Jl. Arief Rahman Hakim, Surabaya Indonesia
|
|
- Leony Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1 Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Faktor-faktor yang Mempengaruhi Angka Kematian Ibu (AKI) dengan Metode C-means dan Fuzzy C-means Wenthy Oktavin Mayasari (1) dan Irhamah (2) (1) Mahasiswa Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (2) Dosen Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember Jl. Arief Rahman Hakim, Surabaya Indonesia Abstrak Kematian ibu merupakan salah satu indikator keberhasilan pembangunan daerah, khususnya pembangunan kesehatan. Indikator ini juga digunakan sebagai salah satu pertimbangan dalam menentukan Indeks Pembangunan Manusia. Di Jawa Timur, Angka Kematian Ibu (AKI) tahun 2012 berada dibawah target MDGs tahun Keadaan ini memacu untuk terus menelaah penyebab kematian ibu agar target MDGs dapat tercapai. Pengelompokan kabupaten/kota berdasarkan faktor-faktor angka kematian ibu (AKI) diharapkan dapat menunjang penurunan angka kematian ibu (AKI) secara merata karena penanganan disesuaikan dengan karakter masalah pada setiap kabupaten/ kota. Pengelompokan menggunakan metode c-means dan fuzzy c-means berdasarkan nilai Pseudo F jumlah kelompok optimum yang terbentuk sebanyak 2 kelompok. Metode c- means merupakan metode yang terbaik dalam kasus pengelompokan kabupaten/kota di Jawa Timur berdasarkan faktor-faktor yang mempengaruhi angka kematian ibu karena menghasilkan nilai icdrate terkecil, yaitu sebesar 0,6808. Kata kunci : C-means, Fuzzy C-means, Angka Kematian Ibu (AKI) K I. PENDAHULUAN EMATIAN ibu adalah kematian wanita yang terjadi pada saat kehamilan, persalinan dan masa nifas yang disebabkan oleh kehamilan dan persalinannya, bukan oleh kecelakaan. Angka kematian ibu (AKI) menjadi penting karena merupakan salah satu indikator yang mempengaruhi status kesehatan suatu wilayah dan IPM (Indeks Pembangunan Manusia). Selain itu juga merupakan tujuan kelima kesepakatan global (Millenium Development Goals/MDGs) difokuskan pada peningkatan kesehatan ibu, untuk mengurangi angka kematiannya [1]. Di Jawa Timur, Angka Kematian Ibu (AKI) tahun 2012 adalah 97,43 per kh sehingga berada dibawah target MDGs tahun 2015 yaitu 102 per kh. Keadaan ini memacu untuk terus menelaah penyebab kematian ibu agar target MDGs dapat tercapai [2]. Berbagai penelitian telah dilakukan tentang angka kematian ibu di Bojonegoro dengan menggunakan pendekatan Geographically Weighted Poisson Regression (GWPR) menghasilkan kesimpulan bahwa variabel persentase kunjungan ibu hamil K1, persentase pemberian tablet Fe, dan rasio bidan per 1000 ibu hamil singnifikan mempengaruhi angka kematian ibu (AKI) [3]. Penelitian tentang pengelompokan yang telah dilakukan diantaranya pengelompokan kabupaten/kota di Jawa Timur berdasarkan kesamaan nilai faktor-faktor yang mempengaruhi tingkat pengangguran terbuka dengan metode hirarki dan nonhirarki yang membuktikan bahwa metode fuzzy c- means memiliki hasil yang paling baik [4]. Perbandingan metode c-means clustering dan fuzzy c-means clutering serta aplikasinya pada kasus pengelompokkan desa/kelurahan berdasarkan status ketertinggalan yang menunjukkan bahwa metode FCM lebih kokoh mempertahankan banyaknya cluster terhadap adanya data pencilan jika dibandingkan dengan metode CM [5]. Berdasarkan informasi yang telah didapat, penelitian ini dilakukan untuk mengetahui kabupaten/kota yang dapat dikelompokkan berdasarkan kesamaan faktor-faktor yang mempengaruhi angka kematian ibu (AKI) di Provinsi Jawa Timur. Untuk mendapatkan hasil pengelompokkan yang baik, penelitian ini melakukannya pada dua metode dengan menentukan kelompok yang optimum, kemudian dipilih hasil yang terbaik. Metode-metode yang digunakan adalah metode c-means dan fuz-zy c- means. Kebaikan hasil pengelompokkan didasarkan pada kriteria sebaran internal terkecil (icdrate) [6]. II. TINJAUAN PUSTAKA A. Analisis Kelompok Analisis kelompok adalah suatu teknik yang digunakan untuk mengkombinasikan pengamatan kedalam kelompok dengan masing-masing kelompok adalah homogen. Ini menunjukan bahwa pengamatan pada setiap kelompok serupa untuk satu sama lain [7]. Analisis kelompok terdiri dari dua metode, yaitu pengelompokan dengan metode hirarki dan nonhirarki. B. Metode C-means Pengelompokan dengan menggunakan metode c- means didasarkan pada nilai fungsi keanggotaannya, dimana fungsi keanggotaan tersebut didasarkan pada jarak minimum antara objek dengan pusat cluster. Fungsi keanggotaan setiap observasi diperoleh melalui iterasi yang maksimal, dimana tidak ada anggota yang masuk maupun keluar lagi. Maka fungsi keanggotaan c-means didefinisikan pada persamaan (1) dan fungsi objektif didefinisikan pada persamaan (2) [7]. { (1)
2 2 (2) i = 1, 2,..., n ; j = 1, 2,..., c u ki : keanggotaan data ke-k pada kelompok ke-i v i : nilai centroid kelompok ke-i (i) x k : observasi ke-k pada kelompok ke-i Berikut ini adalah langkah-langkah dalam c-means [7]. 1. Membagi item-item ke dalam c-cluster 2. Menghitung nilai centroid dengan rumus. dimana : : centroid/rata-rata cluster ke-i untuk variabel ke-j N : jumlah data pada anggota cluster ke -i : nilai data ke-k untuk variabel ke-j yang ada di dalam cluster tersebut 3. Mengelompokan berdasarkan centroid terdekat dengan menggunakan jarak euclidian. (4) e : jarak Euclidean k : objek ke-k i : centroid kelompok ke-i c : banyak kelompok 4. Menghitung kembali titik pusat cluster (centroid) untuk anggota (item) baru maupun yang keluar. 5. Melakukan iterasi 2 dan 3 hingga tidak ada lagi i- tem yang masuk maupun keluar lagi dimana kriteria konvergensi terpenuhi. C. Himpunan Fuzzy Konsep tentang himpunan fuzzy (fuzzy set=himpunan kabur) diperkenalkan pertama kali pada bulan Juli 1964 oleh Prof. Lotfi A. Zadeh yang menyatakan bahwa ketidakpastian dapat didekati dengan metode lain selain pendekatan probabilitas, yaitu konsep himpunan fuzzy. Himpunan tegas atau himpunan klasik merupakan himpunan dengan batas yang jelas [8]. Di dalam teori himpunan fuzzy terdapat istilah fungsi keanggotaan (membership function), yakni suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Pada penelitian ini fungsi yang digunakan adalah fungsi keanggotaan segitiga (Triangular membership function) [9]. D. Metode Fuzzy C-means Fuzzy C-Means (FCM) merupakan salah satu metode pengelompokan yang dikembangkan dari c-means dengan menerapkan sifat fuzzy dalam fungsi keanggotaannya [10]. Dalam metode FCM dipergunakan variabel membership function ( ), yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu kelompok. FCM meperkenalkan suatu variabel m yang merupakan weighting exponent dari membership function. Variabel ini dapat mengubah besar pengaruh dari membership function, dalam proses clustering (3) menggunakan metode FCM, m mempunyai wilayah nilai lebih besar dari 1 (m>1). Membership function untuk suatu data ke suatu kelompok tertentu dihitung menggunakan rumus (5) [5]. [( ( ) ) ] (5) : membership function data ke-k ke kelompok ke-i : nilai centroid kelompok ke-i : nilai centroid kelompok ke-j x k : objek ke-k m : weighting exponent (pembobot eksponen) c : banyaknya cluster Membership function mempunyai jangkauan nilai 0 1. Data item yang mempunyai tingkat kemungkinan yang lebih tinggi ke suatu kelompok akan mempunyai nilai membership function ke kelompok tersebut yang mendekati angka 1 dan kelompok yang lain mendekati angka 0. Untuk menghitung nilai centroid cluster dapat menggunakan rumus (6) sebagai berikut. v ij (6) Untuk metode FCM, objective function yang digunakan adalah sebagai berikut. (7) U : matriks fungsi keanggotaan objek ke masingmasing kelompok V : matriks centroid masing-masing kelompok n : banyaknya objek/data c : banyaknya kelompok m : weighting exponent (pembobot eksponen) : keanggotaan variabel ke-k ke kelompok ke-i 0 1 : nilai centroid kelompok ke-i x k : objek ke-k (, ) 2 : distance space yang digunakan Algoritma pengelompokan dengan menggunakan metode FCM adalah sebagai berikut [11]. 1. Mendefinisikan matrix X berukuran n x p yang merupakan data yang akan dikelompokan dimana n adalah banyaknya data, sedangkan p adalah banyaknya variabel. 2. Menentukan jumlah cluster=c dan pembobot eksponen=m (m > 1), berdasarkan penelitian [12], nilai dari m yang paling optimal dan sering dipakai adalah m = 2 3. Menghitung centroid dari masing-masing kelompok sesuai persamaan (6) 4. Menghitung distance space, yang merupakan jarak euclidean kuadrat dengan rumus. (8) dimana :
3 3 : jarak antara objek ke-k dengan pusat kelompok ke-i : variabel ke-k : nilai centroid (pusat kelompok) kelompok ke-i c : banyak cluster 5. Menghitung nilai membership function masing-masing data ke masing-masing kelompok dengan persamaan (5). 6. Apabila, maka proses berhenti. Namun apabila perubahan nilai membership function masih di atas nilai threshold (ε), maka kembali ke langkah 3. E. Calinski-Harabasz Pseudo F-statistic Salah satu metode alternatif yang digunakan untuk menentukan banyaknya kelompok optimum adalah Pseudo F-statistic yang dirumuskan oleh Calinski dan Harabasz. Penelitian [13] menunjukkan bahwa Pseudo F- statistic yang selanjutnya disebut Pseudo F, memberikan hasil terbaik dan merupakan metode yang dapat digunakan secara global. Rumus Pseudo F tertulis pada persamaan (9) [14]. e ( ) ( ) ( ) ( ) Keterangan : SST : (Sum Square Total) total jumlah dari kuadrat jarak terhadap rata-rata keseluruhan SSW : (Sum Square Within) total jumlah dari kuadrat jarak sampel terhadap rata-rata kelompoknya n : banyaknya objek c : banyaknya kelompok p : banyaknya variabel : objek ke-k pada kelompok ke-i dan variabel ke-p : rata-rata seluruh sampel pada variabel-p : rata-rata sampel pada kelompok ke-i dan variabel ke-p F. Internal Cluster Dispersion Rate (icdrate) Kriteria dalam menilai kebaikan pengelompokan pada intinya adalah untuk menilai homogenitas dalam cluster dan heterogenitas antar cluster. Perbandingan metode pengelompokan dapat diukur dengan menghitung rata-rata persebaran dalam kelompok atau internal cluster dispersion rate (icdrate) terhadap partisi secara keseluruhan [6]. (9) e (10) Keterangan: SST : total jumlah dari kuadrat jarak terhadap rata-rata keseluruhan. SSW : total jumlah dari kuadrat jarak sampel ter-hadap rata-rata SSB : (Sum Square Between) = SST-SSW R 2 : (Recovery Rate) = SSB/SST Nilai icdrate yang semakin kecil menunjukkan perbedaan keanggotaan tiap kelompok cluster kecil yang artinya pengelompokan berdasar data yang sangat mirip dikelompokkan dalam satu cluster. G. Angka Kematian Ibu (AKI) Kematian ibu yang dimaksud adalah kematian seorang ibu yang disebabkan kehamilan, melahirkan atau nifas, bukan karena kecelakaan. Angka Kematian Ibu (AKI) dihitung per kelahiran hidup [15]. Angka kematian Ibu (AKI) mencerminkan risiko yang dihadapi ibu-ibu selama kehamilan dan melahirkan yang dipengaruhi oleh status gizi ibu, keadaan sosial ekonomi, keadaan kesehatan yang kurang baik menjelang kehamilan, kejadian berbagai komplikasi pada kehamilan dan kelahiran, tersedianya dan penggunaan fasilitas pelayanan kesehatan termasuk pelayanan prenatal dan obstetri. III. METODOLOGI PENELITIAN A. Sumber Data Data yang digunakan adalah data sekunder yang diperoleh dari Dinas Kesehatan Jatim yaitu data Profil Kesehatan Jawa Timur tahun Data tersebut mengenai faktor-faktor yang mempengaruhi angka kematian ibu (AKI) pada tahun Unit penelitian yang diambil sebanyak 38 kabupaten/kota di Jawa Timur B. Variabel Penelitian Varibael yang digunakan dalam penelitian ini sebanyak 8 variabel, yaitu. X 1 = Persentase ibu hamil yang mendapatkan pelayanan K1 (kunjungan antenatal pertama kali) X 2 = Persentase ibu hamil yang mendapatkan pelayanan K4 (kunjungan antenatal sekurang-kurangnya 4 kali) X 3 = Persentase ibu hamil yang mendapatkan tablet Fe X 4 = Persentase persalinan yang ditolong tenaga kesehatan X 5 = Persentase persalinan dibantu oleh dukun tiap kabupaten/kota X 6 = Persentase mendapatkan pelayanan kesehatan ibu nifas X 7 = Persentase ibu hamil yang mengalami komplikasi kebidanan yang ditangani X 8 = Persentase sarana kesehatan di setiap kabupaten/ kota di Jawa Timur X 9 = Persentase RT berperilaku hidup bersih sehat C. Langkah Analisis Berikut ini langkah analisis yang digunakan pada penelitian ini. 1. Menyusun matriks ukuran n x p, dimana n merupakan banyaknya observasi dan p adalah banyaknya variabel. 2. Melakukan analisis deskriptif pada semua variabel. 3. Melakukan uji normal multivariat, uji Kaiser Meyer Olkin (KMO) dan uji Bartlett pada semua variabel. 4. Melakukan pengelompokan dengan metode CM dan FCM dengan membagi item-item ke dalam 2 hingga 7 kelompok. Untuk metode FCM menggunakan pembobot eksponen, m = 2, 3, 4 dan 5.
4 q 4 5. Menentukan jumlah kelompok optimum berdasarkan nilai Pseudo F. 6. Menggambarkan peta pengelompokan dari masingmasing metode c-means dan fuzzy c-means. 7. Melakukan interpretasi hasil pengelompokan pada kasus data faktor-faktor yang mempengaruhi AKI kabupaten/kota di Provinsi Jawa Timur. 8. Melakukan perbandingan hasil pengelompokan antara metode CM dan FCM dengan menggunakan kriteria icdrate. IV. ANALISIS DAN PEMBAHASAN A. Analisis Deskriptif Analisis deskriptif digunakan untuk mengetahui karakteristik kabupaten/kota di Jawa Timur berdasarkan faktor-faktor yang mempengaruhi angka kematian ibu. Tabel 1 Statistika Deskriptif faktor-faktor yang mempengaruhi AKI Var Mean StDev Min Max Target X 1 90,81 6,87 75,18 100,00 99,00 X 2 84,02 7,32 70,67 100,00 92,00 X 3 80,29 8,10 65,37 100,00 85,00 X 4 88,88 6,68 75,02 100,00 94,00 X 5 1,156 2,017 0,000 7,720 - X 6 87,49 6,97 74,42 100,00 95,00 X 7 81,41 13,22 49,65 100,00 80,00 X 8 0, , , , X 9 43,72 14,79 8,50 65,74 60,00 Rata-rata persentase tertinggi adalah ibu hamil yang mendapatkan pelayanan K1(X 1 ) sebesar 90,81%. Sedangkan rata-rata persentase terkecil terdapat pada sarana kesehatan (X 8 ) di setiap kabupaten/kota di Jawa Timur sebesar 0,02965%. Untuk mengetahui ukuran penyebaran yang digunakan adalah standar deviasi. Nilai standar deviasi tertinggi adalah komplikasi kebidanan (X 7 ) sebesar 13,22. Sedangkan sarana kesehatan (X 8 ) di setiap kabupaten/kota di Jawa Timur merupakan nilai standar deviasi terendah yaitu 0, Nilai minimum persentase persalinan yang ditolong oleh dukun (X 5 ) sebesar 0%, menunjukan bahwa terdapat kabupaten/ kota di Jawa Timur yang persalinannya tidak ditolong oleh dukun. Namun masih terdapat kabupaten/kota di Jawa Timur yang persalinan ditolong oleh dukun dengan persentase sebesar 7,72%. Target Provinsi Jawa Timur tahun 2012 untuk pelayanan K1 (X 1 ) sebesar 99,00; pelayanan K4 (X 2 ) sebesar 92,00; pelayanan mendapatkan tablet Fe (X 3 ) sebesar 85,00; persalinan ditolong oleh tenaga kesehatan (X 4 ) sebesar 94,00; pelayanan ibu nifas (X 6 ) sebesar 95,00; komplikasi kebidanan (X 7 ) sebesar 80,00 dan rumah tangga berphbs (X 9 ) sebesar 60,00. B. Analisis Kelompok Asumsi pertama yang harus dipenuhi adalah asumsi data berdistribusi normal multivariat. Hasil q-q plot pada Gambar 1 menunjukan bahwa data berada disekitar garis lurus. Secara visual dapat disimpulkan bahwa data telah berdistribusi normal multivariat. Selain itu dilihat dari nilai t yang dihasilkan dari pengujian dengan menggunakan macro minitab sebesar 0,631579, maka dapat disimpulkan data berdistribusi normal multivariat karena nilai t lebih dari 0,5 persen Gambar 1 q-q plot untuk Uji Normal Multivariat Pada uji Kaiser Meyer Olkin, nilai KMO lebih besar dari 0,5 yaitu sebesar 0,704 (KMO>0,5) maka kecukupan datanya bagus untuk dianalisis. Hasil uji Bartlett Sphericity nilai chi-square adalah 246,052 dengan derajat bebas 36 dan nilai p-value (sig.) 0. Maka dapat diambil keputusan tolak H 0 karena p-value < α yaitu 0 < 0,05 yang artinya ada korelasi antar variabel prediktor. C. Metode C-means Pada Tabel 2 berdasarkan nilai Pseudo F jumlah kelompok yang paling optimum pada metode c-means adalah sebanyak 2 kelompok, dengan nilai Pseudo F yang paling besar diantara kelompok yang lain yaitu sebesar 16,8785. Tabel 2 Nilai Pseudo F Metode C-means masing-masing kelompok Jumlah Nilai Pseudo F Kelompok Metode C-means 2 16, , , , , ,4562 Nilai centroid (titik pusat cluster) yang didapatkan dari kelompok optimum sebanyak 2 kelompok yaitu. dd D merupakan jarak antara objek dengan titik pusat cluster. Jarak yang digunakan dalam pengelompokan c- means adalah jarak euclidian, hasilnya adalah. 15 Berdasarkan Tabel 2 jumlah kelompok optimum yang terbentuk dengan menggunakan metode c-means adalah sebanyak 2 kelompok. Anggota masing-masing kelompok dapat dilihat pada Gambar 2. Gambar 2 menunjukan hasil peta pengelompokan kabupaten/kota di Jawa Timur berdasarkan faktor-faktor yang mempengaruhi angka kematian ibu menggunakan metode c- means secara visual
5 5 Nilai centroid (titik pusat cluster) yang dihasilkan dari kelompok op-timum sebanyak 2 kelompok yaitu. Hasil yang diperoleh untuk jarak euclidean (jarak antara objek dengan titik pusat cluster) adalah sebagai berikut. Gambar 2. Peta pengelompokan kabupaten/kota di Jawa Timur dengan metode c-means Tabel 3 Statistika Deskriptif Kelompok 1 dan Kelompok 2 Variable Nilai rata-rata Nilai rata-rata Kelompok 1 Kelompok 2 Pelayanan K1 85,910 95,714 Pelayanan K4 78,986 89,053 Mendapatkan tablet Fe 77,711 82,871 Linakes 83,677 94,087 Persalinan oleh dukun 1,071 1,241 Pelayanan ibu nifas 82,038 92,942 Komplikasi kebidanan 71,856 90,967 Sarana Kesehatan 0,028 0,031 RT berphbs 44,081 43,363 Berdasarkan Tabel 3, karakteristik di kelompok 1, kabupaten/kota yang memiliki kesamaan persentase lebih rendah untuk pelayanan K1 dan K4, pelayanan mendapatkan tablet Fe, persalinan yang ditolong oleh tenaga kesehatan, persalinan yang dibantu oleh dukun, pelayanan ibu nifas, komplikasi kebidanan dan sarana kesehatan; persentasenya lebih tinggi untuk rumah tangga berphbs dibandingkan kelompok 2. Kabupaten/kota di kelompok 2 memiliki kesamaan karakteristik yaitu persentase tinggi untuk pelayanan K1 dan K4, pelayanan mendapatkan tablet Fe, persalinan yang ditolong oleh tenaga kesehatan, persalinan yang dibantu oleh dukun, pelayanan ibu nifas, komplikasi kebidanan dan sarana kesehatan dibandingkan kelompok 2; persentase lebih tinggi untuk rumah tangga berphbs. D. Metode Fuzzy C-means Tabel 4 menunjukan bahwa pengelompokan yang paling optimum untuk metode fuzzy c-means berdasarkan nilai Pseudo F dengan nilai m yang berbeda adalah sebanyak 2 kelompok, dengan nilai Pseudo F yang paling besar diantara kelompok yang lain yaitu sebesar 16,1078. Tabel 4 Nilai Pseudo F Metode Fuzzy C-means masing-masing kelompok Jumlah Kelompok Nilai Pseudo F Metode Fuzzy C-means m=2 m=3 m=4 m=5 2 16, ,7223 6,9689 4, , ,6626 4,3738 3, ,2937 8,2407 2,8461 1, ,7557 6,0369 2,1368 1, ,5940 5,5725 3,7686 0, ,2160 4,3677 3,0168 0,8808 Dengan menggunakan fungsi keanggotaan segitiga diperoleh nilai membership function dari masing-masing data di masing-masing kelompok adalah. Jika nilai membership function kelompok ada yang mendekati angka 1 maka data item tersebut merupakan anggota dari kelompok tersebut. Peta pengelompokan kabupaten/kota di Jawa Timur berdasarkan faktor-faktor yang mempengaruhi angka kematian ibu menggunakan metode fuzzy c-means disajikan pada Gambar 3. Gambar 3 Peta pengelompokan kabupaten/kota di Jawa Timur dengan metode fuzzy c-means Tabel 5 Statistika Deskriptif Kelompok 1 dan Kelompok 2 Variable Nilai rata-rata Nilai rata-rata Kelompok 1 Kelompok 2 Pelayanan K1 85,910 95,714 Pelayanan K4 78,986 89,053 Mendapatkan tablet Fe 77,711 82,871 Linakes 83,677 94,087 Persalinan oleh dukun 1,071 1,241 Pelayanan ibu nifas 82,038 92,942 Komplikasi kebidanan 71,856 90,967 Sarana Kesehatan 0,028 0,031 RT berphbs 44,081 43,363
6 6 Berdasarkan Tabel 5, karakteristik kelompok 1 merupakan kabupaten/kota yang memiliki kesamaan persentase pelayanan K1 dan K4, pelayanan mendapatkan tablet Fe, persalinan yang ditolong oleh tenaga kesehatan, persalinan yang dibantu oleh dukun, pelayanan ibu nifas, komplikasi kebidanan dan sarana kesehatan lebih rendah; sedangkan persentase rumah tangga berphbs lebih tinggi. Kesamaan yang dimilki oleh kabupaten/kota di kelompok 2 adalah tingginya persentase pelayanan K1 dan K4, pelayanan mendapatkan tablet Fe, persalinan yang ditolong oleh tenaga kesehatan, persalinan yang dibantu oleh dukun, pelayanan ibu nifas, komplikasi kebidanan dan sarana kesehatan; namun persentase untuk dan rumah tangga berphbs rendah. E. Perbandingan antara Metode C-means dan Metode Fuzzy C-means Perbandingan metode pengelompokan dapat diukur dengan menghitung rata-rata persebaran dalam kelompok atau internal cluster dispersion rate (icdrate). Semakin kecil nilai icdrate, maka semakin baik metode tersebut dalam melakukan pengelompokan. Tabel 6 Nilai Icdrate pada Metode C-means dan Fuzzy C-means Metode C-means Metode Fuzzy C-means Jumlah Kelompok 2 2 SSW 16557, ,35 SST 24320, ,37 Nilai Icdrate 0,6808 0,6909 Dari Tabel 6 dapat diketahui bahwa jumlah kelompok optimum metode c-means dan fuzzy c-means sebanyak 2 kelompok. Nilai keragaman dalam kelompok (SSW) pada metode c-means sebesar 16557,45 dan fuzzy c-means sebesar 16802,35. Nilai icdrate yang diperoleh menggunakan metode c-means sebesar 0,6808 dan fuzzy c-means sebesar 0,6909. Berdasarkan nilai icdrate terkecil yaitu 0,6808, metode terbaik dalam kasus pengelompokan kabupaten/ kota di Jawa Timur berdasarkan faktor-faktor yang mempengaruhi angka kematian ibu adalah metode c-means. V. KESIMPULAN Persentase tertinggi untuk ibu hamil yang mendapatkan pelayanan K1, ibu hamil yang mendapatkan pelayanan K4, persalinan yang ditolong oleh tenaga kesehatan, dan pelayanan kesehatan ibu nifas adalah kabupaten Lamongan. Persentase rumah tangga PHBS tertinggi adalah Kota Kediri, namun Kota Kediri merupakan kota yang nilai persentasenya terendah untuk ibu hamil yang mendapatkan pelayanan K1 dan persalinan yang ditolong tenaga kesehatan. Persentase ibu hamil yang mendapatkan tablet Fe tertinggi adalah Kota Malang. Di Kabupaten Bondowoso persalinan yang dibantu oleh dukun merupakan persentase tertinggi. Kabupaten Gresik adalah kabupaten yang persentasenya paling tinggi untuk ibu hamil yang mengalami komplikasi kebidanan yang ditangani. Persentase sarana kesehatan tertinggi di Kabupaten Sumenep, tetapi Kabupaten Sumenep juga merupakan kabupaten yang persentasenya terendah untuk ibu hamil yang mengalami komplikasi kebidanan yang ditangani. Asumsi berdistribusi normal multivariat dan ada korelasi antar variabel bebas telah dipenuhi untuk data faktor-faktor yang mempengaruhi angka kematian ibu di kabupaten/kota di Jawa Timur. Hasil dari pengelompokan menggunakan metode c-means dan fuzzy c-means jumlah kelompok paling optimum adalah sebanyak 2 kelompok, dengan nilai Pseudo F yang paling besar diantara kelompok yang lain. Kriteria nilai icdrate digunakan untuk membandingkan metode pengelompokan. Semakin kecil nilai icdrate, maka semakin baik metode tersebut dalam melakukan pengelompokan. Hasil nilai icdrate terkecil terdapat pada metode c-means sehingga dalam pengelompokan kabupaten/kota di Jawa Timur berdasarkan faktor-faktor yang mempengaruhi angka kematian ibu metode yang terbaik untuk digunakan adalah metode c-means. DAFTAR PUSTAKA [1] Badan Perencanaan Pembangunan Nasional Laporan perkembangan Pencapaian Tujuan Pembangunan Milenium (Millenium Development Goals/MDGs). Bapenas. Jakarta. Indonesia [2] Dinas Kesehatan Provinsi Jawa Timur Profil Kesehatan Provinsi Jawa Timur Tahun Surabaya: Dinas Kesehatan Provinsi Jawa Timur. [3] Dermawan, D.A Pemodelan Angka Kematian Ibu di Kabupaten Bojonegoro dengan Pendekatan Geographically Weighted Regression. Tugas Akhir Statistika-FMIPA. Surabaya: Institut Teknologi Sepuluh Nopember. [4] Lailiyah, A.R Pengelompokkan Kabupaten/ Kota di Jawa Timur berdasarkan Kesamaan Nilai Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran Terbukan dengan Metode Hirarki dan Nonhirarki. Tugas Akhir Statistika-FMIPA. Surabaya: Institut Teknologi Sepuluh Nopember [5] Sukim Metode C-Means Cluster dan Fuzzy C-Means Cluster Serta Aplikasinya pada Kasus Pengelompokkan Desa/ Keluruhan Berdasarkan Status Ketertinggalan. Thesis Statistika- FMIPA. Surabaya : Institut Teknologi Sepuluh Nopember. [6] Mingoti, S.A. & Lima, J.O Comparing SOM neural Network with Fuzzy c-means, K-means and Traditional hierarchical clustering algorithms. European journal of Operational Research 174 : [7] Johnson, R.A. & Wichern, D.W Applied Multivariate Statistical Analysis, 5th ed. New Jersey: Prentice Hall International Inc. [8] Jang, J. S, Sun, C. T., dan Mizutani, E Neuro Fuzzy and Soft Computing, Prentice Hall, New York. [9] Kusumadewi, S Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogjakarta: Graha Ilmu [10] Agusta, Y K-Means Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika. Vol.3: [11] Bezdek, J.C., Ehrlich, R., Full, W FCM: Fuzzy C-Means Clustering Algorithm. USA: Comp-ters & Geosciences Vol. 10, No. 2-3, pp [12] Klawonn, F & Keller, A Fuzzy Clustering and Fuzzy Rules. Science Journal. [13] Milligan, G. W. & Cooper, M. C An Examination of Procedures for Determining The Number of Cluster in a Data Set. Psychometrika 50, 2: [14] Orpin, A.R. & Kostylev, V.E Towards a statistically valid method of textural sea floor characterization of benthic habitats. Marine Geology 225 : [15] Dinas Kesehatan Provinsi Jawa Tengah Profil Kesehatan Provinsi Jawa Timur Tahun 2011.Semarang: Dinas Kesehatan Provinsi Jawa Tengah
Kata kunci : Strategi T3, C-means, Fuzzy c-means
PERBANDINGAN PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASARKAN INDIKATOR PENCAPAIAN STRATEGI T3 UNTUK SEKOLAH MENENGAH KEJURUAN DENGAN METODE C-MEANS DAN FUZZY C-MEANS 1 Finda Qori ah dan 2 Sony Sunaryo
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN METODE MINIMAX LINKAGE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 253-260 PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI NUSA TENGGARA TIMUR BERDASARKAN PELAYANAN KESEHATAN IBU DAN ANAK MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS CLUSTER
TUGAS AKHIR SS141501 PENGELOMPOKAN KABUPATEN/KOTA DI NUSA TENGGARA TIMUR BERDASARKAN PELAYANAN KESEHATAN IBU DAN ANAK MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS CLUSTER MILLAH AZKIYAH NRP 1315 105 029 Dosen
Lebih terperinciAnalisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur
Analisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur Qonitatin Nafisah, Novita Eka Chandra Jurusan Matematika Fakultas MIPA Universitas Islam Darul Ulum Lamongan
Lebih terperinciCLUSTER POTENSI SEKTOR PERIKANAN PADA PERAIRAN UMUM DI JAWA TIMUR TAHUN 2016
CLUSTER POTENSI SEKTOR PERIKANAN PADA PERAIRAN UMUM DI JAWA TIMUR TAHUN 2016 R.A. Norromadani Yuniati 1), Farizi Rachman 2) 1 Program Studi Manajemen Bisnis, Jurusan Teknik Bangunan Kapal, Politeknik Perkapalan
Lebih terperinciPemetaan Sektor Perikanan Laut Kabupaten/ Kota Jawa Timur dengan Metode Fuzzy K-Means Clustering
Pemetaan Sektor Perikanan Laut Kabupaten/ Kota Jawa Timur dengan Metode Fuzzy K-Means Clustering R.A. Norromadani.Y 1, Farizi Rahman 2, M. Basuki Rahmat 3 1 Program Studi Manajemen Bisnis, Jurusan Teknik
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 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 terperinciKematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lebih terperinciBAB 1 : PENDAHULUAN. negara-negara di dunia sebagai pengganti pembangunan global Millenium
BAB 1 : PENDAHULUAN 1.1 Latar Belakang Sustainable Development Goals (SDGs) merupakan upaya pembangunan berkelanjutan yang menjadi acuan dalam kerangka pembanggunan dan perundingan negara-negara di dunia
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 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 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 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 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 terperinciANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS)
ANALISIS MULTIVARIAT ANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS) Oleh : Rizka Fauzia 1311 100 126 Dosen Pengampu: Santi Wulan Purnami S.Si., M.Si. PROGRAM STUDI SARJANA JURUSAN
Lebih 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 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(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 terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih 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 terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciBAB 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 terperinciPENGELOMPOKKAN DESA DI KABUPATEN SORONG PROVINSI PAPUA BARAT TAHUN 2016 BERDASARKAN STATUS KETERTINGGALAN
PENGELOMPOKKAN DESA DI KABUPATEN SORONG PROVINSI PAPUA BARAT TAHUN 2016 BERDASARKAN STATUS KETERTINGGALAN Indah Ratih Anggriyani 1), Dariani Matualage 2), Esther Ria Matulessy 3) 1)2)3) Jurusan Matematika
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 terperinciAnalisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM)
Sidang Tugas Akhir Surabaya, 15 Juni 2012 Analisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM) Wenthy Oktavin Mayasari
Lebih terperinciPROSIDING ISSN: M-14 ANALISIS K-MEANS CLUSTER UNTUK PENGELOMPOKAN KABUPATEN /KOTA DI JAWABARAT BERDASARKAN INDIKATOR MASYARAKAT
M-14 ANALISIS K-MEANS CLUSTER UNTUK PENGELOMPOKAN KABUPATEN /KOTA DI JAWABARAT BERDASARKAN INDIKATOR MASYARAKAT Soemartini 1, dan Enny Supartini 2 1,2) Departemen Statistika FMIPA UNPAD Bandung tine_soemartini@yahoocom,
Lebih terperinciAnalisis 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 terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR PENDIDIKAN FORMAL WAJIB BELAJAR 12 TAHUN MENGGUNAKAN CLUSTER HIERARCHY
TUGAS AKHIR SS 145561 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TIMUR BERDASARKAN INDIKATOR PENDIDIKAN FORMAL WAJIB BELAJAR 12 TAHUN MENGGUNAKAN CLUSTER HIERARCHY PUSPA DESI TRI ANDINI NRP 1314 030
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciAnalisis Pengelompokkan Berdasarkan Indikator Partisipasi Perempuan di Propinsi Jawa Timur
Nama : Analisis Pengelompokkan Berdasarkan Indikator Partisipasi Perempuan di Propinsi Jawa Timur Dimas Okky S. (1307030006) Dosen Pembimbing : Dr.Dra.Ismaini Zain, MSi PENDAHULUAN LATAR BELAKANG Partisipasi
Lebih terperinciAnalisis Cluster Kabupaten/Kota Berdasarkan Pertumbuhan ekonomi Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol., No.1, (013) 337-350 (301-98X Print) 1 Analisis Cluster Kabupaten/Kota Berdasarkan Pertumbuhan ekonomi Jawa Timur Siti Machfudhoh, Nuri Wahyuningsih Jurusan Matematika,
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
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 terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciBAB III PEMBAHASAN. Analisis cluster merupakan analisis yang bertujuan untuk. mengelompokkan objek-objek pengamatan berdasarkan karakteristik yang
BAB III PEMBAHASAN Analisis cluster merupakan analisis yang bertujuan untuk mengelompokkan objek-objek pengamatan berdasarkan karakteristik yang dimiliki. Asumsi-asumsi dalam analisis cluster yaitu sampel
Lebih terperinciANALISIS BIPLOT UNTUK PEMETAAN KARAKTERISTIK KEMISKINAN PADA KABUPATEN/KOTA DI JAWA TIMUR. Gangga Anuraga ABSTRAK
ANALISIS BIPLOT UNTUK PEMETAAN KARAKTERISTIK KEMISKINAN PADA KABUPATEN/KOTA DI JAWA TIMUR Gangga Anuraga Dosen Program Studi Statistika MIPA Universitas PGRI Adi Buana Surabaya E-mail : ganuraga@gmail.com
Lebih terperinciBAB I PENDAHULUAN. Sekarang ini penelitian sering kali melibatkan beberapa variabel
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sekarang ini penelitian sering kali melibatkan beberapa variabel pengamatan. Data yang diperoleh dengan mengukur lebih dari satu variabel pengamatan pada setiap
Lebih terperinciPENGGEROMBOLAN DAERAH TERTINGGAL DI INDONESIA DENGAN FUZZY K-RATAAN (Clustering Backward Region in Indonesia Using Fuzzy C-Means Cluster)
, April 2010 p : 22-27 ISSN : 0853-8115 Vol 15 No.1 PENGGEROMBOLAN DAERAH TERTINGGAL DI INDONESIA DENGAN FUZZY K-RATAAN (Clustering Backward Region in Indonesia Using Fuzzy C-Means Cluster) Titin Agustin
Lebih terperinciAnalisis Pengendalian Kualitas Multivariate Air Minum (Studi Kasus di PDAM Gresik)
J. Math. and Its Appl. ISSN: 19-65X Vol., No. 1, May. 5, 47 59 Analisis Pengendalian Kualitas Multivariate Air Minum (Studi Kasus di PDAM Gresik) Nuri Wahyuningsih, Dwi Pusdikarta Jurusan Matematika Institut
Lebih terperinciKeywords : canonical correlation, maternal mortality rates, infant mortality rates.
Aplikasi Korelasi Kanonikal Pada Faktor Faktor Yang Mempengaruhi Angka Kematian Ibu Dan Bayi Di Provinsi Jawa Timur Canonical Correlation Application On The Factors That Influence Maternal And Infant Mortality
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 terperinciAnalisis Pengelompokan dengan Metode K-Rataan
511 Analisis Pengelompokan dengan Metode K-Rataan Titin Agustin Nengsih Fakultas Syariah IAIN Sulthan Thaha Saifuddin Jambi Abstrak Analisis pengelompokkan adalah salah satu metode eksplorasi data untuk
Lebih terperinciKata Kunci kematian maternal, regresi, spline, nonparametrik, GCV
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-13 Pendekatan Spline untuk Estimasi Kurva Regresi Nonparametrik (Studi Kasus pada Data Angka Kematian Maternal di Jawa Timur)
Lebih terperinciPengelompokan Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Indikator Pendidikan SMA/SMK/MA dengan Metode C-Means dan Fuzzy C-Means
1 Pengelomokan Kabuaten/Kota di Provinsi Jawa Timur Berdasarkan Indikator Pendidikan SMA/SMK/MA dengan Metode C-Means dan Fuzzy C-Means Hanna Silia Karti dan Irhamah Jurusan Statistika, FMIPA, Institut
Lebih terperinciProsiding 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 terperinciPenerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015
Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015 Nurika Nidyashofa 1*, Deden Istiawan 22 1 Statistika, Akademi Statistika
Lebih terperinciPENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER ENSEMBLE
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 13 23 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER
Lebih terperinciBAB 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 terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciAnalisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016
Analisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016 Rana Amani Desenaldo 1 Universitas Padjadjaran 1 rana.desenaldo@gmail.com ABSTRAK Kesejahteraan sosial adalah
Lebih terperinciPENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN)
Saintia Matematika Vol. 1, No. 6 (2013), pp. 507 516. PENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN) Juliarti Hardika,
Lebih terperinciOleh : Nita Indah Mayasari Dosen Pembimbing : Dra. Ismaini Zain, M.Si
Oleh : Nita Indah Mayasari - 1305 100 024 Dosen Pembimbing : Dra. Ismaini Zain, M.Si Jawa Timur Angka Rawan Pangan 19,3 % STATUS EKONOMI SOSIAL Rumah Tangga Pedesaan Rumah Tangga Perkotaan Perbedaan pengeluaran
Lebih terperinciANALISIS KELOMPOK METODE HIRARKI UNTUK PENGELOMPOKAN KOTA/KABUPATEN DI JAWA TIMUR BERDASARKAN INDIKATOR KETENAGAKERJAAN,,
1 ANALISIS KELOMPOK METODE HIRARKI UNTUK PENGELOMPOKAN KOTA/KABUPATEN DI JAWA TIMUR BERDASARKAN INDIKATOR KETENAGAKERJAAN,, Universitas Negeri Malang E-mail: desypurwaningyas@ymail.com Abstrak: Dengan
Lebih terperinciPEMODELAN DAN PEMETAAN FAKTOR UNMET NEED KB DI JAWA TIMUR SEBAGAI PERENCANAAN MENCEGAH LEDAKAN PENDUDUK DENGAN REGRESI LOGISTIK BINER
PEMODELAN DAN PEMETAAN FAKTOR UNMET NEED KB DI JAWA TIMUR SEBAGAI PERENCANAAN MENCEGAH LEDAKAN PENDUDUK DENGAN REGRESI LOGISTIK BINER Anita Trias Anggraeni 1), Destri Susilaningrum 2) 1)2) Statistika,
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
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 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 terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciPEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
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 terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
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 terperinciSecond-Order Confirmatory Factor Analysis pada Kemiskinan di Kabupaten Jombang
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Print) D-78 Second-Order Confirmatory Factor Analysis pada di Kabupaten Jombang Masnatul Laili dan Bambang Widanarko Otok Jurusan Statistika,
Lebih terperinciSEMINAR TUGAS AKHIR 16 JANUARI Penyaji : I Dewa Ayu Made Istri Wulandari Pembimbing : Prof.Dr.Drs. I Nyoman Budiantara, M.
16 JANUARI ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR DENGAN METODE REGRESI NONPARAMETRIK BIRESPON SPLINE Penyaji : I Dewa Ayu Made Istri Wulandari
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 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 terperinciPERBANDINGAN HASIL PENGGEROMBOLAN K-MEANS, FUZZY K- MEANS, DAN TWO STEP CLUSTERING. Lathifaturrahmah
JPM IAIN Antasari Vol. 02 No. 1 Juli Desember 2014, h. 39-62 PERBANDINGAN HASIL PENGGEROMBOLAN K-MEANS, FUZZY K- MEANS, DAN TWO STEP CLUSTERING Abstrak Analisis gerombol merupakan salah satu metode peubah
Lebih terperinciANALISIS KELOMPOK DENGAN MENGGUNAKAN METODE HIERARKI UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASAR INDIKATOR KESEHATAN
1 ANALISIS KELOMPOK DENGAN MENGGUNAKAN METODE HIERARKI UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI JAWA TIMUR BERDASAR INDIKATOR KESEHATAN, dan, Universitas Negeri Malang Email: lina_ninos26@yahoo.com ABSTRAK:
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-321
JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) 337-35 (1-98X Print) D-31 Analisis Clustering Perusahaan Sub Sektor Perbankan berdasarkan Rasio Keuangan CAMELS Tahun 14 menggunakan Metode Fuzzy C-Means dan Fuzzy
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 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 terperinciAnalisis Faktor dan Pengelompokan Kecamatan berdasarkan Indikator Mutu Pendidikan Jenjang Pendidikan Dasar di Kabupaten Sidoarjo
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-236 Analisis Faktor dan Pengelompokan Kecamatan berdasarkan Indikator Mutu Pendidikan Jenjang Pendidikan Dasar di Kabupaten
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 terperinciUniversitas Negeri Malang Kata Kunci: cluster, single linkage, complete linkage, silhouette, pembangunan manusia.
1 PERBANDINGAN JUMLAH KELOMPOK OPTIMAL PADA METODE SINGLE LINKAGE DAN COMPLETE LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE: Studi Kasus pada Data Pembangunan Manusia Jawa Timur Yuli Novita Indriani 1, Abadyo
Lebih terperinciPENENTUAN DIAGRAM KENDALI DALAM ANALISIS KUALITAS PRODUKSI BISKUIT SQUARE PUFF PT. UBM BISCUIT SIDOARJO
Program Studi MMT-ITS, Surabaya Februari 3 PENENTUAN DIAGRAM KENDALI DALAM ANALISIS KUALITAS PRODUKSI BISKUIT SQUARE PUFF PT. UBM BISCUIT SIDOARJO Rizal Rinumpoko *), Septia Fendiasari, Lucia Aridinanti,
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 terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperinciAnalisis Diskriminan untuk Mengetahui Faktor yang Mempengaruhi Pilihan Program Studi Matematika di FMIPA dan FKIP Universitas Sriwijaya
Jurnal Penelitian Sains Volume 14 Nomer 4(A) 14403 Analisis Diskriminan untuk Mengetahui Faktor yang Mempengaruhi Pilihan Program Studi Matematika di FMIPA dan FKIP Universitas Sriwijaya Yuli Andriani,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 907-916 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI LINIER MULTIVARIAT DENGAN METODE PEMILIHAN
Lebih terperinciJURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER. Ayunanda Melliana Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.
JURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER Seminar hasil TUGAS AKHIR Ayunanda Melliana 1309100104 Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.Si PENDAHULUAN Latar Belakang Rumusan Masalah
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 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 terperinciIV METODE PENELITIAN 4.1. Lokasi dan Waktu penelitian 4.2. Data dan Metode Pengambilan Sampel
IV METODE PENELITIAN 4.1. Lokasi dan Waktu penelitian Penelitian dilakukan terhadap pengunjung Daiji Raamen yang terletak di Jalan Pajajaran No. 7. Pemilihan lokasi penelitian dilakukan secara sengaja
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciPERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE F UZZY MAMDANI DENGAN F UZZY SUGENO PADA PT XYZ. Rianto Samosir, Iryanto, Rosman Siregar
Saintia Matematika Vol. 1, No. 6 (2013), pp. 517-527. PERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE F UZZY MAMDANI DENGAN F UZZY SUGENO PADA PT XYZ Rianto Samosir, Iryanto, Rosman Siregar Abstrak: Logika
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 terperinciPemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal
Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita
Lebih terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
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 terperinciPengendalian Kualitas Statistik Produk Botol Sting 240 ml di PT IGLAS (Persero) Oleh: Wahyu Eka Kusumaningrum
Pengendalian Kualitas Statistik Produk Botol Sting 40 ml di PT IGLAS (Persero) Oleh: Wahyu Eka Kusumaningrum 1308030047 PENDAHULUAN LATAR BELAKANG PT IGLAS (Persero) merupakan perusahaan manufacturing
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
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 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 terperinciKLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS
1 KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS (Study Kasus : Tim Hockey Kabupaten Kendal) Alith Fajar Muhammad Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinci