SIMPULAN DAN SARAN. Simpulan
|
|
|
- Irwan Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 45 SIMPULAN DAN SARAN Simpulan 1. Metode TwoStep Cluster menghasilkan gerombol yang sama dengan populasi sebenarnya apabila semua peubah kriteria penggerombolan bersifat kontinu; kecuali pada situasi data yang saling tumpang tindih dan tidak terbedakan. 2. Metode TwoStep Cluster sangat akurat dalam menghasilkan gerombol yang sama dengan populasi sebenarnya pada kasus-kasus data yang terpisah secara tegas, atau setidaknya terlihat adanya perbedaan penggerombolan pada data yang dianalisis. 3. Transformasi peubah kategorik ke dalam bentuk biner dan memperlakukannya sebagai peubah numerik akan meningkatkan keakuratan TwoStep Cluster dalam menduga banyaknya gerombol, apabila peubah kriteria penggerombolan merupakan peubah campuran. 4. Apabila pada data tidak terdapat pencilan, penggunaan opsi Penanganan Pencilan (outlier treatment) akan menurunkan keakuratan TwoStep Cluster dalam menduga gerombol yang sebenarnya. 5. Pada kasus-kasus populasi dengan 2 dan 3 gerombol dan peubah kriteria penggerombolan semuanya kontinu atau semuanya peubah biner untuk ukuran data kecil (500), metode TwoStep Cluster lebih baik dibandingkan dengan metode hirarki dan tidak berbeda nyata dibandingkan metode k-rataan dalam hal akurasi sebaran ukuran gerombol asal serta salah klasifikasi. Saran 1. Sebelum melakukan penggerombolan disarankan peneliti memiliki pengetahuan awal terhadap data atau populasi yang akan digerombolkan. 2. Sebelum melakukan penggerombolan disarankan untuk melakukan analisis eksplorasi sebaran data, agar dapat membantu dalam menentukan banyaknya gerombol di populasi sebenarnya lebih akurat.
2 46 3. Perlu dilakukan studi perbandingan atau evaluasi terhadap keakuratan berbagai metode penggerombolan, khususnya metode hirarki, TwoStep Cluster, dan Latent Segment dalam menduga banyaknya gerombol serta profil gerombol yang sebenarnya di populasi. 4. Perlu dilakukan studi lebih lanjut untuk mengevaluasi metode Twostep Cluster, dan metode penggerombolan lainnya, pada kasus terjadinya korelasi antar peubah kriteria karena dalam realitas sering terjadi korelasi antar peubah.
3 47 DAFTAR PUSTAKA Aaker, D.A Strategic Marketing Management. Ed ke-6. John Wiley & Sons Inc. New York. Aaker, D. A. And G. S. Day Marketing Research. Ed ke-4. John Wiley & Sons, New York. Adenberg, M.R. 1973, Cluster Analysis For Applications, Academic Press, Inc. New York Anonimous The SPSS TwoStep Cluster Component. A scalable component to segment your customers more effectively. White paper technical report, SPSS Inc. Chicago TwoStep Cluster Analysis. Technical Report, SPSS Inc. Chicago. Bacher, J A Probabilistic Clustering Model for Variables of Mixed Type. Quality & Quantity. Bacher, J., K. Wenzig and M. Vogler SPSS TwoStep Cluster : A First Evaluation. Friedrich-Alexander-Universität Erlangen-Nurnberg. Bernstein, L. K. Bradley, and S. Zarich GOLDminer : Improving Models for Classifying Patients with Chest Pain. Yale Journal of Biology and Medicine 75. Chiu, T., Fang,D., Chen,J., Wang,Y., and Jeris,C A Robust and Scalable Clustering Algorithm for Mixed Type Attributes in Large Database Environment. In Proceedings of the 7th ACM SIGKDD International Confererence on Knowledge Discovery and Data Mining Digby, P.G.N. and R.A. Kempton Multivariate Analysis of Ecological Communities. Chapman and Hall. New York. Dillon, W.R. & M. Goldstein Multivariate Analysis Method Applications. John Wiley and Sons, Inc. New York.
4 48 Everitt, B.S., Landan, S. and Leese, M Cluster Analysis. Ed ke-4 Arnold, London. Garson, D.G Quantitative Research in Public Administration. Lecture Note. North Carolina State University. Huang, Z. (1998). Extensions to the k-means Algorithm for Clustering Large Data Sets with Categorical Variables. Data Mining and Knowledge Discovery. Kasali, R. (1998). Membidik Pasar Indonesia : Segmentasi, Targeting, dan Positioning. Gramedia Pustaka Utama, Jakarta.. Kotabe, M and K. Helsen Global Marketing Management. Ed ke-2. John Wiley & Sons, New York. Kotler, P Marketing Management : The Millennium Edition. Prentice Hall International Inc. New Jersey. Lakshminarayan, C.K. and Q. Yu A Novel Two-Stage Clustering Approach for Visitor Segmentation and Prediction Based on Click Stream Attributes. The Indian Institute of Information Technology, Bangalore. McCutcheon A, Hagenaars J., eds. (1999). Advances in Latent Class Modeling. Cambridge, UK and NY: Cambridge University Press. Morrison, D.F Multivariate Statistical Methods. McGraw-Hill. Inc. New York. Porter, M Competitive Strategy : Techniques for Analyzing Industries and Competitors. The Free Press, New York. Putri, D. Y Penerapan Metode TwoStep Cluster dalam Analisis Gerombol : Studi Kasus Data Potensi Desa Sensus Ekonomi 2003 Wilayah Jawa Barat, Skripsi S1. Departemen Statistika FMIPA Institut Pertanian Bogor, Bogor- Indonesia.
5 49 Strehl, A. And J. Gosh Relationship-Based Clustering and Visualization for High-Dimensional Data Mining. INFORMS. Journal on Computing. Pp Theodoridis, S. and K. Koutroumbas Pattern Recognition. Academic Press, New York. Vermunt, J. K. and J. Magidson (2000). "Latent class cluster analysis." Chapter B1 in Hagenaars and McCutcheon, eds., Advances in latent class models. Cambridge, UK: Cambridge University Press. Related to Latent Gold software. Wijayanti, A Evaluasi Konsep Jarak dan Metode Penggerombolan untuk Data Biner. Skripsi. Jurusan Statistika. FMIPA. Institut Pertanian Bogor, Bogor. Zhang, T, R. Ramakrishnon and M. Livny. (1996). BIRCH: An Efficient data clustering method for very large databases. Proceeding of the ACM SIGMOD Conference on Management of Data, , Montreal, Canada.
6 LAMPIRAN 50
7 51 Lampiran 1. Tahapan analisis TwoStep Cluster dengan SPSS 1. Penyiapan data. 2. Pilih Menu : Analyze/Classify/TwoStep Cluster (Gambar 1), maka akan muncul kotak dialog (Gambar 2). Gambar 1. Kotak dialog pemilihan metode TwoStep Cluster Gambar 2. Kotak dialog TwoStep Cluster
8 52 3. Pindahkan variabel yang akan digerombolkan ke kotak variabel sesuai dengan perlakuan yang diinginkan. Gambar 3. Kotak dialog perlakuan variabel 4. Pada kotak DISTANCE MEASURE beri tanda log likelihood untuk pilihan ukuran jarak, karena peubah yang akan dianalisis pada contoh diatas merupakan peubah campuran kategorik dan kontinu. 5. Pada kotak Clustering Criterion beri tanda pada salah satu kriteria penggerombolan yang diinginkan (BIC atau AIC) 6. Klik OPTION, untuk menentukan penanganan pencilan (outlier) dan standarisasi untuk peubah kontinu, seperti Gambar 4. Gambar ini merupakan contoh pilihan tanpa penanganan pencilan, sedangkan pada Gambar 6 merupakan contoh dengan penanganan pencilan 5%.
9 53 7. Selanjutnya klik ADVANCED jika ingin memgubah Threshold Distance, maksimum Branches dan Tree Depth. Default SPSS adalah seperti tertera pada Gambar 5. Selanjutnya kembali ke CONTINUE. Gambar 4. Kotak OPTION pada TwoStep Cluster Gambar 5. Kotak ADVANCED pada TwoStep Cluster
10 54 Gambar 6. Kotak OPTION dengan pilihan penanganan pencilan 5% 8. Klik OUTPUT, maka akan muncul kotak dialog seperti Gambar 7 sesuai dengan pilihan output yang diinginkan. Gambar 7. Kotak dialog OUTPUT
11 55 9. Klik PLOTS, maka akan muncul kotak dialog berikut: Gambar 8. Kotak dialog PLOT 10. Kemudian klik CONTINUE, maka akan kembali pada Gambar 3. Selanjutnya klik OK untuk melakukan eksekusi.
12 11. Pada OUTPUT EDITOR akan ditampilkan seperti berikut : 56
13 57
14 58
15 59 Lampiran 2. Jarak penggabungan dengan metode hirarki Kasus 1: Populasi dengan 2 gerombol yang saling tumpang tindih (P2) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to 1 1 2,56 3,98 2,56 2,56 3,07 2,87 2,39 2,12 13,98 2 4,22 4,04 3,27 3,27 3,01 3,01 2,50 2,50 14,01 3 2,26 2,26 3,30 3,30 4,32 4,04 3,43 3,43 14,71 4 3,21 2,24 3,19 3,19 3,05 3,05 3,05 4,40 12,98 5 3,17 3,17 3,09 3,09 2,69 2,69 3,07 5,37 12,78 6 3,10 3,10 2,66 3,10 3,24 2,88 2,88 4,87 13,02 7 2,77 2,77 2,41 2,41 3,26 3,32 2,68 2,43 14,37 8 3,15 2,91 2,91 2,47 2,47 3,65 2,95 2,51 14,56 9 3,53 3,68 2,88 2,88 2,88 4,15 3,53 3,53 13, ,64 3,90 3,90 3,22 2,83 2,83 3,22 3,31 12, ,14 3,97 3,62 3,56 2,54 2,54 2,61 2,61 13, ,72 3,50 3,50 2,95 2,70 2,70 3,31 3,05 14, ,30 2,70 2,54 2,54 2,54 2,44 2,44 4,78 13, ,08 2,56 3,08 2,92 2,27 2,27 2,27 3,17 14, ,26 3,26 2,73 2,73 3,80 3,44 3,44 3,44 13, ,52 3,50 3,34 3,34 2,77 2,77 3,42 4,47 13, ,20 3,20 3,17 3,17 2,68 2,68 2,25 2,25 14, ,64 3,63 3,30 3,30 3,07 2,33 3,07 2,84 13, ,10 3,10 3,37 3,37 3,22 3,22 2,94 2,52 13, ,08 3,58 3,51 2,54 2,54 1,90 1,90 2,72 14, ,25 3,25 3,14 3,10 3,10 2,57 4,30 3,89 12, ,03 3,35 3,35 2,78 2,78 2,19 2,19 3,37 12, ,75 3,42 3,42 3,42 3,08 2,98 2,98 4,15 13, ,28 4,28 3,56 3,45 3,07 3,07 2,62 2,62 13, ,88 2,88 2,88 2,76 2,62 2,62 3,87 4,31 13, ,59 3,59 3,59 2,96 2,93 2,55 2,55 2,47 13, ,40 3,17 3,17 3,17 2,81 2,81 3,00 3,45 14, ,98 4,09 3,98 3,40 3,40 4,14 2,91 2,80 12, ,30 3,30 2,56 2,74 2,74 2,74 3,12 3,00 13, ,26 2,58 3,09 3,09 3,13 2,91 2,69 2,69 13, ,96 3,46 2,96 3,59 3,18 3,18 2,86 2,91 13, ,58 4,58 3,89 3,84 3,15 3,15 2,52 2,41 2, ,45 3,43 3,43 2,90 2,90 2,33 2,33 3,85 14, ,32 3,54 3,19 3,19 3,45 2,94 2,94 5,07 14, ,91 3,91 2,98 2,98 2,79 2,78 2,78 3,42 13, ,29 3,08 3,08 2,86 2,86 2,86 3,32 5,30 14, ,73 2,84 3,68 3,36 2,96 2,55 2,55 4,48 13, ,91 2,91 3,01 2,92 2,72 2,72 2,72 4,85 15, ,04 2,67 3,29 3,29 3,15 3,15 3,20 3,20 13,29
16 60 Kasus 1: Populasi dengan 2 gerombol yang saling tumpang tindih (P2) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,55 3,81 3,29 2,59 2,59 2,59 3,85 3,61 13, ,25 3,71 3,45 3,20 3,20 2,53 2,53 5,40 13, ,46 3,38 3,38 3,38 3,02 3,02 3,02 3,56 13, ,07 3,07 2,99 2,37 2,37 4,33 4,26 4,63 13, ,72 3,64 3,72 2,84 2,84 2,84 2,79 3,01 12, ,21 3,49 3,30 3,30 3,07 2,70 2,70 3,54 14, ,55 3,55 3,29 2,91 2,91 2,91 2,91 2,91 15, ,09 4,19 4,11 3,92 3,60 3,08 3,08 3,35 13, ,42 4,12 3,42 3,42 3,05 3,05 3,49 2,60 12, ,27 3,27 3,27 2,99 2,85 2,85 2,55 2,55 13, ,97 3,97 3,97 3,45 3,45 2,91 2,91 3,37 13, ,13 3,13 3,08 3,07 2,72 2,72 2,90 2,21 13, ,27 3,27 3,27 3,31 3,31 3,72 2,93 2,93 14, ,53 3,48 3,31 3,19 2,65 2,65 2,65 5,19 13, ,75 2,75 2,75 3,31 3,31 3,66 2,79 2,58 13, ,64 3,64 3,40 3,19 3,09 2,55 2,55 2,68 14, ,05 3,05 3,05 3,12 3,12 3,39 3,21 5,36 12, ,32 2,77 2,77 2,77 2,77 2,81 4,49 3,21 14, ,33 3,33 3,15 3,15 3,10 2,37 2,37 2,73 14, ,84 3,40 3,79 3,79 3,30 3,30 3,30 3,46 12, ,99 2,99 2,99 2,99 3,01 3,01 2,84 2,84 14, ,02 3,02 3,02 2,66 2,66 3,34 2,89 7,62 14, ,85 2,85 2,85 4,04 4,04 3,85 3,85 2,88 14, ,08 3,98 3,42 3,42 2,91 2,57 2,57 9,00 14, ,95 2,95 2,95 3,56 3,25 2,91 2,91 5,48 11, ,67 3,67 3,67 3,55 3,55 3,04 2,78 2,78 12, ,85 2,83 2,83 2,83 2,46 2,46 2,81 7,69 14, ,85 3,85 3,53 3,07 2,90 3,07 4,19 5,02 12, ,50 2,95 2,95 3,45 3,26 3,26 3,26 5,20 14, ,19 3,19 3,19 2,99 2,40 2,40 2,11 2,11 14, ,44 3,25 3,24 3,24 3,24 2,91 2,91 5,94 12, ,44 2,71 3,73 2,93 2,93 2,93 3,21 2,54 14, ,92 3,18 3,33 2,86 2,86 2,41 2,41 2,98 13, ,22 2,81 3,43 3,43 2,81 2,81 3,19 2,38 14, ,80 2,80 2,80 2,71 2,56 2,56 3,63 2,73 13, ,24 3,24 2,60 2,60 2,60 2,60 3,53 2,87 14, ,93 2,93 2,93 3,51 3,47 3,47 2,76 2,76 14, ,89 2,98 3,13 3,13 3,13 2,80 2,80 3,39 14, ,48 3,48 3,40 3,40 2,43 2,43 3,06 4,15 13,70
17 61 Kasus 1: Populasi dengan 2 gerombol yang saling tumpang tindih (P2) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,61 3,33 3,06 3,01 2,74 2,74 2,24 2,24 13, ,73 3,78 3,55 3,10 3,10 2,76 2,76 3,58 14, ,56 3,56 3,56 3,34 3,34 3,34 3,87 3,62 12, ,58 3,58 3,24 3,24 2,69 2,69 3,28 5,28 13, ,56 3,56 3,53 3,52 2,65 2,65 3,21 2,83 12, ,33 3,40 3,00 2,60 2,18 2,18 2,64 4,54 13, ,18 3,18 3,11 3,11 3,11 3,33 3,53 2,65 14, ,23 3,23 2,98 2,98 2,98 3,09 3,24 2,46 15, ,87 3,87 3,40 3,40 2,78 2,60 2,60 3,17 13, ,03 3,64 3,83 3,51 3,51 3,28 3,28 4,06 13, ,73 3,73 3,73 3,18 3,18 2,79 2,79 4,25 14, ,32 3,73 3,38 3,38 3,38 2,98 2,73 4,24 13, ,39 3,21 3,21 3,21 3,08 3,08 2,51 2,51 13, ,59 3,59 3,61 3,61 3,61 2,95 2,95 3,06 14, ,44 3,44 2,91 2,78 2,78 3,73 3,94 2,57 13, ,07 3,07 2,84 2,84 3,80 2,98 2,98 2,56 14, ,34 3,34 2,45 2,16 2,16 2,16 3,62 2,97 14, ,28 3,43 3,28 3,28 3,65 3,56 3,56 3,29 14, ,69 3,69 2,64 2,40 2,40 5,26 5,63 5,18 13, ,38 3,38 3,69 3,69 3,12 2,73 2,58 2,58 13, ,86 3,40 3,51 2,73 2,49 2,49 2,99 2,01 14, ,40 3,40 3,40 3,15 3,15 3,03 2,75 2,75 14,58
18 62 Kasus 2 : Populasi dengan 2 gerombol yang saling terpisah (P3) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to 1 1 3,44 3,52 3,52 3,24 3,24 2,46 2,46 5,68 510,00 2 3,68 3,56 3,56 3,06 3,06 2,36 2,35 2,35 509,45 3 3,60 3,01 3,01 3,01 3,05 3,73 3,73 2,55 518,68 4 3,73 3,12 3,12 3,59 3,17 2,77 2,77 2,77 505,78 5 3,33 2,78 2,78 2,60 2,60 2,60 3,53 3,13 502,56 6 3,12 3,12 3,12 3,21 2,59 2,59 2,95 2,80 507,38 7 3,13 3,49 2,88 2,88 2,88 2,67 2,41 2,41 514,04 8 2,98 2,98 3,20 3,20 2,83 2,83 2,78 2,78 501,60 9 3,63 3,63 3,63 2,87 2,87 2,87 2,75 2,75 492, ,74 3,26 3,26 2,79 2,79 2,39 2,39 2,61 503, ,36 3,36 2,97 2,97 2,72 2,33 2,33 3,69 502, ,59 3,59 3,25 3,25 2,36 1,88 1,88 3,70 504, ,69 3,27 3,27 3,27 3,08 3,08 3,36 3,29 502, ,24 2,89 2,89 2,30 2,30 2,30 2,40 2,42 504, ,45 2,68 2,68 2,68 3,14 3,13 2,88 2,88 506, ,63 2,77 2,77 2,77 2,37 2,37 2,80 2,22 501, ,45 3,45 3,45 3,12 2,65 2,65 2,04 2,04 504, ,74 3,73 3,73 3,63 3,02 3,02 2,62 2,62 502, ,49 3,49 3,49 3,49 2,82 2,82 2,82 3,08 511, ,24 3,24 2,91 2,91 2,91 2,70 2,70 3,44 501, ,96 3,93 3,74 3,67 3,26 2,87 3,26 2,66 508, ,25 3,25 3,25 3,25 3,42 2,99 3,91 3,41 505, ,51 3,51 2,85 2,48 2,48 2,48 2,26 2,77 507, ,46 3,46 3,20 3,20 3,32 2,39 2,39 3,48 507, ,20 3,20 3,64 3,67 3,18 3,18 2,49 2,49 499, ,21 3,14 3,14 2,82 2,60 2,42 2,42 3,34 500, ,37 3,69 2,43 2,43 2,43 3,87 2,89 4,19 508, ,18 3,18 3,28 2,98 2,98 2,98 3,30 3,32 509, ,28 3,02 2,86 2,86 2,86 3,43 3,43 3,46 509, ,34 2,71 2,71 2,71 2,51 2,51 3,30 2,76 505, ,61 3,61 2,89 2,89 2,09 2,09 2,98 2,71 506, ,65 3,65 3,01 2,91 2,91 2,88 2,88 2,54 502, ,47 3,14 3,14 3,14 2,87 1,92 1,92 3,03 501, ,54 2,99 2,99 2,50 2,50 2,50 2,76 2,42 504, ,32 3,32 3,29 3,29 2,72 2,72 2,50 2,50 503, ,57 3,28 3,28 3,02 3,02 2,49 2,20 2,20 504, ,59 3,59 3,21 2,95 2,95 2,64 2,13 2,13 503, ,49 3,40 3,17 3,17 3,17 2,84 2,84 3,31 507, ,43 3,16 2,84 2,84 2,84 2,12 2,12 2,79 495, ,07 3,07 2,76 2,76 2,41 2,41 3,23 3,64 502,35
19 63 Kasus 2 : Populasi dengan 2 gerombol yang saling terpisah (P3) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,05 3,05 3,05 3,05 2,84 2,84 2,75 2,75 510, ,24 3,24 2,66 2,66 2,66 2,50 2,92 2,46 507, ,98 3,71 2,88 2,54 2,54 2,19 3,14 2,84 496, ,62 2,76 2,76 2,76 3,17 2,81 2,81 2,33 503, ,47 3,53 3,53 2,95 2,52 2,52 2,17 2,17 503, ,39 3,29 3,29 3,17 2,76 2,76 2,55 2,55 499, ,96 2,96 2,96 3,52 3,52 3,28 3,28 2,85 502, ,55 3,83 3,13 3,13 3,02 2,59 2,44 2,44 502, ,40 3,40 2,98 2,98 2,68 2,68 3,18 3,39 515, ,44 2,92 2,92 2,79 2,79 2,79 3,22 2,53 501, ,45 3,45 3,09 3,09 3,09 3,02 2,71 2,71 509, ,86 3,86 3,95 3,61 2,98 3,47 3,04 3,04 497, ,85 2,85 2,85 2,81 2,71 2,71 2,76 2,75 509, ,56 3,56 3,18 3,18 2,79 2,79 2,28 2,28 505, ,17 2,91 2,91 2,78 2,78 2,72 2,68 2,68 503, ,40 2,87 2,87 2,65 2,65 2,65 3,43 2,83 507, ,40 3,04 3,04 2,51 2,51 2,51 3,00 2,46 504, ,72 3,14 3,14 2,95 2,95 2,67 2,67 3,05 507, ,97 2,97 2,59 2,68 2,35 2,35 2,35 2,86 504, ,40 2,99 2,99 2,69 2,69 2,41 2,41 2,41 504, ,50 3,37 3,22 2,81 2,81 2,61 2,59 2,59 495, ,48 3,60 3,21 2,96 2,96 2,55 2,55 2,55 501, ,95 3,95 2,96 2,96 2,96 2,87 2,66 2,66 511, ,11 3,11 3,31 2,86 2,86 3,75 3,75 4,02 511, ,61 3,61 3,40 2,65 2,65 1,99 1,99 2,30 504, ,86 2,50 2,50 2,29 2,29 2,29 3,09 2,63 503, ,55 3,52 2,92 2,86 2,86 2,32 2,32 4,89 501, ,68 3,29 3,29 3,29 3,16 2,96 2,83 2,83 500, ,68 3,31 3,31 3,24 2,43 2,43 2,96 2,57 510, ,78 3,31 3,31 3,08 3,08 2,43 2,43 3,97 511, ,06 3,06 2,67 2,36 2,36 2,36 2,72 2,46 503, ,53 3,53 2,90 2,90 2,39 2,39 2,39 2,77 509, ,45 3,45 3,27 3,27 2,68 2,68 2,78 3,16 500, ,02 4,02 3,18 3,18 3,30 2,87 2,87 3,41 499, ,47 2,47 2,77 2,77 2,77 3,37 3,14 2,63 502, ,03 3,03 2,67 2,67 2,67 2,20 2,20 3,39 502, ,60 2,85 2,85 2,85 2,85 3,32 3,00 3,00 500, ,36 3,21 3,21 2,83 2,83 2,53 2,53 2,65 501, ,78 2,58 2,58 2,58 2,58 3,10 2,60 2,60 500, ,01 2,46 2,46 2,85 2,85 2,85 3,10 2,91 502, ,81 2,81 2,71 2,71 2,22 2,22 2,22 2,84 502,07
20 64 Kasus 2 : Populasi dengan 2 gerombol yang saling terpisah (P3) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,13 3,14 3,14 2,55 2,55 2,82 2,03 2,03 503, ,09 3,09 3,09 2,61 2,61 3,84 3,39 3,31 507, ,34 3,34 3,03 3,03 2,45 2,45 3,53 2,64 499, ,84 3,11 3,11 2,69 2,69 2,58 2,58 1,82 504, ,33 3,25 3,25 2,77 2,77 2,41 2,41 3,14 503, ,60 3,28 2,71 2,71 2,71 3,13 2,93 2,93 505, ,95 3,70 2,95 2,68 2,68 2,68 2,30 2,72 505, ,11 3,11 3,11 2,42 2,42 3,27 3,02 2,34 497, ,49 2,63 2,63 2,84 2,58 2,58 2,29 2,29 507, ,31 3,14 2,48 2,48 3,54 3,54 3,54 3,56 502, ,54 3,54 3,54 2,60 2,50 2,50 3,43 4,85 506, ,08 2,81 2,81 2,81 2,62 2,60 2,60 4,62 501, ,70 3,75 3,42 3,42 2,82 2,82 3,33 5,91 509, ,45 3,42 3,42 2,68 2,68 2,65 2,48 2,48 507, ,02 3,46 3,13 3,13 2,59 2,52 2,34 2,52 507, ,91 2,91 2,91 3,01 2,65 2,65 2,28 4,05 507, ,77 3,15 3,03 2,96 2,28 2,28 2,28 5,24 504, ,59 3,59 3,59 3,59 3,34 2,98 2,98 2,98 504, ,96 3,53 3,48 2,66 2,66 3,48 2,85 2,64 506,27
21 65 Kasus 3 : Populasi dengan 3 gerombol yang saling terpisah (P4) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to 1 1 3,35 3,35 2,65 2,65 3,13 3,13 3,09 221,09 400,32 2 2,94 2,94 2,94 2,74 2,74 2,74 5,06 220,59 398,29 3 3,25 3,27 3,27 2,89 2,89 2,89 4,42 219,25 402,29 4 3,23 3,05 2,79 2,25 2,25 2,25 3,67 222,65 405,75 5 2,07 2,07 2,07 2,07 3,42 3,20 3,20 222,97 403,13 6 2,72 2,72 2,72 3,29 3,29 3,29 3,78 225,72 401,75 7 3,01 3,01 3,01 3,23 2,90 2,90 4,00 224,29 401,30 8 3,27 2,41 2,18 2,18 2,18 1,91 1,91 220,86 398,66 9 3,05 3,05 3,05 3,05 3,05 3,81 3,81 220,86 393, ,67 2,67 2,90 2,90 2,60 2,60 5,01 217,64 398, ,36 3,01 3,01 3,05 3,05 3,05 4,33 223,05 404, ,52 2,35 2,35 2,35 2,64 2,64 3,81 221,08 398, ,46 3,37 3,23 3,23 2,56 2,56 2,56 224,45 403, ,95 3,34 3,34 3,34 3,02 3,02 2,48 224,24 402, ,24 3,79 3,02 3,02 2,52 2,52 2,52 226,17 402, ,16 3,16 3,16 2,65 2,65 3,06 3,06 224,49 401, ,51 2,97 2,97 2,08 2,08 3,22 3,22 222,13 397, ,43 2,73 2,73 2,73 2,25 3,41 3,41 224,09 401, ,59 3,59 3,17 2,84 2,40 2,40 2,40 221,50 397, ,12 4,50 3,78 3,75 3,75 3,75 5,96 219,55 399, ,79 2,79 3,27 2,63 2,32 2,32 2,32 221,31 399, ,81 2,81 2,35 2,35 3,17 3,79 3,60 224,60 399, ,61 3,61 3,14 3,14 3,14 4,54 5,12 218,77 397, ,34 3,34 3,01 3,01 3,01 3,48 3,01 219,36 397, ,01 2,81 2,81 2,81 2,81 2,81 2,89 220,34 404, ,45 3,19 3,19 2,64 2,64 4,13 4,42 224,60 403, ,07 2,07 2,07 5,27 4,92 3,78 3,35 222,90 399, ,89 2,89 2,89 2,31 4,50 3,72 3,56 226,18 408, ,09 3,24 3,21 2,62 2,62 2,62 3,42 223,12 403, ,14 3,14 3,14 2,91 2,91 2,91 3,67 225,38 407, ,27 3,08 3,08 3,08 3,27 2,54 4,14 220,20 398, ,72 3,72 3,15 3,14 2,31 2,31 4,54 223,09 404, ,13 3,13 3,13 2,46 2,46 2,11 2,11 223,10 402, ,24 3,24 2,85 2,85 2,46 2,46 3,20 219,77 401, ,79 2,79 2,07 2,07 3,08 3,08 3,12 222,36 401, ,59 2,59 2,59 2,44 2,44 3,29 3,80 220,81 405, ,34 2,64 2,26 2,26 2,26 5,57 4,35 225,09 404, ,04 3,04 3,04 3,04 3,25 3,25 2,76 219,60 392, ,00 2,75 2,75 2,75 2,51 2,51 2,51 221,52 399, ,21 3,21 3,21 3,37 3,37 3,69 2,26 223,26 398, ,74 3,03 3,03 3,03 2,68 2,68 3,38 219,78 401,17
22 66 Kasus 3 : Populasi dengan 3 gerombol yang saling terpisah (P4) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,53 2,53 2,53 2,53 3,72 3,72 5,12 223,24 398, ,52 2,52 3,95 3,45 3,24 3,12 3,13 218,82 396, ,19 3,74 3,74 3,17 3,17 2,45 2,45 220,77 404, ,89 3,79 3,60 3,31 2,99 2,99 2,99 218,91 400, ,89 2,96 2,96 2,96 2,96 3,53 4,00 218,12 400, ,42 3,42 3,42 2,97 2,97 2,53 2,53 224,79 400, ,62 3,62 3,62 3,57 3,92 3,77 3,77 223,29 398, ,64 2,64 1,95 1,95 4,23 4,88 3,98 226,06 401, ,50 3,50 3,50 3,50 3,51 2,95 2,09 222,86 400, ,76 2,76 2,76 2,55 2,25 2,25 2,55 223,85 398, ,99 2,99 2,19 2,19 2,00 2,00 3,20 221,61 398, ,19 3,05 3,05 2,84 2,22 2,22 4,24 225,61 402, ,64 2,64 2,64 2,18 2,18 4,22 3,92 222,64 400, ,18 3,18 3,18 2,77 2,77 4,36 4,11 219,21 400, ,91 2,91 2,78 3,87 3,52 3,52 3,71 220,92 393, ,69 3,35 3,35 2,75 2,75 2,75 3,15 219,86 397, ,94 4,36 4,19 3,45 3,45 3,37 3,37 222,03 400, ,52 4,15 3,01 3,01 3,01 2,61 4,74 224,54 399, ,25 3,21 3,21 3,21 3,13 3,13 2,98 224,23 402, ,99 2,99 3,19 2,92 2,92 2,92 3,69 223,21 399, ,71 2,99 2,70 2,70 2,34 2,34 4,66 220,85 399, ,03 3,20 3,20 3,20 2,75 2,44 2,44 222,70 399, ,59 3,59 3,29 2,60 2,60 2,60 3,11 222,12 407, ,85 3,29 3,13 3,13 2,42 2,42 5,20 221,27 405, ,25 3,91 3,23 3,04 3,04 2,74 2,74 221,64 405, ,26 3,21 3,21 3,12 3,12 2,90 2,90 222,40 400, ,66 4,25 3,96 3,03 3,03 2,35 4,80 223,87 402, ,55 2,55 3,47 3,08 3,08 2,57 2,57 220,75 400, ,36 3,12 3,12 3,09 2,53 2,53 3,09 222,40 402, ,47 2,85 2,85 2,85 3,56 3,56 3,65 221,45 397, ,98 2,25 2,25 2,25 4,41 4,41 4,01 221,38 400, ,04 3,04 2,64 2,64 2,64 2,64 2,77 227,50 407, ,86 2,79 2,79 2,45 2,45 2,45 3,77 220,15 395, ,11 2,50 2,50 3,28 3,43 3,43 5,48 222,37 401, ,63 2,63 3,93 3,93 4,54 3,47 3,47 222,33 399, ,73 3,73 3,44 3,44 2,89 2,89 2,89 220,69 396, ,53 3,53 3,53 2,68 2,68 2,46 2,46 221,20 394, ,64 2,66 2,66 4,30 4,29 4,29 5,28 223,28 403, ,26 3,26 2,82 2,82 2,82 3,09 3,99 221,01 403, ,70 2,70 2,29 2,29 2,91 3,85 3,40 222,57 401, ,00 4,00 3,22 2,50 2,50 2,50 4,36 223,43 403,69
23 67 Kasus 3 : Populasi dengan 3 gerombol yang saling terpisah (P4) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 Ulangan Ulangan Jarak Penggabungan 83 2,91 2,91 4,47 4,47 5,17 5,17 4,65 223,66 400, ,83 3,94 3,76 3,76 3,68 2,99 2,99 223,40 406, ,88 2,68 2,68 2,68 3,28 3,03 2,29 223,88 403, ,21 3,21 3,21 2,86 2,86 2,86 3,55 222,13 401, ,95 2,95 2,95 2,95 3,14 3,14 3,99 224,59 400, ,31 3,08 3,08 3,08 2,79 2,79 6,01 226,13 401, ,99 2,45 2,45 2,45 3,89 3,89 2,97 222,01 396, ,47 3,47 3,26 2,79 2,79 2,79 3,57 221,27 399, ,30 3,30 3,30 3,30 2,48 2,48 2,42 223,08 398, ,70 3,70 3,70 2,56 2,56 2,56 3,76 222,74 399, ,47 2,47 2,47 2,47 3,38 3,38 5,51 223,13 396, ,69 2,35 2,35 2,35 2,35 4,44 3,97 222,43 400, ,91 2,91 2,91 2,91 2,89 2,89 2,89 225,35 402, ,52 4,52 4,46 4,46 4,98 3,88 3,79 223,30 401, ,20 3,10 3,10 3,10 3,20 3,20 3,35 220,32 402, ,34 3,34 3,34 3,34 2,69 3,61 3,61 221,89 394, ,26 2,56 2,56 3,76 3,76 4,25 3,19 225,90 408, ,18 3,18 3,18 2,87 2,87 2,87 4,04 221,34 399,06
24 68 Kasus 4 : Populasi dengan 5 gerombol yang saling tumpang tindih (P5) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 ulangan Jarak Penggabungan Ulangan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to 1 1 3,65 3,65 3,65 3,39 5,51 14,73 18,61 224,26 314,22 2 2,91 2,91 2,91 2,24 8,94 10,46 17,73 217,61 311,24 3 2,94 2,94 2,94 4,29 4,36 16,60 23,59 226,70 314,12 4 4,51 4,17 4,27 3,48 3,02 14,41 17,51 224,67 317,09 5 3,78 4,67 4,67 4,67 4,03 10,09 16,23 225,49 316,07 6 3,66 3,66 3,00 3,00 7,63 10,23 14,44 226,63 313,61 7 3,14 3,14 3,14 2,91 7,19 11,65 15,96 216,66 311,76 8 2,33 2,33 4,14 4,14 4,14 16,22 21,01 220,59 310,08 9 3,56 3,56 3,56 3,29 3,48 16,10 23,02 225,35 315, ,01 3,25 3,25 2,39 4,03 14,98 23,29 222,92 312, ,75 3,75 3,00 3,00 2,72 11,37 20,79 220,21 308, ,07 2,39 2,39 2,39 6,80 9,80 20,29 224,08 310, ,74 3,74 3,50 3,50 3,50 13,60 17,66 219,61 316, ,93 2,93 4,04 4,69 4,69 14,43 19,86 222,93 318, ,09 3,09 3,09 2,44 2,44 11,56 19,50 227,57 317, ,46 3,46 6,27 6,27 6,27 15,37 20,36 222,82 309, ,79 3,79 3,79 3,65 3,65 13,67 18,83 222,39 312, ,93 2,93 5,25 5,25 7,10 14,31 19,21 219,93 307, ,11 3,11 3,45 3,45 3,45 10,84 15,21 220,69 312, ,17 3,17 3,17 3,09 3,09 12,46 19,37 218,64 311, ,22 3,22 2,70 2,70 3,45 14,28 17,59 225,95 315, ,50 3,50 3,50 2,78 3,72 13,70 21,52 215,86 312, ,87 3,87 3,87 5,39 5,80 15,29 19,56 221,79 307, ,14 3,14 4,37 4,37 5,77 9,05 12,61 221,90 308, ,86 3,86 3,86 3,78 2,82 13,80 21,44 220,32 310, ,89 2,89 2,83 2,83 2,84 11,50 21,33 223,21 314, ,78 3,78 3,82 3,45 3,45 12,55 16,71 221,96 309, ,53 3,53 3,53 3,44 5,11 15,50 21,58 222,11 312, ,62 3,19 2,45 2,45 2,91 16,90 20,06 225,07 312, ,36 3,18 3,18 3,18 4,31 14,61 19,21 222,65 308, ,02 6,02 5,90 5,90 5,90 15,08 20,31 220,74 316, ,78 3,78 3,78 3,85 2,95 13,90 22,33 222,68 309, ,82 4,13 4,75 4,65 4,65 15,95 22,80 217,05 311, ,73 3,58 3,58 2,76 2,76 11,05 22,31 217,43 304, ,81 3,52 3,52 3,22 3,33 14,50 21,57 219,44 312, ,91 2,91 2,38 2,38 2,38 13,36 18,59 223,60 311, ,36 3,36 3,02 3,02 3,02 13,36 18,05 218,90 311, ,32 3,08 3,08 2,24 2,24 14,48 18,24 220,89 307, ,57 3,57 3,22 3,22 3,85 14,05 20,08 224,37 314, ,53 3,20 5,60 5,60 5,82 8,55 11,74 223,23 309, ,83 2,83 3,26 3,26 3,26 4,71 14,78 19,00 227,38
25 69 Kasus 4 : Populasi dengan 5 gerombol yang saling tumpang tindih (P5) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,62 3,06 2,54 2,54 4,23 16,27 20,01 219,68 312, ,71 3,71 4,29 5,54 5,51 15,74 21,23 225,54 315, ,02 4,02 3,55 3,55 3,54 12,31 17,39 223,06 311, ,60 3,31 2,65 2,65 2,65 12,72 17,04 223,90 312, ,23 2,58 2,58 2,58 4,77 15,51 21,64 220,77 315, ,48 2,69 2,69 2,24 7,30 14,62 19,17 220,79 309, ,50 4,20 4,17 3,17 3,17 15,97 19,51 216,59 310, ,14 4,19 4,19 4,19 5,87 13,29 15,97 217,65 310, ,62 3,62 3,65 3,49 3,49 14,81 19,97 220,76 317, ,71 4,09 3,22 2,90 2,90 13,40 18,25 222,99 314, ,30 4,30 4,47 4,69 4,69 14,11 19,03 226,83 315, ,97 2,97 2,97 3,28 3,28 16,69 21,10 220,91 317, ,08 7,42 6,78 6,68 6,68 15,60 18,17 222,41 319, ,79 3,79 3,16 6,11 6,57 14,78 18,03 219,77 308, ,93 2,93 5,90 5,90 10,01 11,62 14,54 223,63 316, ,85 4,34 6,15 6,15 5,42 14,64 19,07 221,04 311, ,72 4,72 5,96 6,19 5,99 5,99 19,45 225,54 320, ,73 3,73 3,23 3,23 3,23 11,58 16,89 222,81 310, ,99 2,99 3,01 4,52 4,52 15,13 22,55 219,35 309, ,04 2,48 2,48 2,05 2,05 12,33 17,12 216,78 305, ,76 3,76 3,11 3,11 3,11 15,64 20,24 220,98 315, ,56 3,99 4,63 4,88 4,88 15,35 24,32 218,03 303, ,16 3,68 3,51 3,51 2,80 13,93 18,80 219,50 311, ,40 3,40 3,40 3,05 3,05 7,84 18,93 227,26 314, ,68 2,68 2,68 4,00 6,19 16,20 20,04 222,79 311, ,68 3,68 3,68 3,68 3,76 13,72 17,88 225,95 312, ,40 3,35 3,35 2,96 2,96 16,98 22,02 216,67 313, ,15 3,15 3,15 5,54 6,38 14,80 21,20 223,16 310, ,35 3,87 3,41 3,27 3,27 10,86 19,66 219,24 311, ,41 3,41 3,19 3,19 3,19 17,61 21,41 230,05 319, ,54 3,54 3,43 2,56 8,79 14,01 23,03 221,40 310, ,35 3,35 2,54 2,54 4,24 13,69 18,09 222,64 308, ,83 3,08 3,08 3,08 2,71 12,59 17,73 222,11 311, ,08 3,08 2,59 2,46 2,46 13,24 15,79 221,86 318, ,87 4,68 3,68 3,31 2,97 14,30 19,75 223,79 312, ,23 4,17 3,09 3,09 3,74 13,68 16,42 220,63 308, ,16 3,16 3,16 2,81 2,59 13,18 19,46 228,23 318, ,64 3,64 3,18 3,18 2,94 16,11 20,80 225,50 313, ,21 3,21 3,21 6,56 6,56 9,86 20,84 215,58 309, ,37 3,37 3,27 3,27 3,27 16,47 22,29 225,73 315,84
26 70 Kasus 4 : Populasi dengan 5 gerombol yang saling tumpang tindih (P5) dan peubah kontinu (V1) Ukuran data = 500, dengan 100 ulangan Jarak Penggabungan 10 to 9 9 to 8 8 to 7 7 to 6 6 to 5 5 to 4 4 to 3 3 to 2 2 to ,78 3,95 3,95 3,95 6,88 13,05 17,03 219,16 318, ,80 3,42 3,42 6,00 4,57 14,63 24,07 224,54 313, ,33 3,33 3,33 3,05 3,05 14,37 19,58 221,72 308, ,28 3,77 3,03 3,03 2,67 15,43 22,38 218,30 313, ,49 3,49 3,49 3,95 3,95 16,76 21,99 222,97 313, ,84 3,84 3,22 3,22 3,22 10,41 20,19 222,75 313, ,73 2,83 2,83 2,83 3,92 14,63 21,33 225,04 311, ,13 4,13 4,92 4,50 4,50 15,20 18,87 224,74 310, ,11 3,11 3,11 4,09 7,54 11,72 16,08 223,80 321, ,64 3,38 3,38 3,32 2,80 17,61 22,02 217,47 310, ,77 3,47 3,02 3,02 7,75 10,79 21,93 220,37 313, ,00 3,00 2,34 2,34 11,24 12,77 16,84 221,12 316, ,11 3,11 3,11 6,16 6,16 9,13 12,45 223,03 311, ,82 3,40 3,40 2,27 2,27 11,47 20,35 227,69 315, ,63 2,63 4,17 4,17 4,17 10,55 15,11 220,06 311, ,66 2,39 2,39 4,89 5,73 18,13 21,95 226,84 317, ,77 2,77 2,77 2,39 9,69 14,95 18,74 226,27 314, ,83 3,83 3,83 3,83 3,14 13,70 20,35 221,66 316, ,14 3,14 3,14 3,06 3,06 12,15 20,43 219,98 304,43
KARAKTERISTIK MAHASISWA PENDIDIKAN MATEMATIKA IAIN ANTASARI BANJARMASIN DENGAN MENGGUNAKAN METODE TWO STEP CLUSTER (Studi Kasus Angkatan 2012/2013)
JPM IAIN Antasari Vol. 01 No. 1 Juli Desember 2013, h. 21-30 KARAKTERISTIK MAHASISWA PENDIDIKAN MATEMATIKA IAIN ANTASARI BANJARMASIN DENGAN MENGGUNAKAN METODE TWO STEP CLUSTER Sessi Rewetty Rivilla (Ketua),
Penggunaan 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
PERBANDINGAN 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
BAHAN DAN METODE. Bahan
15 BAHAN DAN METODE Bahan Model Populasi Hipotetik Pada penelitian ini akan digunakan pendekatan simulasi untuk mengevaluasi efektivitas algoritma TwoStep Cluster, sebagai mana dinyatakan pada tujuan penelitian.
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
PERBANDINGAN UKURAN JARAK LOG-LIKELIHOOD DAN EUCLIDEAN PADA PEMBENTUKAN GEROMBOL DENGAN MENGGUNAKAN ANALISIS TWO STEP CLUSTER NUR MILA SARI
PERBANDINGAN UKURAN JARAK LOG-LIKELIHOOD DAN EUCLIDEAN PADA PEMBENTUKAN GEROMBOL DENGAN MENGGUNAKAN ANALISIS TWO STEP CLUSTER NUR MILA SARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
HASIL DAN PEMBAHASAN
6 Uji Kebaikan Suai Khi-Kuadrat (Chi-Square Goodness of Fit Test) Uji kebaikan suai khi-kuadrat merupakan uji yang dilakukan untuk mengevaluasi apakah contoh yang terpilih mewakili populasi atau tidak.
Student 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
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
PENGGEROMBOLAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN FASILITAS KESEHATAN DASAR MENGGUNAKAN METODE TWO STEP CLUSTER
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 121 129 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENGGEROMBOLAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN FASILITAS KESEHATAN DASAR MENGGUNAKAN METODE TWO
Sri Indra Maiyanti, Endro Setyo Cahyono, Weni Winata. Universitas Sriwijaya
APLIKASI METODE TWO STEP CLUSTER UNTUK PENGELOMPOKKAN MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SRIWIJAYA (STUDI KASUS : MAHASISWA ANGKATAN 2010) Sri Indra Maiyanti, Endro Setyo
PENGGEROMBOLAN 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
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
4. Bagaimana pengaruh perceived quality atas produk Pertamax di SPBU Pertamina Pasteur terhadap tingkat kepuasan konsumen? Berdasarkan hasil analisa r
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian yang telah dijelaskan dalam bab sebelumnya, maka dapat dijelaskan jawaban dari pertanyaan-pertanyaan penelitian yaitu sebagai berikut
x 1 x 3 x 4 y 1 x 5 x 6 x 7 x 8 BAHAN DAN METODE δ 1 λ 41 ξ 1 δ 4 λ 51 γ 21 δ 6 λ 61 ε 1 δ 3 η 1 γ 31 δ 7 λ 71 ξ 2 λ 81 ξ 3 λ 31 δ 5
8 BAHAN DAN METODE Bahan Data yang digunakan dalam penulisan ini diperoleh dari PT. MARS yaitu hasil survei konsumen terhadap produk-produk toilettris (keperluan mandi) pada tahun 005. Metode Secara garis
KAJIAN METODE PENGGEROMBOLAN DUA TAHAP UNTUK DATA YANG MENGANDUNG PENCILAN ARNI NURWIDA
KAJIAN METODE PENGGEROMBOLAN DUA TAHAP UNTUK DATA YANG MENGANDUNG PENCILAN ARNI NURWIDA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Rabiner L, Juang BH Fundamental of Speech Recognition. New Jersey: PTR Prentice-Hall, Inc. Reynolds D.A An Overview of Automatic
DAFTAR PUSTAKA Bolat B, Yildirim T. 2003. Performance increasing methods for probabilistic Neural Networks. Pakistan Journal of Information and Technology 2(3):250-255. Campbell, J.P., 1997, Speaker Recognition:
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
BAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan data yang telah dikumpulkan, diolah, dan dianalisa, maka dapat ditarik beberapa kesimpulan yakni sebagai berikut : 1. Dari hasil penyebaran kuesioner
DETEKSI 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
APLIKASI METODE TWOSTEP CLUSTER PADA UKURAN DATA BERBEDA Studi Kasus: Data Potensi Desa 2006 untuk Wilayah Jawa Barat NURSHAUMI FITRIANI HAKIM
APLIKASI METODE TWOSTEP CLUSTER PADA UKURAN DATA BERBEDA Studi Kasus: Data Potensi Desa 2006 untuk Wilayah Jawa Barat NURSHAUMI FITRIANI HAKIM DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
BAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan 1. Berdasarkan hasil analisis yang dilakukan dapat disimpulkan bahwa Awareness konsumen di kota bandung terhadap Alfacart masih netral karena konsumen masih belum
Tabel 6 Daftar peubah karakteristik
6 Tabel 6 Daftar peubah karakteristik Kode. Keterangan X1 Hasil gabah (kg/ha) X2 Umur saat akar tembus lilin (HST) X3 Jumlah akar tembus X4 Panjang akar tembus (cm) X5 Berat akar (gr) X6 Laju asimilasi
PENERAPAN ANALISIS DISKRIMINAN DALAM PENGELOMPOKAN DESA MISKIN DI KABUPATEN WAJO
34 PENERAPAN ANALISIS DISKRIMINAN DALAM PENGELOMPOKAN DESA MISKIN DI KABUPATEN WAJO Suwardi Annas 1, Irwan 1 1 Program Studi Statistika FMIPA UNM Abstrak Jenis penelitian ini adalah penelitian eksplorasi
Pengelompokan Kejadian Kecelakaan Lalu Lintas Karawang Menggunakan Latent Class Cluster
Pengelompokan Kejadian Kecelakaan Lalu Lintas Karawang Menggunakan Latent Class Cluster Mohamad Jajuli 1, Carudin 2 Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang Jl. H. S. Ronggowaluyo Telukjambe
Penggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5
Penggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5 Oleh: Muji Gunarto (mgunarto@hotmail.com) I. Pendahuluan (Landasan Teori) Analisis faktor adalah salah satu analisis yang
Kelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika
4 Kelas 2 Kelas 1 N3 N4 N3 N4 Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika BAHAN DAN METODE Bahan Data yang digunakan adalah data nilai capaian mahasiswa dalam
PEREDUKSIAN PEUBAH PADA METODE TWO STEP CLUSTER (Studi Kasus Penggerombolan Desa/Kelurahan di Jawa Barat) RANI KARLINA
PEREDUKSIAN PEUBAH PADA METODE TWO STEP CLUSTER (Studi Kasus Penggerombolan Desa/Kelurahan di Jawa Barat) RANI KARLINA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Aplikasi Multidimensional Scaling Untuk Peningkatan Pelayanan Proses Belajar Mengajar (PBM).
Aplikasi Multidimensional Scaling Untuk Peningkatan Pelayanan Proses Belajar Mengajar (PBM). Irlandia Ginanjar Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Abstrak Tujuan dari penelitian ini
HASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Pengolahan 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
Metode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
PENERAPAN METODE PENGGEROMBOLAN BERDASARKAN GAUSSIAN MIXTURE MODELS DENGAN MENGGUNAKAN ALGORITMA EXPECTATION MAXIMIZATION ULA SUSILAWATI
PENERAPAN METODE PENGGEROMBOLAN BERDASARKAN GAUSSIAN MIXTURE MODELS DENGAN MENGGUNAKAN ALGORITMA EXPECTATION MAXIMIZATION ULA SUSILAWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
BAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan 1.Brand salience smartphone Xiaomi baik karena brand tidak hanya sekedar diketahui oleh para responden,tetapi lebih dari itu responden dapat mengidentifikasi smartphone
SATUAN ACARA PERKULIAHAN (SAP) PROGRAM STUDI MAGISTER MANAJEMEN Universitas Dian Nuswantoro
Pertemuan ke : Kompetensi Dasar Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran Rujukan 1-2 Setelah mengikuti perkuliahan Segmentasi Pasar Pemahaman tentang Segmentasi Pasar, Target Pasar, Posisi
ANALISIS DISKRIMINAN LOGISTIK UNTUK KLASIFIKASI SEKOLAH STANDAR INTERNASIONAL BERDASARKAN STATUS AFILIASI
Xplore, 2013, Vol. 2(1):e4(1-7) c 2013 Departemen Statistika FMIPA IPB ANALISIS DISKRIMINAN LOGISTIK UNTUK KLASIFIKASI SEKOLAH STANDAR INTERNASIONAL BERDASARKAN STATUS AFILIASI Syella Sumampouw, Muhammad
KOMPARASI 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
PENERAPAN METODE CART
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 2, No. 2, Juli 2017, pp. 78-83 PENERAPAN METODE CART (CLASSIFICATION AND REGRESSION TREES) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
KLASIFIKASI 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
ANALISIS GEROMBOL MENGGUNAKAN METODE TWO STEP CLUSTER (Studi kasus : data Potensi Desa Sensus Ekonomi 2003 wilayah Jawa Barat)
Forum Statistika dan omputasi, pril 007, p: 8-3 ISSN : 0853-85 NLISIS GEROMOL MENGGUNN METODE TWO STEP CLUSTER (Studi kasus : data Potensi Desa Sensus Ekonomi 003 wilayah Jawa arat) I Made Sumertaaya dan
Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Kategorisasi Pengguna Internet di Kalangan Pelajar SD dan SMP Menggunakan Metode Twostep Cluster
Kategorisasi Pengguna Internet di Kalangan Pelajar SD dan SMP Menggunakan Metode Twostep Cluster Emir Mauludi Husni 1), Agus Fatulloh ) Departemen Teknik Elektro, STEI, Institut Teknologi Bandung, Bandung,
BAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Penelitian ini dilakukan bertujuan untuk menganalisis pengaruh bauran pemasaran Rumah Makan Bakso Salatiga Bandung terhadap loyalitas konsumen Bakso Salatiga,
METODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT ABSTRAK
METODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT (Studi Kasus PT. XYZ) Muhamad Iqbal Mawardi Departemen Statistika, Universitas
JURNAL MATEMATIKA DAN PEMBELAJARANNYA 2016 VOLUME 2, NO. 1. ISSN
VOLUME 2, NO. 1. ISSN 2303-0992 N. PONTO PENGKAJIAN PEMBENTUKAN MODEL KLASIFIKASI DALAM PENGELOMPOKKAN JURUSAN SISWA DI SMA (Studi Kasus: Siswa SMA Negeri Siau Timur Kabupaten Siau Tagulandang Biaro Propinsi
BAB 5 SIMPULAN DAN SARAN 5.1 Simpulan Dari hasil pengujian hipotesis dan pembahasan, maka kesimpulan yang dapat dijelaskan dalam penelitian ini
72 BAB 5 SIMPULAN DAN SARAN 5.1 Simpulan Dari hasil pengujian hipotesis dan pembahasan, maka kesimpulan yang dapat dijelaskan dalam penelitian ini adalah sebagai berikut: 1. Berdasarkan hasil penelitian
DETEKSI OUTLIER BERBASIS KLASTER PADA DATA SET DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL TESIS DWI MARYONO
DETEKSI OUTLIER BERBASIS KLASTER PADA DATA SET DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL TESIS DWI MARYONO 5107201006 LATAR BELAKANG MASALAH Deteksi Outlier Data Set Numerik : distance-based, density-based,
PENGGUNAAN 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
BAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan hasil penelitian dan pembahasan yang telah diuraikan dalam bab sebelumnya, maka penulis dapat menarik beberapa kesimpulan sebagai berikut: 1. Biaya
dianalisis dengan menggunakan
4 1. Eksplorasi data keluaran FTIR a. Membuat plot antara nilai absorban dan bilangan gelombang untuk setiap bahan temuan. Sumbu vertikal untuk nilai absorban dan sumbu horizontal untuk bilangan gelombang.
CLUSTERING 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
PREDICTION-CFA PADA CFA REGIONAL
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PREDICTION-CFA PADA CFA REGIONAL Resa Septiani Pontoh Jurusan Statistika,
OPTIMASI PUSAT KLASTER MENGGUNAKAN ALGORITMA FAST GENETIC KMEAN PADA DATA BERDISTRIBUSI NORMAL
OPTIMASI PUSAT KLASTER MENGGUNAKAN ALGORITMA FAST GENETIC KMEAN PADA DATA BERDISTRIBUSI NORMAL Budi Nur Iman, Entin Martiana K, Umi Sa adah Politeknik Elektronika Negeri Surabaya (PENS), ITS Surabaya,
SATUAN ACARA PERKULIAHAN
SATUAN ACARA PERKULIAHAN Mata Kuliah : MANAJEMEN PEMASARAN Fakultas : EKONOMI Program Studi : MANAJEMEN / AKUNTANSI Kode MK : EMD Jumlah Kredit : 3 ( Tiga ) SKS S e m e s t e r : IV ( Empat ) Dosen Pengampu
BAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi
76 BAB IV PENUTUP A. Kesimpulan Model Seemingly Unrelated Regression (SUR) merupakan perluasan dari analisis regresi linear yang berupa sistem persamaan yang terdiri dari beberapa persamaam regresi yang
BAB V KESIMPULAN. 5.1 Kesimpulan. Penelitian ini dilakukan untuk melihat penerapan Total Quality
BAB V KESIMPULAN 5.1 Kesimpulan Penelitian ini dilakukan untuk melihat penerapan Total Quality Management yang dilakukan pada fakultas ekonomi pada tiga universitas yang ada di Yogyakarta. Dan dari hasil
Student Clustering Based Olll Academic Using K.. Means Algoritms
Student Clustering Based Olll Academic Using K.. Means Algoritms HirOlllnm.us Leong 1, Shlnta Estn Wab.yun.ingrum 2 1,2 Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA
PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA APPLICATION OF GUSTAFSON-KESSEL CLUSTERING METHODS FOR SEGMENTATION DETERMINING DEBTOR AT BANK CIMB
Kata 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
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
BAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan kegiatan analisa proses bisnis dan pemodelan arsitektur bisnis, informasi, data, aplikasi, dan teknologi yang sudah dilakukan pada bagian sebelumnya,
Analisis Pengelompokan dengan Metode K-Rataan
511 Analisis Pengelompokan dengan Metode K-Rataan Titin Agustin Nengsih Fakultas Syariah IAIN Sulthan Thaha Saifuddin Jambi Abstrak Analisis pengelompokkan adalah salah satu metode eksplorasi data untuk
QUERY-SENSITIVE SIMILARITY MEASURE DALAM TEMU KEMBALI DOKUMEN BERBAHASA INDONESIA ABSTRAK
QUERY-SENSITIVE SIMILARITY MEASURE DALAM TEMU KEMBALI DOKUMEN BERBAHASA INDONESIA Sri Nurdiati 1, Julio Adisantoso 1, Adam Salnor Akbar 2 1 Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut
K-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN
1 K-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN Rani Nooraeni*, Dr. Jadi Supriadi, DEA, Zulhanif, S.Si,M.Sc Jurusan statistika terapan, Fakultas MIPA UNPAD rnooraeni@gmail.com* Abstrak.Membagi suatu data
BAB V KESIMPULAN. Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces
BAB V KESIMPULAN Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Pengenalan Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces Terdekomposisi QR dapat disimpulkan sebagai
BAB7 KESIMPULAN DAN SARAN
BAB7 KESIMPULAN DAN SARAN BAB 7 SIMPULAN DAN SARAN 7.1. Simpulan Atas dasar hasil analisis dan pembahasan, maka simpulan yang dapat diberikan adalah: 1. PT. CJSP telah merumuskan dan mengimplementasikan
ANALISIS REGRESI KELAS LATEN UNTUK DATA KATEGORIK DENGAN SATU KOVARIAT (LATENT CLASS REGRESSION ANALYSIS FOR CATEGORICAL DATA WITH ONE COVARIATE)
7 ANALISIS REGRESI KELAS LATEN UNTUK DATA KATEGORIK DENGAN SATU KOVARIAT (LATENT CLASS REGRESSION ANALYSIS FOR CATEGORICAL DATA WITH ONE COVARIATE) Haeruddin, I Made Tirta, Yuliani Setia Dewi Jurusan Matematika,
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
PENGGEROMBOLAN DUA TAHAP SEKOLAH TINGKAT SMP/MTS BERDASARKAN INDIKATOR PENCAPAIAN STANDAR PELAYANAN MINIMAL PENDIDIKAN DASAR ANGGI BUDI PRATIWI
PENGGEROMBOLAN DUA TAHAP SEKOLAH TINGKAT SMP/MTS BERDASARKAN INDIKATOR PENCAPAIAN STANDAR PELAYANAN MINIMAL PENDIDIKAN DASAR ANGGI BUDI PRATIWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
BAB 5 KESIMPULAN DAN SARAN
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan rumusan masalah yang sudah ditetapkan di Bab 1, maka dapat ditarik kesimpulan sebagai berikut: 1. Diperoleh karakteristik kebutuhan dan keinginan konsumen
PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models)
, Oktober 2009 p : 1-7 ISSN : 0853-8115 Vol 14 No.2 PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular 1, Aunuddin 2, Hari Wijayanto 2 1 Jurusan Statistika FMIPA Universitas Padjadjaran
PENGGEROMBOLAN DUA TAHAP IKAN TEMBANG (Sardinella fimbriata) DI PERAIRAN TELUK BANTEN KARTIKA ADI PRATIWI
PENGGEROMBOLAN DUA TAHAP IKAN TEMBANG (Sardinella fimbriata) DI PERAIRAN TELUK BANTEN KARTIKA ADI PRATIWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
JURNAL 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,
CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai
CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai Penguasaan Pengetahuan 5.1 Mampu mengidentifikasi permasalahan multivariat 5.2 Mampu menerapkan konsep
BAB 6 PENUTUP. untuk mengetahui apakah hipotesis dapat diterima atau tidak, maka dapat ditarik
103 BAB 6 PENUTUP 6.1 Kesimpulan Berdasarkan hasil penelitian dan pembahasan pada Bab 6 yang digunakan untuk mengetahui apakah hipotesis dapat diterima atau tidak, maka dapat ditarik kesimpulan sebagai
BABS SIMPULAN DAN SARAN
BABS SIMPULAN DAN SARAN 5.1. Simpulan Berdasarkan analisis dan pembahasan yang telah dilakukan, maka pada bagian akhir dari seluruh analisis dalam penyusunan skripsi ini penulis akan memberikan simpulan
Rini Andari, S.pd, MM
DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS PENDIDIKAN INDONESIA FAKULTAS PENDIDIKAN ILMU PENGETAHUAN PROGRAM STUDI MANAJEMEN PEMASARAN PAR Jl. Dr. Setiabudhi No. 229 Bandung 40154 Tlp. (022) 2013163, Telp/Fax.
Masalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
IBM. (1984). Five Stage of Problem Solving Process, New York.
REFERENCE Cachon, G. and Terwiesch, C. (2006), Matching Supply with Demand: An Introduction to Operations Management. International edition, McGrawHill, New York. Chopra, S. and Meindl, P. (2007), Supply
Semester : VI Hal: 1 dari 6. No.Revisi : 00. Deskripsi. Kemampuan manjerial. tertulis. Sikap dan. tata nilai 2-RP 1-CP DN, PA,BAK& RN)
PROD S1 STATSTKA FMPA TS RP S1 SP 08 Kurikulum 2014, Edisi : September 2014 A. CAPAAN PEMBELAJARAN : CP 11.11 : Mampu menganalisis data secara KUANTTATF baik secara Univariat maupun Multivariat serta menerapkannya
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan Ni Made Anindya Santika Devi, I Ketut Gede Darma Putra, I Made Sukarsa Jurusan Teknologi Informasi, Universitas Udayana Bukit Jimbaran,
PEMBUATAN DESAIN SISTEM CUSTOMER RELATIONSHIP MANAGEMENT UNTUK MEMPERTAHANKAN DAN MEMPERLUAS HUBUNGAN DENGAN PELANGGAN PADA SEKURITAS ABC
PEMBUATAN DESAIN SISTEM CUSTOMER RELATIONSHIP MANAGEMENT UNTUK MEMPERTAHANKAN DAN MEMPERLUAS HUBUNGAN DENGAN PELANGGAN PADA SEKURITAS ABC Hengky Alexander M dan Mahendrawathi ER Program Studi Magister
MENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
HUBUNGAN TIPE STRATEGI BISNIS DAN STRATEGI PEMASARAN DALAM MENCIPTAKAN KEUNGGULAN BERSAING PERUSAHAAN DENGAN MENGGUNAKAN MANAJEMEN TENAGA PENJUAL
HUBUNGAN TIPE STRATEGI BISNIS DAN STRATEGI PEMASARAN DALAM MENCIPTAKAN KEUNGGULAN BERSAING PERUSAHAAN DENGAN MENGGUNAKAN MANAJEMEN TENAGA PENJUAL Oleh: Herlina (Staf Pengajar Fakultas Ekonomi Universitas
Semakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
BAB 7 SIMPULAN DAN SARAN
BAB 7 SIMPULAN DAN SARAN BAB7 SIMPULAN DAN SARAN 7.1. Simp ulan Model sistem informasi manufaktur, tersusun dari subsistem input yang dimasukkan dalam database dan menghasilkan subsistem output. Subsistem
Fuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
IV HASIL DAN PEMBAHASAN
5 IV HASIL DAN PEMBAHASAN 4.1 Pembangkitan Data Hipotetik Data dibangkitkan dengan bantuan software Mathematica yaitu dengan cara mencari solusi numerik dari model dinamik dengan memberikan nilai parameter
PENERAPAN 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 :
Data 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
ANALISIS DAN PEMBAHASAN
[D1]RMSEP NWP saya liat dari mbak dewinta krn data training dan testingnya sama ANALISIS DAN PEMBAHASAN Validasi Model Nilai RMSEP MOS ICA dan PCA Stamet Tanjung Priok Cengkareng Curug Darmaga Unsur Cuaca
STATISTIKA I. Ari Wibowo, MPd Prodi PAI Jurusan Tarbiyah STAIN Surakarta. Kode Matakuliah: PAI111, 2sks Tujuan Instruksional Umum:
STATISTIKA I Ari Wibowo, MPd Prodi PAI Jurusan Tarbiyah STAIN Surakarta Kode Matakuliah: PAI111, 2sks Tujuan Instruksional Umum: Setelah mengikuti mata kuliah ini selama satu semester, mahasiswa akan dapat
PERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 17 4 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN BAGAN KENDALI T HOTELLING KLASIK DENGAN T HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI
KLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 2, No. 1, April 2015, hlm. 29-33 KLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA Dian Eka Ratnawati 1, Indriati 2 1,2 Program Studi