Clustering Data Kejadian Tsunami Yang Disebabkan Oleh Gempa Bumi Dengan Menggunakan Algoritma K-Medoids
|
|
- Yenny Hermanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 8, Juni 2017, hlm Clustering Data Kejadian Tsunami Yang Disebabkan Oleh Gempa Bumi Dengan Menggunakan Algoritma K-Medoids Daniel Alex Saroha Simamora 1, M. Tanzil Furqon 2, Bayu Priyambadha 3 Program Studi Teknik Informatika, 1 danielsimamora12@gmail.com, 2 m.tanzil.furqon@ub.ac.id, 3 bayu_priyambadha@ub.ac.id Abstrak Tsunami adalah sebuah kejadian alam yang disebabkan oleh perubahan permukaan laut secara vertikal dengan tiba tiba sehingga menyebabkan perpindahan volume air yang besar. Letusan gunung berapi bawah laut, gempa bumi yang berpusat dibawah laut, dan longsor bawah laut merupakan beberapa penyebab perubahan permukaan laut secara tiba tiba. Tsunami telah sering terjadi dan menyebabkan banyak kerusakan dan korban jiwa. Tsunami yang sering terjadi secara tiba tiba dan tidak dapat diprediksi menjadi penyebab utama banyaknya korban jiwa dan kerusakan yang terjadi dan juga kecilnya pengetahuan dan kesadaran tentang tsunami memperparah efek yang dapat ditimbulkan oleh tsunami. K-Medoids merupakan salah satu metode clustering data yang telah banyak diaplikasikan terhadap dataset yang memiliki outlier. Subjek yang terdapat pada penelitian ini adalah aplikasi pengelompokan data dengan menggunakan K-Medoids untuk mengelompokan data kejadian tsunami yang disebabkan oleh gempa bumi. Dataset yang digunakan pada penelitian ini bersumber dari database kejadian tsunami yang terdapat di situs resmi National Oceanic and Atmospheric Administration (NOAA). Hasil dari penelitian ini adalah sebuah sistem yang mampu melakukan pengelompokan dataset tsunami dengan menggunakan metode K-Medoids. Dari pengujian yang dilakukan didapatkan hasil bahwa jumlah cluster terbaik untuk mengelompokan dataset tsunami adalah 2 cluster. Kata Kunci: tsunami, K-Medoids Abstract Tsunami is a natural events caused by sudden alteration in sea surface vertically, causing displacement of a large volume of water. Underwater volcano eruption, earthquake that is centered under the sea, and submarine landslide are some of the causes of sudden sea level change. Tsunami have occurred many times and causing many damages and fatalities. Tsunami often occurred so suddenly and cannot be predicted is the main reason for so many damages and fatalities, and the lack of knowledge and awareness are also worsen the effect of tsunami. K-Medoids is one of many clustering method which is applied to the dataset which have outlier. Subject in this research is a clustering application using K- Medoids to cluster the tsunami event which caused by earthquake dataset. Dataset used in this research come from the tsunami events database from the official site of National Oceanic and Atmospheric Administration (NOAA). The outcome from this research is a system that able to do clustering process on the tsunami events dataset using K-Medoids method. From the test, it is showed that the best number of clusters for tsunami events dataset is 2 clusters. Keywords : tsunami, K-Medoids 1. PENDAHULUAN Pada hari Minggu, 26 Desember 2004 terjadi gempa hebat berkekuatan Mw (moment magnitude) 9,1 9,3 dan berpusat di lepas pesisir barat Sumatera yang menyebabkan terjadinya serangkaian bencana tsunami yang menyerang sebagian besar daratan yang berbatasan dengan Samudra Hindia. Dampak dari tsunami tersebut dirasakan oleh 14 negara termasuk negara kita dengan korban jiwa lebih dari orang dan kerugian material diperkirakan mencapai US$ Besarnya kerugian yang dialami Indonesia diantara lain disebabkan oleh dekatnya pusat gempa dengan pesisir pantai, kurangnya akses informasi dan pendidikan mengenai tanda - tanda tsunami. Fakultas Ilmu Komputer Universitas Brawijaya 635
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 636 Selama ini tsunami masih menjadi bahasan di lembaga lembaga penelitian dan level perguruan tinggi dan belum merakyat. Dengan teknologi yang berkembang pada saat ini tidak sulit untuk bisa mengumpulkan data data statistik dari kejadian tsunami yang telah terjadi di masa lalu, mempelajari karakteristik dari setiap kejadian tersebut, dan melakukan pengelompokan data. Dengan bantuan teknologi maka pengelompokan data, atau yang disebut juga dengan Clustering, bisa dilakukan secara cepat, efektif dan efisien. Clustering adalah suatu unsupervised learning, dimana sekelompok data langsung dikelompokan berdasarkan tingkat kemiripannya tanpa dilakukan supervisi. Prinsip dasar dari clusteringadalah memaksimalkan kesamaan antar anggota satu klaster dan meminimumkan kesamaan antar anggota cluster yang berbeda. Clusteringjuga dapat mengelompokan data yang berdasarkan tingkat kemiripannya dan juga berdasarkan tingkat akurasinya (Han&Kamber,2006). Terdapat beberapa algoritma pengelompokan data, diantaranya adalah K- Medoids, K-Means, dll. Algoritma K-Medoids merupakan metode yang diciptakan untuk mengatasi kelemahan algoritma K-Means yang sensitif terhadap outlier, karena nilai yang sangat besar dapat secara substansial mendistorsi distribusi data. Untuk mengatasi hal tersebut algoritma K-Medoids tidak mengambil nilai rata rata dari objek dalam sebuah cluster sebagai titik acuan melainkan menggunakan objek yang sebenarnya untuk mewakili cluster, menggunakan satu objek perwakilan per cluster. Setiap objek yang tersisa berkumpul dengan objek perwakilan yang paling mirip dengan dirinya. Lalu metode partisi dilakukan berdasarkan prinsip meminimalkan jumlah ketidaksamaan antara tiap objek dengan titik referensinya (Han&Kamber,2006). Pada skripsi ini dengan memanfaatkan metode untuk K-Medoids, dapat dikembangkan untuk membangun aplikasi pada pengelompokan data kejadian tsunami yang disebabkan oleh gempa bumi. Pentingnya melakukan pengelompokan data dari kejadian tsunami karena data yang dihasilkan nantinya bisa berguna untuk mengetahui karakteristik tsunami dan bisa digunakan untuk peringatan awal dan penanggulangan bencana tsunami (National Academy of Science,2011). Melihat pada penelitian sebelumnya yang dilakukan oleh Gandhi Gopi (Gandhi,2014) menunjukan bahwa K-Medoids memiliki kinerja yang lebih baik daripada K-Means dalam melakukan pengelompokan pada dataset yang berukuran besar dan hasil dari penelitian yang dilakukan oleh T. Velmurugan dan T. Santhanam (Velmurugan,2010) menunjukan bahwa K-Medoids menunjukkan kinerja yang lebih bagus dari K-Means dalam melakukan pengelompokan terhadap dataset dengan jumlah objek yang besar 2. DATA PENELITIAN Data yang digunakan dalam penelitian ini adalah dataset tsunami yang disebabkan oleh gempa bumi yang diambil dari website NOAA (National Oceanic and Atmospheric Administration), dengan alamat website Parameter kejadian tsunami yang digunakan berjumlah 4 parameter yaitu kekuatan gempa, kedalaman pusat gempa (focal depth), latitude, longitude. Data yang terdapat pada website NOAA memiliki beberapa kelompok parameter seperti date, tsunami cause, tsunami source location, tsunami parameter, tsunami effect, tetapi hanya tsunami cause yang digunakan dalam penelitian ini dikarenakan parameter yang ada didalamnya merupakan parameter penyebab tsunami. Data kejadian tsunami yang diperoleh untuk penelitian ini berjumlah total 197 data. Data yang digunakan merupakan data kejadian tsunami yang terjadi pada tahun dikarenakan banyak data kejadian tsunami yang terjadi pada tahun tahun sebelum tahun 1990 memiliki data yang kurang lengkap. 3. TSUNAMI Kata Tsunami berasal dari 2 kata dalam bahasa jepang yaitu tsu yang berarti pelabuhan dan nami yang berarti gelombang, secara bahasa tsunami dapat diartikan sebagai ombak besar di pelabuhan. Tsunami disebabkan oleh perubahan permukaan laut secara vertikal dengan tiba tiba sehingga menyebabkan perpindahan volume air yang besar. Letusan gunung berapi bawah laut, gempa bumi yang berpusat dibawah laut, dan longsor bawah laut merupakan beberapa penyebab perubahan permukaan laut secara tiba tiba. Gelombang tsunami dapat merambat kesegala arah dengan kecepatan dan ketinggian tsunami didalam laut tetap tidak berubah. Di
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 637 lautan dalam, gelombang tsunami dapat melaju dengan kecepatan kecepatan km per jam tetapi ketinggiannya hanya sekitar 1 meter. Namun saat tiba dibibir pantai kecepatan gelombang tsunami turun hingga sekitar 30 km per jam dan ketinggiannya meningkat sampai puluhan meter dan gelombang tsunami dapat menjalar sampai puluhan kilometer dari tepi pantai. 4. K-MEDOIDS Algoritma k-medoids adalah salah satu algoritma clustering yang terkait dengan algoritma k-means. K-medoids dan k-means bersifat partisional (memecah dataset kedalam beberapa kelompok) dan keduanya bertujuan untuk meminimalkan jarak antara titik yang ada di dalam kluster dengan titik yang menjadi titik tengah dari kluster. Berikut langkah-langkah dari metode K- medoid menurut Han & Kamber: 1. Menentukan jumlah kluster yang diinginkan. 2. Memilih secara acak data untuk digunakan sebagai medoid awal sebanyak jumlah kluster yang ditentukan. 3. Melakukan perhitungan jarak data terhadap medoid awal. 4. Mengelompokan data dengan medoid yang berjarak paling dekat dengan data tersebut lalu menghitung jumlah cost. 5. Mengganti salah satu medoid dengan data dari kelompoknya dan melakukan proses perhitungan jarak dan pengelompokan seperti pada proses nomor 3 dan 4. Jika jumlah cost yang dihasilkan lebih kecil dari cost sebelumnya maka medoid akan diganti dengan medoid yang baru dan jika tidak maka tidak terjadi perubahan dan diganti dengan data yang lainnya. Ulangi proses 3 5 sampai semua data telah menjadi medoid. Gambar 1. Diagram Alir K-Medoids 5. SILHOUTTE COEFFICIENT Silhoutte Coefficient adalah suatu metode evaluasi cluster untuk melihat kualitas penempatan suatu objek kedalam suatu cluster. Tahapan perhitungan silhoutte coefficient adalah sebagai berikut (Rousseeuw,1986). 1. Hitung rata rata jarak objek ke-i terhadap semua objek yang terdapat di kelompoknya. Rata rata jarak tersebut kita sebut dengan a(i). 2. Hitung rata rata jarak objek ke-i terhadap semua objek pada cluster lain kita sebut dengan b(i), dan ambil nilai terkecilnya. 3. Nilai silhoutte coefficient didapatkan dengan menggunakan rumus : S(i) = b(i) a(i) max(b(i),a(i)) dan dapat di tulis dengan : (1) S(i) = 1 a(i) b(i), if a(i) < b(i) 0, if a(i) = b(i) (2) b(i) { a(i) if a(i) > b(i) S(i) = Nilai Silhouette a(i) = rata rata jarak antara data i dengan semua objek pada cluster-nya. b(i) = rata rata jarak antara data i terhadap semua objek pada cluster lain.
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 638 Nilai dari silhoutte coefficient berada berkisar antara -1 sampai dengan 1. Jika nilai silhoutte coefficient hampir 1 maka objek tersebut berada di cluster yang tepat, jika berada disekitar 0 maka objek tersebut bisa berada diantar 2 cluster, dan jika hasilnya negatif maka objek tersebut kemungkinan berada di cluster yang salah. 6. IMPLEMENTASI SISTEM Pada bagian ini akan dijelaskan tentang bagaimana alur kerja dari sistem clustering dengan metode K-Medoids ini nantinya. Diagram alir dari sistem dalam melakukan proses pengelompokan dengan menggunakan K- Medoids digambarkan pada gambar 2. Pada gambar 2, terlihat sistem clustering ini memiliki 3 proses utama, yaitu : 1. Jumlah Cluster Merupakan proses masukan dari pengguna yang berupa berapa banyak jumlah cluster yang diinginkan. Proses ini penting karena merupakan proses awal yang diperlukan untuk menjalankan sistem. Proses ini juga akan menentukan berapa banyak jumlah data yang akan diambil secara acak untuk menjadi medoid awal. 2. K-medoids Pada proses ini dataset dikelompokan berdasarkan jumlah kluster yang diinputkan pada awal program dengan menggunkan metode K-medoid. sistem yang telah menentukan secara acak sejumlah medoid akan mengelompokan data yang tersisa berdasarkan jarak terdekat dengan medoid yang ada. 3. Hasil Clustering Hasil dari clustering adalah data yang telah terkelompok sesuai dengan clusternya masing masing. Gambar 2. Diagram Alir Sistem 7. PENGUJIAN Pengujian sistem yang dilakukan pada pengujian ini adalah pengujian jumlah cluster dan pengujian clustering terhadap sampel data acak. 1. Pengujian jumlah cluster. Pengujian ini bertujuan untuk mengetahui apakah sistem yang dibangun telah berjalan sesuai dengan perancangan dan berapa jumlah cluster yang menghasil kan nilai silhouette terbaik. 2. Pengujian clustering terhadap sampel data acak. Pengujian ini bertujuan untuk mengetahui presentase data minimal yang dapat digunakan untuk rekomendasi pengambilan sampel data dari dataset dengan jumlah data yang besar. 8. ANALISIS Berikut ini merupakan hasil dari pengujian jumlah cluster dan pengujian clustering terhadap sampel data acak. Tabel 1 dan gambar 3 merupakan hasil pengujian petama. Tabel 2 dan gambar 4 merupakan hasil pengujian kedua.
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 639 Tabel 1. Hasil Pengujian Pertama No Jumlah Cluster Silhouette Score 0,6 0,4 0,2 0, , , , , , , , , , Hasil Pengujian Terhadap Jumlah Cluster Jumlah Cluster Silhouette Score Gambar 3. Hasil Pengujian Pertama Dari hasil pengujian perubahan jumlah cluster yang ditampilkan pada tabel 1 terlihat bahwa sistem telah berhasil menjalankan metode K-Medoids seperti yang telah dirancang sebelumnya. Sistem mampu menerima masukan dari user dan menampilkan hasilnya. Analisa hasil clustering dengan pengujian jumlah cluster sebanyak 2 sampai dengan 10 cluster menunjukan bahwa kualitas clustering dengan jumlah cluster sama dengan 2 memiliki kualitas yang paling bagus dengan nilai silhouette score sebesar 0, Selain itu, semakin banyak jumlah cluster yang dimasukan maka semakin rendah nilai silhouette score yang dihasilkan. Hal ini disebabkan karena ketika jumlah cluster yang digunakan semakin sedikit maka rata rata jarak antara data di dalam suatu cluster semakin kecil dan rata rata jarak antar cluster semakin besar sehingga menghasilkan nilai silhouette score yang lebih baik dan hal yang sebaliknya akan terjadi ketika jumlah cluster semakin besar. 0,6 0,5 0,4 0,3 0,2 0,1 Data Acak Tabel 2. Hasil Pengujian Kedua Nilai silhouette score 50% 60% 70% 80% 90% 1 0,351 0,410 0,463 0,415 0, ,401 0,442 0,446 0,461 0, ,342 0,406 0,417 0,441 0, ,373 0,432 0,439 0,457 0, ,442 0,422 0,445 0,441 0,457 Rata 0,382 0,423 0,442 0,443 0,454 Hasil Pengujian Clustering Terhadap Sampel Data Acak 50% 60% 70% 80% 90% Gambar 4. Hasil Pengujian Kedua Gambar 4 menggambarkan hasil pengujian terhadap 25 dataset yang diambil secara acak dari dataset tsunami dapat dilihat bahwa kelompok dataset dengan jumlah data sebesar 90% dari total dataset kejadian tsunami menghasilakan rata rata nilai silhouette score paling baik dengan nilai silhouette score sebesar 0, , dan dapat dilihat juga bahwa semakin kecil presentase pengambilan data acak maka nilai silhouette score yang dihasilkan akan semakin kecil. Hal ini dapat terjadi karena semakin kecil presentase data acak yang diambil maka kesamaan karakteristik antar data didalam dataset akan berkurang yang akan menyebabkan rata rata jarak antar data dalam suatu cluster akan semakin besar dan rata rata jarak antar cluster akan semakin kecil. 9. KESIMPULAN Silhouette Score Berdasarkan pada hasil perancangan, implementasi dan pengujian sistem yang telah dilakukan maka kesimpulan yang didapat sebagai berikut : 1. Metode K-Medoids dapat diaplikasikan untuk pengelompokkan dataset kejadian tsunami. Pengimplementasian metode K-
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 640 Medoids pada penelitian ini dimulai dengan pengambilan dataset dari situs NOAA yaitu gov. Dataset yang telah diambil akan dimasukkan kedalam proses clustering dengan dengan menggunakan metode K- Medoids. Metode silhouette juga digunakan didalam sistem untuk mengetahui kualitas dari hasil clustering yang telah dihasilkan. Metode silhouette menghitung tingkat kesamaan karakteristik data di dalam suatu cluster dan data antar cluster. Setelah proses K- Medoids dan perhitungan kualitas selesai maka sistem akan menampilkan hasil clustering beserta nilai silhouette score. 2. Pada penelitian ini terdapat 2 pengujian yang dilakukan berdasarkan perancangan pengujian pada bab perancangan. a. Pengujian Terhadap Jumlah Cluster Dari hasil pengujian jumlah cluster yang telah dilakukan didapatkan bahwa jumlah cluster terbaik yang didapatkan adalah 2 cluster dengan nilai silhouette score sebesar 0, Nilai tersebut dapat dapat diartikan bahwa kesamaan karakteristik data yang terdapat dalam kluster tidak terlalu bagus sehingga jarak antar data dalam suatu kluster berjauhan. Hal ini dapat terjadi karena perbedaan data yang sangat besar antara data satu dengan data lainnya dan juga bisa disebabkan karena belum ditemukan kombinasi medoid awal yang terbaik. b. Pengujian Clustering Terhadap Sampel Data Acak Hasil pengujian clustering terhadap sampel data acak menunjukkan bahwa 90% data merupakan presentase minimal untuk pengambilan sampel data. 10. SARAN Saran yang diberikan untuk pengembangan sistem dalam penelitian selanjutnya adalah: 1. Dapat dilakukan penelitian lebih lanjut tentang metode K-Medoids dalam pemilihan medoid agar medoid yang terpilih merupakan medoid terbaik sehingga mendapatkan hasil clustering yang terbaik. 2. Dapat dilakukan penelitian lebih lanjut tentang clustering dataset tsunami dengan menggunakan metode clustering lainnya sebagai perbandingan. 3. Penelitian ini dapat dikembangkan dengan menambahkan beberapa fitur lain untuk mengetahui pengaruh fitur terhadap hasil clustering. DAFTAR PUSTAKA Bauckhage, C. (2015) NumPy / SciPy Recipes for Data Science: K-Medoids Clustering. University of Bonn. Gandhi, G. & Srivastava, R. (2014) Analysis And Implementation Of Modified K- Medoids Algorithm To Increase Scalability And Efficiency For Large Dataset. International Journal of Research in Engineering and Technology. 3(6), Han, J. & Kamber, M. (2006) Data Mining : Concepts and Technique, 2nd edn. San Francisco, Elsevier Inc. Hinga, B. D. R. (2015) An Encyclopedia of the Pacific Rim s Earthquakes, Tsunamis, and Volcanoes. Santa Barbara, ABC- CLIO. Richter, C. F. (1935) Bulletin of the Seismological Society of America. Pasadena, Carnegie Institution of Washington. Rousseeuw, P. J. (1986) Silhouettes : A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Fribourg, University of Fribourg. Velmurugan, T. & Santhanam, T. (2010) Computational Complexity between K- Means and K-Medoids Clustering Algorithms for Normal and Uniform Distributions of Data Points. Journal of Computer Science. 6(3),
PENERAPAN 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 terperinciALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK
ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Strategi pemasaran
Lebih terperinciAPLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU
Eksakta Vol. 18 No. 2, Oktober 2017 http://eksakta.ppj.unp.ac.id E-ISSN : 2549-7464 P-ISSN : 1411-3724 APLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU Nur Afandi,
Lebih terperinciPENGELOMPOKAN DAMPAK GEMPA BUMI DARI SEGI KERUSAKAN FASILITAS PADA PROVINSI YANG BERPOTENSI GEMPA DI INDONESIA MENGGUNAKAN K-MEANS-CLUSTERING
PENGELOMPOKAN DAMPAK GEMPA BUMI DARI SEGI KERUSAKAN FASILITAS PADA PROVINSI YANG BERPOTENSI GEMPA DI INDONESIA MENGGUNAKAN K-MEANS-CLUSTERING Hepita Artatia, RB Fajriya Hakim Program Studi Statistika Fakultas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data menjadi sesuatu yang sangat berharga saat ini. Tidak hanya badan pemerintah saja, perusahaan-perusahaan saat ini pun sangat membutuhkan informasi dari data yang
Lebih terperinciGambar 1.1 Denah lokasi jembatan yang berdampak tsunami di Aceh
BAB 1 PENDAHULUAN BAB 1 PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan suatu negara yang terdiri dari banyak pulau yang dikenal dengan negara kepulauan. Letak negara yang diapit oleh 3 lempeng tektonik
Lebih terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih terperinciTUGAS BAHASA INDONESIA
TUGAS BAHASA INDONESIA Nama : Wahyu Abadi NIS : 7484 Kelas : XI TKJ 2 Sekolah : SMK Negeri 1 Sumenep TEKNIK KOMPUTER & JARINGAN SMK NEGERI 1 SUMENEP 2016/2017 1. Carilah teks eksplansi kompleks! Selanjutnya
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 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 terperinciPETA ZONASI TSUNAMI INDONESIA
PETA ZONASI TSUNAMI INDONESIA Nama : Ari Budiman NRP : 0121025 Pembimbing : Ir. Theo F. Najoan, M. Eng. UNIVERSITAS KRISTEN MARANATHA FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL BANDUNG ABSTRAK `Kepulauan Indonesia
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
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 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 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 terperinciPenerapan Algoritma K-Means untuk Clustering
Seminar Perkembangan dan Hasil Penelitian Ilmu Komputer (SPHP-ILKOM) 71 Penerapan Algoritma K-Means untuk ing Dokumen E-Jurnal STMIK GI MDP Ernie Kurniawan* 1, Maria Fransiska 2, Tinaliah 3, Rachmansyah
Lebih terperinciKata kunci : Tsunami, Tsunami Travel Time (TTT), waktu tiba, Tide Gauge
Analisis Penjalaran dan Ketinggian Gelombang Tsunami Akibat Gempa Bumi di Perairan Barat Sumatera dengan Menggunakan Software Tsunami Travel Time (TTT) Retno Juanita M0208050 Jurusan Fisika FMIPA, Universitas
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 85-836 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGELOMPOKAN DAERAH MENGGUNAKAN METODE NON- HIERARCHICAL
Lebih terperinciBAB I PENDAHULUAN. Sabuk Gempa Pasifik, atau dikenal juga dengan Cincin Api (Ring
BAB I PENDAHULUAN 1.1 Latar Belakang Sabuk Gempa Pasifik, atau dikenal juga dengan Cincin Api (Ring of Fire), merupakan daerah berbentuk seperti tapal kuda yang mengelilingi Samudera Pasifik sepanjang
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 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 terperinciAlgoritme Genetika Untuk Optimasi K-Means Clustering Dalam Pengelompokan Data Tsunami
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3865-3872 http://j-ptiik.ub.ac.id Algoritme Genetika Untuk Optimasi K-Means ring Dalam Pengelompokan
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisa data, rancangan sistem, dan skenario pengujian. Bagian analisa data meliputi data penelitian, analisis data, data preprocessing.
Lebih terperinciAPLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR
APLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR Sari Nur Sita Wibowo 1 Amak Yunus EP 1 Sistem Informasi, Universitas Kanjuruhan
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 terperinciMETODE 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 terperinciPENGGUNAAN METODE FIS MAMDANI DALAM MEMPERKIRAKAN TERJADINYA GELOMBANG TSUNAMI AKIBAT GEMPA BUMI
Sofyan, H., Lusiani, E., Rusyana, A. and Marzuki. 2017. Penggunaan Metode FIS Mamdani dalam Memperkirakan Terjadinya Gelombang Tsunami Akibat Gempa Bumi. FKIP Universitas Jambi. Jambi. Dipresentasikan
Lebih terperinciBAB I PENDAHULUAN. Gempa bumi, tsunami dan letusan gunung api merupakan refleksi fenomena
BAB I PENDAHULUAN 1.1 Latar Belakang Gempa bumi, tsunami dan letusan gunung api merupakan refleksi fenomena alam yang secara geografis sangat khas untuk wilayah tanah air Indonensia. Indonesia merupakan
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 terperinciIMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA
IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA Nurul Rohmawati W 1), Sofi Defiyanti 2), Mohamad Jajuli 3) 1),2),3) Teknik Informatika Fakultas Ilmu Komputer Universitas Singaperbangsa
Lebih terperinciGb 2.5. Mekanisme Tsunami
TSUNAMI Karakteristik Tsunami berasal dari bahasa Jepang yaitu dari kata tsu dan nami. Tsu berarti pelabuhan dan nami berarti gelombang. Istilah tersebut kemudian dipakai oleh masyarakat untuk menunjukkan
Lebih terperinciTSUNAMI. 1. Beberapa penyebab lainnya ialah : 3. Tsunami Akibat Letusan Gunungapi
TSUNAMI Tsunami berasal dari bahasa Jepang, Tsu = pelabuhan nami = gelombang laut tsunami secara harfiah berarti gelombang laut (yang menghantam) pelabuhan. Tsunami, adalah rangkaian gelombang laut yang
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 terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciPENGELOMPOKAN DATA KORDINAT BTS MENGGUNAKAN k-means DAN VISUALISASI BERBASIS GOOGLE MAP
PENGELOMPOKAN DATA KORDINAT BTS MENGGUNAKAN k-means DAN VISUALISASI BERBASIS GOOGLE MAP Rudy Hermayadi 1), Hery M. Purnomo 2) dan I Ketut Eddy Purnama 3) 1) Jurusan Teknik Elektro, Fakultas Teknologi Industri
Lebih terperinci1.1 Latar Belakang. Gambar 1.1 Tsunami di berbagai kedalaman. Sumber: Pengenalan Tsunami, Departemen Energi dan Sumber Daya Mineral.
BAB I PENDAHULUAN 1.1 Latar Belakang Tsunami berasal dari bahasa Jepang, yaitu tsu yang artinya pelabuhan dan nami yang artinya gelombang. Jadi, secara harfiah berarti ombak besar di pelabuhan (Wikipedia,
Lebih terperinciSISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING
SISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING Siti Hadianti 1, Helen Sastypratiwi, Anggi Srimurdianti Sukamto 3. 1,, 3 Program Studi Informatika Universitas Tanjungpura
Lebih terperinciApa itu Tsunami? Tsu = pelabuhan Nami = gelombang (bahasa Jepang)
Bahaya Tsunami Apa itu Tsunami? Tsu = pelabuhan Nami = gelombang (bahasa Jepang) Tsunami adalah serangkaian gelombang yang umumnya diakibatkan oleh perubahan vertikal dasar laut karena gempa di bawah atau
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 terperinciBAB I PENDAHULUAN. usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan
BAB I PENDAHULUAN 1.1 Latar Belakang PT. Bali Sinar Mentari adalah perusahaan yang bergerak pada bidang usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan domestik maupun mancanegara
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 terperinciPemodelan Tinggi dan Waktu Tempuh Gelombang Tsunami Berdasarkan Data Historis Gempa Bumi Bengkulu 4 Juni 2000 di Pesisir Pantai Bengkulu
364 Pemodelan Tinggi dan Waktu Tempuh Gelombang Tsunami Berdasarkan Data Historis Gempa Bumi Bengkulu 4 Juni 2000 di Pesisir Pantai Bengkulu Rahmad Aperus 1,*, Dwi Pujiastuti 1, Rachmad Billyanto 2 Jurusan
Lebih terperinciBAB 3 ANALISA SISTEM
BAB 3 ANALISA SISTEM Pada perancangan suatu sistem diperlakukan analisa yang tepat, sehingga proses pembuatan sistem dapat berjalan dengan lancar dan sesuai seperti yang diinginkan. Setelah dilakukan analisis
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
Lebih terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciImplementasi Metode Improved K-Means untuk Mengelompokkan Titik Panas Bumi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1270-1276 http://j-ptiik.ub.ac.id Implementasi Metode Improved K-Means untuk Mengelompokkan
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 terperinciAnalisis Perbandingan Metode K-Means Dengan Improved Semi- Supervised K-Means Pada Data Indeks Pembangunan Manusia (IPM)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 813-824 http://j-ptiik.ub.ac.id Analisis Perbandingan Metode K-Means Dengan Improved Semi- Supervised
Lebih terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Indonesia merupakan Negara kepulauan yang letak geografis berada pada 94-141 BT dan 6 LU - 11 LS. Letak geografisnya, menjadikan Indonesia sebagai negara yang
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 terperinciImplementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang
Implementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang Implementation Of Fuzzy C-Means Algorithm For Clustering Tuberculois Patients at Semarang. Devi Dwi R¹, Etika
Lebih terperinciBAB I PENDAHULUAN. Gambar I.1. Grafik One Earthquake cycle fase interseismic postseismic[andreas, 2005]
BAB I PENDAHULUAN 1.1 Latar Belakang Gempa bumi didefinisikan sebagai getaran sesaat, gempa sendiri terjadi akibat pergeseran secara tiba-tiba pada kerak bumi. Pergeseran ini terjadi karena adanya suatu
Lebih terperinciSeminar NasionalTeknologiInformasi 2015
SISTEM PREDIKSI CUSTOMER LOYALTY DENGAN METODE SEGMENTASI RFM DAN PENGELOMPOKKAN DENGAN ALGORITMA CLUSTERING MODIFIED K-MEANS PADA PERUSAHAAN PU IBUKOTA Herwin 1) Teny Handhayani 2) Dyah E Herwindiati
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PENJURUSAN KELAS IPA, IPS, DAN SASTRA Nama : Nandang Syaefulloh NPM : 55412243 Fakultas : Teknologi Industri Jurusan : Teknik Informatika Pembimbing
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
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 terperinci1. Kebakaran. 2. Kekeringan
1. Kebakaran Salah satunya kebakaran hutan adalah bentuk kebakaran yang tidak dapat terkendali dan seringkali terjadi di daerah hutan belantara. Penyebab umum hal ini seperti petir, kecerobohan manusia,
Lebih terperinciBAB II GEMPA ACEH DAN DAMPAKNYA TERHADAP BATAS
BAB II GEMPA ACEH DAN DAMPAKNYA TERHADAP BATAS II.1 Gempa Bumi Gempa bumi didefinisikan sebagai getaran sesaat akibat terjadinya sudden slip (pergeseran secara tiba-tiba) pada kerak bumi. Sudden slip terjadi
Lebih terperinciI. PENDAHULUAN. Geografis Indonesia merupakan negara kepulauan yang terletak pada
1 I. PENDAHULUAN A. Latar Belakang Geografis Indonesia merupakan negara kepulauan yang terletak pada lempeng bumi yang labil. Lempeng bumi ini berpotensi besar terjadinya gempa bumi pada dasar laut dalam
Lebih terperinciCLUSTERING THE POTENTIAL RISK OF TSUNAMI USING DENSITY-BASED SPATIAL CLUSTERING OF APPLICATION WITH NOISE (DBSCAN)
Journal of Environmental Engineering & Sustainable Technology JEEST http://jeest.ub.ac.id CLUSTERING THE POTENTIAL RISK OF TSUNAMI USING DENSITY-BASED SPATIAL CLUSTERING OF APPLICATION WITH NOISE (DBSCAN)
Lebih terperinciMITIGASI BENCANA ALAM TSUNAMI BAGI KOMUNITAS SDN 1 LENDAH KULON PROGO. Oleh: Yusman Wiyatmo ABSTRAK
MITIGASI BENCANA ALAM TSUNAMI BAGI KOMUNITAS SDN 1 LENDAH KULON PROGO Oleh: Yusman Wiyatmo Jurdik Fisika FMIPA UNY, yusmanwiyatmo@yahoo.com, HP: 08122778263 ABSTRAK Tujuan penelitian ini adalah: 1) mengetahui
Lebih terperinciImplementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan Ni Made Anindya Santika Devi, I Ketut Gede Darma Putra, I Made Sukarsa Jurusan Teknologi Informasi, Universitas Udayana Bukit Jimbaran,
Lebih terperinciPARALELISASI ALGORITMA K-MEDOID PADA GPU MENGGUNAKAN OPEN CL
PARALELISASI ALGORITMA K-MEDOID PADA GPU MENGGUNAKAN OPEN CL Muhammad Tanzil Furqon 1, Achmad Ridok 2, Wayan Firdaus Mahmudy 3 1,2,3 PTIIK, Universitas Brawijaya Jl. Veteran no. 8, Malang, Jawa Timur 65145
Lebih terperinciSISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING
SISTEM REKOMENDASI KURIKULUM DENGAN METODE K-MEANS CLUSTERING Ati Suci Dian Martha, S.Kom., M.T. 1, Dena Jatnika Kusumah 1, Program Studi Sistem Informasi, STMIK LPKIA, Bandung Jln. Soekarno Hatta No.
Lebih terperinciTechno.COM, Vol. 16, No. 1, Februari 2017 : Jurusan Ilmu Komputer, FMIPA, Universitas Negeri Semarang
Penerapan Algoritma K-Means Untuk Clustering Penilaian Dosen Berdasarkan Indeks Kepuasan Mahasiswa Application of K-Means Algorithm for Clustering Lecturer Based On Assessment of Student Satisfaction Index
Lebih terperinciTipe Clustering. Partitional Clustering. Hirerarchical Clustering
Analisis Cluster Analisis Cluster Analisis cluster adalah pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
Lebih terperinciCLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 379~383 379 CLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS Sismadi AMIK BSI JAKARTA e-mail: sismadi.ssm@bsi.ac.id
Lebih terperinciCLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berdasarkan data dari Kementerian Komunikasi dan Informasi Indonesia yang diperoleh dari Lembaga Riset Pasar E-Marketer, populasi pengguna internet tanah air pada tahun
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 terperinciBAB I PENDAHULUAN. informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga
BAB I PENDAHULUAN I.1. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi
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 terperinciKLASTERISASI PENDUDUK LANJUT USIA SUMATERA SELATAN MENGGUNAKAN ALGORITMA K-MODES Fithri Selva Jumeilah 1, Dicky Pratama 2 1,2 Prodi Sistem Informasi STMIK Global Informatika Palembang 1,2 Jl. Rajawali
Lebih terperinciPerbandingan Teknik Pengklasteran Dalam Visualisasi Data Teks Bahasa Indonesia
Perbandingan Teknik Pengklasteran Dalam Visualisasi Data Teks Bahasa Indonesia Praditya Kurniawan 1, Ema Utami 2, Andi Sunyoto 3 1,2,3 STMIK AMIKOM Yogyakarta e-mail: * 1 pradityakurniawan@gmail.com, 2
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dinamika bentuk dan struktur bumi dijabarkan dalam berbagai teori oleh para ilmuwan, salah satu teori yang berkembang yaitu teori tektonik lempeng. Teori ini
Lebih terperinciK-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN
1 K-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN Rani Nooraeni*, Dr. Jadi Supriadi, DEA, Zulhanif, S.Si,M.Sc Jurusan statistika terapan, Fakultas MIPA UNPAD rnooraeni@gmail.com* Abstrak.Membagi suatu data
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 terperinciTINGKAT PENGETAHUAN SISWA KELAS X TERHADAP KESIAPSIAGAAN BENCANA GEMPA BUMI DI SMK TUNAS BANGSA KABUPATEN SUKOHARJO NASKAH PUBLIKASI
TINGKAT PENGETAHUAN SISWA KELAS X TERHADAP KESIAPSIAGAAN BENCANA GEMPA BUMI DI SMK TUNAS BANGSA KABUPATEN SUKOHARJO NASKAH PUBLIKASI Diajukan untuk memenuhi sebagian persyaratan Guna mencapai derajat Strata-1
Lebih terperinciBAB I PENDAHULUAN. efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah
BAB I PENDAHULUAN 1.1 Latar belakang masalah Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau
Lebih terperinciIMPLEMENTASI DATA MINING PENGELOMPOKKAN MURID TAMAN KANAK-KANAK DENGAN METODE K-MEANS
JURNAL IMPLEMENTASI DATA MINING PENGELOMPOKKAN MURID TAMAN KANAK-KANAK DENGAN METODE K-MEANS Implementation Of Data Mining Grouping Kindergarten Pupils With K-Means Method Oleh: YOYOK BAGUS SAKSIKO 12.1.03.02.0132
Lebih terperinciBAB II DASAR TEORI SISTEM PERINGATAN DINI TERHADAP TSUNAMI
BAB II DASAR TEORI SISTEM PERINGATAN DINI TERHADAP TSUNAMI 2.1 Pengertian Tsunami Tsunami berasal dari bahasa Jepang dimana Tsu berarti pelabuhan serta Nami berarti gelombang. Tsunami merupakan gelombang
Lebih terperinciBAB 1 PENDAHULUAN. informasi untuk menggunakan teknologi semaksimal mungkin agar dapat
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi di Indonesia menuntut semua bidang informasi untuk menggunakan teknologi semaksimal mungkin agar dapat memberikan informasi
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 terperinciPenerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat
Penerapan Algoritma K-Means 230 Penerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat Application of K-Means Algorithm for Academic Achievement
Lebih terperinci*
Jurnal Natural Vol.6, No.2, 26 ISSN 4-853 KAJIAN STATISTIK SEISMISITAS KAWASAN SUMATERA* Warni Asnita*, Didik Sugiyanto 2, Ibnu Rusydy 3 Department of Geophysics Engineering, Syiah Kuala University, Banda
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 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 terperinciPerbandingan Algoritma Pengelompokan Non-Hierarki untuk Dataset Dokumen
Perbandingan Algoritma Pengelompokan Non-Hierarki untuk Dataset Dokumen Dyah Herawatie Prodi Sistem Informasi Fakultas Sains dan Teknologi Universitas Airlangga Surabaya, Indonesia dy4h_h3r4@yahoo.com
Lebih terperinciARTIKEL SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG
ARTIKEL SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG Oleh: BAGUS YAYANG FATKHURRAHMAN 13.1.03.02.0180 Dibimbing oleh : 1. Ahmad
Lebih terperinciBAB I PENDAHULUAN Latar belakang
BAB I PENDAHULUAN 1.1. Latar belakang Bencana adalah peristiwa atau rangkaian peristiwa yang mengancam dan kehidupan dan penghidupan masyarakat yang disebabkan, baik oleh faktor alam dan/atau faktor nonalam
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 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 terperinciBAB I PENDAHULUAN. Perguruan tinggi yang baik dipengaruhi oleh kualitas. mahasiswa di dalamnya. Mahasiswa merupakan objek
1 BAB I PENDAHULUAN 1.1. Latar Belakang Perguruan tinggi yang baik dipengaruhi oleh kualitas mahasiswa di dalamnya. Mahasiswa merupakan objek pembelajaran bagi perguruan tinggi sehingga jika prestasi mahasiswa
Lebih terperinciBAB I PENDAHULUAN. peserta didik secara aktif mengembangkan potensi dirinya untuk memiliki
1 BAB I PENDAHULUAN A. Latar Belakang Pendidikan bertujuan untuk mengembangkan potensi yang dimiliki individu, membentuk kepribadian individu yang cakap dan kreatif, serta bertakwa kepada Tuhan Yang Maha
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kecelakaan lalu lintas merupakan salah satu masalah kesehatan yang menjadi penyebab serius kematian didunia dan menempati peringkat 9 dunia. Indonesia sendiri merupakan
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinci