunci : diskrit, kontinyu, k-mean cluster Pendahuluan Dalam proses pembentukan pengetahuan seringkali para peneliti dihadapkan pada algoritma yang hanya manangani data kelas diskrit, sementara data yang tersedia merupakan data kelas kontinyu(quinlan, J.R, 1993). Yang dimaksud dengan data diskrit adalah data yang sifatnya terputus-putus, nilainya utuh (bukan pecahan), misalnya data jumlah penduduk dan jumlah kendaraan. Sedangkan data kontinyu adalah data yang sifatnya sinambung atau kontinyu, nilainya bisa berupa pecahan. Contoh data kontinyu yaitu data tentang panjang jalan dan data berat badan seorang anak(kuswadi dan Mutiara, E., 2004).
2 Proses pendiskritan kelas kontinyu akan mengubah data kelas kontinyu menjadi data kelas diskrit. Misalnya temperatur nilainya tidak lagi 30,7 o C atau 36 o C tetapi teperatur rendah, sedang dan tinggi. Pengkonversian data kelas kontinyu kedalam kelas diskrit memerlukan pendefinisian interval nilai data kelas kontinyu untuk masing-masing kelas diskrit. Misalnya kelas diskrit temperatur rendah adalah konversi dari kelas kontinyu temperatur dengan nilai data antara 30 o C sampai dengan 34 o C. Pembentukan kelas diskrit dapat dilakukan secara manual. Pembuat sistem akan mendefinisikan terlebih dahulu interval-interval kelas kontinyu yang masuk dalam suatu kelas diskrit. Tetapi hal ini dapat menyebabkan pembagian kelas yang tidak seimbang, suatu nilai dalam kelas kontinyu masuk ke beberapa kelas diskrit atau suatu nilai dalam kelas kontinyu tidak masuk dalam salah satu kelas diskrit. Selain itu, proses pembentukan kelas diskrit secara manual memerlukan usaha dari analis. Tentu saja hal ini tidak efektif dan tidak efisien. Penulis pernah melakukan proses pembentukan kelas diskrit secara manual dalam pra proses pembentukan pengetahuan dengan menggunakan pohon keputusan. Algoritma yang penulis gunakan dalam pembentukan pohon keputusan adalah algoritma C4.5 dan algoritma nearest neighbor. Dengan proses pembentukan kelas diskrit secara manual ini ternyata menyulitkan untuk mendapatkan performa algoritma pembentukan pohon keputusan. Hal ini disebabkan nilai akurasi dari pengetahuan yang terbentuk sangat tergantung pada proses pembentukan kelas diskritnya(kusrini dan Harjoko, A., 2008)(Kusrini dah Hartati, S, 2007). Berdasarkan pengalaman penulis tersebut, penulis menganggap perlu dibuat sebuah algoritma pembentukan kelas diskrit secara otomatis. Pada makalah ini, penulis ingin memaparkan hasil penelitian untuk melakukan proses pembentukan kelas diskrit secara otomatis. Proses ini memanfaatkan algoritma clustering k-mean cluster. Algoritma K-Mean Cluster K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.
3 Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. Data clustering menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut(agusta, Y., 2007): 1. Tentukan jumlah cluster 2. Alokasikan data ke dalam cluster secara random 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster 4. Alokasikan masing-masing data ke centroid/rata-rata terdekat 5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yang ditentukan Rancangan Sistem Dalam makalah ini akan ditunjukkan proses pengubahan tabel dengan data berisi kelas kontinyu menjadi tabel dengan data berisi kelas diskrit. Skema pengubahan tabel akan ditunjukkan pada Gambar 1. Gambar 1. Skema pengubahan tabel dengan kelas kontinyu menjadi tabel dengan kelas diskrit Pada algoritma k-mean asli, nilai centroid awal ditentukan secara acak. Namun dengan pertimbangan kecepatan, peneliti menetapkan nilai awal centroid kelas dengan suatu nilai dengan menggunakan rumus 1:
4 min+ ( i 1) x(max min) max min c i = + [1] n 2xn dimana ci min max n : centroid dari kelas ke i : nilai terkecil dari data kelas kontinyu : nilai terbesar dari data kelas diskrit : jumlah kelas diskrit Misalnya dimiliki data dalam kelas kontinyu dengan nilai : 2, 4, 5, 7, 10, 12, 20. Akan dibuat 2 kelas diskrit. Besarnya centroid kelas diskrit pertama adalah: 2 + (1 1) x(20 2) 20 2 c1 = + 3 2x c1 = c = 3,33 c c c (2 1) x(20 2) 20 2 = + 3 2x = = (3 1) x(20 2) 20 2 c3 = + 3 2x c3 = c = Proses pembentukan kelas diskrit dilakukan dengan langkah-langkah sebagai berikut:
5 1. Tentukan kolom ($kolom_variabel) dan tabel ($tabel_variabel) asal data kelas kontinyu 2. Tentukan jumlah kelas diskrit yang diinginkan ($n) 3. Definisikan array dengan nama $data 4. Ambil data dari $kolom_variabel SQL : select `$kolom_variabel` from `$tabel_variabel` 5. Masukkan hasil SQL ke dalam $data 6. Cari nilai terendah dari nilai-nilai pada array $data ($min) 7. Cari nilai tertinggi dari nilai-nilai pada array $data ($max) 8. Tentukan $delta, yaitu nilai error yang bisa ditoleransi 9. Hitung $error = $delta * ($max-$min) 10. Cari centroid awal dengan menggunakan rumus Tentukan $keluar = false 12. $keluar = false, lakukan langkah berikut: a. $l = 1 b. Jika $l <= $n, lakukan $jml_elemen [$l] = 0, jika tidak loncat ke langkah 12.d c. $l = $l + 1, kembali ke langkah 2.b. d. $k = 0 e. Jika $k < jumlah elemen array $data, lakukan: i. $jarak = $max ii. $l = 1 iii. Jika $l <= $n, lakukan Jika $jarak >= $data[$k]-$c[$l], lakukan: $kelas_terpilih = $l $jarak = $data[$k]-$c[$l]
6 iv. $jml_elemen[$kelas_terpilih] = $jml_elemen[$kelas_terpilih] + 1 v. $kelas[$kelas_terpilih][$jml_elemen[$kelas_terpilih]] = $data[$k] Jika tidak loncat ke langkah 12.g f. $k = $k+1, kembali ke langkah 12.e g. $keluar = true h. $k = 1 i. Jika $k <= $jml_kelas, lakukan i. Jika (count($kelas[$k]) > 0) lakukan $mean[$k] = array_sum($kelas[$k])/count($kelas[$k]) Jika tidak $mean[$k] = $c[$k]; ii. Jika abs($mean[$k]-$c[$k]) > $error lakukan $keluar = false Jika tidak loncat ke langkah 12.k j. $k = $k+1, kembali ke langkah 12.i k. $k = 1 l. Jika $keluar = false, lakukan i. $k= 1 ii. Jika $k <= $jml_kelas, unset $kelas[$k], jika tidak loncat ke langkah 12.l.iv iii. $k = $k + 1, kembali ke langkah 12.l.ii iv. $k = 1 v. Jika $k <= $jml_kelas, $c[$k] = $mean[$k], jika tidak loncat le langkah 12.m
7 vi. $k = $k + 1, kembali ke langkan 12.i.v m. Kembali ke langkah 12 Jika tidak loncat ke langkah $k = Jika $k <= $jml_kelas, masukkan data kedalam database : "insert into kategori (`variabel`, `kelas`, `centroid`) values ('".$kolom_variabel."',".$k.",".$c[$k].")" Jika tidak loncat ke langkah $k = $k + 1, kembali ke langkah selesai. Hasil dan Pembahasan Peneliti mengimplementasikan algoritma pengubahan tabel dengan variabel kontinyu menjadi tabel dengan kelas diskrit dengan menggunakan script PHP dan software pengelola database MY SQL. Dalam mengimplementasikan, peneliti membuat tiga buah tabel, yaitu: 1. Tabel kasus_kontinyu, merupakan tabel dengan variabel kontinyu. Tabel ini diasumsikan sudah berisi data. Sebagai contoh dibuat tabel dengan nama tabel kasus_kontinyu. Struktur tabel kasus_kontinyu ditunjukkan pada tabel 1 dan isi tabel kasus kontinyu ditunjukkan pada tabel 2. Tabel 1. Struktur tabel kasus_kontinyu Variabel Tipe Konstraint Kode Integer Primary key Data Decimal (15,2) -
8 Tabel 2. Isi tabel kasus_kontinyu Kode Data Tabel Kasus_diskrit, merupakan tabel dengan variabel diskit. Pada awalnya tabel ini harus merupakan tebel kosong, yang kemudian akan diisi dengan dengan data dari tabel kasus_kontinyu yang telah dikonversi dalam bentuk diskrit. Struktur tabel kasus_diskrit ditunjukkan pada tabel 3. Tabel 3. Struktur tabel kasus_diskrit Variabel Tipe Konstraint Kode Integer - Data Decimal (15,2) - 3. Tabel Kategori, merupakan tabel pemetaan kelas diskrit dengan interval yang ada pada kelas kontinyu. Struktur tabel kategori ditunjukkan pada tabel 4. Tabel 4. Struktur tabel kasus_diskrit Variabel Tipe Konstraint variabel Varchar (30) - kelas integer - centroid decimal (15,2) -
9 Peneliti malakukan ujicoba dengan menetapkan delta sebesar 0,1 dan jumlah kelas 3. Setelah proses konversi, isi tabel kategori ditunjukkan pada tabel 5, dan isi tabel kelas_diskrit ditunjukkan pada tabel 6. Tabel 5. Isi Tabel Kategori variabel kelas Centroid Data Data 2 11 data 3 20 Tabel 5. Isi Tabel kasus_diskrit kode data Penutup Berdasarkan hasil ujicoba yang peneliti lakukan ternyata algoritma k-mean cluster dapat digunakan untuk mengubah tabel kelas kontinyu menjadi tabel kelas variabel. Peneliti telah berhasil mengimplementasikan algoritma untuk mengubah tabel kelas kontinyu menjadi tabel kelas diskrit dengan menggunakan script PHP dan software pengelola database MY SQL.
10 Daftar Pustaka Agusta, Y., 2007, K-Means Penerapan, Permasalahan dan Metode Terkait, Jurnal Sistem dan Informatika Vol. 3, 2007, Kusrini dan A. Harjoko, 2008, Decision Tree As Knowledge Management Tool in Image Classification, Proceedinds of Knowledge Management International Conference Malaysia Kusrini dan S. Hartati, 2007, Penggunaan Pohon Keputusan untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa Baru di STMIK AMIKOM Yogyakarta, Prosiding Seminar Nasional Teknologi 2007 Kusrini dan S. Hartati, 2007, Implementation of C4.5 Algorithm to evaluate the Cancellation Possibility of New Student Applicants, Procedings of The International Conference on Electrical Engineering and Informatics Kuswadi dan Mutiara, E., 2004, DELTA: Delapan Langkah dan Tujuh Alat Statistik untuk Peningkatan Mutu Berbasis Komputer, PT. Elex Media Komputindo Quinlan, J.R, 1993, C4.5 Programs for Machine Learning, Morgan Kaufman Publisher
PERBANDINGAN METODE NEAREST NEIGHBOR DAN ALGORITMA C4.5 UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA
PERBANDINGAN METODE NEAREST NEIGHBOR DAN ALGORITMA C4.5 UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA Kusrini 1, Sri Hartati 2, Retantyo Wardoyo 3, Agus Harjoko
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
Lebih terperinciProsiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
Lebih terperinciKLASIFIKASI CITRA DENGAN POHON KEPUTUSAN
Kusrini, Klasifikasi Citra dengan Pohon Keputusan KLASIFIKASI CITRA DENGAN POHON KEPUTUSAN Kusrini 1 Sri Hartati 2 Retantyo Wardoyo 3 Agus Harjoko 4 1,2,3,4 Program Studi Ilmu Komputer, Jurusan Ilmu MIPA,
Lebih terperinciKLASIFIKASI CITRA DENGAN POHON KEPUTUSAN
Kusrini, Klasifikasi Citra dengan Pohon Keputusan KLASIFIKASI CITRA DENGAN POHON KEPUTUSAN Kusrini 1 Sri Hartati 2 Retantyo Wardoyo 3 Agus Harjoko 4 1,2,3,4 Program Studi Ilmu Komputer, Jurusan Ilmu MIPA,
Lebih terperinciAnalisa Potensi Mahasiswa Di Daerah Bali Menggunakan Pendekatan K-Mean Clustering
JURNAL SISTEM DAN INFORMATIKA 45 Analisa Potensi Mahasiswa Di Daerah Bali Menggunakan Pendekatan K-Mean Clustering Anggun Nugroho Program Studi Sistem Komputer STMIK STIKOM Bali Jl. Raya Puputan No. 86
Lebih terperinciPENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Yulius Palumpun 1), Sitti Nur Alam 2) 1) Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Manajemen (FIKOM) - Universitas
Lebih terperinciPemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness
Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness Mario Anggara 1, Herry Sujiani 2, Helfi Nasution 3 Program Studi Teknik Informatika Fakultas Teknik Universitas
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciANALISIS KLASTERING LIRIK LAGU INDONESIA
ANALISIS KLASTERING LIRIK LAGU INDONESIA Afdilah Marjuki 1, Herny Februariyanti 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 bodongben@gmail.com,
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 terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI SEKOLAH BERDASARKAN STANDAR PELAYANAN MINIMAL (SPM) DENGAN METODE K-MEANS CLUSTERING
SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI SEKOLAH BERDASARKAN STANDAR PELAYANAN MINIMAL (SPM) DENGAN METODE K-MEANS CLUSTERING Irfan Sukron Chode ri Anggri Sartika Wiguna 1 Teknik Informatika, Universitas
Lebih terperinciDATA MINING DENGAN TEKNIK CLUSTERING UNTUK MENGGALI INFORMASI TENTANG BIMBINGAN KONSELING SISWA (STUDI KASUS : SMA NEGERI 1 X KOTO SINGKARAK)
Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret 2017 38 DATA MINING DENGAN TEKNIK CLUSTERING UNTUK MENGGALI INFORMASI TENTANG BIMBINGAN KONSELING SISWA (STUDI KASUS : SMA NEGERI 1 X KOTO SINGKARAK)
Lebih terperinciPERANCANGAN APLIKASI MENENTUKAN BERAT BADAN IDEAL DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
PERANCANGAN APLIKASI MENENTUKAN BERAT BADAN IDEAL DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Johan Candra Juliner Hutabarat Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja
Lebih terperinciAPLIKASI K-MEANS UNTUK PENGELOMPOKKAN MAHASISWA BERDASARKAN NILAI BODY MASS INDEX (BMI) & UKURAN KERANGKA
APLIKASI K-MEANS UNTUK PENGELOMPOKKAN MAHASISWA BERDASARKAN NILAI BODY MASS INDEX (BMI) & UKURAN KERANGKA Tedy Rismawan 1 dan Sri Kusumadewi 2 1 Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Analisis cluster merupakan salah satu alat yang penting dalam pengolahan data statistik untuk melakukan analisis data. Analisis cluster merupakan seperangkat metodologi
Lebih terperinciClustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means
Clustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means Sri Redjeki Andreas 1), Andreas Pamungkas, Pamungkas Hastin 2), Hastin Al-fatah Al-fatah 3) 1)2)3) STMIK dzeky@akakom.ac.id
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MINAT PEMILIHAN JURUSAN SMA DENGAN METODE K-MEANS CLUSTER ANALYSIS
SISTEM PENDUKUNG KEPUTUSAN MINAT PEMILIHAN JURUSAN SMA DENGAN METODE K-MEANS CLUSTER ANALYSIS Sahirul Muklis Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman,
Lebih terperinciBAB 1. PENDAHULUAN 1.1. Latar Belakang Pelanggan merupakan salah satu posisi penting dalam pengembangan strategi bisnis, pelanggan juga merupakan salah satu sumber keuntungan dalam perusahaan. Untuk itu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Informasi Pengertian Sistem Informasi pada dasarnya merupakan hasil dari dua arti, yakni sistem dan informasi yang digabungkan. Berikut definisi sistem menurut para ahli
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciSISTEM PENENTUAN JURUSAN SEKOLAH MENENGAH ATAS NEGERI 1 KARANGMOJO
SISTEM PENENTUAN JURUSAN SEKOLAH MENENGAH ATAS NEGERI 1 KARANGMOJO Maria Etik Sulistiyani1), Bambang Soedijono2), Syamsul A. Syahdan3) 1,2,3) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring
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 terperinciPemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA
Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Chandra Purnamaningsih Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami No 36 A Surakarta cpurnamaningsih@gmail.com
Lebih 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 I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciBAB I PENDAHULUAN. Perguruan tinggi yang baik dipengaruhi oleh kualitas. mahasiswa di dalamnya. Mahasiswa merupakan objek
1 BAB I PENDAHULUAN 1.1. Latar Belakang Perguruan tinggi yang baik dipengaruhi oleh kualitas mahasiswa di dalamnya. Mahasiswa merupakan objek pembelajaran bagi perguruan tinggi sehingga jika prestasi mahasiswa
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciBAB I PENDAHULUAN. Perusahaan perusahaan pada saat ini sudah memiliki database yang
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perusahaan perusahaan pada saat ini sudah memiliki database yang berukuran sangat besar pada bagian kerusakan barang dan dapat terus bertambah ukurannya. Selama ini,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan dunia pariwisata, tidak diiringi dengan perkembangan teknologi yang digunakan. Ditambah lagi dengan kondisi, banyak wisatawan yang tidak mau berwisata
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal Komputer Terapan Vol. 2, No. 1, Mei 2016, 1-6 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Abstrak Warnia Nengsih Politeknik
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 terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA Nama : Nandang Syaefulloh NPM : 55412243 Fakultas : Teknologi Industri Jurusan : Teknik Informatika Pembimbing
Lebih terperinciScientific Journal of Informatics Vol. 2, No. 1, Mei 2015
Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 JUDUL ARTIKEL Identifikasi Kualitas Beras dengan Citra Digital Arissa
Lebih terperinciData Mining II Estimasi
Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/
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 terperinciImplementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah
Implementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah Peneliti: Valentino Giarto (672011005) Magdalena A. Ineke Pakereng, M.Kom. Program
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciDATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Warnia Nengih Politeknik Caltex Riau,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisis dan perancangan dalam membangun Aplikasi Data Mining. Analisis meliputi analisis data mining, analisis lingkungan sistem serta
Lebih terperinciPENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok,
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031
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 terperinciKata kunci : Data Mining, K-Means, Knowledge Discovery in Databases (KDD), Pemetaan digital
Pemetaan Digital dan Pengelompokan Lahan Hijau di Wilayah Provinsi Riau Berdasarkan Knowledge Discovery in Databases (KDD) dengan Teknik K-Means Mining Mustakim Jurusan Sistem Informasi Fakultas Sains
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 terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Kebutuhan akan informasi yang sangat luas dan tidak terbatas seiring dengan sumber informasi yang banyak merupakan suatu bukti konkret bahwa informasi sangat dibutuhkan
Lebih terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciTEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel )
TEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel ) Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong Catur
Lebih terperinciSurmayanti 1, Hari Marfalino 2, Ade Rahmi 3 Fakultas Limu Komputer Universitas Putra Indonesia YPTK Padang
PENERAPAN ANALYSIS CLUSTERING PADA PENJUALAN KOMPUTER DENGAN PERANCANGANAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA K-MEANS (STUDY KASUS TOKO TRI BUANA KOMPUTER KOTA SOLOK) Surmayanti 1, Hari Marfalino
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 2.1. Sistem Pendukung keputusan Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative
BAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan 2.1.1. Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative yang dilakukan secara sadar dengan menganalisa kemungkinan-kemungkinan
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN
SISTEM PENUNJANG KEPUTUSAN DAN TEKNIK DATA MINING UNTUK PENENTUAN WILAYAH PENERIMA BANTUAN Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta
Lebih terperinciPENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR
PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR SIDANG SKRIPSI Oleh Adry Rahadinata 10108069 Penguji 1 Andri Heryandi, S.T., M.T. Penguji 2 Adam Mukharil
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciPENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING
PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING 1 Wahyu Nurjaya W.K, 2 Nurjaman 1 Program Studi Sistem Informasi
Lebih terperinciSISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING
SISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING Siti Hadianti 1, Helen Sastypratiwi, Anggi Srimurdianti Sukamto 3. 1,, 3 Program Studi Informatika Universitas Tanjungpura
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET Handi Kurniawan Sohdianata 1, Sushermanto 2 Jurusan Teknik Informatika STMIK Banjarbaru 1, Jurusan Sistem Informasi STMIK Banjarbaru 2 Jl.
Lebih terperinciSeminar Nasional Teknologi 2007 (SNT 2007) ISSN : Yogyakarta, 24 November 2007
PENGGUNAAN POHON KEPUTUSAN UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA Kusrini, Sri Hartati STMIK AMIKOM Yogyakarta, Universitas Gadjah Mada e-mail : kusrini@amikom.ac.id,
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 terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciPENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG
PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG Elly Muningsih Program Sudi Manajemen Informatika, AMIK BSI Yogyakarta Email : elly.muning514@gmail.com Abstract - Good and accurate
Lebih terperinciSISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH
SISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH Ahmad Zaqi Al Kahfi Universitas Dian Nuswantoro Email : fawkeszach@gmail.com Abstrak Pengolahan database
Lebih terperinciANALISIS CLUSTER MENGGUNAKAN ALGORITMA K-MEANS
ANALISIS CLUSTER MENGGUNAKAN ALGORITMA K-MEANS Bobby Poerwanto 1, Riska Yanu Fa rifah 2 1,2 Department of Informatics Engineering, Universitas Cokroaminoto Palopo Email: 1 bobbybp89@gmail.com 2 riska.yanu@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan algoritma hierarchical clustering dan k-means untuk pengelompokan desa tertinggal.
Lebih terperincihttp://www.brigidaarie.com proses menganalisa data untuk mencari polapola tersembunyi dengan menggunakan metodologi otomatis Istilah lain : Machine Learning Knowledge Discovery in Database (KDD) Predictive
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
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 terperinciIMPLEMENTATION K-MEANS ALGORITHM TO PREDICT CONSUMER INTEREST ACCORDING TO THE SEASON ON PLACE RESERVATION AND FOOD ONLINE SOFTWARE IN FOOD GARDEN
IMPLEMENTASI ALGORITMA K-MEANS UNTUK MEMPREDIKSI MINAT KONSUMEN SESUAI DENGAN MUSIM PADA PERANGKAT LUNAK PEMESANAN TEMPAT DAN MAKANAN ONLINE DI FOOD GARDEN IMPLEMENTATION K-MEANS ALGORITHM TO PREDICT CONSUMER
Lebih terperinciImplementasi Metode K-Means Cluster Analysis untuk Memilih Strategi Promosi Penerimaan Mahasiswa Baru
Implementasi Metode K-Means Cluster Analysis untuk Memilih Penerimaan Mahasiswa Baru Wirta Agustin 1, Erlin 2 1,2 Jurusan Teknik Informatika, STMIK Amik Riau Email: 1 wirtaagustin@stmik-amik-riau.ac.id,
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
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 terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Parkir adalah kegiatan manusia sehari-hari. Setiap pemilik kendaraan haruslah memarkir kendaraannya jika dibawa dalam beraktifitas. Dalam hal ini dikebanyakan tempat
Lebih terperinciPerbandingan Algoritma K-Means dan EM untuk Clusterisasi Nilai Mahasiswa Berdasarkan Asal Sekolah
316 ISSN: 2354-5771 Perbandingan Algoritma K-Means dan EM untuk Clusterisasi Nilai Mahasiswa Berdasarkan Asal Sekolah Mardiani Sistem Informasi STMIK GI MDP E-mail: mardiani@mdp.ac.id Abstrak Dari beberapa
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciBAB III K-MEDIANS CLUSTERING
BAB III 3.1 ANALISIS KLASTER Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Metode interdependensi berfungsi untuk memberikan makna terhadap seperangkat
Lebih terperinciMETODOLOGI PENELITIAN. Bab ini menjelaskan tahapan yang dilakukan dalam penelitian tugas akhir ini. Adapun kerangka kerja yang dilakukan adalah:
BAB 3 METODOLOGI PENELITIAN Bab ini menjelaskan tahapan yang dilakukan dalam penelitian tugas akhir ini. Adapun kerangka kerja yang dilakukan adalah: Gambar 3. 1 Kerangka Kerja Penelitian 3.1 Pencarian
Lebih terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih terperinciPERAMALAN JUMLAH PENDAFTAR CALON MAHASISWA STMIK DUTA BANGSA MENGGUNAKAN METODE TIME INVARIANT FUZZY TIME SERIES
PERAMALAN JUMLAH PENDAFTAR CALON MAHASISWA STMIK DUTA BANGSA MENGGUNAKAN METODE TIME INVARIANT FUZZY TIME SERIES Nurmalitasari STMIK Duta Bangsa Surakarta nurmal_ita@yahoo.com ABSTRAK Penelitian ini bertujuan
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menerapkan metode clustering dengan algoritma K-Means untuk penelitiannya.
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu cara untuk mengetahui faktor nilai cumlaude mahasiswa Fakultas Teknik Universitas Muhammadiyah Yogyakarta adalah dengan menerapkan
Lebih terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciIMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI
IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinci