SEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING
|
|
- Farida Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional Teknologi Informasi 2016 A1 SEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING Langgeng Listiyoko 1) Joko Dewanto 2) Henderi 3) 1) Business Intelligence STMIK Raharja 2) 3) Magister Teknik Informatika STMIK Raharja langgeng.listiyoko@raharja.info, 2) jokodewanto@raharja.info, 3) henderi@raharja.info ABSTRACT Market /segmentation of product should be define clearly in order to achieve optimum selling. The activity may refer to the market survey in conventional. The research is developed regarding to build an automation in mining knowledge based on data history so the candidate product will be placed into suitable segment correctly. The Methodology use in Knowledge Discovering in Database (KDD) by clustering method with k-means algorithm, the research expected to resulting 3group/ market segmentation and thus will reported as optimum selling achievement. 2. Data Mining Data mining merupakan sub sistem penting dalam KDD (Knowledge Discovering in Database) seperti dijelaskan Maimon et.al [11] seperti gambar 1 di bawah ini: Key words Product segmentation, clustering, KDD, k-means, mining knowledge 1. Pendahuluan Pencapaian penjualan merupakan parameter kinerja utama pada sebuah perusahaan. Laporan ini berasosiasi dengan kesuksesan pemasaran produk yang berdampak luas pada kelangsungan hidup perusahaan. Evaluasi tentang segmentasi/ mapping produk penting untuk mengetahui apakah kebutuhan pasar benar-benar telah dipenuhi. Secara konvensional kegiatan menentukan segmentasi produk dilakukan secara GDSS (Group Decision Support System) yaitu menggali informasi dari beberapa pihak yang berkepentingan menurut sudut pandang dan kepentingan masing-masing. Dengan demikian sangat mungkin keputusan yang diambil bersifat subyektif sehingga kurang dapat dipertanggungjawabkan. Teknik data mining clustering membantu menyelesaikan masalah penentuan segmentasi pasar dengan tingkat kepercayaan yang cukup tinggi. Data mining melakukan perhitungan matematis sedemikian hingga data history yang ada dapat dikelompokkan menurut keekatan sifat-sifat atau nilai variablenya. Gambar 1 Langkah KDD (Sumber: Maimon&Rokah) Terdapat 9 langkah dalam KDD yang dapat dibagi ke dalam 3 bagian utama yaitu persiapan, proses, dan laporan. Langkah 1-4 (Domain understanding, selection & addition, preprocessing, transformation) dipandang sebagai bagian persiapan yang berperan menyiapkan data input. Data history diolah dengan melewati bagian utama hingga dapat diproses dengan baik pada proses data mining. Proses data mining sendiri diawali dengan menentukan tipe data mining, menentukan algoritma dan implementasi (langkah 5,6,7 dalam KDD). Clustering adalah tipe data mining yang dipilih dalam penelitian ini dengan algoritma XK-Means [5]. Bagian laporan meliputi evaluasi terhadap kinerja data mining termasuk feasibility, akurasi, dan presisi. Interpretasi terhadap hasil yang tepat selanjutnya disajikan dalam bentuk laporan yang representatif kepada user (langkah 8 dan 9) 1
2 A1 Seminar Nasional Teknologi Informasi Data history Data mining bekerja berdasarkan pola yang didapat dari sekumpulan data history. Data dimaksud adalah data latih yang secara spesifik telah diketahui keanggotaan kelompok/ segmen. Sistem akan mempelajari nilai yang dimiliki masing-masing item data atas variable yang melekat. Variable tersebut adalah segala hal yang dapat mempengaruhi pengambilan keputusan. Ada 2 pendekatan karakteristik data mining kaitannya dengan data history, yaitu [4]: Otomatisasi pencarian pola menggunakan teknik komputasi dari statistik, machine learning, dan pattern recognition. Otomatisasi dalam kegiatan pengamatan terhadap informasi, yaitu identifikasi pola dan hubungannya yang tersembunyi. Prod uct Vol. Produksi Batch Volume Tabel 1 Data history GM Sell Out Jml Kompetit or Market Size Dim 1 Dim 2 Dim 3 Dim 8 Dim 9 Dim Data yang ditunjukkan dalam Tabel 1 di atas diperoleh dari sebuah data warehouse dalam sebuah perusahaan. Nilai dari masing-masing dimensi berada dalam range yang cukup lebar. Kondisi ini yang selanjutnya menuntut adanya langkah preprocessing. 2.2 Clustering Gambar 2 Relasi Data history, data test dan aplikasi data mining (Sumber:Gorunescu) Gambar 2 menjelaskan peranan data history dalam kerangka data mining. Data history (training data set) adalah data yang dimilliki pada saat sistem dibangun. Kemudian dengan algoritma penyelesaian data mining yang dibangun sebagai aplikasi didapatkan pola relasi antar item set. Pola ini kemudian digunakan sebagai referensi penyelesaian masalah terhadap data test yang dimiliki kemudian. Adapun data history dalam penelitian ini kaitannya dengan peningkatan penjualan mempertimbangkan dimensi-dimensi yang cukup menyulitkan user untuk menetapkan kelompok/segmentasi dengan cara manual. Dimensi-dimensi dimaksud adalah volume produksi, batch volume, margin, sell out, jumlah kompetitor, dan market size. Teknik clustering adalah salah satu algoritma data mining yang cukup membantu dalam usaha pengelompokan [5]. Secara umum clustering akan mengelompokkan sekumpulan data history sejumlah n kelompok yang dikehendaki user. Semua nilai variable yang ada diusahakan sedemikian hingga berupa nilai numerik. Nilai numerik dibutuhkan mengingat clustering melakukan perhitungan matematis untuk mendapatkan pola pada data history untuk selanjutnya membuat kelompok berdasarkan kedekatan nilainya. Beberapa usaha yang dapat dilakukan dalam preprocessing untuk mendapatkan nilai numerik pada algritma clustering misalnya[16] : 1. Agregasi 2. Diskretisasi Pada Tabel 2 berikut ini dilakukan preprocessing terhadap dimensi 1, yaitu volume produksi. Tabel 2 Distribusi nilai dimensi ke dalam range Range Volume Rating 0 200, ,01 400, ,01 600, ,01 800, , ,00 5 >1000,00 6 Dengan demikian maka hasil preprocessing terhadap dimensi volume produksi ditunjukkan pada Tabel 3 sebagai berikut : 2
3 Seminar Nasional Teknologi Informasi 2016 A1 Tabel 3 Hasil preprocessing dimensi 1 Product Vol. Produksi Dim Dengan teknik yang sama dilakukan pula terhadap dimensi 2-5. Penentuan range yang sesuai dengan data yang dimiliki menjadi teknik yang penting dalam menunjang keberhasilan clustering. Sebagai catatan pada dimensi market size tidak diberlakukan teknik deskritisasi seperti dimensi lainnya. Dimensi market size cukup dilakukan penyederhanaan bilangan mengingat rentang nilainya yang cukup jauh. Secara lengkap hasil preprocessing adalah seperti pada Tabel 4 berikut : Product Vol. Produksi Tabel 4 Hasil preprocessing final Batch Volume GM Sell Out Jml Kompetit or Market Size Dim 1 Dim 2 Dim 3 Dim 4 Dim 5 Dim K-means K-means merupakan algoritma yang populer untuk menyelesaikan tugas clustering. Sesuai namanya, prinsip pengelompokan k-means adalah berdasar kesamaan nilai rata-rata pada satu cluster. Adapun pada prakteknya, pencarian kemiripan ini merujuk pada kedekatan nilai obyek terhadap pusat cluster (centroid) yang tak lain adalah nilai rata-rata value anggota cluster. Langkah-langkah dalam algoritma clustering dalam penelitian ini adalah sebagai berikut[5] : 1. Menentukan jumlah cluster 2. Inisialisasi 3. Menghitung pusat cluster/ centroid 4. Alokasi item set 5. Iterasi Menentukan jumlah cluster Pada mulanya user menentukan jumlah cluster, yang pada penelitian ini ditetapkan 3 cluster. Hal ini akan mewakili keadaan pasar sesungguhnya yakni segment bawah, menengah, dan atas Inisialisasi Selanjutnya yang dilakukan adalah inisialisasi, yaitu menetapkan secara acak keanggotaan item set ke dalam cluster yang telah dibentuk. Umumnya inisialisasi dikerjakan atas dasar hasil keputusan melalui GDSS, baik itu yang sedang berlangsung maupun berupa ekspektasi. Tujuan dari tahap inisialisasi adalah memberikan ruang pada sistem untuk menentukan centroid yang merupakan tahapan algoritma selanjutnya. Mengingat data history yang digunakan dalam penelitian adalah kondisi sesungguhnya yang sedang berlaku (existing) maka model inisialisasi yang dianut algoritma clustering sangat membantu menyelesaikan masalah segmentasi pasar. Nantinya akan dilihat komparasi hasil segmentasi yang terbentuk oleh GDSS dan Data Mining. Product Vol. Produksi Batch Volume Tabel 5 Inisialisasi cluster GM Sell Out Jml Kompetit or Market Size Cluster Dim 1 Dim 2 Dim 3 Dim 4 Dim 5 Dim C C C C C C C C C C Menghitung centroid Pusat cluster atau centroid dapat dibayangkan sebagai pusat magnet yang akan memiliki kemampuan menarik item set data history yang berada dalam range jarak. Item set yang dimiliki secara tepat hanya akan tertarik kepada satu centroid saja. Keadaan seperti ini sangat sesuai dengan tujuan penelitian ini yaitu menghilangkan keraguan/ ambiguitas. Dalam kenyataannya diharapkan item set akan berada pada segmen yang tepat. Rumus (1) di bawah ini digunakan untuk menghitung centroid pada masing-masing dimensi. Dapat dijelaskan bahwa C i adalah centroid dimensi ke-i, M merupakan jumlah anggota cluster, dan x adalah nilai/value dari dimensi ke-i masing-masing anggota cluster....(1) Dengan demikian maka centroid untuk cluster 1 sesuai inisialisasi adalah seperti pada Tabel 6 berikut: 3
4 A1 Seminar Nasional Teknologi Informasi 2016 Tabel 6 Perhitungan centroid C1 Data ke-i Dim 1 Dim 2 Dim 3 Dim 4 Dim 5 Dim total Ci ratarata Sedangkan secara lengkap seluruh centroid yang terbentuk dari inisialisasi ditunjukkan dalam Tabel 7 berikut : Tabel 7 Centroid untuk masing-masing cluster Centroid- Dim 1 Dim 2 Dim 3 Dim 4 Dim 5 Dim Alokasi item set Setelah centroid dapat ditentukan, maka selanjutnya adalah menetapkan anggota cluster dengan cara menghitung jarak Euclidean item set ke masing-masing centroid. Jarak terdekat menandakan keanggotaan item terhadap cluster. Keadaan selanjutnya bisa jadi anggota masing-masing cluster berubah dari kondisi inisialisasi....(2) Rumus (2) merupakan perhitungan Euclidean, di mana D(x 2-x 1) menyatakan jarak masing-masing item set terhadap sebuah centroid, P adalah populasi atau jumlah dimensi, x 2j adalah nilai dimensi ke-j item set, x 1j adalah centroid dimensi ke-j pada sebuah cluster. Untuk masingmasing item set dilakukan perhitungan jarak Euclidean terhadap centroid yang ada untuk mengetahui jarak terdekat (minimal) sehingga dapat ditentukan keanggotaan cluster selanjutnya. Tabel 8 di atas adalah hasil lengkap perhitungan jarak Euclidean yang dengannya diketahui kondisi terbaru mengenai keanggotaan cluster Iterasi Jika terjadi perubahan anggota cluster maka langkah selanjutnya adalah iterasi. Iterasi dilakukan terhadap langkah perhitungan ulang centroid berdasar kondisi terbaru, dan selanjutnya kembali mengalokasikan anggota cluster. Iterasi ini dilanjutkan sehingga dicapai kondisi di mana anggota cluster tidak berubah dari iterasi sebelumnya. 3. Hasil Percobaan Dari data history yang dimiliki diperoleh pola yang dapat divisualisasikan dalam segmentasi produk sebagai berikut : Tabel 9 Hasil clustering (DM vs GDSS) Cluster Cluster Awal Akhir Dengan dihasilkannya tabel 9 hasil di atas maka dapat dikatakan bahwa sistem telah menemukan knowledge yang berguna untuk melakukan pekerjaan yang sama terhadap beberapa data lain yang diberikan. Pengujian terhadap knowledge pada penelitian ini dilakukan dengan cara sebagai berikut : Tabel 8 Alokasi cluster baru Data ke-i C1 C2 C3 Cluster C C C C C C C C C C2 Gambar 3 Metode pengujian Dijelaskan pada gambar 3 di atas bahwa hasil clustering terhadap data test beserta data history akan dievaluasi mengenai konsistensi membership. Presisi direfleksikan oleh kesamaan hasil clustering item data 4
5 Seminar Nasional Teknologi Informasi 2016 A1 history sebelum dan sesudah ditambahkan data test. Untuk melakukan testing ini dapat dibantu oleh engine data mining Rapid Miner 5.3. Dalam penelitian ini dilakukan pengujian terhadap 10 data baru yang secara GDSS telah ditentukan segmentasinya. Data yang diberikan nantinya akan bertindak sebagai intruder yang mungkin saja dapat mempengaruhi knowledge yang telah dimiliki sebelumnya. Data test tersebut adalah seperti Tabel 10 berikut : Tabel 10 Inisialisasi data test secara GDSS Dim 1 Dim 2 Dim 3 Dim 4 Dim5 Dim6 Cluster A C2 B C3 C C3 D C2 E C1 F C2 G C1 H C1 I C3 Hasil testing terhadap data test yang melibatkan data history ditunjukkan pada tabel 11 berikut : Tabel 11 Hasil pengujian data test dengan knowledge data history No Cluster (Init) Final A 2 1 B 3 3 C 3 1 D 2 2 E 1 1 F 2 2 G 1 1 H 1 2 I 3 2 J 1 1 Grafik 1 di bawah ini adalah ilustrasi evaluasi masing-masing item set data history pada saat knowledge mining dan testing. 4. Kesimpulan Grafik 1 Evaluasi data history Penelitian ini membuktikan adanya hasil yang jelas tanpa ambigu dalam hal pengambilan keputusan. Hal ini ditunjukkan dengan terjadinya relasi 1-1 antara item set dengan cluster. Dengan melakukan test terhadap sejumlah data test maka diperoleh hasil sebagai berikut : Presisi Dari dua kali keikutsertaan data history dalam proses clustering didapat hasil seperti tabel 12 berikut : Tabel 12 Tabel presisi Tetap Berubah Jumlah % 20% 100% Dengan demikian dapat disimpulkan bahwa metode clustering memiliki precision yang baik sejak penggalian pola hingga penerapan/testing. Akurasi Kecenderungan hasil pengelompokan dengan clustering dibanding cara manual untuk data history ditunjukkan dalam tabel 13 berikut : Tabel 13 Tabel akurasi clustering vs manual Tepat dipilih Tidak dipilih Jumlah sistem sistem % 40% 100% Hasil yang sama juga diperoleh pada data test. Dengan tingkat akurasi yang mencapai 60% sudah cukup untuk memberikan kepercayaan bagi user untuk menentukan keputusan terkait penentuan segmentasi pasar. Penelitian semacam ini sangat sesuai diterapkan pada model simplifikasi produk atau proses akuisisi yang berguna untuk meminimalisir duplikasi. Lebih jauh hasil yang dapat diperoleh adalah peningkatan penjualan seiring dengan turunnya tingkat kompetisi dalam satu segmen pasar. 5
6 A1 Seminar Nasional Teknologi Informasi 2016 Penelitian ini dapat dikembangkan lagi untuk mendapatkan nilai akurasi dan presisi dengan banyak variasi pada skenario inisialisasi. REFERENSI [1] Bishop, C. M., 2006, Pattern Recognition and Machine Learning, Springer, New York. [2] Bramer, M., 2007, Principles of Data Mining, Springer, London. [3] Ediyanto, Mara, M. N., & Satyahade, N., 2013, Pengklasifikasian Karakter Dengan Metode K-Means Cluster Analysis, Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster), [4] Gorunescu, F., 2011, Data Mining Concepts, Models and Techniques, Springer, Berlin. [5] Han, J., & Kamber, M., 2006, Data Mining : Concepts and Techniques, Elsevier, San Fransisco. [6] Hand, D., Mannila, H., & Smyth, P., 2001, Principles of Data mining, MIT Press, London. [7] Hermawati, F. A., 2013, Data Mining, Andi Publisher, Yogyakarta. [8] Irdiansyah, E., 2010, Penerapan Data Mining Pada Penjualan Produk minuman Di PT. Pepsi Cola Indobeverages Menggunakan Metode Clustering, Jurnal TA/SKRIPSI Unikom. [9] Larose, D. T., 2005, Discovering Knowledge in Data : An Introduction to Data Mining, John Wiley & Sons, Inc., New jersey. [10] Lindawati, 2008, Data Mining Dengan Teknik Clustering Dalam Pengklasifikasian Data Mahasiswa, Seminar Nasional Informatika, [11] Maimon, O., & Rokach, L., 2010, Data Mining And Knowledge Discovery Handbook (Second Edition), Springer, New York. [12] Muningsih, E., & Kiswati, S., 2015, Penerapan Metode K-Means Untuk Clustering Produk Online Shop Dalam Penentuan Stok Barang, Jurnal Bianglala Informatika, [13] Ong, J. O., 2013, Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University, Jurnal Ilmiah Teknik Industri, [14] Riswawan, T., & Kusumadewi, S., 2008, Aplikasi K- Means Untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka, Seminar Nasional Aplikasi Teknologi Informasi, E43- E48. [15] Susanto, S., & Suryadi, D., 2010, Pengantar Data Mining Menggali Pengetahuan Dari Bongkahan Data, Andi Publisher, Yogyakarta. [16] Vercellis, C., 2009, Business Intelligence : Data Mining And Optimization For Decision Making, John Wiley & Son Ltd, Padstow. Langgeng Listiyoko, memperoleh gelar S.Kom tahun2008 di STMIK Muhammadiyah Jakarta. Saat ini sedang menyelesaikan study pada jurusan Business Intelligence STMIK Raharja Tangerang. 6
KLASIFIKASI SISWA UNTUK MENINGKATKAN NILAI RATA-RATA KELAS MENGGUNAKAN METODE DATA MINING
KLASIFIKASI SISWA UNTUK MENINGKATKAN NILAI RATA-RATA KELAS MENGGUNAKAN METODE DATA MINING Langgeng Listiyoko* 1, Rosalia Wati 2, Achmad Fahrudin 3 1,2,3 STMIK Muhammadiyah Banten Kontak Person : Langgeng
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciPenerapan 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 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 terperinciPREDIKSI PINDAH JURUSAN PADA SMK MENGGUNAKAN TEKNIK DATA MINING POHON KEPUTUSAN
Seminar Nasional Teknologi Informasi 2016 A2 PREDIKSI PINDAH JURUSAN PADA SMK MENGGUNAKAN TEKNIK DATA MINING POHON KEPUTUSAN Karwandi 1) Langgeng Listiyoko 2) Henderi 3) Sudaryono 4) 1) 2) Business IntelligenceSTMIK
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 terperinciPENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG
PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG Elly Muningsih Program Sudi Manajemen Informatika, AMIK BSI Yogyakarta Email : elly.muning514@gmail.com Abstract - Good and accurate
Lebih terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
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 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 terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
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 terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciIMPLEMENTASI K-MEANS KLUSTERING UNTUK REKOMENDASI TEMA TUGAS AKHIR PADA STMIK ASIA MALANG. Lia Farokhah 1), Rendy Aditya 2)
IMPLEMENTASI K-MEANS KLUSTERING UNTUK REKOMENDASI TEMA TUGAS AKHIR PADA STMIK ASIA MALANG Lia Farokhah 1), Rendy Aditya 2) 1,2 Teknik Informatika, STMIK ASIA Malang email: 1 farokhah@asia.ac.id, 2 rendya@asia.ac.id
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 terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciKAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC
KAJIAN PERANCANGAN RULE KENAIKAN JABATAN PADA PT. ABC Harry Dhika Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI Email: dhikatr@yahoo.com ABSTRAK Penelitian ini membahas tentang cara
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 terperinciBAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan hasil penelitian dan pembahasan, penulis dapat mengambil kesimpulan sebagai berikut: 1. Sistem pengambilan keputusan pada kegiatan pemasaran di PT
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 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 terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciK-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia
K-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia Okta Riveranda 1), Warnia Nengsih, S.Kom., M.Kom. 2) 1) Program Studi Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: okta12si@mahasiswa.pcr.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih 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 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 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 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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 9 NO. 1 April 2016
ANALISA DAN PENERAPAN DATA MINING UNTUK MENENTUKAN KUBIKASI AIR TERJUAL BERDASARKAN PENGELOMPOKAN PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Sri Tria Siska 1 ABSTRACT This study aims to determine
Lebih 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 terperinciAPLIKASI 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 BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
Lebih terperinciTriuli Novianti 1) Abdul Aziz 2) Program Studi D3 Teknik Komputer UMSurabaya, Surabaya ),
Jurnal Ilmiah NERO Vol. 1 No. 15 APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK MENAMPILKAN LAPORAN HASIL NILAI AKHIR MAHASISWA (STUDI KASUS DI FAKULTAS TEKNIK UMSURABAYA) Triuli Novianti
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 terperinciK NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. 1 (2018), hal 9-14. K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Missing data
Lebih terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciPENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG
PENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG Sri Mulyati 1) 1 Pascasarjana, Universitas Putra Indonesia YPTK Padang e-mail: mulyati.sri52@gmail.com Abstrak
Lebih terperinciPENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU (STUDI KASUS : UNIVERSITAS POTENSI UTAMA)
Seminar Nasional Teknologi Informasi dan Multimedia 5 ISSN : 3-385 STMIK AMIKOM Yogyakarta, 6-8 Februari 5 PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU (STUDI KASUS : UNIVERSITAS POTENSI
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
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 terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih 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 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 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 terperinciAnalisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
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 terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciANALISIS CLUSTER K-MEANS DALAM PENGELOMPOKAN KEMAMPUAN MAHASISWA
ANALISIS CLUSTER K-MEANS DALAM PENGELOMPOKAN KEMAMPUAN MAHASISWA B. Poerwanto dan R.Y. Fa rifah Fakultas Teknik Universitas Cokroaminoto Palopo Email: bobbypoerwanto@uncp.ac.id, 2riskayanu@uncp.ac.id Abstract.
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
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 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 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 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 terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih 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 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 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 terperinciKerusakan Barang Jadi
Penerapan Algoritma C4.5 pada Analisis Kerusakan Barang Jadi (Studi Kasus: PT Kayu Lapis Asli Murni) Ivan Oktana, Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang,
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 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 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 terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
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 terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
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 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 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 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- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciMateri 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
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 terperinciMEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Page 87 Iin Parlina 1, Agus Perdana Windarto 2, Anjar Wanto 3, M.Ridwan Lubis
Lebih terperinciANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek)
ANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek) Meriska Defriani 1, Noviyanti 2 1 STT Wastukancana 2 Teknik Informatika,
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 terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS Ardi Mardiana Fakultas Teknik, Universitas Majalengka Email: aim@ft.unma.ac.id Abstract Grouping language
Lebih 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 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 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 terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING Arief Samuel Gunawan 1), Evasaria Magdalena
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan algoritma hierarchical clustering dan k-means untuk pengelompokan desa tertinggal.
Lebih terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
Lebih terperinci