PENGELOMPOKAN DATA KORDINAT BTS MENGGUNAKAN k-means DAN VISUALISASI BERBASIS GOOGLE MAP
|
|
- Susanti Hartono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 2), 3) Jurusan Program Studi T. Multimedia Jaringan Institut Teknologi Sepuluh Nopember (ITS) 1 ) rudhy_h@yahoo.com ABSTRAK Pengawasan penggunaan spektrum frekuensi radio dilaksanakan oleh Balai Monitoring (Balmon) yang merupakan Unit Pelaksana Teknis (UPT) Kementerian Komunikasi dan Informatika (Kemkominfo). Dalam mengawasi pengguna spektrum frekuensi balmon melakukan kegiatan monitoring dan observasi (pemantauan) ke seluruh pengguna frekuensi yang memiliki menara pemancar atau Base Transceiver Station (BTS) (Perdirjen Postel 6,8, 2007). Permasalahan yang dihadapi oleh Balmon adalah pengelompokan BTS berdasarkan kedekatan jarak antar BTS berdasarkan jumlah tim pemantau. Dengan memanfaatkan data koordinat geografis pada BTS bisa didapatkan kelompok yang berdekatan dengan teknik clustering. Teknik pengelompokan atau clustering yang paling popular dan banyak digunakan dalam dunia industri adalah k-means (Pavel 2002), dimana k -Means merupakan salah satu metode pengelompokan berbasis jarak yang membagi data kedalam sejumlah cluster. Dalam penelitian ini diusulkan penerapan algoritma k-means dengan fungsi jarak Law of Cosines untuk mengelompokkan BTS dan visualisasi hasil dengan menggunakan google map. Dari hasil uji coba 157 data kordinat BTS simpulkan penerapan k-means dengan fungsi jarak law of cosines bisa digunakan untuk melakukan pengelompokkan data kordinat BTS berdasarkan kedekatan jarak antar BTS kemudian Dari hasil evaluasi dengan menggunakan C-Index, didapatkan penentuan kelompok BTS terbaik adalah dengan penentuan k=4 dengan nilai C-Indeks sebesar dan Visualisasi dari hasil cluster bisa dilakukan dengan memanfaatkan Google Map API Kata kunci: Pengelompokan, K-Means, Law of Cosines, Data Kordinat BTS, C-Index, Google Map API PENDAHULUAN Berdasarkan UU No.36 tahun 1999 tentang Telekomunikasi dan PP No.53 Tahun 2000 tentang Penggunaan Spektrum Frekuensi Radio kewenangan untuk pengawasan penggunaan spektrum frekuensi radio, dilaksanakan oleh Balai Monitoring (Balmon) yang merupakan Unit Pelaksana Teknis (UPT) Kementerian Komunikasi dan Informatika (Kemkominfo). visi dari Balmon adalah terwujudnya pelaksanaan pengawasan dan pengendalian dalam rangka terciptanya pengguna frekuensi radio yang tertib, efisien, efektif dan sesuai peruntukannya. Adapun fungsi utama dari Balmon adalah melakukan : (1). Monitoring, (2). Observasi, (3). Pengawasan, (4). Pengendalian (5). Penertiban Frekuensi. (Perdirjen Postel 6,8, 2007) kegiatan ini disebut juga kegiatan pemantauan. Dalam menjalankan fungsinya, permasalahan yang dihadapi oleh Balmon adalah pengelompokan BTS berdasarkan kedekatan jarak antar BTS berdasarkan jumlah tim pemantau. Dengan memanfaatkan data koordinat geografis pada BTS bisa didapatkan kelompok yang berdekatan C-8-1
2 dengan teknik clustering. Teknik pengelompokan atau clustering yang paling popular dan banyak digunakan dalam dunia industri (Pavel 2002) dimana k-means merupakan salah satu metode pengelompokan berbasis jarak yang membagi data kedalam sejumlah cluster (Rui dan Donald, 2009). Kemudian dengan adanya fasilitas API (Application Protocol Interface) dari penyedia peta online hasil cluster bisa divisualisasikan dengan memanfaatkan layanan ini pada Salah penyedia webmapping yang menyediakan API-nya secara gratis adalah Google Map. Penelitian ini bertujuan untuk mendapatkan kelompok BTS dengan penentuan jumlah kelompok berdasarkan kedekatan jarak antar BTS dengan menerapkan algoritma k-means dan validasi cluster dengan menggunakan C-Indeks serta memvisualisasikan dengan memanfaatkan Google Map API V3. Kordinat Koordinat bumi merupakan bagian dari data geospatial digunakan untuk menunjukkan suatu titik di bumi berdasarkan garis lintang dan garis bujur. Bentuk bumi yang dalam ukuran yang kecil disebut dengan globe, permukaan bumi pada globe dibagi 180 lintang atau latitude dan 360 bujur atau longitude. Sedangkan garis keliling dikhatulistiwa ditetapkan 0. Belahan bumi bagian utara dibagi 90 lintang utara dan selatan dibagi 90 lintang selatan. Garis lintang yaitu garis vertikal yang mengukur sudut antara suatu titik dengan garis khatulistiwa. k-means Clustering Algoritma k-means mengelompokan data dengan mengambil parameter sejumlah K cluster, dan mempartisi data kedalam cluster tersebut, dengan berpatokan pada kemiripan antar data dalam satu cluster dan ketidakmiripan di antar cluster yang berbeda, pusat dari cluster adalah rata-rata dari nilai anggota cluster yang disebut centroid atau center of gravity (Kamber, 2007), Ketidak miripan bisa diterjemahkan dalam konsep jarak jika jarak dua obyek atau data titik cukup dekat, maka dua obyek itu mirip (Santosa, 2005). Data clustering menggunakan metode k-means ini secara umum dilakukan dengan algoritma dasar sebagai berikut (McQueen 1967): 1. Tentukan jumlah cluster 2. Alokasikan data ke dalam cluster secara random 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster 4. Alokasikan masing-masing data ke centroid / ratarata terdekat 5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, jika pusat cluster sudah tidak berubah, proses selesai. Flowchart dari penerapan k-means ditunjukkan pada Gambar 1. Mulai Tentukan Jumlah Cluster BTS K Centroid Jarak data ke Centroids Tidak ada perpindahan data Berhenti Kelompokkan berdasarkan jarak minimum Gambar 1 Flowchart Penerapan K-Means C-8-2
3 Law of Cosines Fungsi jarak Law of Cosines digunakan dalam penerapan k-means untuk ntuk menghitung jarak antar data kordinat BTS, dimana fungsi ini merupakan persamaan yang digunakan untuk menghitung jarak antara kordinat bumi yang dipresentasikan dalam longitude dan latitude berdasarkan pada bentuk bumi yang bulat ( spherical earth) dan mengabaikan faktor bahwa bumi itu sedikit elips ( elipsodial factor). Persamaan Law of Cosines adalah (Vennes, 2012): Untuk perhitungan berbasis web, formula ini telah dikembangkan kedalam bahasa Javascript (Vennes 2012). Pseucode dari law of cosines dalam bahasa javascript ditunjukkan pada Gambar 1 dengan nilai R adalah jari-jari bumi 6371 Km. Validasi Cluster Gambar 2 Pseucode Law of Cosines Validasi cluster adalah merupakan prosedur yang dilakukan untuk mengevaluasi hasil analisis cluster secara kuantitatif dan objektif (Jain & Dubes 1988). Untuk melakukan evaluasi terhadap validitas cluster bisa dilakukan dengan tiga pendekatan yaitu: 1. Kriteria eksternal, mengevaluasi hasil dari metode clustering berdasarkan praspesifikasi struktur yang diterima dari sebuah data yang mencerminkan intuisi pengguna tentang struktur clustering dari data, 2. Kriteria internal, mengevaluasi hasil clustering dalam konsep kuantitatif yang didapat dari data, dan 3 kriteria relatif, membandingkan sebuah struktur clustering dengan struktur clustering yang lain yang didapatkan dari metode clustering yang sama tetapi nilai-nilai parameternya dimodifikasi. 3. Kriteria relative, mengevaluasi beberapa solusi cluster yang berbeda dari data dibandingkan dengan menggunakan algoritma yang sama dengan parameter yang berbeda. (Salazar et al. 2002). Untuk mendapatkan cluster terbaik, pada penelitian ini cluster akan di evaluasi secara eksternal dengan menggunakan C_Index (Hubert, 1976). C -Indeks di rumuskan sebagai berikut: Dimana S adalah nilai jarak keseluruhan data dari cluster yang sama, nilai n adalah nomer dari kekeluruhan dan adalah jumlah dari n jarak terkecil dari pasangan data yang terbentuk., sebaliknya adalah jarak terjauh antara satu sama lain. semakin kecil nilai C-Indeks maka cluster yang terbentuk semakin bagus. C-8-3
4 Google Map API V3 Google merupakan salah satu alternatif untuk menggunakan fasilitas berbasis lokasi tanpa harus mempunyai peta geospatial sendiri. Google Maps menyediakan layanan web mapping dan data geospatial seluruh dunia, dengan adanya fasilitas layanan API (Application Programming Interface), Pengembang aplikasi bisa memanfaatkan layanan ini untuk mendapatkan peta dari lokasi tertentu tanpa perlu membayar dan menggunakan fitur yang disediakan termasuk untuk memvisualisasikan data yang berupa kordinat geografis. Layanan API terbaru yang disediakan oleh Google Map telah mencapai V3 yang memberikan lebih banyak kemudahan dibandingkan versi-versi sebelumnya. (Google Geocoding, 2012). METODE Tahapan yang dilakukan untuk menjawab permasalahan disampaikan dalam perumusan masalah adalah ; dimulai dari tahapan pengumpulan data kordinat BTS, kemudian penerapan k-means dengan fungsi jarak Law of Cosines, hasil dari cluster kemudian di evaluasi dengan C-Index dan dilanjutkan dengan visualisasi hasil cluster dengan memanfaatkan Google Map API V3 yang disediakan oleh Google Map. Tahapan-tahapan tersebut diilustrasikan ke dalam Gambar 3 berikut : Gambar 3 Diagram Alir Penelitian Data yang digunakan dalam penelitian ini adalah data dari salah satu kordinat BTS salah satu penyedia layanan telekomunikasi di Kota Makassar 157 data, yang akan dikelompokkan penentuan k = 2, k = 3, dan k = 4. HASIL DAN PEMBAHASAN Hasil Pengelompokan dengan Penentuan k = 2 Dengan penentuan k = 2 untuk cluster 1 data yang termasuk ke dalam cluster 1 adalah sebanyak 75 data atau sebesar 48% dari total data dan cluster 2 sebanyak 82 data atau sebesar 52% dari total data dengan iterasi sebanyak 9 kali. waktu yang dibutuhkan untuk mendapatkan kelompok k = 2 adalah 0,18 milli second. C-8-4
5 Gambar 4 Diagram Hasil Pengelompokan k-means k = 2 Visualisasi hasil clustering ditunjukkan pada Gambar 5. Gambar 5 Hasil Visualisasi Cluster k = 2 dengan Google Map Hasil Pengelompokan dengan Penentuan k = 3 Dengan penentuan k = 3 untuk cluster 1 data yang termasuk ke dalam cluster 1 adalah sebanyak 16 data atau sebesar 10% dari total data, cluster 2 sebanyak 90 data atau sebesar 52% dari total data dan cluster 3 adalah sebanyak 51 atau sebesar 33% dari total data dengan iterasi sebanyak 13 kali. waktu yang dibutuhkan untuk mendapatkan kelompok k = 3 adalah 0,16 milli second. Gambar 6 Diagram Hasil Pengelompokan k-means k = 3 Visualisasi hasil clustering dengan google map ditunjukkan pada Gambar 7. C-8-5
6 Gambar 7 Hasil Visualisasi Cluster k = 2 dengan Google Map Hasil Pengelompokan dengan Penentuan k = 4 Dengan penentuan k = 4 untuk cluster 1 data yang termasuk ke dalam cluster 1 adalah sebanyak 51 data atau sebesar 32% dari total data, cluster 2 sebanyak 23 data atau sebesar 15% dari total data, cluster 3 adalah sebanyak 14 atau sebesar 9% dan cluster 4 adalah sebanyak 69 atau sebesar 44% dari total data dengan iterasi sebanyak 13 kali. waktu yang dibutuhkan untuk mendapatkan kelompok k = 4 adalah 0,16 milli second. Gambar 8 Diagram Hasil Pengelompokan k-means k = 4 Visualisasi hasil clustering ditunjukkan pada Gambar 9 berikut ini. Gambar 9 Hasil Visualisasi Cluster k = 4 dengan Google Map C-8-6
7 Evaluasi Cluster dengan Menggunakan C-Index Hasil evaluasi pada cluster yang terbentuk dengan menggunakan C-Indeks ditunjukkan pada Tabel 1. Tabel 1 Evaluasi dengan C-Index Cluster Nilai C-Index Penentuan Cluster = Kn k = 2 k = 3 k = Rata-rata Dari hasil evaluasi didapatkan nilai terkecil adalah pada pengelompokan dengan penentuan k=4 nilai ini menunjukkan anggota cluster yang berada pada k = 4 memiliki kedekatan jarak antar cluster yang terbentuk lebih baik dibandingkan dengan penentuan k = 2 dan penentuan k=3. KESIMPULAN Berdasarkan hasil percobaan dapat disimpulkan bahwa: 1. k-means dengan fungsi jarak law of cosines digunakan untuk melakukan pengelompokkan data kordinat BTS berdasarkan kedekatan jarak antar BTS. 2. Dari hasil evaluasi dengan menggunakan C-Index, didapatkan penentuan kelompok BTS terbaik adalah dengan penentuan k=4 dengan nilai C-Indeks sebesar Visualisasi dari hasil cluster bisa dilakukan dengan memanfaatkan Google Map API, SARAN Agar diperoleh hasil yang lebih maksimal, maka beberapa saran untuk pengembangan lebih lanjut adalah sebagai berikut: 1. Perlu dilakukan uji coba menggunakan teknik clustering yang lain sebagai perbandingan teknik yang menghasilkan cluster lebih baik lagi. 2. Perlu dilakukan iuji coba dengan menggunakan fungsi jarak yang lain dengan memperhitungkan kondisi bumi sedikit elips (elipsidial factor). DAFTAR PUSTAKA Berkin Pavel 2002 "Survey on clustering data mining techniques" Budi Santosa, "Data Mining". Yogyakarta, Graha Ilmu. Han dan Kamber. 2007, "Data Mining Concepts and Techniques Second Edition", San Fransisco : Elsevier Inc. Hubert Hubert, L. and Schultz, J (1976) "Quadratic Assigment as a General Data- Analysis Strategy." British Journal of Mathematical and Statistical Psychology, 29, C-8-7
8 Chris Veness, 2012 "Calculate distance, bearing and more between Latitude/Longitude points" Situs diakses pada 5 Agustus 2012, alamat: Google Cooding, "The Google Geocoding API", Situs diakses pada 5 Agustus 2012, alamat : Kardi Teknomo, "K-Means Clustering Tutorials", Situs diakses pada 17 September 2012, alamat : MacQueen, J. B "Some Methods for classification and Analisys of Multivariate Observation, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probabilty," University of California Press, 1: Salazar GEJ, Veles AC, Parra MCM, Ortega LO. 2002, A Cluster Validity Index for Comparing Non-hierarchical Clustering Methods ( diakses 04 Juli 2012). C-8-8
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciBAB I PENDAHULUAN. usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan
BAB I PENDAHULUAN 1.1 Latar Belakang PT. Bali Sinar Mentari adalah perusahaan yang bergerak pada bidang usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan domestik maupun mancanegara
Lebih 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 terperinciPemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA
Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Chandra Purnamaningsih Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami No 36 A Surakarta cpurnamaningsih@gmail.com
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 terperinciRancang Bangun Aplikasi Pencarian Tempat Indekos Pada Perangkat Mobile Android
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Rancang Bangun Aplikasi Pencarian Tempat Indekos Pada Perangkat Mobile Android Adriyanra, Dwi Sunaryono, Adhatus Solichah
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 terperinciJournal of Informatics and Technology, Vol 1, No 4, Tahun 2012, p 9-16
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN LOKASI KULINER DI SEMARANG DENGAN METODE SIMPLE ADDITIVE WEIGHTING Raina Stefani Budi, Indriyati, Sukmawati Nur Endah Program Studi Teknik Informatika, Universitas
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 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 terperinciKLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING
KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING Ari Kurniawan, Mochamad Hariadi S2 Teknik Elektro (Telematika), Institut Teknologi Sepuluh
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN 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 terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperincidengan Algoritma K Means
K Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciSISTEM PEMBAGIAN KELOMPOK BIMBINGAN BELAJAR DENGAN METODE K-MEANS CLUSTERING
SISTEM PEMBAGIAN KELOMPOK BIMBINGAN BELAJAR DENGAN METODE K-MEANS CLUSTERING ARTIKEL SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik
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 terperinciRANCANG BANGUN SISTEM PENGELOMPOKAN PELANGGAN POTENSIAL MENGGUNAKAN METODE K-MEANS UNTUK PROMOSI PAKET WISATA (STUDI KASUS PT. BALI SINAR MENTARI)
RANCANG BANGUN SISTEM PENGELOMPOKAN PELANGGAN POTENSIAL MENGGUNAKAN METODE K-MEANS UNTUK PROMOSI PAKET WISATA (STUDI KASUS PT. BALI SINAR MENTARI) 1) I Putu Agus Hendra Krisnawan 2) Teguh Sutanto 3) Erwin
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih 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 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 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 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 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 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 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 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 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 terperinciAnalisis dan Perancangan Aplikasi Penuntun Jalan dengan Perintah Suara Berbahasa Indonesia pada Perangkat Bergerak Berbasis Android
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Analisis dan Perancangan Aplikasi Penuntun Jalan dengan Perintah Suara Berbahasa Indonesia pada Perangkat Bergerak Berbasis
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 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 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 terperinciRANCANG BANGUN SISTEM INFORMASI PARIWISATA KOTA PURWOKERTO BERBASIS GOOGLE MAPS
RANCANG BANGUN SISTEM INFORMASI PARIWISATA KOTA PURWOKERTO BERBASIS GOOGLE MAPS Muhammad Sholeh1, Dimas Kartiko Aji 2 Teknik Informatika Fakultas Teknologi Industri Institut Sains & Teknologi AKPRIND Yogyakarta
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 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 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 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 terperinciANALISIS DATA KERAWANAN KECELAKAAN LALU LINTAS MENGGUNAKAN METODE K-MEANS (STUDI KASUS POLRES BANTUL)
ANALISIS DATA KERAWANAN KECELAKAAN LALU LINTAS MENGGUNAKAN METODE K-MEANS (STUDI KASUS POLRES BANTUL) Eko Andriyanto Wicaksono 1), Kusrini 2), Emha Taufiq Lutfi 3) Mahasiswa Magister Teknik Informatika
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 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 terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
Lebih 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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Untuk membangun aplikasi ini, ada beberapa dasar penelitian seperti,
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Untuk membangun aplikasi ini, ada beberapa dasar penelitian seperti, pencarian lokasi apotek menggunkan sistem operasi android berbasis google
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciBAB I PENDAHULUAN 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 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 terperinci.: Analisis Gerombol - Bagian 1 :.
seri tulisan data mining.: Analisis Gerombol - Bagian 1 :. Konsep Dasar Bagus Sartono bagusco@gmail.com May 15, 2016 Abstract Pada seri tulisan ini akan dipaparkan beberapa hal dasar dan umum mengenai
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 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 terperinciDesain dan Implementasi Alat Participatory Environmental Sensing Untuk Meningkatkan Densitas Ketersediaan Data Lingkungan
Prosiding Seminar Nasional Teknologi Elektro Terapan 2017 Vol.01 No.01, ISSN: 2581-0049 Desain dan Implementasi Alat Participatory Environmental Sensing Untuk Meningkatkan Densitas Ketersediaan Data Lingkungan
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 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 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 terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
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 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 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 terperinciPEMETAAN LOKASI OBJEK PAJAK UNTUK PAJAK BUMI DAN BANGUNAN MENGGUNAKAN TEKNOLOGI SENSOR FUSION PADA PERANGKAT BERGERAK DENGAN SISTEM OPERASI ANDROID
PEMETAAN LOKASI OBJEK PAJAK UNTUK PAJAK BUMI DAN BANGUNAN MENGGUNAKAN TEKNOLOGI SENSOR FUSION PADA PERANGKAT BERGERAK DENGAN SISTEM OPERASI ANDROID Cipta Andrian 5106100170 Jurusan Teknik Informatika Fakultas
Lebih terperinciAPLIKASI MOBILE PENCARI MASJID DAN MUSHOLA DI WILAYAH DAERAH ISTIMEWA YOGYAKARTA DENGAN GOOGLE MAPS
F.8 APLIKASI MOBILE PENCARI MASJID DAN MUSHOLA DI WILAYAH DAERAH ISTIMEWA YOGYAKARTA DENGAN GOOGLE MAPS Muhammad Sholeh, Spica Pradhityo Teknik Informatika Fakultas Teknologi Industri Institut Sains &
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 terperinciModel Rute dan Peta Interaktif Posyandu di Kota Semarang menggunakan Geolocation dan Haversine Berbasis Mobile Android
Model Rute dan Peta Interaktif Posyandu di Kota Semarang menggunakan Geolocation dan Haversine Berbasis Mobile Android Sariyun Naja Anwar, Isworo Nugroho dan Edy Supriyanto Fakultas Teknologi Informasi,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciDETEKSI DATA PENCILAN MENGGUNAKAN K_MEANS CLUSTERING
DETEKSI DATA PENCILAN MENGGUNAKAN K_MEANS CLUSTERING Naniek Widyastuti Teknik Informatika, Fakultas Teknologi Industri Institut Sains & Teknologi AKPRIND Yogyakarta e_mail: naniek_wid@yahoo.com ABSTRACT
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 terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini berisi penjelasan mengenai proses implementasi dan pengujian yang dilakukan dalam penelitian mengenai aplikasi algoritma spasial clustering pada data mahasiswa
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Tabel 2.1 Tinjauan Pustaka Penulis Objek Metode Febri Nugroho (2016) Anugerah Panembahan Attunggal (2016) Ismail (2013) Muhammad Aji Pratama
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaka Penelitian mengenai sistem pelacakan pernah dilakukan sebelumnya oleh Taufiq Hasan yang berjudul Pembangunan Sistem Pencarian Lokasi Kuliner Di Yogyakarta Dengan
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB)
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Irman Hermadi 1, Imas S. Sitanggang 1, Edward 2 1 Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI PENDETEKSI KEBERADAAN TELEPON SELULAR BERBASIS GPS (GLOBAL POSITIONING SYSTEM)
PERANCANGAN DAN PEMBUATAN APLIKASI PENDETEKSI KEBERADAAN TELEPON SELULAR BERBASIS GPS (GLOBAL POSITIONING SYSTEM) Gutama Indra 1, Dewi Agustini Santoso 2, M. Ary Heryanto 3 1,2,3) Fakultas Teknik, Universitas
Lebih terperinciAnalisa Potensi Mahasiswa Di Daerah Bali Menggunakan Pendekatan K-Mean Clustering
JURNAL SISTEM DAN INFORMATIKA 45 Analisa Potensi Mahasiswa Di Daerah Bali Menggunakan Pendekatan K-Mean Clustering Anggun Nugroho Program Studi Sistem Komputer STMIK STIKOM Bali Jl. Raya Puputan No. 86
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan salah satu aspek penting dalam pembangunan nasional yang bergerak untuk mencerdaskan kehidupan bangsa sesuai amanat UUD 1945. Kondisi ini mengakibatkan
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 terperinci.: Analisis Gerombol - Bagian 2 :.
seri tulisan data mining.: Analisis Gerombol - Bagian 2 :. Penggerombolan Tak Berhirarki - Algoritma k-means Bagus Sartono bagusco@gmail.com June 4, 2016 Abstract Pada seri tulisan ini akan dipaparkan
Lebih terperinciBAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative
BAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan 2.1.1. Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative yang dilakukan secara sadar dengan menganalisa kemungkinan-kemungkinan
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 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 terperinciKLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN
KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN Wahyu Hadi Pujianto 1), Mochamad Hariadi 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Kosentrasi CIO)
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 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 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciPenerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015
Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015 Nurika Nidyashofa 1*, Deden Istiawan 22 1 Statistika, Akademi Statistika
Lebih terperinciKARAKTERISTIK WAKTU TERJADI HOTSPOT MENGGUNAKAN K-MEANS CLUSTERING DI WILAYAH KALIMANTAN SELATAN. Nur Armina Rahmah
Technologia Vol 8, No.1, Januari Maret 2017 20 KARAKTERISTIK WAKTU TERJADI HOTSPOT MENGGUNAKAN K-MEANS CLUSTERING DI WILAYAH KALIMANTAN SELATAN Nur Armina Rahmah (nur.armina@fti.uniska-bjm.ac.id) ABSTRAK
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. penulis berusaha membangun adanya kemudahan dan efisiensi, terutama di sistem
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam mengembangkan sebuah aplikasi (penelitian yang sudah ada) penulis berusaha membangun adanya kemudahan dan efisiensi, terutama di sistem
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 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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI Disusun oleh : AYU RAHMAWATI 0934010160 JURUSAN TEKNIK
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 terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciBab 3 Metode Penelitian
Bab 3 Metode Penelitian 3.1 Metode Penelitian Pada penelitian ini, dilakukan beberapa tahapan yang saling berkaitan antara satu tahap dengan tahap lainnya. Flowchart tahapan penelitian yang dilakukan dapat
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
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 terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
Lebih 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 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait dengan aplikasi informasi wisata pernah dilakukan Jems Valdano Ulemlem (2014). Pada penelitiannya informasi wisata yang
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-664
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-664 Rancang Bangun Pixel Art Converter Menggunakan Segmentasi berbasis K-means Clustering Yuna Sugianela, Nanik Suciati, dan
Lebih terperinciSISTEM INFORMASI GEOGRAFIS PENUNJANG OLAHRAGA DI SURABAYA Alwy Husein, ; Arif Basofi, S.Kom, M.T, OCA, ;
SISTEM INFORMASI GEOGRAFIS PENUNJANG OLAHRAGA DI SURABAYA Alwy Husein, 7408030053; Arif Basofi, S.Kom, M.T, OCA, 197609212003121002 ; Reesa Akbar, S.T, ECNA, 197507292001121001 Abstrak - Olahraga adalah
Lebih terperinciTUGAS AKHIR SISTEM INFORMASI GEOGRAFIS (SIG) PENGELOLAAN REKLAME DI SURABAYA BERBASIS WEB. Nurul Hilmy Rahmawati NRP:
TUGAS AKHIR SISTEM INFORMASI GEOGRAFIS (SIG) PENGELOLAAN REKLAME DI SURABAYA BERBASIS WEB Nurul Hilmy Rahmawati NRP: 1210100023 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPEMETAAN KONDISI BANGUNAN SEKOLAH MENGGUNAKAN GOOGLE MAPS JAVASCRIPT API V3 TUGAS AKHIR
PEMETAAN KONDISI BANGUNAN SEKOLAH MENGGUNAKAN GOOGLE MAPS JAVASCRIPT API V3 TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh :
Lebih terperinci