PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG
|
|
- Herman Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG Elly Muningsih Program Sudi Manajemen Informatika, AMIK BSI Yogyakarta elly.muning514@gmail.com Abstract - Good and accurate stock management is needed in institutions and organizations which carry out transaction of purchases and sales of products. This is for efficiency of stocks in order to reduce storage costs, make more effective and fulfil customer satisfaction. The results of this research make 3 groups which are, the first group is the most interesting product for the number of stock, the second group is the medium stock for the more interesting product and the last group is the few stock for the less interesting product. Data processing used the clustering method which is K-Means method based on historical data of sales which contain products code, the number of transactions, sales volume and average sales. The measurement of validation and accuracy in this research use precision, recall and F1 methods which are counted base on new data sales. Based on this research it is resulted 3 members of product group for the number of stock, 11 members of product group for the medium stock and 17 members of product group for the few stock. Keywords : stock, clustering, K-Means methods, validation, accuracy Manajemen stok yang baik dan akurat sangat diperlukan pada suatu lembaga atau organisasi yang melakukan transaksi pembelian dan penjualan produk. Hal ini dilakukan untuk efisiensi stok agar bisa mengurangi biaya penyimpanan, lebih efektif dan memenuhi kepuasan pelanggan. Penelitian ini menghasilkan 3 kelompok produk paling diminati untuk jumlah stok banyak, jumlah stok sedang untuk produk diminati dan jumlah stok sedikit untuk produk yang kurang atau tidak diminati. Pengolahan data dilakukan menggunakan metode clustering yaitu metode K-Means berdasarkan data historis penjualan yang memuat kode produk, jumlah transaksi, volume penjualan dan rata-rata penjualan. Pengukuran validasi dan akurasi dalam penelitian ini menggunakan metode precision, recall dan F1 yang dihitung berdasrkan data baru penjualan. Dari penelitian dihasilkan 3 anggota kelompok produk untuk stok banyak, 11 anggota kelompok untuk jumlah stok sedang, dan 17 anggota kelompok stok sedikit. Kata kunci : stok, clustering, metode K-Means, validasi, akurasi 1. PENDAHULUAN Teknologi internet saat ini berkembang sangat pesat terutama dalam dunia bisnis, hal ini dapat dilihat dengan munculnya electronic commerce (e-commerce) [1]. E-commerce memberikan manfaat bagi perusahaan sehingga akan menjadi keunggulan kompetitif bagi perusahaan yang mengaplikasikannya [2]. Lembaga atau perusahaan yang mengaplikasikan E-commerce dalam kegiatan penjualan atau perdagangannya biasa dikenal dengan nama Toko Online atau Online Shop. Salah satu online shop yang berdomisili di Jogja yaitu Ragam Jogja yang menjual Batik, tas-tas kerajinan khas Yogyakarta, sarung bantal kursi khas Jogja, jilbab, dan lain-lain. Saat ini online shop tersebut melakukan pemenuhan stok barang atau produk dan melakukan pencatatan transaksi secara manual. Jumlah permintaan dari konsumen yang fluktuatif mengakibatkan stok yang harus disiapkan menjadi tidak stabil. Selain itu produk yang beragam dan banyak jenisnya menjadikan manajemen stok yang dilakukan menjadi tidak akurat, biaya penyimpanan tinggi,
2 tidak efektif dan seringkali mengecewakan konsumen karena kekosongan suatu produk tertentu. Persediaan atau stok dapat didefinisikan sebagai suatu aktivitas yang meliputi barang pemilik organisasi dengan maksud untuk dijual dalam suatu waktu atau periode usaha tertentu atau persediaan barang-barang yang masih dalam pengerjaan proses produksi ataupun persediaan bahan baku yang menunggu penggunanya dalam proses produksi [3] Penentuan jumlah stok produk yang kurang akurat karena harus berdasarkan pengetahuan dari jumlah data transaksi penjualan yang besar [4]. Karena hal itu untuk mendapatkan pengetahuan tersebut maka diperlukan suatu proses pengolahan data historis transaksi besar yaitu dengsn teknik data mining. Data mining merupakan sebuah inti dari proses Knowledge Discovery in Database (KDD) yang meliputi dugaan algoritma yang mengeksplor data, membangun model dan menemukan pola yang belum diketahui [5]. Metode K-Means merupakan salah satu metode dalam fungsi clustering atau pengelompokan [6]. K-Means adalah salah satu metode data clustering non hirarki yang mempartisi data ke dalam bentuk satu atau lebih cluster/kelompok, sehingga data yang memiliki karakteristik yang sama dikelompokkan dalam satu cluster yang sama dan data yang memiliki karakteristik berbeda dikelompokkan ke dalam kelompok lain [7]. Algoritma dalam metode K-Means yaitu : [7] 1. Tentukan jumlah cluster 2. Tentukan pusat cluster secara acak atau alokasikan data sesuai dengan jumlah cluster yang telah ditentukan 3. Hitung nilai centroid pada tiap-tiap cluster 4. Alokasikan masing-masing data ke centroid terdekat 5. Kembali ke step 3, apabila masih terdapat perpindahan data dari satu cluster ke cluster lainnya, atau apabila perubahan pada nilai centroid masih di atas nilai threshold yang ditentukan, atau apabila perubahan pada nilai objective function masih di atas nilai threshold yang ditentukan. Untuk menghitung centroid cluster ke-i, vi, digunakan rumus sebagai berikut [7]: dimana : Ni : Jumlah data yang menjadi anggota cluster ke-i v i : Nilai centroid cluster ke-i Penelitian ini mengacu pada beberapa penelitian sebelumnya, diantaranya : a. Penelitian Wahid, dkk menggunakan model matematika yang disusun dengan rumusan logika Fuzzy, dimana untuk menentukan jumlah pemesanan barang maka dilakukan perhitungan menggunakan Logika Fuzzy model Sugeno. Dari penelitian ini diketahui hasil keputusan jumlah pemesanan, persediaan tersisa sehingga diketahui jumlah persediaan periode selanjutnya [8] b. Penelitian Wijaya dkk, menerapkan metode Economic Order Quantity (EQQ) untuk menentukan stok minimum tiap barang yang harus dipenuhi, menentukan waktu pemesanan kembali dan menentukan berapa jumlah pesanan barang yang sesuai. Hasil dari penelitian ini adalah sebuah aplikasi berdasarkan metode EQQ yang dapat memberikan solusi kepada perusahaan untuk menentukan jumlah pemesanan barang yang optimal dan ekonomis untuk menentukan kapan harus melakukan pemesanan barang [9]. 2. METODE PENELITIAN Rancangan Penelitian Penelitian ini merupakan survai, yaitu studi kasus yang dilakukan pada online shop Ragam Jogja. Data yang digunakan adalah data primer dan sekunder. Untuk metode pengambilan data yang digunakan adalah wawancara, observasi dan studi pustaka. Pengolahan data yang dilakukan menggunakan metode KDD (Knowledge Discovery in Database) yang meliputi beberapa tahapan. Tahapan dalam proses KDD ditampilkan dalam gambar 1 [5].
3 Gambar 1. Tahapan Proses KDD Bahan dan Alat Bahan yang digunakan dalam penelitian ini adalah data-data tentang produk jenis Batik saja yang meliputi kode produk, jumlah transaksi, volume penjualan dan rata-rata penjualan yang berasal dari transaksi penjualan. Metode Analisis Tahapan Proses KDD 1. Domain Understanding & KDD Goal Penentuan kategori stok yang tidak akurat menjadikan biaya penyimpanan tinggi, tidak efektif dan sering mengecewakan konsumen, sehingga dibutuhkan metode K-Means yang bisa meng-cluster produk menjadi kelompok jumlah stok banyak, sedang dan sedikit/kurang. 2. Selection & Addition Data historis diambil dari data transaksi penjualan dari bulan Januari 2011 Mei 2012 sebanyak 235 tarnsaksi. Penelitian ini memfokuskan pada produk kategori Batik dimana kode produk yang digunakan terdiri dari 31 jenis produk. 3. Preprocessing Preprocessing data pada tahap ini adalah mengambil data sample sebanyak 148 dengan metode simple random sampling. 4. Transformation Proses transformasi data dengan cara merubah kode produk yang terjual sebagai atribut lama dengan kode produk baru untuk memudahkan pemrosesan data. Dalam proses ini dihasilkan atribut yang digunakan dalam pengolahan data yaitu kode produk, jumlah transaksi, volume penjualan dan rata-rata penjualan. 5. Data Mining Metode yang digunakan dalam penelitian ini adalah metode clustering K-Means. Dan tools pendukung penelitian menggunakan RapidMiner. 6. Evaluation and Interpretation Pengukuran hasil penelitian ini menggunakan metode precision, recall dan F1. Data yang digunakan dalam melakukan pengukuran didapatkan dari 5 data transaksi baru untuk masing-masing cluster yang dipilih dengan metode purposive dimana pengambilan sampel dilakukan secara sengaja sesuai dengan persyaratan sampel yang diperlukan.. 7. Discovered Knowledge Pengolahan data menghasilkan 3 kelompok atau cluster yaitu cluster 1 untuk produk jumlah stok banyak, cluster 2 untuk produk jumlah stok sedang dan cluster 3 untuk produk jumlah stok sedikit. 3. HASIL DAN PEMBAHASAN a. Pengolahan Data Dari data yang sudah diperoleh pada tahapan ke- 4 proses KDD, kemudian diolah menggunakan metode clustering K-Means. Adapun langkah dari pengelompokkan data adalah sebagai berikut : 1. Tentukan jumlah cluster. Jumlah cluster dalam penelitian ini adalah Tentukan pusat cluster secara acak, misalkan ditentukan pusat cluster c1 (18; 65; 4), c2 (9; 35; 2,5) dan c3 (3; 10; 5) 3. Hitung jarak setiap data yang ada terhadap setiap pusat cluster. Misalkan untuk menghitung jarak data produk pertama dengan pusat cluster pertama adalah : d11 = (16 18) 2 + (22 65) 2 + (1,38 4) 2 = 43,13 Jarak data produk pertama dengan pusat cluster kedua : d12 = (16 9) 2 + (22 35) 2 + (1,38 5) 2 = 14.81
4 Jarak data produk pertama dengan pusat cluster ketiga : d12 = (16 3) 2 + (22 10) 2 + (1,38 1,5) 2 = 17,69 Berdasarkan hasil ketiga perhitungan diatas dapat disimpulkan bahwa jarak data kode produk p1 yang paling dekat adalah dengan cluster 2, sehingga produk p1 dimasukkan ke dalam cluster 2. Hasil perhitungan selengkapnya bisa dilihat pada tabel 1 berikut : Tabel 1. Data Hasil Iterasi 1 kode jml volume rata-rata cluster cluster produk transaksi penjualan penjualan p ,38 43,13 14,81 17,69 * p ,35 12,20 23,60 48,34 * p ,50 62,11 30,81 5,20 * p ,50 64,08 32,77 7,07 * p ,17 53,40 22,21 4,29 * p ,67 25,21 7,81 32,33 * p ,13 33,19 6,72 25,07 * p ,25 15,75 43,57 68,45 * p ,00 58,73 27,46 2,29 * p ,95 4,13 32,70 58,21 * p ,17 53,40 22,21 4,29 * p ,50 56,77 25,50 1,41 * p ,00 65,28 33,96 8,26 * p ,64 26,93 58,25 83,96 * p ,43 45,25 15,85 14,87 * p ,67 56,34 25,19 3,00 * p ,57 41,35 71,36 96,82 * p ,44 110,02 141,24 166,95 * p ,00 59,20 27,93 3,35 * p ,79 26,33 6,41 31,04 * p ,00 65,28 33,96 8,26 * p ,21 10,59 33,02 57,70 * p ,83 43,47 13,36 15,00 * p ,75 30,15 11,03 30,23 * p ,89 48,88 18,01 9,23 * p ,00 29,07 9,07 30,02 * p ,00 23,37 8,62 33,87 * p ,00 27,09 10,45 32,25 * p ,50 64,08 32,77 7,07 * p ,00 57,98 26,69 1,80 * p ,00 58,73 27,46 2,29 * 4. Setelah semua data ditempatkan ke dalam cluster dengan titik pusat terdekat, kemudian hitung kembali pusat cluster yang baru berdasarkan rata-rata angggota produk yang ada pada cluster tersebut. 5. Setelah didapatkan titik pusat yang baru dari setiap cluster, lakukan kembali dari langkah kedua hingga titik pusat dari setiap cluster tidak berubah lagi dan tidak ada lagi data yang berpindah dari satu cluster ke cluster yang lain.
5 Dalam penelitian ini, iterasi clustering data produk terjadi sebanyak 4 kali iterasi. Pada iterasi ke-4 ini, titik pusat dari setiap cluster sudah tidak berubah dan tidak ada lagi data yang berpindah dari satu cluster ke cluster yang lain. b. Hasil Clustering Karena pada iterasi ke-4 posisi cluster tidak berubah, maka iterasi dihentikan dan hasil akhir yang diperoleh dalam 3 cluster : 1. Cluster pertama memiliki pusat (26, , 5.22) yang dapat diartikan sebagai kelompok produk paling diminati sehingga jumlah stok yang ada harus banyak. Produk yang termasuk dalam kelompok ini adalah produk dengan kode p14, p17 dan p18. Volume rata-rata penjualan untuk masing-masing produk anggota cluster ini adalah Cluster kedua memiliki pusat (20, 46.82, 2.37) yang dapat diartikan sebagai kelompok produk diminati sehingga jumlah stok sedang. Produk yang termasuk dalam kelompok ini adalah produk dengan kode p2, p6, p7, p8, p10, p20, p22, p24, p26, p27 dan p28. Volume rata-rata penjualan untuk masing-masing produk anggota cluster ini adalah Cluster ketiga memiliki pusat (5.53, 10.29, 2.09) yang dapat diartikan sebagai kelompok produk kurang diminati sehingga jumlah stok sedikit. Produk yang termasuk dalam kelompok ini adalah produk dengan kode p1, p3, p4, p5, p9, p11, p12, p13, p15, p16, p19, p21, p23, p25, p29, p30 dan p31. Volume rata-rata penjualan untuk masing-masing produk anggota cluster ini adalah 10. Hasil clustering yang diolah dengan software RapidMiner menghasilkan Plot View untuk masing-masing kategori stok ditampilkan pada gambar 2. Gambar 2 Plot View Hasil Clustering di RapidMiner c. Pengukuran dan Evaluasi Data yang digunakan untuk pengukuran hasil penelitian adalah data baru adalah data transaksi setelah tanggal 31 Mei Untuk perhitungan pada cluster 1 adalah sebagai berikut : Data 1 : p14, p18, p25 X=2, Y=1, Z=1; Sehingga F1 dapat dihitung : Precision = X/(X+Y) = 2/(2+1) = 0,67 Recall = X/(X+Z) = 2/(2+1) = 0,67 F1 = 2 PR /(P+R) = (2 x 0.67 x 0.67) / ( ) = 0,67 Dengan nilai F1 = 0.67 maka tingkat akurasi sistem menentukan kategori stok barang adalah tinggi. Pengukuran lainnya bisa dilihat pada tabel 3. Tabel 3. Pengukuran dan Evaluasi Cluster 1 Data P R F1 X/(X+Y) X(X+Z) 2PR/(P+R) Akurasi Tinggi Rendah Tinggi Tinggi Tinggi Akurasi Tinggi : 4/5 x 100% = 80% Akurasi Rendah : 1/5 x 100% = 20%
6 Secara keseluruhan hasil perhitungan akurasi masing-masing cluster ditampilkan pada tabel 4. Tabel 4. Hasil Akurasi Tiga Cluster Akurasi Cluster Akurasi Tinggi 80% 60% 80% Akurasi Rendah 20% 40% 20% Perbandingan akurasi masing-masing cluster bisa dilihat pada gambar 3. 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Akurasi Tinggi Akurasi Rendah Gambar 3. Perbandingan Akurasi Tiap Cluster 4. KESIMPULAN Dari hasil penelitian ini menunjukkan bahwa penerapan metode K-Means dapat mengcluster produk menjadi 3 kelompok yaitu jumlah stok banyak, sedang dan sedikit. Dan dari hasil pengukuran menggunakan precision, recall, dan F1 didapati tingkat akurasi yang tinggi pada masing-masing cluster. Sehingga dapat diambil kesimpulan bahwa penerapan metode K-Means terbukti akurat untuk penentuan kategori stok produk. 5. SARAN Beberapa saran untuk perbaikan penelitian berikutnya, disini ada beberapa saran yang bisa disampaikan : a. Data yang digunakan sebaiknya adalah data transaksi terbaru, sehingga bisa dihasilkan role yang maksimal. b. Penelitian ini bisa dikembangkan untuk diimplementasikan dalam suatu program aplikasi, agar penentuan stok menjadi lebih mudah dan bisa diterapkan oleh banyak pelaku usaha. DAFTAR PUSTAKA [1] Ustadiyanto, R., 2001, Framework e- Commerce. Yogyakarta, Penerbit Andi. [2] Rudy, Wahyudiarti, R., Megaputri, V., & Wihardini, R., 2008, Analisis Dan Perancangan E-Commerce (Studi Kasus : Roemah Soetera Batik Dan Bordir). Seminar Nasional Informatika 2008 (semnasif 2008) UPN "Veteran" Yogyakarta, 24 Mei. [3] Rusdah., 2011, Analisa Dan Rancangan Sistem Informasi Persediaan Obat. Studi Kasus Puskesmas Kecamatan Kebon Jeruk. Jurnal TELAMATIKA M.KOM, 3. No. 2. hal [4] Setiawan, F. H., 2011, Penerapan Fuzzy C- Means Dan Apriori Untuk Rekomendasi Promosi Produk Berdasarkan Segmentasi Konsumen. Tesis, Program Pasca Sarjana Teknik Informatika, Univ. Dian Nuswantoro, Semarang. [5] Maimon, O., & Rokach, L., 2010, Data Mining and Knowledge Discovery Handbook. London: Springer Science+Business Media. [6] Larose, D. T., 2005, Discovering Knowledge in Data : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc. [7] Agusta, Y., 2007, K-Means - Penerapan, Permasalahan dan Metode Terkait, Jurnal Sistem dan Informatika, vol 3, hal [8] Wahid, A. A., Ikhwana, A., & Partono., 2012, Sistem Pendukung Keputusan Penentuan Jumlah Pemesanan Barang, Jurnal Algoritma, Sekolah TinggiTeknologi Garut, No 2, hal. 1-8 [9] Wijaya, A., Arifin, M., & Soebijono, T., 2013, Sistem Informasi Perencanaan Persediaan Barang, Jurnal Sistem Informasi, STIKOM Surabaya, JSIKA 2, hal 14-20
PENERAPAN 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 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 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 1. PENDAHULUAN 1.1. Latar Belakang Pelanggan merupakan salah satu posisi penting dalam pengembangan strategi bisnis, pelanggan juga merupakan salah satu sumber keuntungan dalam perusahaan. Untuk itu
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciBAB V PENUTUP. Menggunakan Metode Fuzzy C-Means Clustering, dapat diambil kesimpulan
BAB V PENUTUP 5.1. Kesimpulan Dari serangkaian uji coba dan analisa yang telah dilakukan pada aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
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 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 terperinciSEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING
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
Lebih terperinciPenerapan Metode Clustering Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Semarang
1 Penerapan Metode ing Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Lianna Felicia Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Abstract Berdasarkan data hasil pertanian padi di Dinas
Lebih 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 terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
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 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 terperinciPENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA)
ISSN 1858-4667 JURNAL LINK VOL. 27/No. 1/Februari 2018 PENERAPAN DATA MINING SEBAGAI MODEL SELEKSI PENERIMA BEASISWA PENUH (STUDI KASUS: STIE PERBANAS SURABAYA) Hariadi Yutanto 1, Nurcholis Setiawan 2
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam bab ini akan dibahas mengenai beberapa web penjualan yang sudah ada saat ini. Beberapa penelitian tentang sistem penjualan online sebagai bentuk E- Commerce telah banyak dilakukan.
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 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 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 terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinci1. PENDAHULUAN. Kata Kunci: Data Mining, Clustering, Fuzzy C-Means
CLUSTERING BIDANG PEKERJAAN BERDASARKAN PEMETAAN MATA KULIAH MENGGUNAKAN ALGORITMA FUZZY C-MEANS PADA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG Taufiq Ramadhan Ashari 1, Ruri Suko Basuki
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 terperinciDATA MINING DENGAN METODE CLUSTERING UNTUK PENGOLAHAN INFORMASI PERSEDIAAN OBAT PADA PUSKESMAS PANDANARAN SEMARANG
DATA MINING DENGAN METODE CLUSTERING UNTUK PENGOLAHAN INFORMASI PERSEDIAAN OBAT PADA PUSKESMAS PANDANARAN SEMARANG Joanna Ardhyanti Mita Nugraha 1, Yupie Kusumawati 2 1,2 Sistem Informasi, Fakultas Ilmu
Lebih terperinciTEKNOSI, Vol. 02, No. 03, Desember Koko Handoko Universitas Putera Batam (cooresponding author)
TEKNOSI, Vol. 02, No. 03, Desember 2016 31 PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI PROGRAM STUDI
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 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 terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH
PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH Erga Aprina Sari Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih 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 terperinciPENENTUAN REKOMENDASI PRODUK DENGAN METODE DATA MINING ASOSIASI GENERALIZED SEQUENCE PATTERN (GSP)
PENENTUAN REKOMENDASI PRODUK DENGAN METODE DATA MINING ASOSIASI GENERALIZED SEQUENCE PATTERN (GSP) Elly Muningsih Manajemen Informatika, AMIK BSI Yogyakarta Ambarketawang, Jl. Ring Road Barat Gamping,
Lebih terperinciPENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA
PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
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 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 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 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 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 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Absensi adalah tingkat kehadiran pegawai yang berkenaan dengan tanggung jawab. Kehadiran berkenaan dengan tanggung jawab pegawai saat bekerja, pegawai yang hadir tepat
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 terperinciJURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE
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 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 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 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 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 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 terperinciKLASIFIKASI 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 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 terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
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 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 terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisis dan perancangan dalam membangun Aplikasi Data Mining. Analisis meliputi analisis data mining, analisis lingkungan sistem serta
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
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 terperinciIMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DATA SISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS : SMKN 1 KEDIRI) SKRIPSI
Artikel Skripsi IMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DATA SISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS : SMKN 1 KEDIRI) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah
Lebih terperinci3.1 Metode Pengumpulan Data
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data Sebuah penelitian memerlukan pengumpulan data dan metode pengumpulan data karena sangat berpengaruh terhadap akurasi dan kualitas data yang digunakan
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 terperinciCLUSTERING PENENTUAN POTENSI KEJAHATAN DAERAH DI KOTA BANJARBARU DENGAN METODE K-MEANS
Volume 01, No01 September 2014 CLUSTERING PENENTUAN POTENSI KEJAHATAN DAERAH DI KOTA BANJARBARU DENGAN METODE K-MEANS Sri Rahayu 1,Dodon T Nugrahadi 2, Fatma Indriani 3 1,2,3 Prog Studi Ilmu Komputer Fakultas
Lebih terperinciImplementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang
Implementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang Implementation Of Fuzzy C-Means Algorithm For Clustering Tuberculois Patients at Semarang. Devi Dwi R¹, Etika
Lebih terperinciPersyaratan Pengumpulan. Tesis, Jurnal, Poster, Buku, dan CD
Persyaratan Pengumpulan Tesis, Jurnal, Poster, Buku, dan CD Mahasiswa yang telah lulus Ujian Tesis harus mengumpulkan: 1. Tesis dengan jilid Hard Cover sebanyak 1 exp dengan ketentuan a. Warna cover KUNING
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciANALISIS DATA KONSUMEN DENGAN MENGGUNAKAN METODE CLUSTERING PADA TOKO BANGUNAN RAHAYU
Artikel Skripsi ANALISIS DATA KONSUMEN DENGAN MENGGUNAKAN METODE CLUSTERING PADA TOKO BANGUNAN RAHAYU SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
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 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 terperinciJean Vickram Carmadi Farhan Bulkin Muhammad Rizky Ananda Agus Nurohman
NAMA ANGGOTA : Jean Vickram 1441177004158 Carmadi 1441177004175 Farhan Bulkin 1441177004209 Muhammad Rizky Ananda 1441177004221 Kelas B Selasa Sore Agus Nurohman 1441177004270 DAFTAR JUDUL JURNAL 1. SISTEM
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 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 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 terperinciPERANCANGAN E-COMMERCE SEBAGAI MEDIA ALTERNATIF PEMESANAN TIKET PADA AGENT ALVINO TOUR & TRAVEL
PERANCANGAN E-COMMERCE SEBAGAI MEDIA ALTERNATIF PEMESANAN TIKET PADA AGENT ALVINO TOUR & TRAVEL Ramdhan Budi Munandar 1, Lalang Erawan, M.Kom 2 Sistem Informasi, Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciMETODE PENELITIAN. Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai
III. METODE PENELITIAN 3.1 Kerangka Kerja Penelitian Tahapan pengembangan sistem PSP (Penetapan Strategi Penjualan) 1.0 seperti pada Gambar 2 di bawah ini. Mulai Analisis Sistem, keluaran: - Deskripsi
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MINAT PEMILIHAN JURUSAN SMA DENGAN METODE K-MEANS CLUSTER ANALYSIS
SISTEM PENDUKUNG KEPUTUSAN MINAT PEMILIHAN JURUSAN SMA DENGAN METODE K-MEANS CLUSTER ANALYSIS Sahirul Muklis Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman,
Lebih terperinciMENGELOMPOKKAN SISWA BERPRESTASI AKADEMIK DENGAN MENGGUNAKAN METODE K MEANS KELAS VII MTS HIDAYATUL
MENGELOMPOKKAN SISWA BERPRESTASI AKADEMIK DENGAN MENGGUNAKAN METODE K MEANS KELAS VII MTS HIDAYATUL Nur Jannah 1, Tony Yulianto 2 1,2) Jurusan Matematika, FMIPA Universitas Islam Madura (UIM) Jl. Bettet
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 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 terperinciAnalisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang
Analisis Frekuensi Pola Pembelian Konsumen Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Bon Bon Resto Semarang Nur Imam Fachruzi Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciPendiskritan Kelas Kontinyu dengan Algoritma K-Mean Cluster. Kusrini Dosen STMIK AMIKOM YOGYAKARTA Abstract
Pendiskritan Kelas Kontinyu dengan Algoritma K-Mean Cluster Kusrini Dosen STMIK AMIKOM YOGYAKARTA kusrini@amikom.ac.id Abstract Dalam proses pembentukan pengetahuan sering ditemui algoritma yang menyaratkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penyimpanan dokumen secara digital berkembang dengan pesat seiring meningkatnya teknologi. Kondisi tersebut memunculkan masalah untuk mengakses informasi yang diinginkan
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
Lebih terperinciPEMBUATAN TOKO ONLINE DISTRO MOSFIT PROJECT BERBASIS WEB FRAMEWORK CAKEPHP TUGAS AKHIR. Oleh : ABDUL MUIZZ NPM JURUSAN TEKNIK INFORMATIKA
PEMBUATAN TOKO ONLINE DISTRO MOSFIT PROJECT BERBASIS WEB FRAMEWORK CAKEPHP TUGAS AKHIR Oleh : ABDUL MUIZZ NPM. 0634010062 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS PEMBANGUNAN
Lebih terperinciImplementasi Metode K-Means Cluster Analysis untuk Memilih Strategi Promosi Penerimaan Mahasiswa Baru
Implementasi Metode K-Means Cluster Analysis untuk Memilih Penerimaan Mahasiswa Baru Wirta Agustin 1, Erlin 2 1,2 Jurusan Teknik Informatika, STMIK Amik Riau Email: 1 wirtaagustin@stmik-amik-riau.ac.id,
Lebih terperinciSISTEM INFORMASI PERSEDIAAN BARANG BERBASIS WEB PADA RAJA BARES SEMARANG Petra Ani Novitasari 1, Wellia Shinta Sari, M.Kom 2
SISTEM INFORMASI PERSEDIAAN BARANG BERBASIS WEB PADA RAJA BARES SEMARANG Petra Ani Novitasari 1, Wellia Shinta Sari, M.Kom 2 1 Mahasiswa Sistem informasi, Universitas Dian Nuswantoro Semarang 2 Dosen Pembimbing
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
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 terperinciMETODE CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK REKOMENDASI PEMILIHAN BIDANG KEAHLIAN PADA PROGRAM STUDI TEKNIK INFORMATIKA
1 METODE CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK REKOMENDASI PEMILIHAN BIDANG KEAHLIAN PADA PROGRAM STUDI TEKNIK INFORMATIKA Muhammad Faisal Mirza A11.2009.04930 Program Studi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN Bab Pendahuluan terdiri dari uraian latar belakang yang mendasari pembuatan tugas akhir, pengenalan masalah yang dibahas didalam tugas akhir, manfaat maupun tujuan penelitian yang ingin
Lebih terperinciJurnal Sistem Informasi
JSIKA 2 (2013) 14-20 Jurnal Sistem Informasi Situs Jurnal : http://jurnal.stikom.edu/index.php/jsika SISTEM INFORMASI PERENCANAAN PERSEDIAAN BARANG Andy Wijaya 1) Muhammad Arifin 2) Tony Soebijono 3) 1)
Lebih terperinciLAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA. Oleh : ARI IRAWAN
LAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA Oleh : ARI IRAWAN 2010-51-221 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA KOMPUTER PROGRAM STUDI
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 terperinciSISTEM PENDUKUNG KEPUTUSAN DENGAN MENGGUNAKAN METODE SAW UNTUK MENGETAHUI KEPUASAN PELANGGAN (STUDI KASUS KANTOR BPJS KISARAN)
Jurnal Manajemen Informatika dan Teknik Komputer Volume 1, Nomor 2, Oktober 2015 SISTEM PENDUKUNG KEPUTUSAN DENGAN MENGGUNAKAN METODE SAW UNTUK MENGETAHUI KEPUASAN PELANGGAN (STUDI KASUS KANTOR BPJS KISARAN)
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB 1 PENDAHULUAN Pada Bab ini akan menjelaskan tentang latar belakang, rumusan masalah, tujuan pembahasan, ruang lingkup, sumber data dan sistematika penyajian. 1.1 Latar Belakang Saat ini perkembangan
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 terperinci