HI. KERANGKA TEORI. kelompok tersebut menimbulkan pengurangan dimensionalitas suatu tabel data,
|
|
- Hengki Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 HI. KERANGKA TEORI 3.1. Cluster Analysis Cluster analyszs adalah suatu analisis untuk menyusun objek-objek menjadi kelompok-kelompok (cluster-cluster) dan pembentukan kelompok- kelompok tersebut menimbulkan pengurangan dimensionalitas suatu tabel data, yaitu semakin sedikitnya jumlah baris (objek). Cluster analyszs merupakan tool yang mampu memberikan kepada kita kelompok-kelompok secara objektif (Legendre, 1 998). Menurut Anderberg (1973), bahwa cluster analyszs dapat berkontribusi langsung terhadap pengembangan skema klasifikasi. Hal ini sejalan dengan pernyataan Greenacre (1984), bahwa cluster analyszs sering disebut sebagai cla~s.sljicatzon automatzque, di mana similaritas dari observasi-observasi antar objek dipelajari dengan tujuan membentuk kelompok-kelompok dari objek-objek yang sama. Dengan kata lain, kita menciptakan suatu partisi-partisi ataupun serangkaian partisi dan objek-objek tersebut. Berbeda dengan dzskrzmlnan analysu, di mana d~~skrzmznan analysrs memberikan penekanan yang berbeda pada partisi-partisi yang Qanalisis dan terdapat suatu partisi tertentu yang lebih diutamakan. Sedangkan cluster analysis, partisi-partisi dlhasilkan dan analisis. Untuk lebih jelas mengenai perbedaan keduanya dapat dilihat Gambar 1 dan Gambar 2. Sementara itu, Kaufman dan Rousseeuw (1990) mendefinisikan cluster analyszs sebagai seni menemukan kelompok-kelompok dalam data, dan kelompok-kelompok yang ditemukan tersebut dinamai dengan cluster.
2 Gambar 1. Diskriminan Analysis I zl, 22,... Gambar 2. Cluster Analysis Menghasilkan Sekelompok Nilai-Nilai Kualitatif dalam Bentuk Partisi Objek-Objek (dan/atau Peubah) Sumber : Kaufman dan Rousseeuw, 1990 Prinsip dasar cluster analysis adalah bahwa objek-objek dalarn satu kelompok adalah sama satu dengan lainnya. Sernentara objek-objek yang berada dalam kelompok yang berbeda memiliki perbedaan yang besar satu sama lainnya. Pengelompokan ini memiliki peranan penting dalam kehidupan sehari-hari dan juga dalam ilmu pengetahuan-teknologi. Dalam marketing, pengelompokan dilakukan untuk mengidentifikasi segmen-segmen pasar, misalnya kelompok- kelompok konsumen dengan kebutuhan yang sama dan lain-lain. Tujuan cluster analysis adalah untuk mendapatkan suatu partisi ataupun serangkaian partisi clan sekelompok objek berdasarkan similaritasnya dengan yang lainnya sehingga objek da.larn satu kelompok yang sama memiliki kemiripan atau kesamaan dengan objek lainnya. Sedangkan kelompok-kelompok yang berbeda tidak mirip sarna sekali atau jauh berbeda satu sama lainnya sehingga dpisahkan (Greenacre, 1984).
3 Teknik cluster ana/y.szs pada umumnya dapat digolongkan menjadi dua, yaitu hzerarchical technique dan non-hierarchzcal technzque. Pada teknik hierarki, dimana proses klasifikasi (clustermg) menghasilkan jumlah kelompok-kelompok yang semakin banyak. Teknik ini dapat berupa dzvlsive ataupun agglomeratzve. Drvzsrve technzque, menganggap semua objek sebagai satu kelompok. Kemudian kelompok tersebut dipecah menjadi kelompok-kelompok yang semakin kecil. Sedangkan agglomerative technzque dimulai dengan anggota "cluster-cluster single" yang kemudian digabung sampai terbentuk satu kelompok baru yang besar. Jadi kedua teknik tersebut saling berkebalikan. Untuk lebih jelasnya mengenai teknik-teknik ini dapat dilihat pada Gambar 3. Pada Gambar 3, penggerombolan dilakukan terhadap obat-obatan a, 6, c, d dan e berdasarkan kegunaan obat-obat tersebut. Dengan menggunakan teknik agglomeratif, masing-masing obat dianggap sebagai group (gerombol). Berdasarkan kegunaan obat tersebut, obat a dan b memiliki kegunaan yang paling mirip dan obat d sangat mirip kegunaannya dengan obat e, yaitu pada tingkat ketidakrniripan sebesar satu. Pada tingkat ketidakmiripan yang sama obat c sangat berbeda dengan keempat obat lainnya. Namun pada tingkat ketidakmiripan sebesar tiga, obat c mirip dengan obat d dan e tetapi berbeda dengan obat a dan b. Pada tingkat ketidakmiripan sebesar empat, kelima obat tersebut baru bisa dikelompokkan dalam satu group. Sedangkan pada teknik divisif, pengelompokan dimulai dengan menganggap bahwa kelima obat tersebut dalam satu group dan kemudian baru dipecah-pecahkan sampai akhimya terbentuk lima group. Teknik tak berhirarki lebih &ked sebagai k-mean atau partitioning methods, yang mengelompokkan data ke dalam k kelompok dengan persyaratan bahwa setiap
4 kelompok paling tidak terdiri dari satu objek dan setiap objek hams mempunyai posisi dalam satu kelompok. k I n... (3.1) k n = jumlah kelompowcluster = jumlah objek v agglomerative divisive Gambar 3. Perbedaan Agglomerative Technique dan Divisive Technique Sumber : Kaufrnan dan Rousseeuw, 1990 ha]: 45 Nilai k ditentukan sendiri oleh analist, sehingga algoritma akan membentuk suatu partisi sebanyak kelornpok yang diingnkan. Dalam ha1 ini
5 diperlukan beberapa iterasi, di mana algoritma perlu dijalankan beberapa kali (secara berulang) dengan nilai k yang berbeda mtuk menyeleksi k yang mana yang dianggap memiliki karakteristik atau tampilan grafik yang terbaik, yaitu dalam pengertian bahwa objek-objek dalam kelompok yang sama hams berhubungan erat satu sama lainnya, dan kelompok-kelompok yang berbeda harus terpisah dan sangat berbeda (Kaufman dan Rousseeuw, 1990). Namun Suharjo dan Siswandi (1999) menambahkan bahwa sebelum analisis dilakukan jumlah kelompok yang akan dibentuk ham ditentukan terlebih dahulu. Tapi untuk menentukan jumlah segrnen tidaklah mudah, karena terkait erat dengan jumlah gerombol yang ada dalam realita. Untuk mengatasi ha1 tersebut, umumnya ditentukan melalui cara eksplorasi, yakni dengan menentukan jumlah gerombol yang ada mulai dari 2,3,4,..., dan seterusnya. Namun demikian ada kriteria yang dijadikan sebagai penentu jumlah gerombol berakhir, yaitu: 1. Gerombol yang terbentuk hams dapat diinterpretasikan 2. Aspek proporsionalitas jumlah inhvidu atau objek dalam Gerombol hams diperhatikan. Menurut Greenacre (1984), walaupun terdapat dua macam teknik pengelompokan, namun yang paling penting dilakukan sebelum pengelompokan adalah bagaimana mengukur "distance" atau "similaritas" antar objek-objek, dimana jika terdapat I objek, maka suatu matrik simetris I x 1 perlu dihitung. Untuk menghindari terjadinya pengulangan, maka unalist perlu menggambarkan pengelompokan dalam format "dzstance" antar objek.
6 Selain itu, Suharjo dan Siswandi (1999) menambahkan bahwa pemilihan metoda mana yang akan digunakan secara urnurn sangat ditentukan oleh fenomena yang dihadapi sesuai dengan bidang permasalahannya. Bahkan yang paling penting, bahwa pemilihan tersebut ddakukan atas dasar keberartian hasil pengelompokan yang diperoleh, sehingga hampir semua metoda digunakan dan kemudian hasilnya dibandingkan Standarisasi Data Greenacre (1984) menjelaskan bahwa proses analisis dalam cluster analyszi akan menyusun objek-objek dan peubah-peubah yang akan dianalisis ke dalam suatu matrik yang simetris. Misalkan objek yang dianalisis berjumlah n dan jumlah peubahnya adalah p, maka akan diperoleh sebuah matrik n x p sebagai berikut : p peubah n objek Namun, dalam banyak kasus perubahan unit ukuran bisa menghasilkan struktur cluster yang berbeda. Untuk menghindari ketergantungan pada pemilihan satuan pengukuran, maka digunakan data yang telah distandarisasi, sehingga peubah-peubahnya tidak mempunyai satuan. Untuk melakukan standarisasi data, maka dilakukan penghitungan nilai rata-rata dan setiap peubah, yaitu biasanya dengan menggunakan rumus:
7 mf n Xf f = nilai rata-rata masing-masing peubah = jumlah objek = nilai peubah untuk objek ke-l = peubah ke- 1,..., p Selanjutnya perlu hlakukan penghitungan ukuran dispersi atau ukuran deviasi. Secara tradisional digunakan standar deviasi biasa, yaitu dengan rumus: stdf = standar deviasi biasa masing-masing peubah Namun standar deviasi biasa ini sangat rentan terhadap nilai-nilai yang ekstrim, karena Hartigan (1975) dalam Kaufman dan Rousseeuw (1990) mengingatkan bahwa analist perlu menggunakan suatu ukuran dispersi yang tidak terlalu sensitif terhadap nilai-nilai yang ekstrim, sehingga ukuran deviasi yang sering dipakai adalah mean absolute deviation dengan menggunakan formula sebagai berikut: sf = mean absolut deviation masing-masing variabel Jika tetap menggunakan standar deviasi biasa, maka dengan adanya nilai-nilai ekstrim, maka nilai sf umumnya cenderung memburnbung tinggi.
8 Kemudian untuk memperoleh data-data dengan ukuran yang distandarisasi, perlu dilakukan penghtungan nilai Z setiap peubah dengan menggunakan rumus: Zg = nilai masing-masing peubah setelah distandarisasi Dengan menggunakan data yang distandarisasi ini, maka zif = 0 clan mean absolute deviation - I. Selanjutnya setelah semua zq dperoleh, maka dibentuk matrik simetris sebagai berikut: peubah 3.3. Dissimilaritas Langkah selanjutnya adalah menghitung distances di antara objek-objek untuk mendapatkan tingkat dissimilaritasnya. Ukuran yang paling sering dipakai adalah Euclidean distances, yaitu dihitung dengan menggunakan formula: d(ij1 = jarak gerombol i dan gerombol j Namun, Euclidean Distances ini mengukur "distances" berbentuk garis lurus dalam ruang Euclidean (Legendre, 1998). Oleh karena itu bisa pula
9 diaplikasikan non-euclidean metric seperti city block atau Manhattan distance yang forrnulanya antara lain (Carrnichael dan Sneath 1969 dalam Kaufman dan Rousseeuw 1990): Kedua formula tersebut (Euclzdean dun Manhattan) memenuhi persyaratan matematik berikut ini: a. d(i, j) 2 0 b. d(i, i ) = 0 c. d(i, j) = d(j, i) d. d(i, j) < d(i, h) + d(hj) Besaran-besasan yang Qperoleh kemudian hbentuk menjadl suatu matrik n x n Perbaikan Jarak Setelah mendapatkan matrik distances (Qssimilaritas atau simrnilaritas), kemudian dicari 2 objek (sebagai kelompok awal) yang paling mirip dan kemudian digabungkan menjadi sebuah kelompok. Selanjutnya cblakukan penghitungan distances atau dissimilaritas cluster baru ini dengan satu objek yang lainnya sehingga semuanya teruku (Legendre, 1998). Beberapa ukuran yang digunakan adalah: (Suharjo dan Siswandi, 1999) 1. Pautan Tunggal, di mana dissimilaritas Qukur dengan: dacl,jl = min [dhydkj)... (10) 2. Pautan Lengkap, dimma bssimilaritas diukur dengan: dk(l,j) = max [dh,dkj)...(11) 3. Pautan Rataan:
10 dk(ijl = [ni/(ni + nj)]d& + [nj/(ni + nj)]dkj (12) 4. Sentroid: dkiij) = [ni/(ni + nj)}db + [nj/(ni + nj)]q - (ninj)/(ni + nj)2dij}.... (13) dv dk(ijj = ukuran dissimilaritas antara gerornbol i dengan gerombol j = ukuran dissimilaritas antara gerombol k dengan gerombol (id yang merupakan penggabungan antara gerombol i dengan gerombol j. ni = jumlah objek pada gerombol i n~ = jumlah objek pada gerombol j
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
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 terperinciANALISIS PEUBAH GANDA ANALISIS GEROMBOL HAZMIRA YOZZA JURUSAN MATEMATIKA UNAND LOGO
ANALISIS PEUBAH GANDA ANALISIS GEROMBOL HAZMIRA YOZZA JURUSAN MATEMATIKA UNAND Kompetensi menghitung jarak antar individu Membentuk gerombol dengan menggunakan metode gerombol berhierarkhi Membentuk gerombol
Lebih terperinciANALISIS GEROMBOL CLUSTER ANALYSIS
ANALISIS GEROMBOL CLUSTER ANALYSIS Pendahuluan Tujuan dari analisis gerombol : Menggabungkan beberapa objek ke dalam kelompok-kelompok berdasarkan sifat kemiripan atau sifat ketidakmiripan antar objek
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Pada penelitian yang dilakukan oleh (Chen, Sain, & Guo, 2012) berfokus untuk mengetahui pola penjualan, pelanggan mana yang paling berharga, pelanggan mana yang
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 terperinciDATA MINING DAN WAREHOUSE A N D R I
DATA MINING DAN WAREHOUSE A N D R I CLUSTERING Secara umum cluster didefinisikan sebagai sejumlah objek yang mirip yang dikelompokan secara bersama, Namun definisi dari cluster bisa beragam tergantung
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciDATA MINING. Pertemuan 3. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 3 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2015 Definisi Set Data Set Data / Data Set / Himpunan Data Kumpulan
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. Pertemuan 4. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 4 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Similaritas dan Dissimilaritas Kemiripan (similarity) adalah
Lebih terperinciClustering. Virginia Postrel
8 Clustering Most of us cluster somewhere in the middle of most statistical distributions. But there are lots of bell curves, and pretty much everyone is on a tail of at least one of them. We may collect
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 terperinciSTK511 Analisis Statistika. Pertemuan 13 Peubah Ganda
STK511 Analisis Statistika Pertemuan 13 Peubah Ganda 13. Peubah Ganda: Pengantar Pengamatan Peubah Ganda Menggambarkan suatu objek tidak cukup menggunakan satu peubah saja Kasus pengamatan peubah ganda
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 terperinciBAB II KAJIAN TEORI. linier, varian dan simpangan baku, standarisasi data, koefisien korelasi, matriks
BAB II KAJIAN TEORI Pada bab II akan dibahas tentang materi-materi dasar yang digunakan untuk mendukung pembahasan pada bab selanjutnya, yaitu matriks, kombinasi linier, varian dan simpangan baku, standarisasi
Lebih terperinciMateri 3 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 3 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetensi Dasar Memahami definisi set data, tipe data, kualitas
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciDATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Lebih terperinciBAB I PENDAHULUAN. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
Lebih terperinciPengenalan Pola. Klasterisasi Data
Pengenalan Pola Klasterisasi Data PTIIK - 2014 Course Contents 1 Konsep Dasar 2 Tahapan Proses Klasterisasi 3 Ukuran Kemiripan Data 4 Algoritma Klasterisasi Konsep Dasar Klusterisasi Data, atau Data Clustering
Lebih terperinciPertemuan 14 HIERARCHICAL CLUSTERING METHODS
Pertemuan 14 HIERARCHICAL CLUSTERING METHODS berdasar gambar berdasar warna A A A A Q Q Q Q K K K K J J J J 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7 7 8 8 8 8 9 9 9 9 10 10 10 10 A K Q J (a). Individual
Lebih terperinciDSS untuk Menganalisis ph Kesuburan Tanah Menggunakan Metode Single Linkage
61 DSS untuk Menganalisis ph Kesuburan Tanah Menggunakan Metode Single Linkage Abdi Pandu Kusuma, Rini Nur Hasanah, dan Harry Soekotjo Dachlan Abstrak - ph tanah merupakan ukuran jumlah ion hidrogen dalam
Lebih terperinciJumlah persentase ini tidak harus persis seperti diatas tetapi bisa bervariasi tergantung di perusahaan mana metode ini diterapkan.
BAB 2 TINJAUAN PUSTAKA 2.1 Metode Pengelompokan ABC Pada abad ke-18, Villfredo Pareto, dalam penelitiannya mengenai distribusi kekayaan penduduk di Milan Italia, menemukan bahwa 20% dari total populasi
Lebih terperinciBAB I PENDAHULUAN. Analisis statistik multivariat adalah metode statistik di mana masalah yang
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Analisis statistik multivariat adalah metode statistik di mana masalah yang diteliti bersifat multidimensional dengan menggunakan tiga atau lebih variabel
Lebih terperinciPengenalan Pola. Hierarchical Clustering
Pengenalan Pola Hierarchical Clustering PTIIK - 2014 Course Contents 1 Agglomerative Hierarchical Clustering (AHC) 2 Stui Kasus 3 Latihan an Diskusi 4 Progress Final Project Hierarchical Clustering Hierarchical
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Kemiskinan merupakan masalah yang sulit untuk diatasi. Salah satu sasaran pembangunan nasional adalah penurunan tingkat kemiskinan. Menurut Badan Pusat Statistik,
Lebih terperinciTabel 7-1 Rata-rata hitung hasil test mata kuliah statistik deskriptif kelompok A dan B. A B
A. Pengukuran Penyebaran (Dispersi) 1. Pengertian Tentang Disperse. Digunakan untuk menunjukkan keadaan berikut : a. Gambaran variabilitas data Yang dimaksud dengan variabilitas data adalah suatu ukuran
Lebih terperinciBAB I PENDAHULUAN. masyarakat tanpa kertas (paperless society) (Hernawati, 2005). Berdasarkan buku
BAB I PENDAHULUAN 1.1 Latar Belakang Revolusi teknologi informasi ikut mengubah perilaku masyarakat modern dengan mencoba masuk dan menghirup atmosfer kebudayaan baru, menjadikan masyarakat tanpa kertas
Lebih terperinciPENGENALAN OBJEK PADA CITRA DIGITAL MENGGUNAKAN ALGORITMA HIERARCHICAL ALGOMERATIVE CLUSSTERING
PENGENALAN OBJEK PADA CITRA DIGITAL MENGGUNAKAN ALGORITMA HIERARCHICAL ALGOMERATIVE CLUSSTERING UmmulKhair, M.Kom 1, Rahmadsyah, M.Kom 2, Aja Abdurajak 3 Program StudiTeknikInformatikaSTT-Harapan Medan
Lebih terperinciPERBANDINGAN HASIL PENGGEROMBOLAN K-MEANS, FUZZY K- MEANS, DAN TWO STEP CLUSTERING. Lathifaturrahmah
JPM IAIN Antasari Vol. 02 No. 1 Juli Desember 2014, h. 39-62 PERBANDINGAN HASIL PENGGEROMBOLAN K-MEANS, FUZZY K- MEANS, DAN TWO STEP CLUSTERING Abstrak Analisis gerombol merupakan salah satu metode peubah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Sistem Pendukung Keputusan II.1.1 Definisi Sistem Pendukung Keputusan Berdasarkan Efraim Turban dkk, Sistem Pendukung Keputusan (SPK) / Decision Support System (DSS) adalah sebuah
Lebih terperincidapat digunakan formulasi sebagai berikut : Letak Letak Letak
1. Ukuran Letak Agar kita dapat mengetahui lebih jauh mengenai karakteristik data observasi dengan beberapa ukuran sentral, kita sebaiknya mengetahui beberapa ukuran lain, yaitu ukuran letak. Ada tiga
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
Lebih terperinciPENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA 1 Yulison Herry Chrisnanto, 2 Gunawan Abdillah 1,2 Jurusan Informatika Fakultas
Lebih terperinciPenggunaan Analisis Two Step Clustering untuk Data Campuran. Two Step Clustering Analysis for Combination Data
Penggunaan Analisis Two Step Clustering untuk Data Campuran Charles E. Mongi 1 1 PS Matematika FMIPA Universitas Sam Ratulangi Manado, charlesmongi@ymail.com Abstrak Penggerombolan adalah proses mengelompokkan
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Traveling Salesmen Problem (TSP) Travelling Salesman Problem (TSP) merupakan sebuah permasalahan optimasi yang dapat diterapkan pada berbagai kegiatan seperti routing. Masalah
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembali Informasi KULIAH #9 Text Clustering (Ch.16 & 17) Clustering Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memiliki sifat sama.
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 Klasifikasi Data Mahasiswa Menggunakan Metode K-Means Untuk Menunjang Pemilihan Strategi Pemasaran
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Beberapa penelitian terdahulu telah banyak yang menerapkan data mining, yang bertujuan dalam menyelesaikan beberapa permasalahan seputar dunia pendidikan. Khususnya
Lebih terperinciANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS)
ANALISIS MULTIVARIAT ANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS) Oleh : Rizka Fauzia 1311 100 126 Dosen Pengampu: Santi Wulan Purnami S.Si., M.Si. PROGRAM STUDI SARJANA JURUSAN
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia bisnis pada jaman sekarang, para pelaku bisnis senantiasa selalu berusaha mengembangkan cara-cara untuk dapat mengembangkan usaha mereka dan memperhatikan
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 terperinciTINJAUAN PUSTAKA. bebas digunakan jarak euclidean - sedangkan bila terdapat. korelasi antar peubah digunakan jarak mahalanobis - -
3 TINJAUAN PUSTAKA Gambaran Umum Analisis Gerombol Analisis gerombol merupakan salah satu metode analisis peubah ganda yang bertujuan untuk mengelompokkan objek kedalam kelompok kelompok tertentu yang
Lebih terperinciMETODE PENELITIAN. Lokasi dan Waktu Penelitian. Metode Pengumpulan Data
METODE PENELITIAN Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Kabupaten Solok Provinsi Sumatera Barat. Penelitian dilaksanakan selama 4 bulan dimulai dari bulan Juni hingga September 2011.
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 PENERAPAN DATA MINING UNTUK MEMBENTUK KELOMPOK BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMPN 19 BANDUNG Andre Catur Prasetyo Teknik Informatika Universitas
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 terperinciPENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN METODE MINIMAX LINKAGE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02 (2016), hal 253-260 PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDIKATOR DALAM PEMERATAAN PENDIDIKAN MENGGUNAKAN
Lebih terperinciBAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data
BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data Data sudah menjadi bagian penting dalam pengambilan keputusan. Data telah banyak terkumpul baik itu data transaksi perbankan, data kependudukan,
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Di tengah laju kemajuan teknologi telekomunikasi dan informatika, informasi yang cepat dan akurat semakin menjadi kebutuhan pokok para pengambil keputusan. Informasi
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciMETODE PENELITIAN. Perumusan Indikator Wilayah yang Layak Dicadangkan untuk Kawasan Produksi Beras
METODE PENELITIAN Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Kabupaten Agam, Sumatera Barat yang meliputi 15 kecamatan dengan 73 nagari. Pelaksanaaan penelitian lapangan dilaksanakan bulan
Lebih terperinciCluster Analysis. Hery Tri Sutanto. Jurusan Matematika MIPA UNESA. Abstrak
S-17 Cluster Analysis Hery Tri Sutanto Jurusan Matematika MIPA UNESA Abstrak Dalam analisis cluster mempelajari hubungan interdependensi antara seluruh set variabel perlu diteliti. Tujuan utama analisis
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 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 terperinciKOMBINASI ALGORITMA AGGLOMERATIVE CLUSTERING DAN K-MEANS UNTUK SEGMENTASI PENGUNJUNG WEBSITE
KOMBINASI ALGORITMA AGGLOMERATIVE CLUSTERING DAN K-MEANS UNTUK SEGMENTASI PENGUNJUNG WEBSITE Yudha Agung Wirawan, Dra.Indwiarti,M.Si, Yuliant Sibaroni,S.SI., M,T Program Studi Ilmu Komputasi Fakultas Informatika
Lebih terperinciBAB 2 LANDASAN TEORI. setelah membandingkan kinerja atau hasil yang dirasakannya dengan. diharapkan konsumen dengan apa yang dirasakan konsumen ketika
BAB 2 LANDASAN TEORI 2.1. Kepuasan Pelanggan Menurut Gerson (2004, p3), kepuasan pelanggan adalah persepsi pelanggan bahwa harapannya telah terpenuhi atau terlampaui. Sedangkan menurut Supranto (2001,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 85-836 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGELOMPOKAN DAERAH MENGGUNAKAN METODE NON- HIERARCHICAL
Lebih terperinciBAB 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 terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Text Mining Text mining, yang juga disebut text data mining (TDM) atau knowledge discovery in text( KDT), secara umum mengacu pada proses ekstraksi informasi dari dokumen-dokumen
Lebih terperinciBAB III K-MEANS CLUSTERING. Analisis klaster merupakan salah satu teknik multivariat metode
BAB III K-MEANS CLUSTERING 3.1 Analisis Klaster Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis klaster tidak ada
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENEITIAN 3. Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data citra tenun yang berasal dari beberapa daerah yang ada di indonesia, yakni tenun dari daerah Bali, Sumatra,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciPendekatan Algoritma Divide and Conquer pada Hierarchical Clustering
Pendekatan Algoritma Divide and Conquer pada Hierarchical Clustering Agnes Theresia Damanik / 13510100 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster
Lebih terperinciAnisa Bella Fathia, Dewi Rachmatin, Jarnawi Afgani Dahlan, Departemen Pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia
MONOTHETIC DIVISIVE CLUSTERING (MONA) PADA DATA INTERVAL DAN HISTOGRAM (Studi Kasus : Data Indeks Komponen IPM pada Provinsiprovinsi di Indonesia Wilayah Timur Tahun 2012) Anisa Bella Fathia, Dewi Rachmatin,
Lebih terperinciSTATISTIK. Materi Pertemuan V Ukuran Dispersi (Penyebaran)
STATISTIK Materi Pertemuan V Ukuran Dispersi (Penyebaran) Ukuran Dispersi (Penyebaran) Ukuran dispersi merupakan suatu metode analisis data yang ditunjukan dengan penyimpangan/penyebaran dari distribusi
Lebih terperinciPENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 53-58 ISSN: 2303-1751 PENGELOMPOKKAN KABUPATEN DI PROVINSI BALI BERDASARKAN PERKEMBANGAN FASILITAS PARIWISATA NOVA SARI BARUS 1, I PUTU EKA NILA KENCANA
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS CLUSTER DENGAN PERANGKAT LUNAK MCLUST
LAPORAN PENELITIAN BIDANG ILMU KELOMPOK TINGKAT LANJUT KAJIAN METODE BERBASIS MODEL PADA ANALISIS CLUSTER DENGAN PERANGKAT LUNAK MCLUST Oleh: Drs. Timbul Pardede, M.Si Drs. Budi Prasetyo, M.Si FAKULTAS
Lebih terperinciANALISIS KLASTERING LIRIK LAGU INDONESIA
ANALISIS KLASTERING LIRIK LAGU INDONESIA Afdilah Marjuki 1, Herny Februariyanti 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 bodongben@gmail.com,
Lebih terperinciPENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER ENSEMBLE
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 13 23 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENGGEROMBOLAN SMA/MA DI KOTA PADANG BERDASARKAN INDIKATOR MUTU PENDIDIKAN DENGAN MENGGUNAKAN METODE CLUSTER
Lebih terperinciAkademik Mahasiswa Fakultas Teknik Universitas Negeri Gorontalo (Mahasiswa Teknik Universitas Negeri Gorontalo) 2
PENERAPAN ALGORITMA AGGLOMERATIVE CLUSTERING UNTUK MENGKLASTER DATA AKADEMIK MAHASISWA FAKULTAS TEKNIK UNIVERSITAS NEGERI GORONTALO Arfin Usman Kilo [1], Moh. Hidayat Koniyo [], Lillyan Hadjaratie [] Prodi
Lebih terperinciProses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis. Bentuk yang paling umum digunakan adalah unsupervised learning
CLUSTERING DEFINISI Clustering : Proses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis Bentuk yang paling umum digunakan adalah unsupervised learning # Unsupervised learning
Lebih terperinciBAB II TINJAUAN PUSTAKA. dasarnya analisis gerombol akan menghasilkan sejumlah gerombol (kelompok).
BAB II TINJAUAN PUSTAKA 2.1 Analisis Gerombol 2.1.1 Pengertian Analisis Gerombol Cluster atau gerombol dapat diartikan kelompok dengan demikian, pada dasarnya analisis gerombol akan menghasilkan sejumlah
Lebih terperinciANALISIS PERILAKU DAN EKSPEKTASI PENGGUNA BUS BATIK SOLO TRANS (BST) BERDASARKAN PERSEPSI TERHADAP PELAYANAN JASA
ANALISIS PERILAKU DAN EKSPEKTASI PENGGUNA BUS BATIK SOLO TRANS (BST) BERDASARKAN PERSEPSI TERHADAP PELAYANAN JASA Skripsi Sebagai Persyaratan Untuk Memperoleh Gelar Sarjana Teknik PINRIH PUTRI RAHSA JATI
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Clustering Analysis Clustering analysis merupakan metode pengelompokkan setiap objek ke dalam satu atau lebih dari satu kelompok,sehingga tiap objek yang berada dalam satu kelompok
Lebih terperinciUKDW BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Konsumsi, Finansial, semakin menjadi hal yang tidak dapat dipisahkan seiring terus berkembangnya suatu negara. Transaksi, jual, beli, sudah menjadi kata yang sangat
Lebih terperinciSTUDI KOMPARATIF PENERAPAN METODE HIERARCHICAL, K-MEANS DAN SELF ORGANIZING MAPS (SOM) CLUSTERING PADA BASIS DATA. Abstract
STUDI KOMPARATIF PENERAPAN METODE HIERARCHICAL, K-MEANS DAN SELF ORGANIZING MAPS (SOM) CLUSTERING PADA BASIS DATA Undang Syaripudin 1, Ijang Badruzaman 2, Erwan Yani 3, Dede K 4, M. Ramdhani 5 1, 2 Teknik
Lebih terperinciBAB II 2. DASAR TEORI
BAB II 2. DASAR TEORI Pada bab ini akan dijelaskan mengenai definisi data mining beserta teknikteknik dalam data mining yang dipakai di dalam thesis ini. 2. Data mining Seiring dengan berjalannya waktu,
Lebih terperinciBAB III METODE PENELITIAN. Alasan memilih Ciputra Taman Dayu Pandaan dikarenakan Ciputra Taman Dayu
BAB III METODE PENELITIAN 1.1 Lokasi Penelitian Lokasi penelitian ini di Ciputra Taman Dayu Property Pandaan Pasuruan yang terletak di Jl. Raya Surabaya Km. 48 Pandaan 67156 Pasuruan Jawa Timur. Alasan
Lebih terperinciPENERAPAN ANALISIS GEROMBOL DAN TEKNIK VALIDASI PADA PENGGEROMBOLAN KLON TEH LEMMA FIRARI BOER
PENERAPAN ANALISIS GEROMBOL DAN TEKNIK VALIDASI PADA PENGGEROMBOLAN KLON TEH LEMMA FIRARI BOER DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 0 RINGKASAN
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
Lebih terperinciSKRIPSI. Disusun Oleh: SARITA BUDIYANI PURNAMASARI NIM
PEMILIHAN CLUSTER OPTIMUM PADA FUZZY C-MEANS (Studi kasus: Pengelompokan Kabupaten/Kota di Jawa Tengah berdasarkan Indikator Indeks Pembangunan Manusia) SKRIPSI Disusun Oleh: SARITA BUDIYANI PURNAMASARI
Lebih terperinciBAB 7. CLUSTERING Danny Kurnianto, 10/305827/PTK/06844 Jurusan Teknik Elektro dan Teknologi Informasi UGM Yogyakarta
BAB 7. CLUSTERING Danny Kurnianto, 10/305827/PTK/06844 Jurusan Teknik Elektro dan Teknologi Informasi UGM Yogyakarta 7.1 PENDAHULUAN Pada bab sebelumnya, kita membahas mengenai pengenalan pola terbimbing
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 terperinciMATERI PRAKTIKUM PRAKTIKUM 3 ANALISA CLUSTER
PRAKTIKUM 3 ANALISA CLUSTER Definisi Analisis cluster merupakan pengelompokan objek berdasarkan informasi yang diperoleh dari suatu data yang menjelaskan hubungan antar objek satu dengan objek lainnya.
Lebih terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Tinjauan Pustaka Hosseini dan Gholaiman (2010) dan Pradono dkk (2011) melakukan pengelompokkan konsumen dengan data yang bersifat metric dan menggunakan metode K-Means. Hosseini
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Defenisi Data Dalam Webster s New World s Dictionary tertulis bahwa datum: something known or assumed. Artinya, datum (bentuk tunggal data) merupakan suatu yangdiketahui/dianggap.
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Sponge atau poriferans berasal dari bahasa Latin yaitu porus yang artinya pori dan ferre yang artinya memiliki. Sponge adalah hewan berpori, pada umumnya terdapat di lautan,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terkait Pada penelitian ini, peneliti melakukan penelitian yang didasarkan pada penelitian terdahulu yang terkait dengan penelitian yang akan dilakukan peneliti.
Lebih terperinciBAHAN DAN METODE PENELITIAN. dilaksanakan dari bulan Mei 2016 sampai Juni 2016.
BAHAN DAN METODE PENELITIAN Tempat dan Waktu Penelitian Penelitian ini dilakukan di 2 (dua) kecamatan yaitu Kecamatan Barusjahe dan Kecamatan Dolat Rayat Kabupaten Tanah Karo, Sumatera Utara. Penelitian
Lebih terperinci