DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
|
|
- Liani Rachman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas Teknik Universitas Siliwangi ABSTRAK rekap penumpang yang terkumpul setiap hari pada perusahaan travel mengakibatkan besarnya jumlah data tersimpan dalam tumpukan data. Jumlah penumpang pada setiap jadwal keberangkatan berfluktuasi, sehingga gambaran jadwal keberangkatan yang berpotensi baik, sedang, dan kurang tidak diketahui. Dengan memanfaatkan data-data tersebut, proses penggalian data sebagai informasi penting bagi perusahaan dapat dilakukan dengan data mining. Metode yang digunakan diantaranya metode Fuzzy C-Means menggunakan data yang bersumber dari data rekap penumpang selama dua tahun, yakni 2013 hingga Metode Fuzzy C-Means ini menghasilkan output berupa tiga cluster yaitu menguntungkan sebanyak 25% jadwal keberangkatan, cukup 50% jadwal keberangkatan, dan merugikan 25% jadwal keberangkatan. Kata Kunci: Perusahaan Travel, Jadwal Keberangkatan, Mining, Fuzzy C-Means ABSTRACT entry of passangers that has been collected everyday in travel company caused big amount of data saved in the data base. The amount of passangers in every departure were fluctuative. Therefore, description of departure schedule that has good potensial, midle potensial and less potensial cannot be indentified. By using those data, the process of gaining important information for the company can be undertaken by using data mining. mining can be undertaken by using various methods. One of methods that used in this research was Fuzzy C- Means clustering method which used data from data entry of passangers for two years (2013 to 2014). Fuzzy C- means method produced three clusters as the output. The results showed that 25% of departure schedule is profitable, 50 % produced enough profit and 25 % inflicted a financial loss. Keywords: Travel Company, Departure Schedule, Mining, Fuzzy C-Means 1. Pendahuluan 1.1 Latar Belakang Perusahaan-perusahaan yang bergerak dibidang jasa mulai bermunculan selaras dengan tuntutan kebutuhan manusia. Salah satu perusahaan jasa yaitu perusahaan travel yang bergerak di bidang transportasi. Munculnya jasa tour dan travel pada saat ini membuat masyarakat lebih mudah dalam mendapatkan jasa transportasi [6]. Pada awal berdiri perusahaan ini hanya memiliki empat jadwal keberangkatan, terciptanya loyalitas pelanggan mengakibatkan kenaikan penjualan, maka pihak perusahaan menambah jadwal keberangkatan menjadi delapan setiap harinya sehingga data rekap penumpang pada penjualan jumlahnya semakin banyak. jumlah penumpang pada setiap jadwal keberangkatan berfluktuasi, sehingga gambaran jadwal keberangkatan yang berpotensi baik, sedang dan kurang tidak diketahui. Pelebaran kesenjangan antara data dan informasi menjadikan pengembangan sistematis alat data mining yang dapat mengubah data menjadi gunung emas pengetahuan (Han, Kamber, & Pei, 2012). Dari data rekap penumpang PT. XYZ menampilkan beberapa jadwal keberangkatan dengan jumlah penumpang bervariasi. Untuk itu diusulkan jadwal keberangkatan potensial untuk mengetahui jadwal mana saja yang menghasilkan profit dengan jumlah yang banyak ataupun sedikit. Menurut Prasetyo (2014) metode (clustering) dibagi menjadi 2 bagian, yaitu cluster berbasis partisi dan cluster berbasis hierarki. Cluster berbasis partisi terdiri dari K-Means, K-Harmonic Means, K-Modes, dan Fuzzy C-Means, sedangkan cluster berbasis hierarki yaitu Agglomerative Hierarchical Cluster dan Divisive Hierarchical Cluster. Algoritma clustering yang bagus tergantung pada penerapan set data yang diproses [4]. Pemilihan metode clustering dengan jenis algoritma Fuzzy C- Means digunakan untuk menyelesaikan permasalahan di atas, karena data yang akan digunakan berupa data numerik yaitu dari rekap penumpang pada data penjualan serta dapat mengelompokkan data dalam jumlah besar dengan waktu yang relatif cepat dan efisien. Dengan demikian pemilihan metode yang tepat dapat memperoleh hasil yang akurat dalam pengolahan data mining. Begitu pula pengolahan data yang akan dilakukan pada PT. XYZ yang bertujuan untuk mengetahui jadwal keberangkatan yang menguntungkan, cukup, dan merugikan. 1.2 Rumusan Masalah Bagaimana pola dan implementasi Fuzzy C-Means pada jadwal keberangkatan di Travel PT. Starline Cabang Tasikmalaya periode
2 1.3 Batasan Masalah Hal yang menjadi batasan dan dasar pada penelitian ini adalah data yang akan dianalisa merupakan data rekap penumpang pada tahun 2013 dan Tujuan Penelitian Mengimplementasikan data mining menggunakan algoritma Fuzzy C-Means dengan metode (clustering) untuk mengetahui jadwal keberangkatan yang menguntungkan, cukup, dan merugikan bagi perusahaan. 2. Landasan Teori 2.1 Mining mining adalah proses penemuan berbagai model, ringkasan, dan nilai-nilai yang berasal dari kumpulan data yang diperoleh [3]. Mining juga merupakan bagian dari proses penggalian pengetahuan dalam database yang sering disebut Knowledge Discovery from base (KDD). KDD atau Knowledge Discovery from base, merupakan proses terstruktur, yaitu sebagai berikut: [2]. 1. Cleaning (proses membersihkan data dari data noise dan tidak konsisten). 2. Integration (proses untuk menggabungkan data dari beberapa sumber yang berbeda). 3. Transformation (proses mengubah bentuk data menjadi data yang sesuai untuk proses mining). 4. Mining (proses penting yang menggunakan sebuah metode tertentu untuk memperoleh sebuah pola dari data). 5. Pattern Evaluation (proses mengidentifikasi pola yang dapat merepresentasikan informasi yang dibutuhkan). 2.2 Clustering Clustering adalah metode untuk membagi satu set data (catatan/ tupel/ vektor/ contoh/ objek/ sampel) dalam beberapa kelompok (cluster), berdasarkan kesamaan tertentu yang telah ditentukan [1]. 2.3 Metode Fuzzy C-Means Fuzzy C-Means adalah salah satu teknik pengelompokkan data yang mana keberadaan tiap titik data dalam suatu kelompok (cluster) ditentukan oleh derajat keanggotan. Metode Fuzzy C-Means termasuk metode supervised clustering dimana jumlah pusat cluster ditentukan di dalam proses clustering [5]. Algoritma Fuzzy C-Means disusun dengan langkah sebagai berikut: [5]. 1. Input data yang akan di cluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). X ij = data sampel ke-i (i=1,2,...,n), atribut ke-j (j=1,2,...,m). 2. Tentukan: Jumlah cluster yang akan dibentuk = c (c 2); Pangkat (pembobot) = w (w > 1), nilai dari w yang paling optimal dan sering dipakai adalah w = 2 (Klawonn dan Keller,1997); =w; Maksimum iterasi = Maxlter; Error terkecil yang diharapkan (nilai positif yang sangat kecil) sebagai kriteria penghentian = ξ; Fungsi objektif awal = P 0 = 0; Iterasi awal = t = 1; 3. Bangkitkan bilangan random µ ik = 1,2,...,n; k = 1,2,...,c; sebagai elemen-elemen matriks partisi awal U. Hitung jumlah setiap kolom (atribut): Q j = c k=1 µ ik (1) dengan j= 1,2,...m. Hitung: μ ik = μ ik (2) Q j 4. Hitung pusat cluster ke-k: V kj, dengan k= 1,2,...,c; dan j= 1,2,...,m. V kj = n i=1 ((μ ik) w x ij ) (3) n i=1(μ ik ) w 5. Hitung fungsi objektif pada iterasi ke-t, P i: n c P t = k=1([ m j=1 (X ij V kj ) 2 ](μ ik ) w ) 6. Hitung perubahan matriks partisi: μ ik = i=1 (4) [ m j=1 (X ij V kj ) 2 1 ] w 1 [ (X ij V kj ) 2 1 c m ] w 1 k=1 j=1 (5) Dengan: i = 1,2,...,n; k = 1,2,...,c. 7. Cek kondisi berhenti: Jika: (ǀ Pt Pt-1 ǀ < ξ) atau (t > Maxlter) maka berhenti; Jika tidak: t = t + 1, ulangi kembali langkah ke Metodologi Penelitian dimulai dengan mengumpulkan data referensi konsep dan algoritma data mining, khususnya algoritma Fuzzy C-Means. Dibutuhkan juga data set yang dikumpulkan dari data penjualan travel PT. XYZ Cabang Tasikmalaya. tersebut didapatkan dari Kepala Cabang Travel PT.XYZ Tasikmalaya. Setelah pengumpulan data, kemudian dilakukan tahap persiapan proses data mining yang terdiri dari Cleaning, Integration dan Selection. 3.1 Cleaning Cleaning merupakan proses untuk dapat mengatasi nilai yang hilang, noise dan data yang tidak konsisten [2]. Proses cleaning dilakukan pada kolom, seperti pada tabel dibawah ini: Tabel 3.1 Proses Cleaning Sebelum Cleaning Sesudah Alasan Dihilangkan - Perubahan No nilainya selalu Jadwal Keberang katan Tetap, tapi tidak dipilih konstan Ke-i Memiliki nilai yang menjadi set data 2
3 Senin Selasa Rabu Kamis Jumat Sabtu Minggu Total Pnp Baris Jumlah Rata2 pnp Dihilangkan Weekday pnp Nilainya dimasukan Dihilangkan Weekend Nilainya weekend pnp Dihilangkan Weekend Nilainya weekend pnp Dihilangkan - Nilainya tidak Dihilangkan - Nilainya tidak Dihilangkan Weekday pnp Nilainya tidak 3.2 Integration Integration merupakan proses menggabungkan data dari banyak database atau data warehouse. set yang telah melalui proses cleaning perlu di integrasikan antara setiap bulannya karena data tersebut terpisah. ini diintegrasikan periodenya menjadi setiap 4 bulan sekali. 3.3 Transformation Transformation dilakukan untuk mengubah bentuk data menjadi format data yang dapat diketahui oleh Mining Tools. Hal ini tentunya akan sangat membantu memudahkan pengguna dalam proses mining ataupun memahami hasil yang didapat [2]. set yang telah melalui proses cleaning dan integrasi perlu dilakukan transformasi karena data rekap penumpang akan dibuat menjadi data set yang dapat diketahui atau sesuai untuk di-mining. 3.4 Mining a. Fuzzy C-Means Dalam metode Fuzzy C-Means keanggotaan sebuah data tidak diberikan nilai secara tegas dengan nilai 1 (menjadi anggota) dan 0 (tidak menjadi anggota) melainkan dengan satu nilai derajat keanggotaan yang jangkauan nilainya 0 sampai 1. Fuzzy menentukan status sebuah data pada setiap himpunan berdasarkan nilai derajat keanggotaan pada setiap himpunan [4]. Berikut langkah-langkah Algoritma Fuzzy C-Means yang dijelaskan di bab 2 sebagai berikut: 1. Input data yang akan di cluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). X ij = data sampel ke-i (i=1,2,...,n), atribut ke-j (j=1,2,...,m). Tabel 3.2 Set Matriks X ATRIBUT Ke-i X Y (1) (2) 1 63% 48% 2 59% 52% 3 58% 58% 4 58% 61% 5 55% 60% 6 46% 55% 7 51% 61% 8 46% 51% 2. Ditentukan nilai awal sebagai berikut:: Jumlah cluster yang akan dibentuk adalah 3, yaitu menguntungkan, cukup, dan merugikan. Pangkat atau pembobot yang digunakan adalah 2. Maksimum iterasi adalah 10. Error terkecil yang diharapkan adalah Fungsi objektif awal yang digunakan adalah 0. Nilai iterasi awal adalah Membangkitkan bilangan random µ ik = 1,2,...,n; k = 1,2,...,c; sebagai elemen-elemen matriks partisi awal U. Tabel 3.3 Matriks Partisi Awal U Ke-i 1 U 2 U 3 1 0,50 0,13 0,37 2 0,20 0,38 0,42 3 0,10 0,30 0,60 4 0,29 0,40 0,31 5 0,27 0,50 0,23 6 0,49 0,29 0,22 7 0,62 0,19 0,19 8 0,20 0,48 0,32 Sesuai pada rumus (1) bilangan random dibuat dengan syarat jumlah dari setiap kolom pada satu baris bernilai 1. Sehingga pada rumus persamaan (2) didapatkan bahwa matriks pada data ke-i dari cluster ke k apabila dibagi dengan jumlah dari setiap kolom dari satu baris hasilnya sama. 4. Hitung pusat cluster ke-k: V kj, dengan k= 1,2,...,c; dan j= 1,2,...,m. Dari rumus (3) dicari pusat cluster dengan jumlah matriks setiap cluster k dikali dengan 3
4 matriks X pada data ke-i atribut ke j kemudian dibagi dengan jumlah matriks pada cluster k. Sebagai contoh: Tabel 3.4 Centroid pada setiap data cluster 1 Ke-i (ui1) w (ui1) w xi1 (ui1) w xi2 1 0,2500 0,1583 0, ,0400 0,0238 0, ,0100 0,0058 0, ,0841 0,0491 0, ,0729 0,0403 0, ,2401 0,1113 0, ,3844 0,1965 0, ,0400 0,0186 0,0206 Jumlah 1,1215 0,6036 0,6271 Tabel 3.5 Centroid pada setiap data cluster 2 Ke-i (ui2) w (ui2) w xi1 (ui2) w xi2 1 0,0169 0,0107 0, ,1444 0,0857 0, ,0900 0,0519 0, ,1600 0,0934 0, ,2500 0,1382 0, ,0841 0,0390 0, ,0361 0,0185 0, ,2304 0,1070 0,1184 Jumlah 1,0119 0,5444 0,5698 Tabel 3.6 Centroid pada setiap data cluster 3 Ke-i (ui3) w (ui3) w xi1 (ui3) w xi2 1 0,1369 0,0867 0, ,1764 0,1047 0, ,3600 0,2075 0, ,0961 0,0561 0, ,0529 0,0292 0, ,0484 0,0224 0, ,0361 0,0185 0, ,1024 0,0476 0,0526 Jumlah 1,0092 0,5728 0,5579 Dari rumus (3) centroid pada cluster ke 1 dengan atribut ke 1 didapat dari: Maka didapatkan centroid cluster sebagai berikut: Tabel 3.7 Centroid 3 cluster Vkj ,5382 0, ,5380 0, ,5676 0, Hitung fungsi objektif pada iterasi ke-t, P i: Dari perhitungan fungsi objektif dengan rumus (4), didapatkan nilai sebagai berikut: Tabel 3.8 Fungsi Objektif pada iterasi 1 Ke-i Cluster 1 Cluster 2 Cluster 3 1 0,0038 0,0003 0, ,0002 0,0007 0, ,0000 0,0002 0, ,0004 0,0007 0, ,0001 0,0004 0, ,0014 0,0005 0, ,0011 0,0001 0, ,0003 0,0018 0,0012 Jumlah 0,0073 0,0045 0,0043 Jumlah Fungsi Objektif iterasi 1 adalah 0,0161. Didapatkan dari penjumlahan fungsi objektif setiap cluster. 6. Hitung perubahan matriks partisi: Dari perhitungan perubahan matriks partisi dengan rumus (5), didapatkan nilai sebagai berikut: Tabel 3.9 Matriks partisi setelah perubahan iterasi 1 ke-i ui1 ui2 ui3 1 0,2819 0,2701 0, ,2073 0,1935 0, ,2216 0,2373 0, ,2908 0,3152 0, ,3382 0,4015 0, ,3980 0,3941 0, ,3809 0,4344 0, ,3886 0,3718 0,2396 Dengan: i = 1,2,...,n; k = 1,2,...,c. 7. Cek kondisi berhenti: P0 < ξ = 0, < 0,0001 maka <<salah>>; atau t > Maxlter = 1 > 10 maka <<salah>> ; Karena 2 syarat berhenti diatas belum tercapai atau bernilai benar, maka nilai t = t + 1, diulangi kembali langkah ke-4 sampai ditemukan salah satu diantara 2 syarat tersebut yang terpenuhi. 4. Hasil dan Pembahasan 4.1 Hasil Perhitungan Algoritma Fuzzy C-Means, memproses data set yang bersumber dari data rekap penumpang sebanyak trip record, dengan menghitung nilai occupancy pada atribut weekday dan weekend. Dari hasil perhitungan yang telah dilakukan, jumlah iterasi sebanyak 10 kali karena nilai fungsi objektif belum memenuhi syarat pada error yang diharapkan sebagai kriteria penghentian. Berikut hasil yang didapatkan dari perhitungan tersebut: 4
5 Tabel 4.1 Hasil Perhitungan Fuzzy C-Means ke-i u i1 u i2 u i3 Terbesar Cluster yang Diikuti 1 0,0216 0,0356 0,9428 0, ,0533 0,1403 0,8064 0, ,0348 0,9016 0,0636 0, ,0294 0,9256 0,0449 0, ,0072 0,9866 0,0061 0, ,9701 0,0205 0,0094 0, ,2477 0,6725 0,0797 0, ,9567 0,0253 0,0180 0, Metode Fuzzy C-Means ini menghasilkan output berupa tiga cluster yaitu: 1. Cluster 3 Menguntungkan: jadwal keberangkatan jam dan Cluster 2 Cukup: jadwal keberangkatan jam 08.00, 10.00, dan Cluster 1 Merugikan: jadwal keberangkatan jam dan Jadi, output dari tiga cluster itu dapat disimpulkan dari 8 jadwal keberangkatan bahwa menguntungkan sebanyak 25% jadwal keberangkatan, cukup 50% jadwal keberangkatan, dan merugikan 25% jadwal keberangkatan. 5. Kesimpulan dan Saran 5.1 Kesimpulan Setelah dilakukan pengolahan data mining pada penelitian ini, metode perhitungan Fuzzy C-Means cocok digunakan pada data rekap penumpang karena data set berupa numerik sehingga bisa menghasilkan output berupa tingkat profit jadwal keberangkatan berdasarkan kategori weekday dan weekend. 5.2 Saran Diharapkan sebelum dilakukan pemilihan algoritma data mining sebaiknya dilihat dari bentuk set datanya. Proses pengerjaan dalam tahapan penelitian dilakukan sesuai dengan kondisi terkait di lapangan dan tidak menjadi tahapan baku untuk proses penelitian sejenis. 6. Daftar Pustaka [1] Gorunescu, F Mining : Concepts, Models and Techniques. Berlin Heidelberg: Springer-Verlag. [5] Ramadhana, C Mining dengan Algoritma Fuzzy C-Means Clustering dalam Kasus Penjualan di PT Sepatu Bata. [6] Rifa'i, M Strategi Komunikasi Interpersonal Customer Relations dalam Meningkatkan Kepuasan Pelanggan. [2] Han, J., Kamber, M., & Pei, J Mining Concepts and Techniques. Waltham USA: Morgan Kaufmann. [3] Kantardzic, M Mining : Concepts, Models, Methods, and Algorithms. Hoboken, New Jersey: IEEE Press. [4] Prasetyo, E Mining Mengolah Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi. 5
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih 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 Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih 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 terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Customer Relationship Management (CRM) CRM adalah perpaduan antara teori, metode, teknik, kompetensi dan software enterprise untuk mengembangkan jangka panjang perusahaan dengan
Lebih 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 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 terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih 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 terperinciMETODE CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK REKOMENDASI PEMILIHAN BIDANG KEAHLIAN PADA PROGRAM STUDI TEKNIK INFORMATIKA
1 METODE CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK REKOMENDASI PEMILIHAN BIDANG KEAHLIAN PADA PROGRAM STUDI TEKNIK INFORMATIKA Muhammad Faisal Mirza A11.2009.04930 Program Studi Teknik Informatika
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciPENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS. Abstrak
1 PENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS Nila Yuliani 1) Mardhiah Fadli 2) Warnia Nengsih 3) Program Studi Sistem Informasi Politeknik Caltex
Lebih terperinciANALISIS DATA PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK (PPA) MENGGUNAKAN METODE DATA MINING
ANALISIS DATA PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK (PPA) MENGGUNAKAN METODE DATA MINING DENGAN MENERAPKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS: UNIVERSITAS SILIWANGI) Isma Qinwan Daniah,
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Lebih terperinciMelihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means
Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means Muhammad Halim 1, Andi Farmadi 2, H. Irwan Budiman 3 1,2,3 Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ SKRIPSI Diajukan untuk memenuhi salah satu syarat memperoleh Gelar Sarjana pada Program Studi Sistem
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian yang dilaksanakan adalah penelitian eksperimen, yaitu melakukan implementasi algoritma Fuzzy C-Means dalam pengelompokan berdasarkan data
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciPENERAPAN ALGORITMA K-MEANS DALAM CLUSTERING DATA MINING PADA PENENTUAN KELOMPOK UANG KULIAH TUNGGAL (UKT) DI UNIVERSITAS SILIWANGI
PENERAPAN ALGORITMA K-MEANS DALAM CLUSTERING DATA MINING PADA PENENTUAN KELOMPOK UANG KULIAH TUNGGAL (UKT) DI UNIVERSITAS SILIWANGI Nita Paramita Rukmana, Acep Irham Gufroni, dan Alam Rahmatulloh Teknik
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 State of the Art Penelitian mengenai segmentasi pasar pada sebuah perusahaan telah banyak digunakan dengan tujuan untuk mengetahui strategi pasar yang baik dan dapat menguntungkan
Lebih terperinciImplementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
Implementasi Sistem Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkahlangkah melakukan clustering dengan FCM,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA Klasifikasi Data Mahasiswa Menggunakan Metode K-Means Untuk Menunjang Pemilihan Strategi Pemasaran
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Beberapa penelitian terdahulu telah banyak yang menerapkan data mining, yang bertujuan dalam menyelesaikan beberapa permasalahan seputar dunia pendidikan. Khususnya
Lebih 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 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 terperinciEnigma Journal of Infotmatic (ENJOI 2016) ISSN :
b 1 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12
Lebih terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
Lebih terperinciPENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU
PENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU Gita Premashanti Trayasiwi Program Studi Teknik Informatika S1,
Lebih terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinciPEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS
PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS Sri Redjeki Teknik Informatika STMIK AKAKOM Jl. Raya Janti No 143 Yogyakarta e-mail: dzeky@akakom.ac.id ABSTRAK Sebuah perguruan
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciAnalisis Perilaku Pengguna E-Learning BESMART Melalui Teknik Clustering dengan Algoritma K-Means
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Analisis Perilaku Pengguna E-Learning BESMART Melalui Teknik Clustering dengan Algoritma K-Means Neni Miswaningsih, Nur Insani FMIPA, Universitas
Lebih terperinciKerusakan Barang Jadi
Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,
Lebih terperinciBAB II LANDASAN TEORI. yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk
BAB II LANDASAN TEORI 2.1 Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu.
Lebih 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 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 terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE
IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE 1 Ahsan Anwar Sandiah, 2 Abdul Fadlil, 3 Rusydi Umar 1 Magister Teknik Informatika, 2 Magister
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 terperinciBAB 1 PENDAHULUAN Building A Data WareHouse for Decision Support Second Edition Data Mining : Concepts, Models, Methods, and Algorithms
BAB 1 PENDAHULUAN 1.1. Pendahuluan Mesin hitung bernama Komputer sejak satu dekade ini telah tumbuh dan berkembang dengan pesat. Perkembangan ini meliputi sisi teknologi, kapasitas media penyimpanan, dan
Lebih terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
Lebih terperinciBAB III PERANCANGAN SISTEM. pengetahuannya melalui buku-buku yang ada. Pihak perpustakaan harus. sesuai dengan kebutuhan dan anggaran yang disediakan.
BAB III PERANCANGAN SISTEM 3.1 Analisis Permasalahan Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat bagi para
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan analisa datadan algoritma Fuzzy C-Means untuk mangetahui pola perilaku konsumen. 2.1. Pola
Lebih 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 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 terperinciPENGELOMPOKAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Narwati Dosen Fakultas Teknologi Informasi Abtrack Makalah ini membahas pengelompokan mahasiswa berdasarkan data akademik menggunakan teknik clustering
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih 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 terperinciJurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN
KLASIFIKASI KAWASAN PERMUKIMAN TINGKAT KELURAHAN UNTUK PEMBANGUNAN SISTEM BERBASIS DATA KUALITAS PERMUKIMAN (STUDI KASUS: 67 KELURAHAN DI KOTA BENGKULU) Rizki Setiawan 1, Ernawati 2, Rusdi Efendi 3 1,2,3
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 terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciJurnal Teknologi dan Sistem Informasi PENERAPAN DATA MINING DALAM PENGELOMPOKAN PENDERITA THALASSAEMIA
JURNAL TEKNOLOGI DAN SISTEM INFORMASI - VOL. 03 NO. 02 (2017) 299-305 Terbit online pada laman web jurnal : http://teknosi.fti.unand.ac.id/ Jurnal Teknologi dan Sistem Informasi ISSN (Print) 2460-3465
Lebih terperinciPemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means
ISSN: 2089-3787 527 Pemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means Yulia Yudihartanti, Sudiyanur Hidayatullah STMIK Banjarbaru Jl. A. Yani Km. 33 Banjarbaru, 0511(4782881) e-mail: yuliaydh@yahoo.co.id,
Lebih terperinciPENENTUAN TINGKAT KEMISKINAN DENGAN METODE FUZZY C- MEANS DI KABUPATEN BONE BOLANGO
PENENTUAN TINGKAT KEMISKINAN DENGAN METODE FUZZY C- MEANS DI KABUPATEN BONE BOLANGO Nurrahmah Fitriani Kahar 1), Lillyan Hadjaratie ), Sitti Suhada 3). 1 Fakultas Teknik, Universitas Negeri Gorontalo Email
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 1 Mahasiswa Program Studi Matematika FSM
Lebih 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Sponge atau poriferans berasal dari bahasa Latin yaitu porus yang artinya pori dan ferre yang artinya memiliki. Sponge adalah hewan berpori, pada umumnya terdapat di lautan,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Scot Morton adalah orang yang pertama kali mengartikulasikan konsep Decision Support System (DSS), mendefenisikan DSS sebagai sistem berbasis komputer
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY K-MEANS PADA DATA REKAM MEDIS BERDASARKAN KODE PENYAKIT INTERNASIONAL (ICD10)
IMPLEMENTASI ALGORITMA FUZZY K-MEANS PADA DATA REKAM MEDIS BERDASARKAN KODE PENYAKIT INTERNASIONAL (ICD10) Mulya Negara Bachtiar 1, Haryanto Hanny 2 1 Mahasiswa, 2 Dosen Pembimbing Program Studi Teknik
Lebih terperinciPerbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling
Perbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling Aditya Ramadhan 1, Zuliar Efendi 2, Mustakim 3 1,2,3 Program Studi Sistem Informasi, Fakultas Sains dan Teknologi
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
Lebih 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 terperinciCLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 379~383 379 CLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS Sismadi AMIK BSI JAKARTA e-mail: sismadi.ssm@bsi.ac.id
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDHULUN Listrik merupakan sumber daya yang sangat dibutuhkan saat ini. Penggunaan listrik setiap tahun, bahkan setiap bulan terus meningkat. Hal ini dibuktikan dengan selalu bertambahnya
Lebih terperinciCLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pasar modal merupakan salah satu bagian dari pasar keuangan, di samping pasar uang, yang sangat penting peranannya bagi pembangunan nasional pada umumnya dan bagi
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciAPLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN
APLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN Abdul Aziz, S.Si, M.Si. Abstrak Teknik Fuzzy c-means clustering termasuk dalam salah satu keluarga clustering. Seperti teknik clustering
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Knowledge Discovery in Database (KDD) dan Data Mining Banyak orang menggunakan istilah data mining dan knowledge discovery in databases (KDD) secara bergantian untuk menjelaskan
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih 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 terperincidengan Algoritma K Means
K Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciPENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT
PENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT Ismail Setiawan 1) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih 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 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 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciKlasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means
Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means Nielza Atthina Jurusan Teknik Informatika Universitas Islam Indonesia Yogyakarta 09523458@students.uii.ac.id
Lebih 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 terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Studi Sebelum penelitian ini dilakukan, sudah terdapat beberapa penelitian yang menjadi dasar untuk menyelesaikan penelitian ini, penelitian tersebut diantaranya sebagai
Lebih terperinciBAB 2 PENELITIAN TERKAIT DAN LANDASAN TEORI
BAB 2 PENELITIAN TERKAIT DAN LANDASAN TEORI 2.1 Penelitian Terkait Ada beberapa penelitian terkait dengan penggunaan Data Mining metode cluster dengan menggunakan Algoritma Fuzzy C-Means untuk dapat mengelompokkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinci