CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
|
|
- Verawati Kusnadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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, Surabaya 60111, Jawa Timur cathabelltriastuty@gmail.com ABSTRAK Kesuksesan program diklat sangat ditentukan oleh profesionalisme yang di miliki oleh widyaiswara. Hal inilah yang mendorong widyaiswara terus berpacu dalam pengembangan diri. Usaha untuk pengembangan diri bisa dilakukan dengan melihat dari kompetensi yang dimiliki oleh widyaiswara. Kompetensi yang harus dimiliki widyaiswara meliputi kompetensi pengelolaan pembelajaran, kompetensi kebribadian, kompetensi sosial, dan kompetensi substantif. Widyaiswara yang kompeten akan lebih mampu membawa dan menciptakan lingkungan belajar yang kondusif dan efektif serta akan lebih mampu mengelola kelasnya dan membawa peserta diklat pada pencapaian hasil belajar yang optimal. Untuk melihat sejauh mana kompetensi yang dimiliki oleh widyaiswara maka diperlukannya metode clustering yang dapat mengelompokkan kompetensi widyaiswara dengan membagi kelas- kelas tertentu di mana objek dalam tiap kelas (cluster) memiliki kemiripan dan tiap kelas memiliki perbedaan yang membedakan dari objek dalam kelas lain. Algoritma yang digunakan pada metode clustering pada penelitian ini adalah algoritma k-means, dimana semua partisi dataset yang diberikan menjadi beberapa pengguna tertentu cluster, k. Dalam melaksanakan dan menjalankan algoritma k-means, relatif cepat, mudah beradaptasi, dan umum dalam praktek. Pada penelitian ini menghasilkan klasterisasi pada masing- masing kompetensi dengan k=2. Dengan menghasilkan cluster 0 sebanyak 35% dan cluster 1 sebanyak 65%. Kata kunci: Kompetensi Widyaiswara, Metode Clustering, Algoritma K-means. PENDAHULUAN Kesuksesan suatu program pengajaran diklat sangat ditentukan oleh profesionalisme yang dimiliki oleh widyaiswara. Widyaiswara yang profesional akan memiliki kompetensi atau kemampuan mengajar dan kemampuan memfasilitasi yang unggul dalam suatu proses pembelajaran/pelatihan. Widyaiswara yang kompeten akan lebih mampu membawa dan menciptakan lingkungan belajar yang kondusif dan efektif serta akan lebih mampu mengelola kelasnya dan membawa peserta diklat pada pencapaian hasil belajar yang optimal. Sesuai Peraturan Kepala Lembaga Admistrasi Negara Nomer 5 Tahun 2008, tentang Standar Kompetensi Widyaiswara. Terdapat empat kompetensi yang harus dimiliki oleh seorang widyaiswara untuk menunjang keberhasilan tugasnya yaitu kompetensi pengelolaan pembelajaran, kompetensi kepribadian, kompetensi sosial dan kompetensi substantif. Dengan tercetuskannya peraturan standar kompetensi widyaiswara, maka dilakukan pengambilan data melalui Evaluasi Diri Widyaiswara yang mencakup keempat kompetensi.. Namun seiring dengan waktu, keberadaan data Evaluasi Diri Widyaiswara tidaklah mempunyai arti lagi. Data yang ada hanyalah sebagai tumpukan bahan usang. Widyaiswara tetap melaksanakan rutinitas pekerjaannya tanpa memperdulikan data tersebut. C-5-1
2 Untuk menjadikan data Evaluasi Diri Widyaiswara sebagai suatu informasi yang bermakna maka diperlukan adanya suatu metode yang tepat dengan jalan mengolah dan menggali variable hasil Evaluasi Diri Widyaiswara. Salah satu nya yaitu metode cluster pada algoritma K-Means. Algoritma K-means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik sama dikelompokkan ke dalam satu cluster yang sama [1]. Dengan metode clustering menggunakan Algoritma K-Means diharapkan dapat mengetahui rata-rata tingkat kompetensi widyaiswara yang ada di LPMP propinsi Jawa Timur. Dan memvisualisasikan clustering data kompetensi widyaiswara sehingga permasalahan yang dihadapi selama ini bisa terselesaikan dan diterima oleh semua pihak. METODE Untuk mengetahui sebuah informasi dan pengetahuan tentang kompetensi widyaiswara dan menganalisa kelebihan dan kekurangan kompetensi widyaiswara maka perlu memanfaatkan data berupa angka-angka hasil evaluasi diri widyaiswara dalam metode clustering yaitu pada algoritma k-means. Dalam penelitian ini dilakukan uji coba validitas sistem dan uji coba data. Pada uji coba validitas sistem untuk menguji validasi pada klaster. Validasi klaster merupakan proses untuk menilai hasil algoritma klaster. Oleh karena itu, proses ini bertujuan untuk menjamin bahwa solusi klaster yang dihasilkan dalam analisis klaster dapat menggambarkan populasi sebenarnya. Pada tesis ini validasi yang dipakai menggunakan Sum of Squared Error. Pada Sum of Squared Error dalam k-means dipilih yang terkecil. Hal ini dilakukan dengan melakukan ujicoba pada seed yang berbeda- beda dengan klaster yang telah ditetapkan yaitu k=2. Penentuan 2 klaster, ini dikarenakan adanya 2 pembagian kelompok yaitu kelompok tinggi dan kelompok rendah. Grafik 1 Hasil Uji Validitas SSE pada k=2 Berdasarkan hasil uji validitas, menghasilkan within cluster sum of squared errors yang hampir sama, maka dapat disimpulkan bahwa hasil algoritma klaster telah diterapkan dengan benar. Untuk penerapan klaster yang dipakai pada penelitian ini menggunaknan K=3 dan seed 30, dikarenakan mempunyai within cluster sum of squared errors terkecil. Kemudian dilanjutkan dengan ujicoba data kompetensi widyaiswara berdasarkan atribut sub kompetensi widyaiswara. C-5-2
3 HASIL DAN PEMBAHASAN Dalam uji coba data Sampel data yang digunakan adalah data Evaluasi Diri Widyaiswara dari LPMP Jawa Timur. Dimana pembentukan klaster menggunakan atributatribut berdasarkan sub kompetensi widyaiswara (GBPP, Bahan Ajar, Pembelajaran Orang Dewasa, Komunikasi, Memotivasi, Mengevaluasi, Pribadi Teladan, Etos Kerja, Kerjasama, Hubungan Penyelenggara, Keilmuan dan Penulisan KTI). Klasterisasi Kompetensi Pengelolaan Pembelajaran Uji (1) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Bahan Ajar Grafik 2 Klaster Sub Kompetensi GBPP dan Bahan Ajar Widyaiswara LPMP Jawa Timur Keterangan: x biru = klaster 0, x merah = klaster 1 Bahan Ajar lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) yakni widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Uji (2) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Pembelajaran Orang Dewasa Grafik 3 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Pembelajaran Orang Dewasa Widyaiswara LPMP Jawa Timur Pembelajaran Orang Dewasa lebih baik daripada klaster 1. Hal ini dikarenakan anggota C-5-3
4 klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Uji (3) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Komunikasi Grafik 4 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Komunikasi Widyaiswara LPMP Jawa Timur Komunikasi lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Uji (4) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Memotivasi Grafik 5 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Memotivasi Widyaiswara LPMP Jawa Timur Memotivasi lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. C-5-4
5 Uji (5) : Klaster Sub Kompetensi GBPP dan Sub Kompetensi Mengevaluasi Grafik 6 Klaster Sub Kompetensi GBPP dan Sub Kompetensi Mengevaluasi Widyaiswara LPMP Jawa Timur Mengevaluasi lebih baik daripada klaster 1. Hal ini dikarenakan anggota klaster 0 lebih banyak berada pada titik (4,4) yakni widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan klaster 1 relatif berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai sub kompetensi mampu. Klasterisasi Kompetensi Kepribadian Uji (1) : Klaster Sub Kompetensi Pribadi Teladan dan Sub Kompetensi Etos Kerja Grafik 7 Sub Kompetensi Pribadi Teladan dan Sub Kompetensi Etos Kerja Widyaiswara LPMP Jawa Timur Anggota klaster 0 relatif mempunyai sub kompetensi pribadi teladan dan sub kompetensi etos kerja lebih baik daripada klaster 1. Hal ini dikarenakan pada kedua sub kompetensi tersebut, anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan anggota klaster 1 relatif berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada sub kompetensi sangat mampu. Sehingga hal ini dapat diambil kesimpulan bahwa pada kompetensi kepribadian rata2 widyaiswara mempunyai kompetensi sangat mampu. C-5-5
6 Klasterisasi Kompetensi Sosial Uji (1) : Klaster Sub Kompetensi Kerjasama dan Sub Kompetensi Hubungan Penyelenggara. Grafik 8 Sub Kompetensi Kerjasama dan Sub Kompetensi Hubungan Penyelenggara Widyaiswara LPMP Jawa Timur Anggota klaster 0 relatif mempunyai sub kompetensi kerjasama dan sub kompetensi hubungan penyelenggara lebih baik daripada klaster 1. Hal ini dikarenakan pada kedua sub kompetensi tersebut, anggota klaster 0 lebih banyak berada pada titik (4,4) adalah widyaiswara yang mempunyai sub kompetensi sangat mampu. Sedangkan anggota klaster 1 relatif berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada sub kompetensi sangat mampu. Sehingga hal ini dapat diambil kesimpulan bahwa pada kompetensi sosial rata2 widyaiswara mempunyai kompetensi sangat mampu. Klasterisasi Kompetensi Substantif Uji (1) : Klaster Sub Kompetensi Keilmuan dan Sub Kompetensi Penulisan KTI. Grafik 9 Sub Kompetensi Keilmuan dan Sub Kompetensi Penulisan KTI Widyaiswara LPMP Jawa Timur Anggota klaster 0 relatif mempunyai sub kompetensi keilmuan dan sub kompetensi penulisan KTI lebih baik daripada klaster 1. Hal ini dikarenakan pada kedua sub kompetensi tersebut, anggota klaster 1 relatif berada di bawah titik (3,3) yang menyatakan bahwa widyaiswara mempunyai sub kompetensi dibawah mampu, atau dengan kata lain kurang mampu, sehingga perlu perhatian khusus dalam peningkatan kompetensinya. C-5-6
7 KESIMPULAN DAN SARAN Berdasarkan penelitian yang dilakukan dapat disimpulkan beberapa hal sebagai berikut: 1. Metode clustering dengan algoritma K-Means Clustering bisa digunakan untuk melakukan pengelompokan kompetensi widyaiswara. 2. Hasil klasterisasi pada kompetensi pengelolaan pembelajaran menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (4,4) adalah widyaiswara yang mempunyai kompetensi sangat mampu. Sedangkan klaster 1 sebanyak 65% berada pada titik (3,3) yang menyatakan bahwa widyaiswara tersebut mempunyai kompetensi mampu. Sehingga diharapkan peningkatan kompetensi pada klaster Hasil klasterisasi pada kompetensi kepribadian menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (4,4) adalah widyaiswara yang mempunyai kompetensi sangat mampu. Sedangkan klaster 1 sebanyak 65% berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada kompetensi sangat mampu. Sehingga kompetensi kepribadian yang dimiliki widyaiswara rata- rata sangat mampu. 4. Hasil klasterisasi pada kompetensi sosial menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (4,4) adalah widyaiswara yang mempunyai kompetensi sangat mampu. Sedangkan klaster 1 sebanyak 65% berada pada titik (3.5,3.5) yang menyatakan bahwa widyaiswara tersebut hampir mendekati pada kompetensi sangat mampu. Sehingga kompetensi sosial yang dimiliki widyaiswara rata- rata sangat mampu. 5. Hasil klasterisasi pada kompetensi substantif menyatakan bahwa Anggota klaster 0 mempunyai kompetensi lebih baik daripada klaster 1. Hal ini dikarenakan Anggota klaster 0 sebanyak 35% berada pada titik (3,3) adalah widyaiswara yang mempunyai kompetensi mampu. Sedangkan klaster 1 sebanyak 65% berada di bawah titik (3,3) yang berarti widyaiswara tersebut mempunyai kompetensi dibawah mampu, atau dengan kata lain kurang mampu, sehingga perlu perhatian khusus dalam peningkatan kompetensinya. 6. Hasil dari penelitian ini bisa dijadikan sebagai acuan dalam proses pengembangan dan peningkatan kompetensi widyaiswara oleh pihak- pihak terkait. DAFTAR PUSTAKA Agusta, Yudi. Pebruari. (2007), K-Means- Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika Vol. 3: Hillier, F.S. & Lieberman G. J. (2005), Introduction To Operations Research, Andi, Yogyakarta. Kantardzic, M. (2003), Data Mining: Concept, Model, Method, and Algoritme: New York: John Wiley & Sons. Lee, F.S. & Santana. J. (2010), Data Mining: Meramalkan Bisnis Perusahaan, Elex Media Komputindo, Jakarta. Permenpan No. 14 Tahun (2007), Jabatan Fungsional dan Angka Kreditnya, Perkalan No. 5 Tahun 2008, Standar Kompetensi Widyaiswara, C-5-7
8 Pusat Pengembangan Tenaga Kependidikan. (2010), Peraturan Kepala Lembaga Administrasi Negara Nomor 3 Tahun 2010 Tentang Petunjuk Teknis Jabatan Fungsional Widyaiswara dan Angka Kreditnya, Jakarta. Rismawan, Tedy, Sri Kusumadewi. (2008), Aplikasi K-Means untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass index (BMI) & Ukuran Kerangka. Yogyakarta. Santosa, B. (2007), Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu.Yogyakarta. Sulianta, F. & Juju, D. (2010), Data Mining: Meramalkan Bisnis Perusahaan, Elex Media Komputindo, Jakarta. Witten, Ian H. dan Frank, Eibe. ( 2005). Data Mining Practical Machine Learning Tools and Techniques, Second Edition. Morgan Kaufmann, San Fransisco. Wu, Xindong, Vipin Kumar.( 2009), The Top Ten Algorithm in Data Mining. New York: CRC. C-5-8
APLIKASI K-MEANS UNTUK PENGELOMPOKKAN MAHASISWA BERDASARKAN NILAI BODY MASS INDEX (BMI) & UKURAN KERANGKA
APLIKASI K-MEANS UNTUK PENGELOMPOKKAN MAHASISWA BERDASARKAN NILAI BODY MASS INDEX (BMI) & UKURAN KERANGKA Tedy Rismawan 1 dan Sri Kusumadewi 2 1 Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE
SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE WRS Nurwidodo 1) dan Mochamad Hariadi 2) Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih,
Lebih terperinciPenerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta)
Penerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta) Universitas Islam Negeri Syarif Hidayatullah Jakarta email: nurhayati@uinjkt.ac.id
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 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 terperinciPENENTUAN NOMINASI CALON PESERTA PROGRAM PENYIAPAN CALON KEPALA SEKOLAH MENGGUNAKAN METODE K-MEANS CLUSTERING BERBASIS WEKA
PENENTUAN NOMINASI CALON PESERTA PROGRAM PENYIAPAN CALON KEPALA SEKOLAH MENGGUNAKAN METODE K-MEANS CLUSTERING BERBASIS WEKA Agustin Sri Murdiana 1), I Ketut Eddy Purnama 2), dan Surya Sumpeno 3) Program
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 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 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 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 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 terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciPENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT
PENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT Ismail Setiawan 1) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciProsiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciSISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH
SISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH Ahmad Zaqi Al Kahfi Universitas Dian Nuswantoro Email : fawkeszach@gmail.com Abstrak Pengolahan database
Lebih 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 terperinciIMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI
IMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI Disusun Oleh : ALVI SYAHRIN NPM. 0934010254 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Berdasarkan Peraturan Pemerintah Nomor 37 tahun 2009, dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan,
Lebih 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 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 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 terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
Lebih 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 terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian-penelitian terdahulu yang berhubungan dengan clustering yaitu penelitian yang dilakukan oleh Rismawan (2008). Pada penelitian ini, dibangun suatu
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos
Lebih terperinciImplementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah
Implementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah Peneliti: Valentino Giarto (672011005) Magdalena A. Ineke Pakereng, M.Kom. Program
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih terperinciPERANCANGAN APLIKASI MENENTUKAN BERAT BADAN IDEAL DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
PERANCANGAN APLIKASI MENENTUKAN BERAT BADAN IDEAL DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Johan Candra Juliner Hutabarat Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja
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 terperinciBAB 1 PENDAHULUAN. Universitas Muhammadiyah Surakarta merupakan salah satu dari beberapa instansi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Universitas Muhammadiyah Surakarta merupakan salah satu dari beberapa instansi perguruan tinggi yang bergerak di bidang pendidikan, yang di dalamnya terdapat
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
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 terperinciPENERAPAN METODE CLUSTERING K-MEANS PADA HASIL PROSES DATA MINING TRANSAKSI PENJUALAN PRODUK
PENERAPAN METODE CLUSTERING K-MEANS PADA HASIL PROSES DATA MINING TRANSAKSI PENJUALAN PRODUK Rini Nuraini Sukmana 1, Indriyanto 2 STMIK BANDUNG Sekolah Tinggi Manajemen Informatika dan Komputer Bandung
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciClustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means
Clustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means Ginanjar Abdurrahman 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata
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 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 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 terperinciImplementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia )
Implementasi Data Mining dengan Metode Klastering untuk Meramalkan Permintaan Pasar (Studi Kasus PT. Nutrifood Indonesia ) November 20, 2010 Arimbi Kurniasari Lintang Yuniar Banowosari Alex Hutapea Manajemen
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Banyak perusahaan baik besar maupun kecil yang dapat mengumpulkan data transaksi dengan cepat serta menghasilkan data yang sangat besar. Pertumbuhan data yang begitu
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 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 terperinciSISTEM REKOMENDASI PROMOSI HOTEL PADA WISATAWAN MANCANEGARA BERBASIS DATA MINING
SISTEM REKOMENDASI PROMOSI HOTEL PADA WISATAWAN MANCANEGARA BERBASIS DATA MINING Anik Andriani Manajemen Informatika AMIK BSI Yogyakarta Jl Ring road Barat, Ambarketawang, Gamping, Sleman, Yogyakarta Email
Lebih terperinciDETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA
DETEKSI MAHASISWA BERPRESTASI DAN BERMASALAH DENGAN METODE K- MEANS KLASTERING YANG DIOPTIMASI DENGAN ALGORITMA GENETIKA Akmal Hidayat 1) & Entin Martiana 2) 1) Teknik Elektro Politeknik Bengkalis Jl.
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Warnia Nengih Politeknik Caltex Riau,
Lebih terperinciKLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS
1 KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS (Study Kasus : Tim Hockey Kabupaten Kendal) Alith Fajar Muhammad Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
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 terperinciTEMU KEMBALI INFORMASI BERDASARKAN LOKASI PADA DOKUMEN YANG DIKELOMPOKKAN MENGGUNAKAN METODE CENTROID LINKAGE HIERARCHICAL
TEMU KEMBALI INFORMASI BERDASARKAN LOKASI PADA DOKUMEN YANG DIKELOMPOKKAN MENGGUNAKAN METODE CENTROID LINKAGE HIERARCHICAL Nadia Damayanti 1, Nur Rosyid Mubtada i, S.Kom, M.Kom 2, Afrida Helen S.T, M.Kom
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining Kode/SKS: SS / (2/1/0) Dosen : SWP, KF Semester : VII
RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 10.3 : Mampu menganalisis big data dengan
Lebih terperinciBAB I PENDAHULUAN BAB I. PENDAHULUAN
BAB I PENDAHULUAN BAB I. PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Clustering merupakan proses pengelompokan data menjadi kelompokkelompok atau klaster sehingga data-data yang berada dalam satu klaster
Lebih terperinciPENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR
PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciVISUALISASI K-MEANS CLUSTERING PADA DATA POTENSI PERTANIAN DESA DI BOGOR MENGGUNAKAN MAPSERVER HENRI HARIANJA
VISUALISASI K-MEANS CLUSTERING PADA DATA POTENSI PERTANIAN DESA DI BOGOR MENGGUNAKAN MAPSERVER HENRI HARIANJA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Informasi Pengertian Sistem Informasi pada dasarnya merupakan hasil dari dua arti, yakni sistem dan informasi yang digabungkan. Berikut definisi sistem menurut para ahli
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
METODE PENELITIAN Proses Dasar Sistem Proses dasar pengembangan sistem secara umum terdiri dari tahapan sebagai berikut: 1 Praproses. Pada tahap ini dilakukan persiapan yang meliputi seleksi data, transformasi
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 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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penyimpanan dokumen secara digital berkembang dengan pesat seiring meningkatnya teknologi. Kondisi tersebut memunculkan masalah untuk mengakses informasi yang diinginkan
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciAnalisa Pengelompokan Data Piutang Menggunakan Metode K-Means Dengan Automatic K (Study Kasus Pada PT. Varia Usaha)
Analisa Pengelompokan Data Piutang Menggunakan Metode K-Means Dengan Automatic K (Study Kasus Pada PT. Varia Usaha) TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika
Lebih terperinciPERBANDINGAN KINERJA METODE WARD DAN K-MEANS DALAM MENENTUKAN CLUSTER DATA MAHASISWA PEMOHON BEASISWA (STUDI KASUS : STMIK PRINGSEWU)
Page 12 Jurnal TIM Darmajaya Vol. 02 No. 01 Mei 2016 ISSN: 2442-5567 E-ISSN: 244-289X PERBANDINGAN KINERJA METODE WARD DAN K-MEANS DALAM MENENTUKAN CLUSTER DATA MAHASISWA PEMOHON BEASISWA (STUDI KASUS
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET Handi Kurniawan Sohdianata 1, Sushermanto 2 Jurusan Teknik Informatika STMIK Banjarbaru 1, Jurusan Sistem Informasi STMIK Banjarbaru 2 Jl.
Lebih terperinciANALISIS DATA ANGGARAN PENDAPATAN BELANJA DAERAH MENGGUNAKAN CLUSTERING K-MEANS DAN FORECASTING (Studi Kasus pada DPKA Kota Padang)
1 ANALISIS DATA ANGGARAN PENDAPATAN BELANJA DAERAH MENGGUNAKAN CLUSTERING K-MEANS DAN FORECASTING (Studi Kasus pada DPKA Kota Padang) JURNAL Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana
Lebih terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciKLASTERING DATA MENGGUNAKAN ALGORITMA DYNAMIC K-MEANS
VOL. I NO. AGUSTUS 0 JURNAL KLASTERING DATA MENGGUNAKAN ALGORITMA DYNAMIC K-MEANS Widiarina Abstract The disadvantage of the K-means algorithm is sensitive to have problems determining the initial partition
Lebih terperinciBAB 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 terperinciAnalisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus)
Analisa Data Mining Menggunakan Metode Bayes Untuk Mengukur Tingkat Kerusakan Mesin Motor (Studi Kasus Pada AHASS Astra Motor Kudus) Yunus Pradika FakultasIlmuKomputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciKLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR
Nusantara of Engginering (NoE)/Vol. 1/No. 2/ISSN: 255-668 22 KLASIFIKASI JENIS BIMBINGAN DAN KONSELING SISWA SMKN 1 KEDIRI MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN NEAREST NEIGHBOR Erna Daniati Program Studi
Lebih terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB 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 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 terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
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 terperinciCLUSTERING PENGGUNAAN BANDWIDTH MENGGUNAKAN METODE K-MEANS ALGORITHM PADA PENERAPAN SINGLE SIGN ON (SSO) UNIVERSITAS SEBELAS MARET
CLUSTERING PENGGUNAAN BANDWIDTH MENGGUNAKAN METODE K-MEANS ALGORITHM PADA PENERAPAN SINGLE SIGN ON (SSO) UNIVERSITAS SEBELAS MARET Vignasari Kokasih 1, Wiranto 2, Afrizal Doewes 3 1,2,3 Program Studi Informatika,
Lebih terperinciKlasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means
Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means Nielza Atthina Jurusan Teknik Informatika Universitas Islam Indonesia Yogyakarta 09523458@students.uii.ac.id
Lebih 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 terperinciHERU SUSANTO Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT.
HERU SUSANTO 2209 105 030 Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT. LATAR BELAKANG Peran media jejaring sosial pada perkembangan teknologi komunikasi dan informasi;
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan dunia pariwisata, tidak diiringi dengan perkembangan teknologi yang digunakan. Ditambah lagi dengan kondisi, banyak wisatawan yang tidak mau berwisata
Lebih terperinciBAB III K-MEDIANS CLUSTERING
BAB III 3.1 ANALISIS KLASTER Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Metode interdependensi berfungsi untuk memberikan makna terhadap seperangkat
Lebih terperinciPemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness
Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness Mario Anggara 1, Herry Sujiani 2, Helfi Nasution 3 Program Studi Teknik Informatika Fakultas Teknik Universitas
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 terperinciPENENTUAN KEMIRIPAN TOPIK PROYEK AKHIR BERDASARKAN ABSTRAK PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN METODE SINGLE LINKAGE HIERARCHICAL
PENENTUAN KEMIRIPAN TOPIK PROYEK AKHIR BERDASARKAN ABSTRAK PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN METODE SINGLE LINKAGE HIERARCHICAL Nur Rosyid M, Entin Martiana, Damitha Vidyastana, Politeknik Elektronika
Lebih terperinciPenerapan Metode KMeans dan Cobweb Terhadap Analisis Prestasi Akademik Mahasiswa yang Mengikuti Kegiatan Kemahasiswaan
Penerapan Metode KMeans dan Cobweb Terhadap Analisis Prestasi Akademik yang Mengikuti Kegiatan Kemahasiswaan Neil Casaandra Sudharmono 1, Mewati Ayub 2 Teknologi Informasi, Universitas Kristen Maranatha
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 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 terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciKLASIFIKASI TINGKAT PENGETAHUAN IBU DALAM PEMBERIAN ASI EKSLUSIF DENGAN METODE DECISION TREE
KLASIFIKASI TINGKAT PENGETAHUAN IBU DALAM PEMBERIAN ASI EKSLUSIF DENGAN METODE DECISION TREE Finki Dona Marlenny 1) 1), Sistem Informasi STMIK Indonesia Banjarmasin Jl Pangeran Hidayatullah, Banjarmasin
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 terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Analisis cluster merupakan salah satu alat yang penting dalam pengolahan data statistik untuk melakukan analisis data. Analisis cluster merupakan seperangkat metodologi
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 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 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 terperinci