PENERAPAN DATA MINING UNTUK KINERJA DOSEN MENGGUNAKAN METODE K MEANS CLUSTERING (STUDI KASUS DI AMIK MAHAPUTRA RIAU)
|
|
- Inge Wibowo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN DATA MINING UNTUK KINERJA DOSEN MENGGUNAKAN METODE K MEANS CLUSTERING (STUDI KASUS DI AMIK MAHAPUTRA RIAU) Darmanta Sukrianto Akademi Manajemen Informatika dan Komputer Mahaputra Riau darman1407@gmail.com Abstract. Lecturer is a professional educator who has duties and responsibilities and play an important role in educating the nation. Therefore, lecturer profession needs to be improved and developed continuously according to the functional position of lecturers in order to avoid mistakes of the students. In relation to student satisfaction, it certainly must be addressed so that lecturers can provide excellent instruction to students in a more professional. With the implementation of Data Mining using k - means clustering will produce clustering performance assessment lecturers to see the extent to which faculty provide instruction in accordance with the expectations of students and a reference unruk development and improve the quality of lecturers in teaching and learning. Keywords : Data Mining, k -means clustering, performance. Abstrak. Dosen merupakan pendidik profesional yang mempunyai tugas dan tanggung jawab serta berperan penting dalammencerdaskan kehidupan bangsa. Oleh sebab itu, profesi dosen perlu ditingkatkan dan dikembangkan secara terus menerusmenurut jabatan fungsional dosen agar tidak menimbulkankesalahan terhadap anak didiknya.dalam kaitannya dengan kepuasan mahasiswa, hal tersebut tentunyaharus segera dibenahi agar dosen dapat memberikan pengajaran yang primakepada mahasiswa secara lebih profesional.dengan penerapan Data Mining menggunakan metode k means clustering akan menghasilkan klasterisasi penilaian kinerja dosen untuk melihat sejauh mana dosen memberikan pengajaran sesuai dengan harapan mahasiswa/wi dan menjadi acuan unruk pengembangan mutu dan meningkatkan kemampuan dosen dalam proses belajar mengajar. Kata Kunci : Data Mining, k-means clustering, kinerja. PENDAHULUAN Untuk mencapai keberhasilan dalam sebuah usaha bidang pendidikan, kepuasan mahasiswa harus menjadi dasar dari keputusan manajemen, sehingga perguruan tinggi harus menjadikan peningkatan kepuasan mahasiswa sebagai suatu sasaran yang mendasar. Dalam rangka untuk memberikan pelayanan yang berkualitas suatu institusi pendidikan secara continue harus mengadakan pembinaan kelembagaan. Langkah ini penting untuk memperbaiki pelayanan dari waktu ke waktu. Langkah pembinaan tersebut diperlukan oleh suatu lembaga/institusi dikarenakan tingkat kepuasan yang diterima oleh pengguna layanan jasa tentunya akan terus berubah seiring dengan baiknya tingkat pendidikan. Dosen merupakan pendidik professional yang mempunyai tugas dan tanggung jawab serta berperan penting dalam mencerdaskan kehidupan bangsa. Oleh sebab itu, profesi dosen perlu ditingkatkan dan dikembangkan secara terus menerus menurut jabatan fungsional dosen agar tidak menimbulkan kesalahan terhadap anak didiknya. Dalam kaitannya dengan kepuasan mahasiswa, hal tersebut tentunya harus segera dibenahi agar dosen dapat memberikan pengajaran yang prima kepada mahasiswa secara lebih professional. Pelaksanaan penilaian kinerja dosen yang dilakukan oleh penulis akan menghasilkan klasterisasi dosen yaitu klaster buruk, klaster kurang, klaster cukup, klaster baik, dan klaster sangat baik dimana data-datanya diperoleh dari penilaian mahasiswa terhadap dosen secara objektif dan transparan melalui kuisioner. TINJAUAN PUSTAKA Knowledge Discovery in Database (KDD) Knowledge Discovery in Database (KDD) yaitu merupakan kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Deka et al, 2014). Data Mining Data Mining (DM) adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Beberapa teknik yang 54
2 55 Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016 sering disebut-sebut dalam literatur DM antara lain : clustering, classification, association rule mining, neural network, dan genetic algorithm (Linda wati, 2008). Tahapan Data Mining menurut Budanis dan Nofi (2014), Data Mining memiliki tahapan tahapan antara lain: 1. Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. 2. Integrasi data (data integration) Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. 3. Seleksi Data (Data Selection) Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. 4. Transformasi data (Data Transformation) Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam Data Mining. 5. Proses mining, Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. 6. Evaluasi pola (pattern evaluation) Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. 7. Presentasi pengetahuan (knowledge presentation) Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Clustering Clustering adalah salah satu sub - kategori data mining dan merupakan proses di mana sampel yang sama dibagi menjadi kelompok-kelompok yang disebut cluster. Setiap cluster termasuk sampel di mana anggota yang mirip satu sama lain dan berbeda dengan sampel yang tersedia dari kelompok lain (Gharehchopogh et al 2014). Pada dasarnya clustering merupakan suatu metode untuk mencari dan mengelompokkan data yang memiliki kemiripan karakteriktik (similarity) antara satu data dengan data yang lain. Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised), maksudnya metode ini diterapkan tanpa adanya latihan (training) dan tanpa ada guru (teacher) serta tidak memerlukan target output. Dalam data mining ada dua jenis metode clustering yang digunakan dalam pengelompokan data, yaitu hierarchical clustering dan nonhierarchical clustering (Ong, 2013). K-Means Clustering K-means clustering merupakan salah satu metode data clustering non-hirarki yang mengelompokan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster/kelompok dan data yang memiliki karakteristik yang berbeda Menurut Ong (2013), langkah-langkah melakukan clustering dengan metode K-Means adalah sebagai berikut: 1. Pilih jumlah cluster k. 2. Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara. Namun yang paling sering dilakukan adalah dengan cara random. Pusat-pusat cluster diberi nilai awal dengan angka-angka random, 3. Alokasikan semua data/ objek ke cluster terdekat. Kedekatan dua objek ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat cluster. Jarak paling antara satu data dengan satu cluster tertentu akan menentukan suatu data masuk dalam cluster mana. Untuk menghiutng jarak semua data ke setiap tiitk pusat cluster dapat menggunakan teori jarak Euclidean yang dirumuskan sebagai berikut: Gambar 1 : Tahapan Data Mining
3 Sukrianto, Penerapan Data Mining Untuk Kinerja Dosen Menggunakan Metode K Means Clustering Keterangan: D (i,j) = Jarak data ke i ke pusat cluster j X ki = Data ke i pada atribut data ke k X kj = Titik pusat ke j pada atribut ke k 4. Hitung kembali pusat cluster dengan keanggotaan cluster yang sekarang. Pusat cluster adalah rata-rata dari semua data/ objek dalam cluster tertentu. Jika dikehendaki bisa juga menggunakan median dari cluster tersebut. Jadi rata-rata (mean) bukan satusatunya ukuran yang bisa dipakai. 5. Tugaskan lagi setiap objek memakai pusat cluster yang baru. Jika pusat cluster tidak berubah lagi maka proses clustering selesai. Atau, kembali ke langkah nomor 3 sampai pusat cluster tidak berubah lagi METODOLOGI PENELITIAN Metodologi penelitian yang digunakan yaitu langkah langkah yang dilaksanakan dalam penelitian ini. Langkah langkah tersebut digambarkan dalam bentuk kerangka kerja (frame work) yang disusun tersetruktur dan terarah, mulai dari merumuskan masalah sampai menghasilkan suatu kesimpulan yang dapat dijadikan dasar dalam pengambilan keputusan, seperti kesimpulan tentang kriteria yang tepat untuk menentukan kinerja dosen berdasarkan penilaian yang diberikan oleh mahasiswa di Amik Mahaputra Riau yang menjadi objek penelitian ini. Kerangka Kerja Penelitian Untuk memberikan panduan dalam penyusunan penelitian ini, maka perlu disusun sebuah kerangka kerja yang terdiri dari langkah langkah yang dapat dilihat dari gambar 2. Gambar 2 : Kerangka Kerja Dari kerangka kerja pada gambar 2 maka dapat diuraikan pembahasan dari masing masing kegiatan yang dilakukan, sebagai berikut : 1. Perumusan Masalah Tahap perumusan masalah merupakan langkah awal dari penelitian, karena pada tahapan ini dilakukan proses pengamatan, pendefinisian dan explorasi lebih dalam terhadap permasalahan yang ada. 2. Penentuan Tujuan Berdasarkan perumusan masalah yang ada, maka tahap penentuan tujuan berguna untuk memperjelas langkah langkah tentang apa saja yang menjadi sasaran penelitian ini. Pada tahap ini juga ditentukan tujuan dari penelitian ini yaitu bagaimana mengimplementasikan teknik data mining untuk memudahkan dalam proses pengambilan keputusan dengan melakukan pengklasifikasian kriteria kinerja dosen terhadap prestasi akademik yang dicapai. 3. Mempelajari literature Dilakukan dengan tujuan untuk mengetahui metode apa yang digunakan dalam menyelesaikan permasalahan yang akan diteliti, serta mendapatkan dasar-dasar referensi yang kuat bagi peneliti dalam menerapkan suatu metode yang digunakannya. 4. Pengumpulan Data Pada tahap ini dilakukan pengumpulan data dan informasi untuk memahami permasalahan yang ada. Data yang diperlukan dalam penelitian ini adalah data dosen pada Amik Mahaputra Riau dan kegiatan yang dilakukan adalah sebagai berikut : a. Mengambil sampel dosen mulai dari dosen tetap dan dosen tidak tetap. b. Mengambil data berdasarkan angket yang disebarkan pada sampel penelitian yang memuat variabel variabel antara lain menyangkut kompetensi kompetensi kepribadian, kompetensi profesional dan kompetensi sosial. 5. Clustering menggunakan algoritma K-Means Tahapan proses dimana data yang sudah dipraproses di cluster dengan menggunakan algoritma K-Means 6. Pengujian Sistem Tahapan ini yaitu mengimplementasikan dengan menggunakan tools (aplikasi) dalam hal ini penulis menggunakan Aplikasi Rapid Minner untuk menguji dan melakukan
4 57 Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016 perbandingan dengan proses yang dibuat secara manual. Mekanisme pengujian yang dilakukan adalah melakukan pengujian secara manual dengan menggunakan rumus, untuk mengelompokkan dosen menggunakan metode K Means Clustering. Adapun tahapan pengujian adalah sebagai berikut : a. Menentukan k sebagai jumlah cluster yang ingin dibentuk. Kemudian menentukan titik pusat cluster awal secara random. Setelah itu menghitung jarak setiap data masing masing centroid. Yang mana setiap data memilih centroid yang terdekat. Adapun data yang digunakan berupa data dosen tetap dan dosen tidak tetap pada Amik Mahaputra Riau. Selanjutnya data tersebut diproses berdasarkan metode K Means Clustering. b. Kembali kelangkah 3 jika posisi centroid baru dengan centroid yang lama tidak sama. c. Selanjutnya, dari cluster yang telah didapatkan maka pencarian cluster baru dengan algoritma K-Means dapat dilakukan dengan menentukan nilai centroid baru secara manual dengan menggunakan data cluster yang diambil dari proses cluster pertama. Kemudian lakukan perhitungan untuk menentukan jarak setiap data dan centroid yang telah di bentuk dengan menggunakan rumus Euclidean Distance. Proses akan berlanjut jika anggota cluster 1 pada iterasi 1 dan iterasi 2 berbeda. Proses akan berhenti jika perbadingan iterasi 1dan iterasi 2 sama. Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk menggambarkan isi cluster tersebut. 7. Menganalisa Hasil Pengujian Pada tahapan ini akan dilakukan analisa terhadap hasil dari implementasi menggunakan metode K Means Clustering untuk menentukan kinerja dari setiap dosen. 8. Kesimpulan Tahap ini merupakan tahapan akhir yaitu membuat suatu kesimpulan dari pengujian hasil yang dibuat dengan metode K-Means Clustering dengan tools yang digunakan yaitu Rapid Miner sehingga dapat melakukan komparasi dari data yang ada. HASIL DAN PEMBAHASAN Deskriptif Sistem Data yang digunakan peneliti untuk tesis ini diperoleh dari hasil kusioner yang dilakukan oleh mahasiswa/wi terhadap dosen tetap dan tidak tetap di Amik Mahaputra Riau. Hasil kusioner tersebut digunakan untuk menentukan kinerja dari dosen yang nantinya terbentuk beberapa kelompok dosen sangat baik, baik, cukup, tidak baik dan sangat tidak baik. Semua data akan diolah kemudian dilanjutkan dengan menggunakan metode k-means clustering. Analisa Sistem Analisa sistem ini menjelaskan mengenai cara menentukan kinerja dosen terhadap mahasiswa dalam proses belajar mengajar dengan melihat kriteria seperti pengajaran dan personal. Masukan Sistem Pada penelitian ini data diperoleh melalui kusioner kepada mahasiswa/wi Amik Mahaputra Riau. Hasil dari proses kusioner yang dsebarkan kepada mahasiswa yaitu berupa angka dari penilaian mahasiswa/wi yang dibagi menjadi 4 penilaian terhadap dosen dalam proses belajar mengajar dan personal dosen tersebut diantaranya kopetensi pedagogik, kopetensi profesional, kopetensi kepribadian, kopetensi sosial. Adapun data rekap penilaian hasil kusioner yang diberikan oleh mahasiswa/wi yang didapat dari kusioner dapat dilihat pada tabel 1. Tabel 1: Data Rekap Kusioner Dosen Oleh Mahasiswa Keluaran Sistem Keluaran yang dihasilkan oleh sistem ini adalah cluster dari setiap kelompok dosen dengan 5
5 Sukrianto, Penerapan Data Mining Untuk Kinerja Dosen Menggunakan Metode K Means Clustering kriteria yang telah ditentukan yaitu cluster sangat baik, cluster baik, cluster biasa/cukup, cluster tidak baik dan cluster sangat tidak baik. Setiap cluster nantinya berisi data dosen yang dikelompokkan berdasarkan kriteria yang telah ditentukan tersebut. Implementasi Metode K Means Clustering Tahapan pegujian yang dilakukan adalah sebagai berikut : 1. Menentukan jumlah cluster K. Pada tahap ini jumlah cluster ditentukan berdasarkan kelompok cluster yang akan dibentuk yaitu 5 cluster. 2. Tentukan K titik pusat cluster secara acak (random). Pada percobaan ini ditentukan 5 data secara acak sebagai titik pusat awal untuk memperhitungkan jarak dari seluruh kelompok cluster yang akan dibentuk. Data acak tersebut dapat dilihat pada tabel 2. Tabel 2 : Data Titik Pusat Awal Cluster 3. Hitung jarak tiap data dengan masing masing pusat cluster. Setelah titik pusat awal ditentukan, langkah selanjutnya adalah menghitung jarak setiap data dengan pusat cluster dengan menggunakan persamaan Eucliden Distance. Perhitungan jarak dari data data terhadap masing masing pusat cluster adalah sebagai berikut: D(1,1)= = 0,00 D(1,2) = = 1,13 D(1,3) = = 1,19 D(1,4) = 1,59 D(1,5) = = 2,31 Data 2 D(2,1) = = 0,64 D(2,2) = = 1,76 D(2,3) = = 1,76 D(2,4) = 1,98 D(2,5) = = 2,46 Data 3 D(3,1) = = 0,78 59 Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016 D(3,2) = = 1,72 D(3,3) = = 1,40 D(3,4) = 1,38 D(3,5) = = 1,85 Data 4 D(4,1) = = 2,20 D(4,2) = = 1,18 D(4,3) = = 1,95 D(4,4) = 2,67 D(4,5) = = 3,51
6 59 Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016 Data 5 D(5,1) = = 1,13 D(5,2) = = 0,00 D(5,3) = = 0,96 D(5,4) = 1,66 D(5,5) = = 2,57 Hasil perhitungan selengkapnya dapat dilihat pada tabel 3: Tabel 3 : Hasil Perhitungan Jarak Iterasi Setiap kolom pada tabel 3 menunjukkan nilai jarak terhadap pusat cluster. Data 1 merupakan jarak terkecil diperoleh pada kelompok 2, sehingga data 1 akan menjadi anggota dari kelompok 2. Demikian juga pada data ke 2, jarak terkecil ada pada kelompok 3, maka data tersebut masuk pada kelompok 3. Posisi dari cluster dapat dilihat pada tabel 4 sebagai berikut : Tabel 4 : Posisi Cluster Iterasi Ulangi langkah 2 hingga posisi data sudah tidak berubah lagi. Hasil selengkapnya sebagai berikut : Tabel 5 : Hasil Pengelompokan Cluster Iterasi 1 Kelompok Cluster Anggota Kelompok Jumlah 1 1,2,3,6,7, , ,12,13,17,21, ,10,14,15,16,18,19,20,22,
7 Sukrianto, Penerapan Data Mining Untuk Kinerja Dosen Menggunakan Metode K Means Clustering Tabel 6 : Hasil Perhitungan Jarak Iterasi Tabel 7 : Posisi Cluster Iterasi Tabel 8 : Hasil Pengelompokan Cluster Iterasi 2 Kelompok Cluster Anggota Kelompok Jumlah 1 1,2,3,6, , ,12,13,17,21,23, ,9,10,14,15,16,18,19,20, Tabel 9 : Hasil Perhitungan Jarak Iterasi Tabel 10 : Posisi Cluster Iterasi
8 61 Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016 Tabel 11 : Hasil Pengelompokan Cluster Iterasi 3 Kelompok Cluster Anggota Kelompok Jumlah 1 1,2,3,6, , ,12,13,17,18,21,23, ,9,10,14,15,16,19,22, Tabel 12 : Hasil Pengelompokan Cluster Iterasi 4 Kelompok Cluster Anggota Kelompok Jumlah 1 1,2,3,6, , ,12,13,17,18,21,23, ,9,10,14,15,16,19,22, hasil yang optimal. Dari penelitian ini maka didapatlah hasil cluster kinerja dosen yang menjadi 5 cluster. IMPLEMENTASI Implementasi yang dilakukan menggunakan software Rapid Mainer 5, pada bagian ini tahap awal penggunaan software ini dimulai dengan menentukan data data yang akan diolah, seperti data dosen, kopetensi pedagogik, kopetensi profesional, kopetensi kepribadian dan kopetensi sosial yang telah diubah menjadi variabel dan nilainya dalam bentuk parameter. Sumber data yang dianalisis untuk menjadi input dapat dilihat pada gambar 3. Pada pengujian iterasi ke 3 dan 4 centroid tidak mengalami perubahan (sama dengan centroid sebelumnya) maka proses iterasi selesai dan diperoleh 3 cluster dengan 4 iterasi. Dari hasil nilai perhitungan cluster dengan 4 iterasi bahwa cluster 1 adalah dengan nilai tertinggi dimasukkan pada kriteria sangat baik, cluster 4 baik, cluster 5 cukup, cluster 2 kurang dan cluster 3 kurang baik. Tabel 13 : Hasil Analisis K Means Clustering Kesimpulan dari hasil pengujian tersebut adalah nilai pusat cluster yang ditentukan sangat mempengaruhi hasil dan perhitungan cluster yang dilakukan, oleh karena itu pemilihan nilai pusat cluster harus tersebar / acak agar menghasilkan Gambar 3 : Data Import sebagai sumber data dianalisis Selanjutnya tentukan jumlah cluster atau pengelompokan yang kita inginkan, untuk jumlah cluster jangan sampai melebihi jumlah data.
9 Sukrianto, Penerapan Data Mining Untuk Kinerja Dosen Menggunakan Metode K Means Clustering yakni cluster 0 dengan 1 items, cluster 1 dengan 5 items, cluster 2 dengan 2 items, cluster 3 dengan 9 items dan cluster 4 dengan 8 items. Setiap cluster berisikan anggota yang termasuk hanya dalam anggota cluster tersebut, untuk melihat anggota masing masing setiap cluster pilih Folder View seperti pada gambar 6. Gambar 4 : Parameter menentukan jumlah cluster Setelah ditentukan jumlah k dan max run kemudian proses analisis menggunakan k-means clustering yang menghasilkan jumlah anggota pada cluster yang dihasilkan dalam bentuk Cluster Model sepeti gambar 3 berikut : Gambar 6 : Pengelompokan kinerja dosen Hasil dari gambar 4 dalam bentuk grafik bubble menjelaskan pada sumbu x batas maksimal nilai predikat yang diperoleh oleh setiap dosen dan pada sumbu y cluster secara keseluruhan. Bulatan bulatan yang disebut bubble pada grafik adalah penelompokan data di mana yang bulatan yang berwarna biru adalah pengelompokan yang temasuk dalam cluster 1 yang bejumlah 5 anggota, warna biru langit menunjukkan anggota dari cluster 2, warna hijau menunjukkan anggota cluster 3, warna kuning menunjukkan anggota cluster 4 dan warna merah menunjukkan anggota cluster 1 seperti pada gambar 7. Gambar 5 : Cluster Model (Clustering) jumlah anggota pada cluster Terlihat hasil pengelompokan data kinerja dosen amik mahaputra yang menghasilkan 5 cluster, Gambar 7 : Pengelompokan data bentuk grafik bubble
10 63 Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016 SIMPULAN Berdasarkan penelitian yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut : 1. Mengelompokkan data dengan metode k- means clustering dilakukan dengan cara menentukan jumlah cluster, hitung jarak terdekat dengan pusat cluster. Data dengan jarak terdekat menyatakan anggota dari cluster tersebut, dilakukan perhitungan kembali sampai data tidak berpindah pada cluster lain. 2. Data kelompok dosen yang sangat baik, baik, cukup, kurang, kurang baik didapatkan setelah perhitungan dengan menggunakan metode k-means clustering selesai, data dengan pusat centroid terbesar adalah kelompok dosen yang mempunyai kinerja sangat baik pada proses belajar mengajar terhadap mahasiswa/wi dan data dengan pusat centroid terendah adalah kelompok dosen yang mempunyai kinerja sangat kurang baik oleh mahasiswa/wi. 3. Dengan menggunakan software Rapid Mainer metode k means clustering sangat membantu dalam melakukan pengelompokan, sehingga memudahkan pengguna dalam melakukan penggalian informasi siapa saja yang masuk kedalam anggota kelompok tertentu. 4. Hasil penelitian ini bisa dijadikan sebagai acuan bagi pihak akademik dan dosen dalam proses pengembangan mutu dan meningkatkan kemampuan dosen dalam proses belajar mengajar. DAFTAR RUJUKAN [1] Deka Dwinavinta Candra Nugraha, Zumrotun Naimah, Makhfuzi Fahmi, Novi Setiani (2014). Klasterisasi Judul Buku Dengan Menggunakan Metode K-Means, Seminar Nasional Aplikasi Teknologi Informasi (SNATI), ISSN: [2] Farhad Soleimanian Gharechopogh, Yasin Rahimpur, Seyyed Reza Khaze (2014), Combining Clustering Algorithhms For Provide Marketing Policy in Electronic Stores, International Journal of Programmning Languages and Applications (IJPLA), Volume : 4,Nomor: 1. [3] Goldie Gunadi, Dana Indra Sensuse (2012). Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori dan Frequent Pattern Grownth (FP- GROWNTH), Jurnal Informatika MKOM, Volume : 4, No. 1,Nomor: ISSN: X. [4] Johan Oscar Ong (2013), Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University, Jurnal Ilmiah Teknik Industri, Volume 12, No. 1, ISSN : [5] Shaker H. El Sappagh, Samir El-Masri, A.M.Riad, Mohammed Elmogy (2013), Data Mining and Knowledge Discovery : Aplications, Techniques, Challenges ans Process Models in Healtcare, International Journal of Engineering Researc and Aplications (IJERA), Volume : 3, Issue 3,,Nomor: ISSN: [6] Aprisawati (2013), Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K-Means, Pelita Informatika Budi Darma, Volume : 5, No. 3,Nomor: ISSN: [7] Lindawati (2008), Data Mining Dengan Teknik Clustering Dalam Pengklasifikasian Data Mahasiswa Studi Kasus Prediksi Lama Studi Mahasiswa Universitas Bina Nusantara, Seminar Nasional Informatika (semnasif 2008), ISSN : [8] Tahta Alfina, Budi Santosa, Ali Ridho Barakbah (2012). Analisa Perbandingan Metode Hierarchical Clustering, K-Means dan Gabungan Keduanya dalam Cluster Data, Jurnal Teknik ITS, Volume : 1,Nomor: ISSN:
METODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciTEKNOSI, Vol. 02, No. 03, Desember Koko Handoko Universitas Putera Batam (cooresponding author)
TEKNOSI, Vol. 02, No. 03, Desember 2016 31 PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI PROGRAM STUDI
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 terperinciBAB II LANDASAN TEORI. Nama Judul. Hasil Peneliti, Penelitian. Penelitian Tahun 1. Johan. Implementasi
BAB II LANDASAN TEORI A. Tinjauan Pustaka Tabel berikut ini akan menjelaskan beberapa hasil penelitian yang telah dilakukan dan memiliki kesamaan topik maupun metode yang dilakukan pada penelitian ini.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
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 terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciPENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG
PENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG Sri Mulyati 1) 1 Pascasarjana, Universitas Putra Indonesia YPTK Padang e-mail: mulyati.sri52@gmail.com Abstrak
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 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 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 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 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 terperinciIMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI
IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih 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 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 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 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 terperinciDATA MINING DENGAN TEKNIK CLUSTERING UNTUK MENGGALI INFORMASI TENTANG BIMBINGAN KONSELING SISWA (STUDI KASUS : SMA NEGERI 1 X KOTO SINGKARAK)
Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret 2017 38 DATA MINING DENGAN TEKNIK CLUSTERING UNTUK MENGGALI INFORMASI TENTANG BIMBINGAN KONSELING SISWA (STUDI KASUS : SMA NEGERI 1 X KOTO SINGKARAK)
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menerapkan metode clustering dengan algoritma K-Means untuk penelitiannya.
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu cara untuk mengetahui faktor nilai cumlaude mahasiswa Fakultas Teknik Universitas Muhammadiyah Yogyakarta adalah dengan menerapkan
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
Lebih terperinciBAB 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 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 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 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 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 terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih 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 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 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 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 terperinciMETODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN TINGKAT KELARISAN BARANG (STUDI KASUS : KOPERASI KELUARGA BESAR SEMEN PADANG)
METODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN TINGKAT KELARISAN BARANG (STUDI KASUS : KOPERASI KELUARGA BESAR SEMEN PADANG) Fakultas Ilmu Komputer, Universitas Putra Indonesia YPTK Padang
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 9 NO. 1 April 2016
ANALISA DAN PENERAPAN DATA MINING UNTUK MENENTUKAN KUBIKASI AIR TERJUAL BERDASARKAN PENGELOMPOKAN PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Sri Tria Siska 1 ABSTRACT This study aims to determine
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 terperinciAplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian
Aplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian Wiji Lestari, Singgih Purnomo STMIK Duta Bangsa Surakarta ABSTRAK Clustering adalah suatu metode
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS CLUSTERING DALAM PENENTUAN PRIORITAS REHABILITASI DAERAH ALIRAN SUNGAI (DAS)
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING DALAM PENENTUAN PRIORITAS REHABILITASI DAERAH ALIRAN SUNGAI (DAS) Muhammad Farid Fahmi 1), Yoyon K Suprapto 2) Jurusan Teknik Elektro, Fakultas Teknologi Industri,
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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciIMPLEMENTATION K-MEANS ALGORITHM TO PREDICT CONSUMER INTEREST ACCORDING TO THE SEASON ON PLACE RESERVATION AND FOOD ONLINE SOFTWARE IN FOOD GARDEN
IMPLEMENTASI ALGORITMA K-MEANS UNTUK MEMPREDIKSI MINAT KONSUMEN SESUAI DENGAN MUSIM PADA PERANGKAT LUNAK PEMESANAN TEMPAT DAN MAKANAN ONLINE DI FOOD GARDEN IMPLEMENTATION K-MEANS ALGORITHM TO PREDICT CONSUMER
Lebih terperinciIMPLEMENTASI METODE K-MEANS 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 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 terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
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 terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
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 terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciBAB 1 PENDAHULUAN. Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan
BAB 1 PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari. Namun kebutuhan informasi yang
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 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 I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Ketika disodori sejumlah data dari suatu obyek atau kejadian, apa yang bisa dilakukan terhadap data untuk menindaklanjutinya? Data perlu diolah untuk mendapatkan
Lebih terperinciAnalisis Data Mining Untuk Menentukan Daerah Keluarga Sejahtera Di Kecamatan Balong Dengan Metode Algoritma K-MEANS Clustering SKRIPSI
Analisis Data Mining Untuk Menentukan Daerah Keluarga Sejahtera Di Kecamatan Balong Dengan Metode Algoritma K-MEANS Clustering SKRIPSI Diajukan Sebagai Salah satu Syarat Untuk Memperoleh Gelar Sarjana
Lebih terperinciPenerapan Metode Clustering Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Semarang
1 Penerapan Metode ing Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Lianna Felicia Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Abstract Berdasarkan data hasil pertanian padi di Dinas
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-521
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-521 Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan
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 terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
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 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 terperinciAPLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi
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 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 terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS Ardi Mardiana Fakultas Teknik, Universitas Majalengka Email: aim@ft.unma.ac.id Abstract Grouping language
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciDESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA. Oleh : Rita Prima Bendriyanti ABSTRAK
DESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Oleh : Rita Prima Bendriyanti ABSTRAK Penelitian ini menggunakan metode observasi, dengan melihat atau mengamati secara langsung
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
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 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 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 I PENDAHULUAN. Susunan nilai gizi yang sempurna ini merupakan medium yang sangat baik bagi
BAB I PENDAHULUAN I.1. Latar Belakang Susu merupakan bahan makanan yang mempunyai nilai gizi tinggi. Susunan nilai gizi yang sempurna ini merupakan medium yang sangat baik bagi pertumbuhan organisme. (Ace,
Lebih terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan algoritma hierarchical clustering dan k-means untuk pengelompokan desa tertinggal.
Lebih terperinciClustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means
Clustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means Sri Redjeki Andreas 1), Andreas Pamungkas, Pamungkas Hastin 2), Hastin Al-fatah Al-fatah 3) 1)2)3) STMIK dzeky@akakom.ac.id
Lebih terperinciPenentuan Prioritas Rehabilitasi DAS Menggunakan Algoritma K-Means Clustering
Penentuan Prioritas Rehabilitasi DAS Menggunakan Algoritma K-Means Clustering Muhammad Farid Fahmi 1, Yoyon K. Suprapto 2 Jurusan Teknik Elektro Institut Teknologi Surabaya (ITS) Surabaya, Indonesia muhammad.farid14@mhs.ee.its.ac.id
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 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 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 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 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 terperinciPENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG
PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG Elly Muningsih Program Sudi Manajemen Informatika, AMIK BSI Yogyakarta Email : elly.muning514@gmail.com Abstract - Good and accurate
Lebih 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 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 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 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 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 terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciPENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA 1 Yulison Herry Chrisnanto, 2 Gunawan Abdillah 1,2 Jurusan Informatika Fakultas
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
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 terperinciIMPLEMENTASI METODE KLASTERING K-MEANS UNTUK MENGELOMPOKAN HASIL EVALUASI MAHASISWA. FEBRIZAL ALFARASY SYAM Dosen STMIK Dharmapala Riau ABSTRAK
Jurnal Ilmu Komputer dan Bisnis, Volume 8, Nomor 1, Mei 017 IMPLEMENTASI METODE KLASTERING K-MEANS UNTUK MENGELOMPOKAN HASIL EVALUASI MAHASISWA FEBRIZAL ALFARASY SYAM Dosen STMIK Dharmapala Riau ABSTRAK
Lebih terperinciPENERAPAN K-MEANS CLUSTERING UNTUK MEMPREDIKSI MINAT NASABAH PADA PT. ASURANSI JIWA BERSAMA 1912 BUMIPUTERA PRABUMULIH
PENERAPAN K-MEANS CLUSTERING UNTUK MEMPREDIKSI MINAT NASABAH PADA PT. ASURANSI JIWA BERSAMA 9 BUMIPUTERA PRABUMULIH Lhorend Mutiara Pratiwi¹, Diana², Eka Puji Agustini³ Dosen Universitas Bina Darma² ³,
Lebih terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinci