KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
|
|
- Shinta Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 nunikmariastuti@gmail.com Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60 ABSTRAK Salah satu upaya peningkatan kualitas serta untuk menampung potensi siswa unggul, di SMA Negeri Giri mengadakan program kelas unggulan, kelas yang berisi siswa yang memiliki kecerdasan lebih tinggi dibandingkan siswa yang lain di kelas X. Kenyataan di lapangan setelah masuk kelas unggulan beberapa siswa mengalami penurunan dalam aspek akademik maupun non akademiknya. Algoritma Fuzzy C-Means merupakan algoritma yang sering digunakan dalam teknik pengelompokan data karena membuat suatu perkiraan yang efisien dan tidak memerlukan banyak parameter. Penelitian ini mengambil data siswa SMA Negeri Giri tahun pelajaran 0-03 yang memenuhi kriteria pada seleksi penjaringan kelas unggulan sebanyak 64 siswa. Fuzzy C-Means digunakan untuk mengklasifikasi dari 64 siswa menjadi dua kelompok kelas unggulan. Hasil penelitian menunjukkan bahwa Algoritma Fuzzy C-Means memiliki tingkat akurasi yang lebih tinggi (rata-rata 86%, jika dibandingkan secara manual yang selama ini dilakukan (hanya memiliki tingkat akurasi rata-rata 79 %. Kata kunci : Unggulan, Klasifikasi Siswa, Fuzzy C-Means PENDAHULUAN Salah satu upaya peningkatan kualitas siswa di SMA Negeri Giri dengan diadakannya program kelas khusus bagi siswa kelas X. Yakni kelas yang berisi siswa yang memiliki kemampuan akademik maupun non akademik lebih tinggi dibandingkan siswa yang lain di kelas X. Selanjutnya kelas khusus tersebut disebut dengan kelas unggulan. Selain untuk meningkatkan prestasi akademik maupun non akademik juga bertujuan untuk memberikan lingkungan yang tepat bagi siswa, sehingga kelebihan yang dimiliki siswa dapat difasilitasi dengan tepat pula. Namun kenyataan di lapangan tidak seperti yang diharapkan. Beberapa siswa mengalami penurunan dalam prestasi akademik maupun non akademiknya setelah masuk dalam kelas unggulan. Algoritma Fuzzy C-Means merupakan salah satu algoritma yang mudah dan sering digunakan dalam klasifikasi data. Beberapa penelitian telah menghasilkan kesimpulan bahwa algoritma Fuzzy C-Means dapat diterapkan untuk klasifikasi data dengan berdasar beberapa atribut. Pada penelitian ini Fuzzy C-Means digunakan untuk klasifikasi siswa yang memenuhi kriteria dalam seleksi penjaringan siswa kelas unggulan di SMA Negeri Giri, yang selanjutnya akan dijadikan dua kelompok kelas tersendiri. A-0-
2 METODE Fuzzy C-Means (FCM Pada proses pengklasteran (clustering secara klasik (misalnya pada algoritma Clustering K-Means, pembentukan partisi dilakukan sedemikian rupa sehingga setiap obyek berada tepat pada satu partisi. Namun, adakalanya tidak dapat menempatkan suatu obyek tepat pada suatu partisi, karena sebenarnya obyek tersebut terletak di antara atau lebih partisi yang lain. Pada logika fuzzy, metode yang dapat digunakan untuk melakukan pengelompokan sejumlah data dikenal dengan nama fuzzy clustering. Fuzzy clustering lebih alami jika dibandingkan dengan pengklasteran secara klasik. Suatu algoritma clustering dikatakan sebagai fuzzy clustering jika algoritma tersebut menggunakan parameter strategi adaptasi secara soft competitive. Sebagian besar algoritma fuzzy clustering didasarkan atas optimasi fungsi obyektif atau modifikasi dari fungsi obyektif tersebut[0]. Salah satu teknik fuzzy clustering adalah FCM. Yakni suatu teknik pengklasteran data yang keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai/derajat keanggotaan tertentu. Teknik ini pertama kali diperkenalkan oleh J. Dunn [] yang selanjutnya digeneralisasi oleh Jim Bezdek pada tahun 98 []. FCM adalah suatu teknik klasifikasi data dimana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. FCM merupakan algoritma clustering yang terawasi, karena pada algoritma FCM jumlah cluster yang akan dibentuk perlu ditentukan terlebih dulu. Konsep dasar FCM adalah menentukan pusat kelompok yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan pada tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap data secara berulang-ulang, maka didapat lokasi pusat cluster optimal. Perulangan ini didasarkan pada fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut []. Fungsi obyektif yang digunakan FCM adalah []: n c w J ( U, V ; X ( ( d k i ik ik ( Dengan w [, ], m d ik dk vi k vi ( j X adalah data yang dicluster: x... x m X x n... xnm Dengan V adalah matriks pusat cluster: v V... v c v m... v cm Jw terkecil adalah yang terbaik, sehingga: * * * w ( U, V ; X J (3 J ( U, V. X M Min fc A-0-
3 Algoritma FCM secara lengkap diberikan sebagai berikut [4] : Tentukan: a. Matriks X berukuran n x m, dengan n = jumlah data yang akan dikluster; dan m = jumlah variabel (kriteria. b. Jumlah cluster yang akan dibentuk (C c. Pangkat (pembobot w > d. Maksimum iterasi e. Kriteria penghentian ( = nilai positif yang sangat kecil f. Bentuk Matriks partisi awal U (derajat keanggotaan dalam cluster; matriks awal cluster biasanya ditentukan secara acak U... c c n n ( n xn... cn n. Hitung pusat cluster V untuk setiap cluster n w ( x k ik. kj V ij n w ( k ik. Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi ( w c d ik ik (5 j d jk Dengan m d ik dk vi ( xk vi (6 j 3. Tentukan kriteria penghentian iterasi, yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya t t U U (7 Apabila maka iterasi dihentikan. Unggulan Anak yang memiliki kemampuan unggul merupakan aset nasional dan Undang-Undang Sistem Pendidikan Nasional menekankan agar kepada mereka diberikan perhatian khusus agar dapat dimanfaatkan untuk pembangunan Indonesia [5]. Anak cerdas dan berbakat istimewa memiliki penyesuaian emosional lebih bagus dari pada anak normal [6]. Benbow dan Lubinski mengatakan bahwa siswa yang memiliki kemampuan dan mempunyai motivasi tinggi, akan lebih cepat memperoleh pengetahuan dan keterampilan dalam mengikuti program akselerasi (unggulan [7]. Ormrod mengatakan bahwa siswa cerdas dan berbakat istimewa memiliki motivasi yang tinggi ketika menghadapi tugas-tugas yang menantang; mereka juga (4 A-0-3
4 memiliki konsep diri akademik positif, memiliki fleksibilitas dalam berfikir, dan sangat fleksibel menggunakan pendekatan dalam belajar [9]. Pada pasal 5 ayat ( Undang-Undang nomor 0 tahun 003 dinyatakan warga negara yang memiliki potensi kecerdasan dan bakat istimewa berhak untuk memperoleh pendidikan khusus. Selanjutnya pada pasal ayat (b disebutkan bahwa Setiap peserta didik pada setiap satuan pendidikan berhak mendapat pelayanan pendidikan sesuai dengan bakat, minat dan kemampuannya [3]. Seleksi Penjaringan Unggulan di SMA Negeri Giri unggulan di SMA Negeri Giri merupakan kelas yang beranggotakan siswa kelas X yang memiliki kemampuan lebih tinggi dibanding siswa kelas X lainnya baik dalam bidang akademik maupun non akademik. Dengan adanya kelas unggulan ini sekolah berusaha mengakomodir potensi yang dimiliki siswa sekaligus memberikan lingkungan yang relatif sesuai dengan potensinya. Pemberian lingkungan yang menantang bagi siswa akan berdampak positif. Seperti yang dikatakan oleh Ogden bahwa beban belajar yang berat justru dipandang sebagai tantangan, yang meningkatkan motivasi belajar siswa yang kecerdasannya istimewa [8]. SMA Negeri Giri pada tahun pelajaran 0-03 memiliki pagu sebanyak 9 kelas untuk kelas X. Seleksi penjaringan kelas unggulan dilaksanakan setelah penerimaan rapot semester ganjil. Setelah dilakukan seleksi penjaringan diperoleh sebanyak 64 siswa yang memenuhi kriteria. Dari 64 siswa ini akan diseleksi sekaligus dikelompokkan menjadi dua kelas unggulan, masing-masing 3 siswa. Kriteria penjaringan kelas unggulan di SMA Negeri Giri meliputi:., nilai rata-rata rapot mata pelajaran Ujian Nasional semester sebelumnya.. Potensi Non, berdasarkan aspek kepribadian serta nilai rapot untuk mata pelajaran olah raga dan seni. 3. Minat, berdasarkan angket yang telah dibuat formatnya oleh sekolah. Tes Potensi, dilaksanakan sebelum ujian akhir semester ganjil. Seleksi penjaringan diadakan setelah pembagian rapot semester ganjil. Sedangkan untuk aspek non akademik dilakukan selama semester ganjil berlangsung dan setelah pembagian rapot semester ganjil. Jenis Penelitian Penelitian ini merupakan penelitian eksperimen, yakni melakukan pengujian tingkat akurasi algoritma FCM dalam seleksi penjaringan siswa kelas berdasarkan kriteria yang telah ditetapkan oleh sekolah.. Data hasil seleksi penjaringan kelas unggulan, serta data nilai akademik dan non akademik siswa setelah masuk kelas unggulan semester genap tahun pelajaran 0 03 seperti pada tabel. Yang masuk ke dalam siswa kelas unggulan ditandai dengan A dan kelas unggulan diberi tanda B. A-0-4
5 No Tabel. Data Hasil Penjaringan Siswa Unggulan dan Hasil Belajar setelah Masuk Unggulan Tahun Pelajaran 0-03 (Sebelum Non (Sebelum Minat TPA (Setelah Non (Setelah Manual B B A A B B A A B A A A A A A A B B B A B A A A B A A A A A A B A A A A A A B B A B B B B A B B B B A A A B B B A A A A B B A B B B A A B B B A B A A A B B FCM A-0-5
6 Tabel. Data Hasil Penjaringan Siswa Unggulan dan Hasil Belajar setelah Masuk Unggulan Tahun Pelajaran 0-03 (lanjutan No (Sebelum Non (Sebelum Minat TPA (Setelah Non (Setelah Manual B B A A B B B B A A B B A A A A B B A B A B A B B A B B B A A A B A A B B B A A B B A A A A B A B B HASIL DAN PEMBAHASAN Dari informasi yang dihasilkan (Matlab pada iterasi terakhir diperoleh pusat cluster: FCM 79,699 V 80, ,94 79, , , , ,0984 Iterasi dihentikan pada iterasi ke 44 (Matlab dengan simulasi seperti pada gambar. A-0-6
7 Gambar. Simulasi FCM di Matlab Dari pusat cluster yang didapat, diperoleh informasi bahwa misalkan nilai tertinggi dari atribut yang dijadikan dasar klasifikasi kelas unggulan, maka:. Pada cluster pertama (baris pertama, nilai tertinggi berada pada kolom kedua (nilai non akademik, sehingga cluster pertama diindikasi sebagai kelompok yang nilai non akademiknya memiliki bobot lebih tinggi.. Pada cluster kedua (baris kedua, nilai tertinggi berada pada kolom pertama (nilai akademik, sehingga cluster kedua diindikasi sebagai kelompok yang nilai akademiknya memiliki bobot lebih tinggi. Pembahasan Penentuan akurasi didasarkan pada ketentuan bahwa jika nilai akademik setelah masuk kelas unggulan nilai akademik sebelum kelas unggulan, serta nilai non akademik setelah masuk kelas unggulan nilai non akademik sebelum kelas unggulan, maka klasifikasi dikatakan akurat. D ari tabel dapat ditentukan tingkat akurasi untuk: akademik:. Secara manual sebanyak 50 siswa dari 64 siswa dikelompokkan pada kelas yang tepat. Sehingga tingkat akurasi pada nilai akademik pada seleksi yang dilakukan secara manual sebesar 78%.. Sedangkan berdasar FCM sebanyak 57 siswa dari 64 siswa dikelompokkan pada kelompok yang tepat. Jadi tingkat akurasi nilai akademik berdasarkan FCM sebesar 89%. non akademik:. Secara manual sebanyak 5 siswa dikelompokkan pada kelas yang tepat, sehingga diperoleh tingkat akurasi sebesar 80%.. Sedangkan berdasar FCM sebanyak 53 siswa dikelompokkan pada kelas yang tepat, sehingga diperoleh tingkat akurasi sebesar 83%. Jika dibandingkan klasifikasi secara manual, klasifikasi dengan menggunakan FCM rata-rata lebih unggul sebesar 7% (86% - 79%. Akurasi klasifikasi kelas unggulan di SMA Negeri Giri tahun pelajaran 0-0 menggunakan FCM disajikan dengan grafik seperti gambar dan gambar 3. A-0-7
8 Gambar Tingkat Akurasi FCM untuk Gambar 3 Akurasi FCM untuk Non KESIMPULAN DAN SARAN. Dari hasil pengujian FCM dalam klasifikasi siswa kelas unggulan di SMA Negeri Giri tahun pelajaran 0-0 dapat disimpulkan bahwa algoritma FCM memiliki tingkat akurasi lebih tinggi (dengan rata-rata 86% dibandingkan klasifikasi secara manual(tingkat akurasi rata-rata 79%.. Dari data yang ada diperoleh dua kelompok kelas unggulan yakni: - Kelompok pertama terdiri atas 9 siswa dari 64 siswa yang memenuhi kriteria dalam seleksi penjaringan kelas unggulan. - Kelompok kedua terdiri atas 35 siswa dari 64 siswa yang memenuhi kriteria dalam seleksi penjaringan kelas unggulan. DAFTAR PUSTAKA [] J. Dunn, A fuzzy relative of the Isodata process and its use in detecting compact, wellseparated clusters, Journal of Cy-bernetics, 3(3, pp. 3 57, 973. [] J. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York, 98. [3] Undang-Undang Republik Indonesia nomor 0 tahun 003 tentang Sistem Pendidikan Nasional, Jakarta, 003 [4] Zimmerman, H.J., Fuzzy Set Theory and Its Applications, nd Ed, Norwel, Massachusetts, 99. [5] Munandar, S.C. Utami, Mengembangkan Bakat dan Kreatifitas Anak Sekolah, Grasindo, Jakarta, 99. [6] Clark, B., Growing Up Gifted (5th ed, Upper Saddle River, NJ: Merril/Prentice Hall, 997. [7] Pyryt, M.C., Acceleration: Strategies and benefits, Paper presented at the 9th annual SAGE conference, November 6-7, Calgary.Alberta, 999. [8] Ogden, J., Health Psychology; nd edition, Philadelphia: Open University Press, 000 [9] Ormrod, J.E, Educational Psychology, Developing Learners, New Jersey: Upper Saddle River, 003 A-0-8
9 [0] Kusumadewi, S., Hartati, S., Fuzzy Multi Atribute Decision Making, Graha Ilmu, Yogyakarta, 006 [] Ross, Timothy J., Fuzzy Logic with Engineering Applications; nd edition, John Wiley & Sons Inc, Inggris, 005. [] Gelley, Ned; and Jang, Roger, Fuzzy Logic Toolbox, Mathwork, Inc., USA, 000. A-0-9
PENENTUAN 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 terperinciFUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN)
FUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail : emha_tl@yahoo.com Abstraksi Clustering merupakan proses pengelompokan
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
Lebih terperinciBAB V PENUTUP. Menggunakan Metode Fuzzy C-Means Clustering, dapat diambil kesimpulan
BAB V PENUTUP 5.1. Kesimpulan Dari serangkaian uji coba dan analisa yang telah dilakukan pada aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
Lebih terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih 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 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 terperinciKLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS
JURNAL LOGIC. VOL.15. NO.1 MARET 015 51 KLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS Putu Manik Prihatini Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit Jimbaran, P.O.Box 1064 Tuban
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN VARIETAS KELAPA SAWIT DENGAN METODE FUZZY C-MEANS
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN VARIETAS KELAPA SAWIT DENGAN METODE FUZZY C-MEANS Faizal Widya Nugraha 1), Silmi Fauziati 2), Adhistya Erna Permanasari 3) 1), 2), 3) Departemen Teknik Elektro Dan
Lebih 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 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 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 terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih 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 terperinciPengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing).
Pengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing). Oleh karena itu, di Bab 4 ini untuk memudahkan memahami
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 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 terperinciRENCANA PEMBELAJARAN SEMESTER GENAP 2016/2017 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS ESA UNGGUL
RENCANA SEMESTER GENAP 2016/2017 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS ESA UNGGUL Mata Kuliah : FUZZY LOGIC Kode MK : CIF416 Mata Kuliah Prasyarat : KECERDASAN BUATAN, LOGIKA
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 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 terperinciPENENTUAN JURUSAN SISWA SMA BERDASARKAN MULTIPLE INTELLIGENCES DENGAN MENGGUNAKAN ALGORITMA FUZZY C-MEANS
PENENTUAN JURUSAN SISWA SMA BERDASARKAN MULTIPLE INTELLIGENCES DENGAN MENGGUNAKAN ALGORITMA FUZZY C-MEANS Siti Romelah Jurusan Teknik Informatika, STT Nurul Jadid Probolinggo Email : lala.neila_fanani@yahoo.co.id
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
Lebih terperinciTUGAS PENGENALAN POLA K-MEANS CLUSTERING. Disusun Oleh : Putrisia Hendra Ningrum Adiaty (06/195033/PA/11129)
TUGAS PENGENALAN POLA K-MEANS CLUSTERING Disusun Oleh : Putrisia Hendra Ningrum Adiaty (06/195033/PA/11129) ELEKTRONIKA DAN INSTRUMENTASI JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciSeminar Nasional Inovasi Dan Teknologi Informasi (SNITI 3) ISSN : Samosir, November 2016
Analisis Penerapan Fuzzy Inference System (FIS) Dengan Metode Mamdani Pada Sistem Prediksi Mahasiswa Non Aktif (Studi Kasus : AMIK Tunas Bangsa Pematangsiantar) Anjar Wanto 1 1 Fakultas Ilmu Komputer-Teknologi
Lebih terperinciCLUSTERING KINERJA AKADEMIS MAHASISWA MENGGUNAKAN FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Agustus 2016, 29-34 CLUSTERING KINERJA AKADEMIS MAHASISWA MENGGUNAKAN FUZZY C-MEANS Nurissaidah Ulinnuha 1 Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam
Lebih 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 terperinciJurnal Informasi Volume VII No.1 / Februari / 2015
SISTEM PENDUKUNG KEPUTUSAN PENERIMA BEASISWA KOPERTIS DI FAKULTAS TEKNIK UNSUR CIANJUR MENGGUNAKAN FUZZY MADM DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) Ai Musrifah Ela Sopiyillah ABSTRAK Fakultas Teknik
Lebih terperinciPENGELOMPOKAN MAHASISWA SISTEM INFORMASI BERDASARKAN TINGKAT KOMPETENSI AKADEMIK DENGAN FUZZY K-MEANS
PENGELOMPOKAN MAHASISWA SISTEM INFORMASI BERDASARKAN TINGKAT KOMPETENSI AKADEMIK DENGAN FUZZY K-MEANS Umi Proboyekti, Budi Sutedjo Dharma Oetomo Abstrak Pada akhir semester setiap Universitas Kristen Duta
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 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 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 terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciMulti-Attribute Decision Making
Multi-Attribute Decision Making Kompetensi Dasar Mahasiswa dapat menyelesaikan masalah pengambilan keputusan dengan metode-metode pada model MADM. Mahasiswa dapat membedakan karakteristik permasalahan
Lebih terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciCLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM)
CLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM) Idni Irsalina 1*, Endang Supriyati 2, Tutik Khotimah 3 Program Studi Teknik Informatika, Fakultas Teknik,
Lebih terperinciKLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN
KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN Wahyu Hadi Pujianto 1), Mochamad Hariadi 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Kosentrasi CIO)
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih 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 terperinciPenerapan Algoritma Fuzzy C-Means Guna Penentuan Penjurusan Program Peserta Didik Tingkat SMA
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Penerapan Algoritma Fuzzy C-Means Guna Penentuan Penjurusan Program Peserta Did Tingkat SMA Maria Anistya Sasongko 1, Lil Linawati 2, Hanna
Lebih terperinciTESIS PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI PERWAKILAN BPK RI JAWA BARAT DENGAN METODE CLUSTERING. Monicha Dwijayani
TESIS PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI PERWAKILAN BPK RI JAWA BARAT DENGAN METODE CLUSTERING Monicha Dwijayani 9108 205 810 Mahendrawati, ST., MSc.,PhD Prof.Drs.Nur Iriawan M.Ikom. PhD
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENGAJUAN KREDIT SEPEDA MOTOR MENGGUNAKAN METODE FUZZY SUGENO (Studi Kasus PT. Bussan Auto Finance Malang) TUGAS AKHIR
SISTEM PENDUKUNG KEPUTUSAN PENGAJUAN KREDIT SEPEDA MOTOR MENGGUNAKAN METODE FUZZY SUGENO (Studi Kasus PT. Bussan Auto Finance Malang) TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN KELULUSAN UJIAN SARINGAN MASUK JALUR PMDK BERDASARKAN NILAI RATA-RATA MATEMATIKA DAN BAHASA INGGRIS
SISTEM PENDUKUNG KEPUTUSAN KELULUSAN UJIAN SARINGAN MASUK JALUR PMDK BERDASARKAN NILAI RATA-RATA MATEMATIKA DAN BAHASA INGGRIS Fitrah Rumaisa, S.T., Tanti Nurafianti Universitas Widyatama, Jl. Cikutra
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Sistem Informasi OLEH :
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMA BERAS MISKIN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING ( STUDI KASUS KEL. JAMSAREN KOTA KEDIRI) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat
Lebih terperinci3. METODOLOGI. Penelitian dilakukan dalam tiga tahap utama : Persiapan, Evaluasi
3. METODOLOGI A. Kerangka Pemikiran Penelitian dilakukan dalam tiga tahap utama : Persiapan, Evaluasi dan Pembuatan Prototipe Sistem (Gambar 3.1). Tahap Persiapan terdiri dari pengumpulan dokumen, input
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH
PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH Erga Aprina Sari Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
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 terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas teori mengenai Sistem Pendukung Keputusan, penelitan lain yang berhubungan dengan sistem pendukung keputusan, Simple Additve Weighting (SAW), dan Weighted
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 terperinciSISTEM INFORMASI PEMILIHAN JURUSAN PADA SMK N 1 KENDAL BERBASIS DECISION SUPPORT SYSTEM MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHT (SAW)
SISTEM INFORMASI PEMILIHAN JURUSAN PADA SMK N 1 KENDAL BERBASIS DECISION SUPPORT SYSTEM MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHT (SAW) Moh. Muthohir 1, Ahmad Zainudin 2 1 Jurusan Teknik Komputer, Sekolah
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. studi yang pernah dilakukan yang berkaitan dengan penelitian ini yaitu bisa dilihat
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Tinjuan pustaka merupakan acuan utama pada penelitian ini berupa beberapa studi yang pernah dilakukan yang berkaitan dengan penelitian ini
Lebih terperinciImplementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions Ivan Hardiyanto,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia pendidikan, khususnya Pendidikan Tinggi mendapat sorotan dari publik. Salah satu sorotan yang dimaksud yaitu: belum meratanya sistem pendidikan tinggi di Jawa
Lebih terperinciKLASTERING INDUSTRI DI KABUPATEN KUDUS
KLASTERING INDUSTRI DI KABUPATEN KUDUS Pratomo Setiaji 1*, Wiwit Agus Triyanto 1 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus 59352 * Email:
Lebih terperinciFUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII)
FUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII) Arkham Zahri Rakhman 1, Helmanatun Nisa Wulandari 2, Geralvin Maheswara
Lebih terperinciPerbandingan Metode Single Linkage dan Fuzzy C Means Untuk Pengelompokkan Trafik Internet
Perbandingan Metode Single dan Fuzzy C Means ntuk Pengelompokkan Trafik Internet Auliya Burhanuddin 1, Ema tami, Eko Pramono 3 1 Program Studi Teknik Informastika, Fakultas Teknik, niversitas Muhammadiyah
Lebih terperinciMATHunesa Jurnal Ilmiah Matematika Volume 2 No.6 Tahun 2017 ISSN
MATHunesa Jurnal Ilmiah Matematika Volume 2 No.6 Tahun 2017 ISSN 2301-9115 SEGMENTASI CITRA MAGNETIC RESONANCE IMAGING (MRI) MENGGUNAKAN FUZZY C- MEANS (FCM) Erva Ani Dwi Katwarti 1) Jurusan Matematika,
Lebih terperinciPenyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE GENERALIZED FUZZY C- MEANS CLUSTERING ALGORITHM WITH IMPROVED FUZZY PARTITIONS (Kata kunci: Algoritma Fuzzy Clustering,
Lebih terperinciKORELASI NORMATIF PEMILIHAN JURUSAN DI SMK BERBASIS WEB
Artikel Skripsi KORELASI NORMATIF PEMILIHAN JURUSAN DI SMK BERBASIS WEB SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom) Pada Program Studi Sistem Informasi
Lebih terperinciUtility Vectors To Fuzzy Preference Relation Dengan Metode Simple Additive Weighting (SAW) Untuk Penentuan Kelayakan Penerimaan Beasiswa
Volume VI No 1, Juni 2017 pissn : 2337 3601 eissn : 2549 015X Tersedia online di http://ejournal.stmik-time.ac.id Utility Vectors To Fuzzy Preference Relation Dengan Metode Simple Additive Weighting (SAW)
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
Lebih terperinciPENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS Hartatik STMIK Amikom Manajemen Informatika STMIK AMIKOM Yogyakarta Jl. Ringroad Utara, Condong Catur, Depok,
Lebih 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 terperinciMulti-Attribute Decision Making
Materi Kuliah [05] SPK & Business Intelligence Multi-Attribute Decision Making Dr. Sri Kusumadewi Lizda Iswari Magister Teknik Informatika Program Pascasarjana Fakultas Teknologi Industri Universitas Islam
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 terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciHASIL DAN PEMBAHASAN. 4. Menghitung fungsi objektif pada iterasi ke-t, 5. Meng-update derajat keanggotaan. 6. Mengecek kondisi berhenti:
2. v kj merupakan centroid term ke-j terhadap cluster ke-k 3. μ ik merupakan derajat keanggotaan dokumen ke-i terhadap cluster ke-k 4. i adalah indeks dokumen 5. j adalah indeks term 6. k adalah indeks
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciPREDIKSI CUACA MARITIM UNTUK MENDETEKSI KEBERADAAN SUMBER DAYA LAUT IKAN DI PERAIRAN JAWA TIMUR
PREDIKSI CUACA MARITIM UNTUK MENDETEKSI KEBERADAAN SUMBER DAYA LAUT IKAN DI PERAIRAN JAWA TIMUR OLEH : Bagusranu Wahyudi Putra 2410100044 DOSEN PEMBIMBING : Dr. Ir. Aulia Siti Aisjah, MT. Ir. Syamsul Arifin,
Lebih terperinciPENENTUAN PENERIMA BEASISWA DENGAN MENGGUNAKAN FUZZY MULTIPLE ATRIBUTE DECISSION MAKING.
PENENTUAN PENERIMA BEASISWA DENGAN MENGGUNAKAN FUZZY MULTIPLE ATRIBUTE DECISSION MAKING Apriansyah Putra 1, Dinna Yunika Hardiyanti 2 Jurusan Sistem Informasi,Fakultas Ilmu Komputer Universitas Sriwijaya
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang telah dilakukan
Lebih terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih terperinciPENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA
PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA APPLICATION OF GUSTAFSON-KESSEL CLUSTERING METHODS FOR SEGMENTATION DETERMINING DEBTOR AT BANK CIMB
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (STUDI KASUS SMA NEGERI 1 LOCERET) SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (STUDI KASUS SMA NEGERI 1 LOCERET) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciSistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting
Jurnal Sistem Bisnis 03(2011) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 153 Sistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting Tri Sandhika
Lebih 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 terperinciSistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering. Catur Sugeng Pribadi 1)
Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering Catur Sugeng Pribadi 1) 1) S1 / Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika
Lebih terperinci