BAB II LANDASAN TEORI
|
|
- Ivan Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI 1.1 Customer Relationship Management (CRM) CRM adalah perpaduan antara teori, metode, teknik, kompetensi dan software enterprise untuk mengembangkan jangka panjang perusahaan dengan pelanggan dan memperbaiki hubungan pelanggan [35]. Pengertian CRM dari sisi teknologi informasi adalah sebuah strategi untuk mengoptimalkan nilai lifetime pelanggan dengan cara mengetahui lebih banyak mengenai informasi pelanggan dan berinteraksi dengan pelanggan secara intensif [31]. Pengertian CRM dari sisi komunikasi dan manajemen, ialah sebuah pendekatan perusahaan untuk memahami dan mempengaruhi perilaku pelanggan melalui komunikasi yang intensif dalam rangka meningkatkan akuisisi pelanggan, mempertahankan pelanggan dan loyalitas pelanggan [29]. Pengertian CRM dari segi bisnis dapat diartikan sebuah strategi bisnis untuk memahami, mengantisipasi dan mengelola kebutuhan pelanggan yang potensial dalam suatu organisasi pada saat sekarang dan yang akan datang [4]. Dua tujuan dari CRM yaitu daya tarik pelanggan (customer attraction) dan pilihan pelanggan (customer retention). Fase daya tarik (attraction) menunjukkan aktivitas untuk menarik pelanggan potensional untuk membeli atau menggunakan produk. Pada fase retention fokus menjaga hubungan dalam jangka waktu lama[14]. CRM dapat diklasifikasikan dalam 3 jenis, yaitu: 1. Operational CRM. Mengoptimasi proses bisnis yang berinteraksi secara langsung dengan pelanggannya. CRM memiliki berbagai macam aplikasi yang diterapkan dalam pemasaran, penjualan dan pelayanan yang mendukung proses bisnis. Aplikasi proses bisnis yang menerapkan hal diatas tergolong dalam aplikasi operasional. 2. Analytical CRM. Merupakan proses analisis dari data-data yang dihasilkan pada Operational CRM. Tantangan bagi perusahaan sekarang ini adalah untuk mengerti apa yang menjadi permintaan pelanggan dan memberikan respon, secara lebih baik, mengantisipasi kebutuhan mereka. Analytical CRM 8
2 9 memungkinkan perusahaan untuk mendapatkan suatu pengetahuan akan pelanggan dan melakukan penaksiran atau estimasi terhadap pelanggan berdasarkan data-data analisis yang dipakai. Analytical CRM terdiri dari semua programming yang menganalisis data tentang pelanggan perusahaan, sehingga keputusan yang lebih cepat dan lebih baik dapat dihasilkan. Contoh dari Analytical CRM adalah business intelligence seperti data warehouse, OLAP dan data mining. 3. Collaborative CRM. Aplikasi pelayanan yang terkolaborasi, seperti , personalized publishing, e-communities, forum diskusi, dan sarana lainnya yang dirancang untuk memfasilitasi interaksi antara pelanggan dan pihak perusahaan. CRM jenis ini bertujuan untuk menggunakan informasi yang dikumpulkan secara bersama di semua departemen untuk peningkatkan kualitas pelayanan yang diberikan. 1.2 Data Mining Data mining merupakan proses pencarian pola-pola yang menarik dan tersembunyi (hidden pattern) dari suatu kumpulan data yang berukuran besar yang tersimpan dalam suatu basis data, data warehouse, atau tempat penyimpanan data lainnya. Kunci dari data mining meliputi data, informasi dan keputusan bisnis. Data akan diolah menjadi informasi. Tujuan akhir data mining menggunakan informasi untuk membuat lebih efisisen keputusan bisnis dan mengambil keputusan secara tepat [19]. Pertumbuhan di bidang data mining ditentukan oleh berbagai faktor: Pertumbuhan dalam pengumpulan data, menyimpan data dalam gudang data, sehingga seluruh perusahaan memiliki akses ke database saat ini dapat diandalkan, ketersediaan peningkatan akses ke data dari web navigasi dan intranet, tekanan kompetitif untuk meningkatkan pangsa pasar dalam ekonomi global, pertumbuhan yang luar biasa dalam daya komputasi dan kapasitas penyimpanan [27]. Data mining sering disebut Knowledge Discovery from Data atau KDD. Tahapan data mining ditunjukkan pada gambar 2.2.
3 10 Gambar 2.2 Tahapan Data Mining [10] Gambar 2.2 merupakan tahapan umum proses data mining yang di lakukan dalam penelitian. Tahapan pada data mining yaitu: 1. Data cleaning merupakan proses penghilangan noise, data yang tidak relevan. 2. Data integration merupakan proses menggabungkan data dari berbagai data sumber ke dalam database. 3. Data selection merupakan proses pemilihan data yang digunakan untuk proses data mining. 4. Data transformation merupakan proses mentransformasikan dan mengkonsolidasikan data yang digunakan untuk proses mining. 5. Data mining merupakan proses utama mencari pengetahuan dari informasi tersembunyi. 6. Pattern evaluation ialah proses mengidentifikasi pola yang telah didapat.
4 11 7. Knowledge presentation merupakan visualisasi dan presentasi pengetahuan yang telah didapat kepada pengguna. 1.3 Hubungan CRM dan Data Mining Data yang diperlukan untuk data mining berasal dari sistem CRM. Pengolahan data mining bertujuan untuk mewujudkan tujuan CRM. Data mining dan CRM menekankan hal yang berbeda data mining dapat secara efektif mencari pelanggan potensial, kecenderungan pasar dengan penekanan pada penggunaan perangkat lunak, metode dan teknik, sedangkan CRM lebih menekankan tujuan dan proses, untuk mewujudkan tujuan tersebut bergantung pada data mining. Data mining dan CRM mempunyai target akhir yang sama yaitu menemukan yang dibutuhkan konsumen, kepuasan dan kesetiaan konsumen serta profit. Data mining merupakan bagian dari CRM. CRM adalah kombinasi dari teori, metode, teknik dan software. Data mining termasuk dari teknik [3]. Data mining dapat meningkatkan keuntungan di setiap langkah customer life cycle ketika diintegrasikan dengan operational, analytical dan collaborative CRM system [32]. 2.4 RFM (Recency, Frequency and Monetary) Model analisa RFM dikembangkan pertama kali oleh Hughes sebagai metode untuk menganalisis nilai pelanggan. Model ini membedakan pelanggan yang penting dari sejumlah data dengan menggunakan tiga atribut yaitu selang waktu (interval) pemakaian pelanggan, frekuensi dan jumlah uang [12]. Ketiga atribut tersebut secara detail dideskripsikan seperti di bawah ini : 1. Recency the last Purchase (R). R merepresentasikan resensi, yang berarti adalah jarak antara waktu terakhir pemakaian/pembelian dengan waktu sekarang. 2. Frequency of the purchases (F) F mempresentasikan frekuensi, yang artinya adalah jumlah transaksi pada periode tertentu. 3. Monetary Value of the purchases (M)
5 12 M merepresentasikan moneter, yang artinya adalah jumlah uang yang digunakan untuk pembelian pada periode tertentu Menurut ketiga atribut tersebut memiliki tingkat kepentingan yang berbeda bergantung pada karakteristik sector industry, sehingga bobot dari tiga variabel tidak sama [24]. Penerapan Model RFM sudah banyak digunakan dalam berbagai penelitian berikut beberapa penelitiannya : 1. Penelitian Rully Agus Hendrawan 2015, penelitian tersebut menggunakan metode RFM (Recency, Frequency and Monetary) untuk mengenali karakteristik pelanggan pada perusahaan farmasi dengan baik [1]. 2. Penelitian Reza Allahyari Soeini 2012, penelitian tersebut menggunakan metode RFM (Recency, Frequency and Monetary) untuk mengenali perilaku pelanggan industri asuransi [2]. 3. Penelitian Kaymak menggunakan fuzzy clustering dan model RFM. Penelitian tersebut bertujuan untuk menentukan pelanggan potensial pemakai produk tertentu dari suatu database [13]. 4. McCarty dan Hastak dalam penelitiannya, menggunakan pendekatan metode segmentasi data mining membandingkan RFM (Recency, Frequency dan Monetary), CHAID dan logistic regression. CHAID cenderung unggul daripada RFM ketika tingkat respon rendah dan data yang kecil. RFM merupakan metode yang dapat diterima dalam berbagai keadaan. RFM dapat menyelesaikan masalah dengan banyak transaksi yang dapat membantu perusahaan dalam menghadapi pelanggan [20]. 2.5 Algoritma Fuzzy C-Means Tahun 1981, Jim Bezdek memperkenalkan untuk pertama kalinya metode Fuzzy C-Means (FCM), salah satu metode clustering yang termasuk dalam penggolongan fuzzy clustering berdasarkan uncertainty data [17]. Metode ini menerapkan model pengelompok/kan fuzzy agar data bisa menjadi anggota semua cluster dengan tingkat atau derajad keanggotaan yang berbeda yaitu 0 dan 1 yang akan menentukan tingkat keberadaan data dalam suatu cluster atau kelas FCM
6 13 merupakan pengembangan dari metode non hierarki K-Means cluster, karena pada awalnya ditentukan dahulu jumlah kelompok Z atau cluster yang akan dibentuk kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut Algoritma FCM adalah sebagai berikut [18][26]: 1. Input data yang akan di cluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). Xij = data sampel ke-i (i=1,2,...,n), atribut kej (j=1,2,...,m). 2. Tentukan nilai dari : a. Jumlah cluster = c; x11 x1m x = [ ] xn1 xnm b. Pangkat/Derajat ke fuzzy-an= w; c. Maksimum iterasi = MaxIter; d. Error terkecil yang diharapkan= ᶓ; e. Fungsi objektif awal = P0 = 0; f. Iterasi awal = t = 1; 3. Bangkitkan bilangan random µik i = 1, 2,..., n; k = 1, 2,..., c; sebagai elemen- elemen matriks awal U. Hitung jumlah setiap kolom (atribut) : Dengan i=1, 2,..., n. Hitung : c Qi = μik k=1 μik = μik Q1 4. Dengan pusat klaster ke-k: Vkj, dengan k = 1, 2,..., c; dan j = 1, 2,..., m V kj = n ((μ ik ) w X ij ) i=1 n (μ ik ) w i=1
7 14 5. Hitung fungsi obyektif pada iterasi ke-t, Pt 2 n c m P t = ([ (X ij V kj )] i=1 k=1 j=1 (μ ik ) w ) 6. Hitung perubahan matriks partisi : m [ (X ij V kj )] c j=1 m 2 w 1 [ (X ij V kj )] k=1 j=1 2 w 1 Cek kondisi berhenti : Jika : ( Pt Pt-1 < ᶓ ) atau ( t > MaxIter ) maka berhenti; Jika tidak : t = t+1, ulangi langkah ke Algoritma K-Means K-means adalah salah satu algoritma yang terkenal untuk clustering dan telah digunakan secara luas di berbagai bidang termasuk data mining, data statistik, analisis dan aplikasi bisnis lainnya [6]. Langkah-langkah algoritma K-Means: 1. Menentukan jumlah cluster k a. Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara. Namun yang paling sering dilakukan adalah dengan cara random. Pusat-pusat cluster diberi nilai awal dengan angka-angka random. b. Memasukkan setiap item dataset yang jaraknya paling dekat dengan nilai centroid ke dalam centroid cluster tersebut. c. Menghitung rata-rata nilai item dalam setiap cluster untuk dijadikan sebagai centroid yang baru. d. Melakukan pengulangan langkah 2 dan langkah 3 hingga nilai centroid sama dengan nilai rata-rata item dalam cluster. Perhitungan jarak antar titik dengan menggunakan euclidean distance. Formula euclidean distance: μ ik =
8 15 d(p, q) = (p1 q1) 2 + (p2 q2) Index XB (Xie-Beni) Indeks XB ditemukan oleh Xie dan Beni yang pertama kali dikemukakan pada tahun Ukuran kevalidan cluster merupakan proses evaluasi hasil clustering untuk menentukan cluster mana yang terbaik. Ada dua kriteria dalam mengukur kevalidan suatu cluster, yaitu : 1. Compactness, yaitu ukuran kedekatan antaranggota pada tiap cluster. 2. Separation, yaitu ukuran keterpisahan antar cluster satu dengan cluster yang lainnya. Rumus kevalidan suatu cluster atau indeks Xie-Beni (XB)[11] yaitu: c n j=1 XB = i=1 μikw Vi Xj 2 n min i,j Vi Vj 2 Dengan c = banyak klaster, n = banyak objek yang dikelompokkan, μik = derajat keanggotaan fuzzy, w = pangkat pembobot (fuzzifier), min i,j Vi Vj 2 adalah jarak minimum antara pusat klaster vi dan vj.
9 Evaluasi Kinerja Menggunakan Kriteria Nilai Simpangan Baku Penilaian dapat dilakukan dengan membandingkan hasil pengelompokan oleh masing-masing metode dengan menggunakan kriteria dua nilai simpangan baku, yaitu rata-rata simpangan baku dalam kelompok (Sw) dan simpangan baku antar kelompok (Sb) [5]. Rumus rata-rata simpangan baku dalam kelompok: Keterangan : S w = K ( 1) K = banyaknya kelompok yang terbentuk Sk= Simpangan baku kelompok ke-k. Rumus rata-rata simpangan baku antar kelompok: k S k (k=1) S b = [(K 1) 1 (X k X ) 2 ] Keterangan, X k adalah rataan kelompok dan X adalah rataan keselurahan kelompok. 2.9 Matlab K k=1 Matlab (Matrix Laboratory) adalah sebuah program untuk analisis dan komputasi numeric, merupakan suatu bahasa pemrograman matematika lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk matriks. Pada awalnya, program ini merupakan interface untuk koleksi rutin-rutin numeric proyek LINPACK dan EISPACK, dikembangkan menggunakan bahasa FORTRAN. Namun sekarang, program ini merupakan produk komersial dari perusahaan Mathwork,Inc. yang dikembangkan menggunakan bahasa C++ dan assembler (terutama fungsi-fungsi dasar MATLAB).[22] Selain itu, MATLAB merupakan bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan untuk teknik komputasi numeric, digunakan untuk 1/2
10 17 menyelesaikan masalah-masalah yang melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi, dan lain-lain. MATLAB banyak digunakan pada : 1. Matematika dan Komputasi 2. Pengembangan Algoritma 3. Pemrograman modelling,simulasi,dan pembuatan prototype 4. Analisis Data,eksplorasi dan visualisasi 5. Analisis numeric dan statistic 6. Pengembangan aplikasi teknik 2.10 Segmentasi Pelanggan Segmentasi Pelanggan adalah salah satu teknik dalam pengelolaan hubungan pelanggan dimana perusahaan mengidentifikasi grup / kategori pelanggan mereka berdasarkan catatan transaksi dan kemudian mempelajari pola dari setiap grup [8]. Manager pemasaran bisa mendesain layanan pemasaran yang berbeda agar sesuai dengan kebutuhan dan keinginan setiap segmen pelanggan. Contoh dari segmentasi pelanggan yang paling sederhana adalah membagi pelanggan berdasarkan kesetiannya (member dan non-member), usia, cara pembayaran, dan lain-lain Scientific Method Scientific Method adalah skema logis yang digunakan oleh para ilmuwan untuk mencari jawaban atas pertanyaan yang diajukan dalam ilmu pengetahuan. Scientific Method digunakan untuk menghasilkan teori-teori ilmiah, termasuk kedua meta-teori ilmiah (teori tentang teori) serta teori digunakan untuk merancang alat untuk menghasilkan teori (instrumen, algoritma, dll). Versi sederhana terlihat seperti ini (lihat juga Gambar 2.11) [15]:
11 18 1. Buat pertanyaan dalam konteks pengetahuan yang ada (teori & pengamatan). Ini bisa menjadi pertanyaan baru yang teori-teori lama mampu menjawab (biasanya terjadi), atau pertanyaan yang membutuhkan perumusan teori baru. 2. Membangun hipotesis sebagai jawaban tentatif. 3. Menyimpulkan Konsekuensi dan membuat prediksi. 4. Test hipotesis dalam bidang percobaan / teori tertentu. Hipotesis baru harus membuktikan agar sesuai dengan pandangan dunia yang ada (1, "ilmu pengetahuan normal", menurut Kuhn). Dalam hal hipotesis mengarah ke kontradiksi dan menuntut perubahan radikal di latar belakang teoritis yang ada, itu harus diuji terutama dengan hati-hati. Hipotesis baru harus membuktikan berbuah dan menawarkan keuntungan yang cukup besar, untuk menggantikan paradigma ilmiah yang ada. Ini disebut "revolusi ilmiah" (Kuhn) dan itu terjadi sangat jarang. Sebagai aturan, langkah diulang dengan modifikasi dari hipotesis yang diperoleh, yang mengarah langkah ke 5. Jika perbedaan besar ditemukan, proses harus dimulai dari awal. 5. Ketika diperoleh konsisten, hipotesis menjadi teori dan menyediakan seperangkat proposisi yang mendefinisikan fenomena kelas baru atau konsep teoritis baru. Hasil harus dipublikasikan. Teori pada tahap subjek process dari "seleksi alam" antara teori yang bersaing (6). Sebuah teori kemudian menjadi kerangka kerja yang observasi / fakta teoritis dijelaskan dan prediksi yang dibuat.
12 19 Gambar 2.11 Diagram Penjelasan Sifat Iteratif Scientific Method [15] Gambar 2.11 merupakan penggambaran umum struktur logis dari scientific method digunakan dalam mengembangkan teori-teori baru. Aliran diagram menunjukkan, dalam keadaan pengembangan ilmu dan perubahan secara permanen.
Penerapan 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 terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 State of the Art Penelitian mengenai segmentasi pasar pada sebuah perusahaan telah banyak digunakan dengan tujuan untuk mengetahui strategi pasar yang baik dan dapat menguntungkan
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 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 terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
Lebih terperinciImplementasi Fuzzy C-Means dan Model RFM untuk Segmentasi Pelanggan (Studi Kasus : PT. XYZ)
A119 Implementasi Fuzzy C-Means dan Model RFM untuk Segmentasi Pelanggan (Studi Kasus : PT. XYZ) Denny B. Saputra dan Edin Riksakomara Departemen Sistem Informasi, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bio Clean Laundry merupakan perusahaan yang bergerak dibidang jasa laundry. Perusahaan yang dibangun dari tahun 2009 ini terbilang cukup sukses. Saat ini, Bio Clean
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang telah dilakukan
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
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 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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Pada penelitian yang dilakukan oleh (Chen, Sain, & Guo, 2012) berfokus untuk mengetahui pola penjualan, pelanggan mana yang paling berharga, pelanggan mana yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang akan dicapai. Dalam penulisan tugas
Lebih terperinciPERANCANGAN TEKNIK DATA MINING UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA ONLINE SHOP TOKODIAPERS.COM DENGAN METODE CLUSTERING FUZZY C-MEANS
PERANCANGAN TEKNIK DATA MINING UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA ONLINE SHOP TOKODIAPERS.COM DENGAN METODE CLUSTERING FUZZY C-MEANS Lisna Zahrotun 1*, Arfiani Nur Khusna 2 1,2 Teknik Informatika,
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 1 Mahasiswa Program Studi Matematika FSM
Lebih terperinciBAB III PERANCANGAN SISTEM. pengetahuannya melalui buku-buku yang ada. Pihak perpustakaan harus. sesuai dengan kebutuhan dan anggaran yang disediakan.
BAB III PERANCANGAN SISTEM 3.1 Analisis Permasalahan Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat bagi para
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa adalah suatupemahaman terhadap permasalahan sebelum mengambil suatu tindakan atau keputusan yang akan dilakukan. Disini akan dianalisa tentang sistem
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 terperinciPractical Work Material KS Introduction to Information System
2012 Practical Work Material KS091302 Introduction to Information System Module 5: Customer Relationship Management Modul ini menjelaskan tentang apa itu Customer Relationship Management dan implementasinya
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian yang dilaksanakan adalah penelitian eksperimen, yaitu melakukan implementasi algoritma Fuzzy C-Means dalam pengelompokan berdasarkan data
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih 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 terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinciBAB II LANDASAN TEORI. Teori teori yang digunakan sebagai landasan dalam desain dan. implementasi dari sistem ini adalah sebagai berikut :
BAB II LANDASAN TEORI Teori teori yang digunakan sebagai landasan dalam desain dan implementasi dari sistem ini adalah sebagai berikut : 2.1. Sistem Informasi Manajemen Sistem Informasi Manajemen adalah
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 terperinciSistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting
Jurnal Sistem Bisnis 03(2011) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 153 Sistem Pemilihan Perumahan dengan Metode Kombinasi Fuzzy C-Means Clustering dan Simple Additive Weighting Tri Sandhika
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketika suatu organisasi tumbuh semakin besar dan pola tingkatan operasionalnya semakin tidak sederhana dan kompleks, maka secara alamiah tuntutan pihak manajemen akan
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 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 terperinciPenerapan Algoritma Fuzzy Clustering Untuk Penentuan Jurusan Sekolah Menengah Kejuruan ( SMK Negeri 1 Rambah )
Riau Journal Of Computer Science Vol.1/No.1/2015 : 84-91 84 Penerapan Algoritma Fuzzy Clustering Untuk Penentuan Jurusan Sekolah Menengah Kejuruan ( SMK Negeri 1 Rambah ) Basorudin Program Studi Teknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Studi Sebelum penelitian ini dilakukan, sudah terdapat beberapa penelitian yang menjadi dasar untuk menyelesaikan penelitian ini, penelitian tersebut diantaranya sebagai
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
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 terperinciDESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA. Oleh : Rita Prima Bendriyanti ABSTRAK
DESAIN APLIKASI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Oleh : Rita Prima Bendriyanti ABSTRAK Penelitian ini menggunakan metode observasi, dengan melihat atau mengamati secara langsung
Lebih terperinciBAB 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
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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Tahapan Penelitian Ada empat tahap utama yang dilakukan dalam penelitian ini. Tahap-tahap tersebut antara lain analisa masalah, persiapan data, pengumpulan data, pengembangan
Lebih terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Sumber-sumber yang digunakan dalam pembuatan tugas akhir, baik yang diambil dari buku, internet, maupun jurnal diuraikan secara terperinci pada Bab Tinjuan Pustaka. Konsep dan definisi
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY K-MEANS PADA DATA REKAM MEDIS BERDASARKAN KODE PENYAKIT INTERNASIONAL (ICD10)
IMPLEMENTASI ALGORITMA FUZZY K-MEANS PADA DATA REKAM MEDIS BERDASARKAN KODE PENYAKIT INTERNASIONAL (ICD10) Mulya Negara Bachtiar 1, Haryanto Hanny 2 1 Mahasiswa, 2 Dosen Pembimbing Program Studi Teknik
Lebih terperinciMelihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means
Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means Muhammad Halim 1, Andi Farmadi 2, H. Irwan Budiman 3 1,2,3 Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih terperinciBAB 2 PENELITIAN TERKAIT DAN LANDASAN TEORI
BAB 2 PENELITIAN TERKAIT DAN LANDASAN TEORI 2.1 Penelitian Terkait Ada beberapa penelitian terkait dengan penggunaan Data Mining metode cluster dengan menggunakan Algoritma Fuzzy C-Means untuk dapat mengelompokkan
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah PT. ARINDO PRATAMA (PT. AP) merupakan sebuah perusahaan nasional yang berdiri pada tahun 1993 di
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah PT. ARINDO PRATAMA (PT. AP) merupakan sebuah perusahaan nasional yang berdiri pada tahun 1993 di Bandung, Jawa Barat, Indonesia. PT ARINDO PRATAMA adalah badan
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Hal-hal yang dipaparkan pada Bab Tinjauan Pustaka adalah penelaahan kepustakaan yang mendasari proses perancangan dan pembuatan aplikasi meliputi data mining, Customer Relationship
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
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 terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB 1 KONSEP DATA MINING 2 Gambar 1.1 Perkembangan Database Permasalahannya kemudian adalah apa yang harus dilakukan dengan data-data itu. Sudah diket
Bab1 Konsep Data Mining POKOK BAHASAN: Konsep dasar dan pengertian Data Mining Tahapan dalam Data Mining Model Data Mining Fungsi Data Mining TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa
Lebih terperinciPenerapan Fuzzy C-Means Untuk Penentuan Besar Uang Kuliah Tunggal Mahasiswa Baru
Penerapan Fuzzy C-Means Untuk Penentuan Besar Uang Kuliah Tunggal Mahasiswa Baru Ariyady Kurniawan Muchsin 1, Made Sudarma 2 Universitas Udayana ariyadykurniawan@gmail.com,msudarma@unud.ac.id Abstrak Sesuai
Lebih terperinciPENGELOMPOKAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Narwati Dosen Fakultas Teknologi Informasi Abtrack Makalah ini membahas pengelompokan mahasiswa berdasarkan data akademik menggunakan teknik clustering
Lebih terperinciKLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS
JURNAL LOGIC. VOL.15. NO.1 MARET 015 51 KLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS Putu Manik Prihatini Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit Jimbaran, P.O.Box 1064 Tuban
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 terperinciPENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE
IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE 1 Ahsan Anwar Sandiah, 2 Abdul Fadlil, 3 Rusydi Umar 1 Magister Teknik Informatika, 2 Magister
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menerapkan metode clustering dengan algoritma K-Means untuk penelitiannya.
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu cara untuk mengetahui faktor nilai cumlaude mahasiswa Fakultas Teknik Universitas Muhammadiyah Yogyakarta adalah dengan menerapkan
Lebih terperinciEnigma Journal of Infotmatic (ENJOI 2016) ISSN :
b 1 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12
Lebih terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Customer Relationship Management (CRM) Pelanggan adalah aset yang paling penting dari sebuah organisasi. Tidak mungkin terdapat prospek bisnis tanpa memuaskan pelanggan yang
Lebih terperinciTEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel )
TEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel ) Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong Catur
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDHULUN Listrik merupakan sumber daya yang sangat dibutuhkan saat ini. Penggunaan listrik setiap tahun, bahkan setiap bulan terus meningkat. Hal ini dibuktikan dengan selalu bertambahnya
Lebih terperinciKonsep Data Mining. Pendahuluan. Bertalya. Universitas Gunadarma 2009
Konsep Data Mining Pendahuluan Bertalya Universitas Gunadarma 2009 Latar Belakang Data yg dikumpulkan semakin bertambah banyak Data web, e-commerce Data pembelian di toko2 / supermarket Transaksi Bank/Kartu
Lebih terperinciCLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM)
CLUSTERING GENDER BERDASARKAN NILAI MAKSIMUM MINIMUN AMPLITUDO SUARA BERBASIS FUZZY C-MEANS (FCM) Idni Irsalina 1*, Endang Supriyati 2, Tutik Khotimah 3 Program Studi Teknik Informatika, Fakultas Teknik,
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciTAKARIR. : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas
TAKARIR Data Mining Clustering Cluster Iteratif Random Centroid : Penggalian data : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas : Berulang : Acak : Pusat area KDD (Knowledge
Lebih terperinciBAB 1 PENDAHULUAN. PT Muara Tour adalah perusahaan yang bergerak di bidang layanan Tours dan Travel
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah PT Muara Tour adalah perusahaan yang bergerak di bidang layanan Tours dan Travel yang salah satu fungsinya ialah untuk mendukung kegiatan pariwisata dan memberikan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan analisa datadan algoritma Fuzzy C-Means untuk mangetahui pola perilaku konsumen. 2.1. Pola
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 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 I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Promosi adalah salah satu faktor yang diperlukan bagi keberhasilan bagi suatu perusahaan atau organisasi, maka promosi merupakan salah satu senjata ampuh bagi perusahaan
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciPENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS. Abstrak
1 PENGELOMPOKKAN ANGKA PARTISIPASI PENDIDIKAN WAJIB BELAJAR SE-INDONESIA MENGGUNAKAN METODE FUZZY C-MEANS Nila Yuliani 1) Mardhiah Fadli 2) Warnia Nengsih 3) Program Studi Sistem Informasi Politeknik Caltex
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI
IV. PERANCANGAN DAN IMPLEMENTASI 4.1. Desain Masukan Data pelanggan yang akan disegmentasi dalam penelitian ini adalah (1) data pelanggan golongan rumah tangga, (2) golongan bisnis dan (3) golongan industri.
Lebih terperinci