Cahyo Aji Nugroho Pembimbing : Rully A. Hendrawan S.Kom, M.Eng Irmasari Hafidz, S.Kom, MSc
|
|
- Inge Veronika Pranata
- 7 tahun lalu
- Tontonan:
Transkripsi
1 CLUSTERING KELOMPOK SWADAYA MASYARAKAT (KSM) DALAM MENENTUKAN KEBIJAKAN BANTUAN BADAN PEMBERDAYAAN MASYRAKAT DI KOTA SURABAYA DENGAN MENGGUNAKAN METODE SELF-ORGANIZING MAP (SOM) DAN K-MEANS Cahyo Aji Nugroho Pembimbing : Rully A. Hendrawan S.Kom, M.Eng Irmasari Hafidz, S.Kom, MSc
2 Latar Belakang Banyaknya KSM yang berpotensi menjadi usaha yang dapat menarik tenaga kerja, namun belum mendapatkan bantuan secara optimal Data mentah mengenai yang belum diolah Bapemas Kota Surabaya
3 Tujuan Mengolah data mengenai KSM sehingga didapatkan analisa data klustering KSM di Kota Surabaya dalam membantu menentukan bantuan yang diperlukan untuk pelaku KSM
4 Rumusan masalah Bagaimana mendapatkan kelompok KSM sehingga dapat diberikan bantuan sesuai dengan karakteristik KSM?
5 Pustaka yang digunakan A clustering algorithm use SOM and K-Means in Intrusion Detection System by Wang Huang Bin et. al (2010) Research on Text Clustering Algorithm Based on K_means and SOM by Li Xinwu beserta et. al (2008) Clustering e-banking Customer using DataMining and Marketing Segmentation by Waminee Niyagas (2006)
6 Landasan teori Self Organizing Map (SOM) K-Means RMSSTD Davies Bouldin Index Google API Fussion Table
7 Metode pengerjaan
8 Data Data yang digunakan merupakan data perkembangan KSM yang telah bersifat numerik a)kode ksm b)kecamatan c) jumlah anggota d)jumlah pinjaman e)produksi f) pemasaran
9 SOM Fungsi tujuan : mendapatkan optimum kluster awal untuk algoritma selanjutnya Dilakukan kluster SOM antara kluster dengan jumlah 2 sampai dengan 10 kemudian ditentukan yang paling optimum dengan RMMSTD Tools : Matlab
10 RMSSTD
11 SOM + KMeans Hasil kluster yang optimum digunakan untuk menentukan jumlah centroid pada K-Means Sehingga didapatkan klaster dengan jumlah 6 menggunakan algoritma K- Means Tools : Matlab
12 K Means (Komparasi) Algoritma ini digunakan untuk melakukan komparasi dengan algoritma SOM dan K- Means Penentuan jumlah klaster dilakukan dengan mencari nilai SSE paling kecil di antara n=2 dan n=5 dan didapatkan n=5 Tools : matlab
13 Validitas Davies Bouldin Index Melakukan perbandingan apakah SOM + K- Means lebih baik dari metode SOM dan K- Means
14 Karakteristik klaster Klaster 1 Anggota : 52 KSM Pinjaman : Belum mendapatkan bantuan dan rentang Rp sampai Rp Produksi : Belum Produksi Pemasaran : Belum
15 Count Klaster 2 Anggota : 54KSM Pinjaman : Paket Peralatan Produksi : Sudah Produksi Pemasaran : Aktif
16 Count Klaster 3 Anggota : 50 KSM Pinjaman : Belum mendapatkan bantuan, paket peralatan dan rentang Rp sampai Rp Produksi : Sudah Produksi Pemasaran : Belum
17 Count Klaster 4 Anggota : 24 KSM Pinjaman : Paket peralatan Produksi : Belum Produksi Pemasaran : Belum
18 Count Klaster 5 Anggota : 29 KSM Pinjaman : Belum mendapatkan bantuan dan rentang Rp sampai dengan Rp Produksi : SudahProduksi Pemasaran : Pasif
19 Count Klaster 6 Anggota : 222 KSM Pinjaman : Belum mendapatkan bantuan dan Rp sampai dengan Rp Produksi : Sudah Produksi Pemasaran : Aktif
20 Bantuan dan pemasaran
21 Analisa Klaster 1 Bantuan yang diberikan pada klaster ini harus lebih ditekankan ke bantuan bersifat ke pelatihan produksi berdasarkan perkategori dan dilakukan monitoring secara intensif. Untuk bantuan dana yang diberikan pada klaster ini sebaiknya diubah kedalam bantuan dalam bentuk paket peralatan usaha. Dikarenakan berdasarkan presentase klaster ini memberikan bantuan sebesar 12,082 % dari bantuan keseluruhan namun anggota klaster ini tidak dapat menunjukan progres yang signifikan.
22 Analisa Klaster 2 Pada klaster ini telah mampu produksi maupun pemasaran aktif. Bantuan dalam bentuk paket peralatan usaha terbukti tepat pada klaster ini. Hal ini dapat terlaksana dengan baik dikarenakan adanya terdapat kemauan yang kuat dari pihak KSM dalam mengembangkan usaha mereka. Untuk bantuan yang harus ditetapkan selain pelatihan perkategori yang adalah pemberian pelatihan dalam pengaturan keuangan sehingga dapat berkembang menjadi usaha yang dapat memberikan penghasilan tetap dan lebih besar
23 Analisa Klaster 3 Pada klaster ini anggotanya telah mampu mampu untuk melakukan produksi, namun masih kesulitan dalam melakukan pemasaran. Untuk itu bantuan yang diberikan lebih ditekankan kepada bantuan yang bersifat pemasaran produk. Seperti bagaimana melakukan pemasaran yang baik dan pengemasan produk sehinga mampu untuk menarik pembeli. Bantuan pemasaran yang diberikan dapat berupa pelatihan dasar bagaimana melakukan penjualan produk kepada masyarakat.
24 Analisa Klaster 4 Pada klaster ini bantuan yang diberikan berupa paket peralatan, namun untuk anggota klaster ini belum mampu untuk melakukan produksi dan pemasaran. Untuk bantuan diperlukan perhatian intensif kepada pelatihan perkategori, dan proses produksi. Diharapkan dengan pelatihan produksi mereka dapat melakukan produksi ataupun usaha mereka dapat berjalan
25 Analisa Klaster 5 Pada klaster ini anggotanya telah dapat melakukan produksi namun pemasaanya masih pasif, yaitu produksi serta penjualan produk dilakukan ketika terdapat pesanan maupun musim berjualan. Untuk itu bantuan yang diberikan lebih ditekankan kepada bantuan yang bersifat pemasaran produk. Seperti bagaimana melakukan pemasaran yang baik dan pengemasan produk sehinga mampu untuk menarik pembeli. Bantuan pemasaran yang diberikan dapat berupa undangan untuk mengikuti pameran pengrajin dan UKM yang biasanya diadakan Bapemas Kota Surabaya
26 Analisa Klaster 6 Pada klaster ini bantuan yang diberikan berupa bantuan dana. Anggota klaster telah dapat melakukan produksi dan pemasaran secara aktif, dapat melakukan penjualan produksi secara berkelanjutan tanpa tergantung dengan waktu penjualan Untuk bantuan selanjutnya difokuskan bagaimana melakukan penyuluhan pengolahan keuangan dan inovasi produk kedepanya. Sehingga usaha yang telah ada dapat berkembang menjadi lebih baik.
27 Visualisasi
28 Sekian dan Terima Kasih
JURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: A-368
JURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: 2301-9271 A-368 Clustering Kelompok Swadaya Masyarakat (KSM) dalam Menentukan Kebijakan Bantuan Badan Pemberdayaan Masyrakat di Kota Surabaya dengan Menggunakan
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 CLUSTERING KELOMPOK SWADAYA MASYARAKAT (KSM) DALAM MENENTUKAN KEBIJAKAN BANTUAN BADAN PEMBERDAYAAN MASYRAKAT DI KOTA SURABAYA DENGAN MENGGUNAKAN METODE
Lebih terperinciMEYLINDRA ARINI PERMATADEVI Dosen Pembimbing: Rully Agus Hendrawan, S.Kom, M.Eng Irmasari Hafidz, S.Kom, M.Sc
KARAKTERISTIK PELANGGAN TELEPON KABEL MENGGUNAKAN KLASTERING SOM DAN K- MEANS UNTUK MENGURANGI KESALAHAN KLASIFIKASI PELANGGAN DARI ERUSAHAAN TELEKOMUNIKASI (STUDI KASUS: PT. TELKOM MOJOKERTO) MEYLINDRA
Lebih terperincidata mentah, yang bertujan agar dapat memperoleh informasi dari data tersebut 2 Call detail record yaitu catatan aktivitas telepon yang
KARAKTERISTIK PELANGGAN TELEPON KABEL MENGGUNAKAN CLUSTERING SOM DAN K-MEANS UNTUK MENGURANGI KESALAHAN KLASIFIKASI PELANGGAN PERUSAHAAN TELEKOMUNIKASI (STUDI KASUS : PT. TELKOM MOJOKERTO) Meylimdra Arini
Lebih terperinciKARAKTERISTIK PELANGGAN TELEPON KABEL DENGAN SOM & K-MEANS UNTUK KLASIFIKASI PELANGGAN PERUSAHAAN TELEKOMUNIKASI (STUDI KASUS : PT.
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 KARAKTERISTIK PELANGGAN TELEPON KABEL DENGAN SOM & K-MEANS UNTUK KLASIFIKASI PELANGGAN PERUSAHAAN TELEKOMUNIKASI (STUDI KASUS : PT. XYZ) Meylindra
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciSEMINAR PROGRESS TUGAS AKHIR
SEMINAR PROGRESS TUGAS AKHIR PENGEMBANGAN SISTEM REKOMENDASI PEMINJAMAN BUKU BERBASIS WEB MENGGUNAKAN METODE SELF ORGANIZING MAP CLUSTERING PADA BADAN PERPUSTAKAAN DAN KEARSIPAN (BAPERSIP) PROVINSI JAWA
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciVISUALISASI KUALITAS UDARA UNTUK MENENTUKAN TITIK RAWAN POLUSI MENGGUNAKAN ALGORITMA SELF- ORGANIZING MAP DAN K-MEANS STUDI KASUS KOTA SURABAYA
1 VISUALISASI KUALITAS UDARA UNTUK MENENTUKAN TITIK RAWAN POLUSI MENGGUNAKAN ALGORITMA SELF- ORGANIZING MAP DAN K-MEANS STUDI KASUS KOTA SURABAYA Reza Claudia Istanto, Rully A. Hendrawan, dan Irmasari
Lebih terperinciHERU SUSANTO Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT.
HERU SUSANTO 2209 105 030 Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT. LATAR BELAKANG Peran media jejaring sosial pada perkembangan teknologi komunikasi dan informasi;
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Promosi adalah salah satu faktor yang diperlukan bagi keberhasilan bagi suatu perusahaan atau organisasi, maka promosi merupakan salah satu senjata ampuh bagi perusahaan
Lebih terperinciVISUALISASI KEJADIAN KECELAKAAN DI KABUPATEN MOJOKERTO BERBASIS SISTEM INFORMASI GEOGRAFIS
VISUALISASI KEJADIAN KECELAKAAN DI KABUPATEN MOJOKERTO BERBASIS SISTEM INFORMASI GEOGRAFIS Pembimbing : Rully A. Hendrawan S.Kom, M.Eng Irmasari Hafidz, S.Kom, MSc Riyono Kurniawan 5208 100 121 Review
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Motivasi dalam penelitian ini berawal dari laporan (ID-SIRTII/CC, 2014) terkait serangan yang sering terjadi pada jaringan internet khususnya Indonesia, serangan
Lebih terperinciPENGELOMPOKAN PEMINATAN JURUSAN DI SMK MENGGUNAKAN METODE SELF ORGANIZING MAP (SOM)
PENGELOMPOKAN PEMINATAN JURUSAN DI SMK MENGGUNAKAN METODE SELF ORGANIZING MAP (SOM) Rusydi Umar 1), Abdul Fadlil 2), Rifqi Rahmatika Az-Zahra 3) Program Studi Magister Teknik Informatika Universitas Ahmad
Lebih terperinciPENGELOMPOKAN KOLEKSI BUKU PERPUSTAKAAN BERDASARKAN LAMA PEMINJAMAN BUKU MENGGUNAKAN K-MEANS
PENGELOMPOKAN KOLEKSI BUKU PERPUSTAKAAN BERDASARKAN LAMA PEMINJAMAN BUKU MENGGUNAKAN K-MEANS SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciUCAPAN TERIMA KASIH. Perbandingan Metode SOM/Kohonen Dengan Adaptive Resonance Theory 2
UCAPAN TERIMA KASIH Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa atas segala rahmat dan hidayah-nya penulis dapat menyelesaikan tesis dengan judul Perbandingan Metode SOM/Kohonen Dengan Adaptive
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 terperinciBAB I PENDAHULUAN. Bencana alam merupakan bencana yang disebabkan oleh perubahan kondisi
BAB I PENDAHULUAN A. Latar Belakang Negara Republik Indonesia terletak di daerah rawan bencana. Berbagai jenis kejadian bencana telah terjadi di Indonesia, baik bencana alam, bencana karena kegagalan teknologi
Lebih terperinciPRESENTASI TUGAS AKHIR JUM AT, 13 JUNI 2014
PRESENTASI TUGAS AKHIR JUM AT, 13 JUNI 2014 VISUALISASI KUALITAS UDARA UNTUK MENENTUKAN TITIK RAWAN POLUSI MENGGUNAKAN ALGORITMA SELF-ORGANIZING MAP DAN K-MEANS STUDI KASUS KOTA SURABAYA OLEH: REZA CLAUDIA
Lebih terperinciBAB I PENDAHULUAN. informasi telah menjadi kebutuhan yang cukup penting dalam kehidupan manusia.
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan manusia akan informasi memacu pesatnya perkembangan teknologi di bidang informasi. Kemajuan teknologi yang semakin meningkat didukung dengan sarana dan prasarana
Lebih terperinciDisusun oleh MUHAMMAD NAJIB HILMI SKRIPSI. Diajukan Sebagai Syarat untuk Mendapatkan Gelar Sarjana Pada Jurusan Statistika
PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM) (Studi Kasus di Fakultas Sains dan Matematika Universitas
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 429-437 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE K MEANS DAN SELF ORGANIZING MAP (STUDI KASUS:
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI
IMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI Disusun Oleh : ALVI SYAHRIN NPM. 0934010254 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI
Lebih terperinciKLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING
KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING Ari Kurniawan, Mochamad Hariadi S2 Teknik Elektro (Telematika), Institut Teknologi Sepuluh
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI Disusun oleh : AYU RAHMAWATI 0934010160 JURUSAN TEKNIK
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 I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Bab ini berisi pembahasan mengenai gambaran umum penelitian dalam analisis spasial clustering pada data mahasiswa Universitas Mercu Buana. Pembahasan diawali dengan penjelasan mengenai
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 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 terperinciIMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DATA SISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS : SMKN 1 KEDIRI) SKRIPSI
Artikel Skripsi IMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DATA SISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS : SMKN 1 KEDIRI) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah
Lebih terperinciKLASTERING DATA MENGGUNAKAN ALGORITMA DYNAMIC K-MEANS
VOL. I NO. AGUSTUS 0 JURNAL KLASTERING DATA MENGGUNAKAN ALGORITMA DYNAMIC K-MEANS Widiarina Abstract The disadvantage of the K-means algorithm is sensitive to have problems determining the initial partition
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian-penelitian terdahulu yang berhubungan dengan clustering yaitu penelitian yang dilakukan oleh Rismawan (2008). Pada penelitian ini, dibangun suatu
Lebih terperinciSKRIPSI CLUSTERING KUALITAS MUTU GILING BERAS MENGGUNAKAN METODE K-MEANS DAN K-NEAREST NEIGHBOR
SKRIPSI CLUSTERING KUALITAS MUTU GILING BERAS MENGGUNAKAN METODE K-MEANS DAN K-NEAREST NEIGHBOR VIKA INDIYA SARI Nomor Mahasiswa : 135410003 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA
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 terperinciUCAPAN TERIMA KASIH. Perbandingan Metode SOM/Kohonen Dengan Adaptive Resonance Theory 2
UCAPAN TERIMA KASIH Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa atas segala rahmat dan hidayah-nya penulis dapat menyelesaikan tesis dengan judul Perbandingan Metode SOM/Kohonen Dengan Adaptive
Lebih terperinciPenerapan Algoritma K-MeansDengan Optimasi Jumlah Cluster Untuk Pengelompokan Angkatan Kerja Propinsi Jatim
Penerapan Algoritma K-MeansDengan Optimasi Jumlah Cluster Untuk Pengelompokan Angkatan Kerja Propinsi Jatim Endik Kuswantoro 1, Yoyon K Suprapto 2 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS PADA DATA PELANGGARAN LALU LINTAS DI PENGADILAN NEGERI PURWODADI
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 IMPLEMENTASI ALGORITMA K-MEANS PADA DATA PELANGGARAN LALU LINTAS DI PENGADILAN NEGERI PURWODADI IMPLEMENTATION OF K-MEANS ALGORITHM FOR DATA TRAFFIC
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih terperinciData Mining Outline BAB I Pendahuluan. Proses Data Mining. Recap
Data Mining Outline BAB I Pendahuluan BAB II Data BAB III Algoritma Klasifikasi BAB IV Algoritma Klastering BAB V Algoritma Asosiasi BAB VI Algoritma Estimasi BAB VII Deteksi Anomali Ricky Maulana Fajri
Lebih terperinciyang menunjang dalam pengembangan program cluster. Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat
BAB IV IMPLEMENTASI Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
Lebih terperinciRANCANG BANGUN MODUL PENGKATEGORIAN TOPIK DAN PENGELOMPOKKAN TOPIK DENGAN KLUSTER DARI APLIKASI FORUM phpbb3 SECARA OTOMATIS.
RANCANG BANGUN MODUL PENGKATEGORIAN TOPIK DAN PENGELOMPOKKAN TOPIK DENGAN KLUSTER DARI APLIKASI FORUM phpbb3 SECARA OTOMATIS. Dosen Pembimbing : Daniel Oranova Siahaan, S.Kom, M.Sc, Pd.Eng Nurul Fajrin
Lebih terperinciDETEKSI DATA PENCILAN MENGGUNAKAN K_MEANS CLUSTERING
DETEKSI DATA PENCILAN MENGGUNAKAN K_MEANS CLUSTERING Naniek Widyastuti Teknik Informatika, Fakultas Teknologi Industri Institut Sains & Teknologi AKPRIND Yogyakarta e_mail: naniek_wid@yahoo.com ABSTRACT
Lebih terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun
Vol. 4, No. 1, Tahun 2015 28 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about/index Email : pustaka@pcr.ac.id Visualisasi Pengembangan Judul
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila (5109100049) Dosen Pembimbing 1 Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen
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 terperinciThe 6 th University Research Colloquium 2017 Universitas Muhammadiyah Magelang
Penerapan Seleksi Atribut Berdasarkan Koefisien Variansi dan Korelasi untuk Inisialisasi Pusat Awal Klaster pada Algoritma K- Means dalam Pemetaan E-Government Tahun 2016 Ivon Dewi Apriliyaningsih 1*,
Lebih terperinciLAMPIRAN A KLUSTER SOM DAN VALIDASI RMSSTD. Berikut ini merupakan source code algoritma SOM kluster 3 kluster 6:
A- 1 LAMPIRAN A KLUSTER SOM DAN VALIDASI RMSSTD A. Algortma SOM Berkut n merupakan source code algortma SOM kluster 3 kluster 6: B. Perhtungan Kluster Berkut n merupakan source code untuk kluster B, yang
Lebih terperinciKLUSTER K-MEANS DATA MAHASISWA BARU TERHADAP PROGRAM STUDI YANG DIPILIH
KLUSTER K-MEANS DATA MAHASISWA BARU TERHADAP PROGRAM STUDI YANG DIPILIH Citra Arum Sari dan Dwi Sukma D Program Studi Teknik Industri, FTI-UPN Jatim ABSTRAK Besarnya peminat dari setiap program studi di
Lebih terperinciKlasifikasi Alert pada Intrusion Detection System Menggunakan Algoritma K-Means. Artikel Ilmiah
Klasifikasi Alert pada Intrusion Detection System Menggunakan Algoritma K-Means Artikel Ilmiah Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh Gelar Sarjana Komputer Peneliti: Frando Christo
Lebih terperinciLAPORAN SKRIPSI ALGORITMA K-MEANS UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA.
LAPORAN SKRIPSI ALGORITMA K-MEANS UNTUK PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA Oleh : MUHAMMAD SHOFIYUDDIN 2011-51-182 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Berdasarkan Peraturan Pemerintah Nomor 37 tahun 2009, dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pangan merupakan kebutuhan paling utama bagi setiap orang [1]. Nutrisi yang ada dalam berbagai macam pangan dapat memenuhi nutrisi yang dibutuhkan oleh tubuh kita [2].
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. tempat bagi para mahasiswa maupun dosen untuk belajar dan menambah
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Permasalahan Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat
Lebih terperinciK-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia
K-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia Okta Riveranda 1), Warnia Nengsih, S.Kom., M.Kom. 2) 1) Program Studi Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: okta12si@mahasiswa.pcr.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Kehadiran teknologi informasi terutama basis data dalam perusahaan sudah menjadi kebutuhan pokok. Banyak perusahaan yang mengumpulkan data dengan ukuran yang besar
Lebih terperinciARTIKEL PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL
ARTIKEL PENERAPAN METODE K-MEANS DALAM PROSES CLUSTERING PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL Oleh: IRFAN DWI NURCAHYO BUDIARTO 13.1.03.02.0117 Dibimbing oleh : 1. Hermin Istiasih, ST.,M.M.,M.T.
Lebih terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative
BAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan 2.1.1. Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative yang dilakukan secara sadar dengan menganalisa kemungkinan-kemungkinan
Lebih terperinciJurnal Penelitian Pos dan Informatika 771/AU1/P2MI-LIPI/08/ a/E/KPT/2017
JPPI Vol 7 No 2 (2017) 97-108 Jurnal Penelitian Pos dan Informatika 771/AU1/P2MI-LIPI/08/2017 32a/E/KPT/2017 e-issn 2476-9266 p-issn: 2088-9402 DOI: 10.17933/jppi.2017.070202 KLASIFIKASI UKM BERDASARKAN
Lebih terperinciBAB III METODE PENELITIAN
25 BAB III METODE PENELITIAN 3.1 Desain Penelitian Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 1. Pengumpulan Data Pengumpulan data merupakan langkah
Lebih terperincidimana δ C, C adalah jarak anggota tiap klaster dan adalah jarak antar pusat klaster. TEKNIK VISUALISASI
Visualisasi Data Teks Twitter Berbasis Bahasa Indonesia Menggunakan Teknik Pengklasteran Heru Susanto 1, Dr. Surya Sumpeno, ST., M.Sc. 2, Reza Fuad Rachmadi, ST., MT. 2 1 Mahasiswa S1 Teknik Elektro Institut
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Berdasarkan analisis masalah, maka perangkat lunak sistem data mining varian produk elektronik sound system untuk Pengguna ketepatan pemilihan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketika suatu organisasi tumbuh semakin besar dan pola tingkatan operasionalnya semakin tidak sederhana dan kompleks, maka secara alamiah tuntutan pihak manajemen akan
Lebih terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
Lebih terperinciCUSTOMER PROFILING DENGAN MENGGUNAKAN K-MEANS CLUSTERING UNTUK MENDUKUNG PENGAMBILAN KEPUTUSAN STRATEGIS DI PT PELABUHAN INDONESIA III (PERSERO)
CUSTOMER PROFILING DENGAN MENGGUNAKAN K-MEANS CLUSTERING UNTUK MENDUKUNG PENGAMBILAN KEPUTUSAN STRATEGIS DI PT PELABUHAN INDONESIA III (PERSERO) Dhanika Budhi Atyanto 1, Mahendrawathi ER. 2, dan Rully
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA Nama : Nandang Syaefulloh NPM : 55412243 Fakultas : Teknologi Industri Jurusan : Teknik Informatika Pembimbing
Lebih terperinciSISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING
SISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING Ati Suci Dian Martha, S.Kom., M.T. 1, Dena Jatnika Kusumah 1, Program Studi Sistem Informasi, STMIK LPKIA, Bandung Jln. Soekarno Hatta No.
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciMEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Page 87 Iin Parlina 1, Agus Perdana Windarto 2, Anjar Wanto 3, M.Ridwan Lubis
Lebih terperinciTechno.COM, Vol. 16, No. 1, Februari 2017 : Jurusan Ilmu Komputer, FMIPA, Universitas Negeri Semarang
Penerapan Algoritma K-Means Untuk Clustering Penilaian Dosen Berdasarkan Indeks Kepuasan Mahasiswa Application of K-Means Algorithm for Clustering Lecturer Based On Assessment of Student Satisfaction Index
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciPENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA
Artikel Skripsi PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA SKRIPSI Diajukan Untuk Memenuhi Sebagian
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: A-374
JURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: 2301-9271 A-374 Pengembangan Sistem Rekomendasi Peminjaman Buku Berbasis Web Menggunakan Metode Self Organizing Map Clustering Pada Badan Perpustakaan
Lebih terperinciBAB V ANALISIS DAN PEMBAHASAN
BAB V ANALISIS DAN PEMBAHASAN Tahap ini merupakan kelanjutan dari tahap pembentukan klaster industri kecil tekstil dan produk tekstil pada Bab IV. Pada bagian ini akan dilakukan analisis terhadap model
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saham adalah satuan nilai atau pembukuan dalam berbagai instrumen finansial yang mengacu pada bagian kepemilikan sebuah perusahaan. Pasar yang menyediakan tempat jual
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciSISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH
SISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH Ahmad Zaqi Al Kahfi Universitas Dian Nuswantoro Email : fawkeszach@gmail.com Abstrak Pengolahan database
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET Handi Kurniawan Sohdianata 1, Sushermanto 2 Jurusan Teknik Informatika STMIK Banjarbaru 1, Jurusan Sistem Informasi STMIK Banjarbaru 2 Jl.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bagian ini menjelaskan hasil yang didapatkan selama penelitian yang telah dilakukan berdasarkan perumusan & tujuan penelitian, yaitu: 1) penerapan algoritma density k-means
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 terperinciPEMETAAN HASIL CLUSTERING PRODUKTIVITAS PADI DAN PALAWIJA DI PULAU JAWA MENGGUNAKAN ALGORITMA K-MEANS
PEMETAAN HASIL CLUSTERING PRODUKTIVITAS PADI DAN PALAWIJA DI PULAU JAWA MENGGUNAKAN ALGORITMA K-MEANS BILLY RIZKY JURISTRA Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB 1 PENDAHULUAN 1.1 Latar Belakang Belajar adalah suatu kegiatan yang pasti selalu dilakukan oleh setiap manusia. Dalam melakukan pembelajaran setiap manusia memiliki cara yang berbeda beda namun tujuannya
Lebih terperinciAri Kurniawan
KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO DENGAN METODE K-MEANS CLUSTERING Ari Kurniawan 2208206015 Dosen Pembimbing : Mochamad Hariadi, S.T., M.Sc., Ph.D. S2 TEKNIK ELEKTRO (TELEMATIKA)
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penyimpanan dokumen secara digital berkembang dengan pesat seiring meningkatnya teknologi. Kondisi tersebut memunculkan masalah untuk mengakses informasi yang diinginkan
Lebih terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
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 terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN SOM (SELF ORGANIZING MAPS) ARTIKEL SKRIPSI
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN SOM (SELF ORGANIZING MAPS) ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Teknik
Lebih terperinciK-Means Clustering. Tim Asprak Metkuan. What is Clustering?
K-Means Clustering Tim Asprak Metkuan What is Clustering? Also called unsupervised learning, sometimes called classification by statisticians and sorting by psychologists and segmentation by people in
Lebih terperinciPEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 53-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Pengembangan Sistem Rekomendasi Peminjaman Buku Berbasis Web Menggunakan Metode Self Organizing Map Clustering Pada Badan Perpustakaan Dan Kearsipan (BAPERSIP)
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI KD-TREE K-MEANS CLUSTERING PADA KLASTERISASI DOKUMEN (Kata kunci: KD-Tree K-Means Clustering, Klasterisasi Dokumen, K- Dimensional Tree, K-Means Clustering)
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 II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Penelitian-penelitian yang pernah dilakukan di bidang information retrieval telah memunculkan berbagai metode pembobotan dan clustering untuk mengelompokkan
Lebih terperinci