Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
|
|
- Leony Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta elly.emh@bsi.ac.id Abstrak Berkembangnya E-Commerce menjadikan pelaku online shop harus bisa menempatkan pelanggannya dengan baik, karena pelanggan merupakan salah satu sumber keuntungan. Mengetahui nilai potensial pelanggan melalui pelaksanaan CRM (Customer Relationship Management) dapat membantu dalam pemahaman nilai pelanggan. Clustering pelanggan merupakan salah satu cara mengetahui pemetaan pelanggan untuk strategi pemasaran yang lebih baik. Metode Fuzzy C-Means dengan model Fuzzy RFM (Recency, Frequency, Monetary) yang merupakan salah satu metode clustering dimana metode Fuzzy C-Means memberikan hasil yang smooth (halus), artinya bahwa objek pengamatan tidak mutlak untuk menjadi satu kelompok saja, tetapi juga bisa menjadi anggota kelompok lain dengan tingkat keanggotaan yang berbeda-beda. Percobaan menghasilkan clustering pelanggan menjadi 3 kelompok dengan iterasi sebanyak enam kali dan nilai fungsi objektif sebesar 20, Kata kunci: nilai pelanggan, Fuzzy C-Means, model Fuzzy RFM, clustering 1. PENDAHULUAN Pelanggan merupakan sumber keuntungan dalam perusahaan karena menduduki posisi penting dalam pengembangan strategi bisnis. Menurut Chai mengalami kesulitan dalam menentukan pelanggan yang potensial. Penentuan yang dilakukan selama ini adalah secara manual dan hasil yang di dapat tidak akurat. Untuk dapat mengatasi Gambar 1. Tahapan proses KDD dalam database dan Chan [1] dijelaskan bahwa permasalahan yang sering dihadapi pemasar adalah kesulitan dalam mengidentifikasi pelanggan atau nasabah yang tepat, sehingga menyebabkan perusahaan dapat kehilangan pelanggan potensial yang akan merugikan perusahaan itu sendiri. Hal ini yang juga terjadi pada sebuah online shop di Jogja yang permasalahan yang terjadi, maka online shop membutuhkan suatu metode untuk mengidentifikasi dan mengelompokkan pelanggan potensial menjadi beberapa cluster atau kelompok dengan teknik yang disebut Data Mining. Teknik data mining pada penelitian menggunakan metode Fuzzy C- Means dengan model Fuzzy RFM (Recency, Frequency dan Monetary).
2 158 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Data mining merupakan sebuah inti dari proses Knowledge Discovery in Database (KDD) yang memiliki sifat otomatis, dapat didefinisikan sebagai pengorganisasian proses untuk pengidentifikasian yang benar, berguna dan penemuan pola dari kumpulan data yang besar dan komplek [2]. Tahapan pada proses KDD pada database ditampilkan pada Gambar 1[2] : Ada banyak metode atau fungsi data mining yang bisa digunakan untuk menemukan, menggali dan menambang pengetahuan, namun menurut [3][4] ada enam fungsi utama data mining, yaitu : Description (deskripsi), Estimation (estimasi), Prediction (prediksi), Classification (klasifikasi), Clustering (pengelompokan), dan Association (asosiasi). Pada tahun 1981, Jim Bezdek [5] memperkenalkan untuk pertama kalinya metode Fuzzy C-Means (FCM), salah satu metode clustering yang termasuk dalam penggolongan fuzzy clustering berdasarkan uncertainty data. Metode ini menerapkan model pengelompokkan 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 merupakan pengembangan dari metode non hierarki K-Means cluster, karena pada awalnya ditentukan dulu jumlah kelompok Z atau cluster yang akan dibentuk kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut [5]. 2. ALGORITMA FUZZY C-MEANS (FCM) Algoritma FCM adalah sebagai berikut [6][7]: 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). X = [ ] (1) 2. Tentukan nilai dari : a. Jumlah cluster = c; b. Pangkat/Derajat kefuzzy-an= w; c. Maksimum iterasi = MaxIter; d. Error terkecil yang diharapkan= ᶓ; e. Fungsi objektif awal = P 0 = 0; f. Iterasi awal = t = 1; 3. Bangkitkan bilangan random µik i = 1, 2,..., n; k = 1, 2,..., c; sebagai elemenelemen matriks awal U. Hitug jumlah setiap kolom (atribut) : Dengan i=1, 2,..., n. Hitung : 4. Dengan pusat klaster ke-k: V kj, dengan k = 1, 2,..., c; dan j = 1, 2,..., m 5. Hitung fungsi obyektif pada iterasi ke-t, P t : 6. Hitung perubahan matriks partisi : 7. Cek kondisi berhenti : Jika : ( P t P t-1 < ᶓ ) atau ( t > MaxIter ) maka berhenti; Jika tidak : t = t+1, ulangi langkah ke-4 Membahas tentang pelanggan potensial, dapat diartikan bahwa pelanggan potensial adalah pelanggan yang loyal terhadap perusahaan [8]. Pelanggan yang potensial umumnya akan melanjutkan pembelian produk dan jasa yang ditawarkan seller meskipun ada pilihan produk atau jasa lain yang lebih baik atau populer. Konsumen yang loyal menurut Kotler dalam [8] tidak hanya dilihat dari berapa banyak konsumen tersebut membeli, tetapi dari berapa sering dia melakukan transaksi ulang, termasuk merekomendasikan kepada orang lain untuk membeli.
3 159 Penelitian ini bertujuan untuk mengetahui pelanggan potensial melalui proses clustering metode Fuzzy C-Means dengan model Fuzzy RFM (Recency, Frequency dan Monetary) berdasarkan transaksi penjualan pelanggan online shop sehingga diharapkan bisa menerapkan strategi pemasaran yang lebih baik sehingga dapat meningkatkan penjualan produk yang pada gilirannya akan akan memberikan efek positif bagi perkembangan perusahaan. 3. METODE PENELITIAN Dalam penelitian ini, data diperoleh dari data transaksi penjualan pada online shop Ragam Jogja dan atribut data yang digunakan adalah data transaksi bulan Januari Juni Setelah data terkumpul kemudian diolah melalui beberapa tahap pengolahan awal data (preparation data) yaitu validasi data, transformasi data dan seleksi atribut. Metode yang digunakan dalam penelitian adalah metode Fuzzy C-Means dengan model fuzzy RFM dimana parameter yang digunakan adalah variabel Recency, Frequency dan Monetary yang masingmasing dibagi menjadi 3 kelompok fuzzy yaitu : 1. Recency dibagi menjadi kelompok fuzzy Baru Saja dengan nilai 3, Agak Lama dengan nilai 2 dan Lama dengan nilai Frequency dibagi menjadi kelompok fuzzy Sering dengan nilai 3, Agak Sering dengan nilai 2 dan Jarang dengan nilai Monetary dibagi menjadi kelompok fuzzy Tinggi dengan nilai 3, Sedang dengan nilai 2 dan Rendah dengan nilai 1. Detail nilai fuzzy dan parameter ditampilkan pada Tabel 1. berikut : Tabel 1. Parameter dan Nilai Fuzzy Parameter Nilai Fuzzy Recency Frequency Monetary Rendah 1 0 < r < 31 hr 0 < f < 3 0 < m < Sedang 2 31 hr < r < 60 hr 3 < f < < m < Besar 3 r > = 60 hr f > = 6 m > = Untuk penerapan metode Fuzzy C-Means menggunakan nilai : a. Jumlah cluster (c) = 3; b. Pangkat/Derajat kefuzzy-an (w) = 2; c. Maksimum iterasi (Maxter) = 10; d. Error terkecil yang diharapkan (ᶓ)= 10-5 e. Fungsi objektif awal (P 0 ) = 0; f. Iterasi awal (t) = 1; Kode Pelanggan 4. HASIL DAN PEMBAHASAN Pengolahan data yang dilakukan pada penelitian berhenti pada iterasi ke-6 dengan hasil seperti ditampilkan pada Tabel 2. berikut : Tabel 2. Hasil Iterasi Terakhir Nilai RFM Kecenderungan Cluster R F M C1 C2 C3 C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , ,
4 160 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , C , , , Cluster yang terbentuk berdasarkan faktor recency(r), frequency(f) dan monetary(m). Semakin besar nilai R menunjukan bahwa pelanggan sering melakukan transaksi, semakin besar nilai F menunjukan pelanggan setia terhadap terhadap produk yang digunakan, dan semakin besar nilai M, menunjukan bahwa nominal transaksi yang dibayarkan semakin besar. 1. Cluster 1 : 8 anggota pelanggan kode C1,C2, C3, C8, C16, C24, C33 dan C36 dengan pusat cluster ( 1, ; 1, ; 1, ), memiliki nilai yang besar dari ketiga faktor, sehingga dapat digolongkan sebagai pelanggan yang sangat potensial. 2. Cluster 2 : 17 anggota pelanggan kode C6, C11, C13, C14, C15, C19, C20, C23, C27, C28, C30, C32, C35, C37, C38, C39 dan C40 dengan pusat cluster
5 161 ( 1, ; 1, ; 1, ), memiliki nilai frequency dan rata-rata ketiga nilai yang cukup besar, sehingga dapat digolongkan sebagai pelanggan yang potensial. 3. Cluster 3 : 17 anggota pelanggan C4, C5, C7, C9, C10, C12, C17, C18, C21, C22, C25, C26, C29, C31, C34, C41 dan C42 dengan pusat cluster ( 2, ; 1, ; 2, ), memiliki nilai rata-rata ketiga faktor yang kecil, sehingga dapat digolongkan menjadi nasabah yang tidak atau kurang potensial. 5. KESIMPULAN Dari penelitian yang dilakukan, metode Fuzzy C-Means dengan model Fuzzy RFM terbukti dapat melakukan clustering pelanggan dengan mengelompokkannya ke dalam pelanggan sangat potensial, pelanggan potensial atau dan pelanggan tidak atau kurang potensil. Walaupun hasil yang diharapkan sudah terpenuhi, namun untuk penelitian lebih lanjut bisa dikembangkan dengan penentuan jumlah cluster dengan metode tertentu, melakukan pengukuran atau validasi untuk hasil yang sudah ada atau membandingkan penerapan menggunakan metode lain agar diketahui keakuratannya. 6. DAFTAR PUSTAKA [1]. Widiarini, & Wahono, R. S. Algoritma Cluster Dinamik untuk Optimasi Cluster pada Algoritma K-Means dalam Pemetaan Nasabah Potensial. Journal of Intelligent Systems, Vol. 1, No. 1, [2]. Maimon, O., & Rokach, L. Data Mining and Knowledge Discovery Handbook. London: Springer Science+Business Media [3]. Larose, D. T. Discovering Knowledge in Data : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc [4]. Susanto, S., & Suryadi, D. Pengantar Data Mining : Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Penerbit ANDI [5]. Kusumadewi, Sri; Hartati, Sri. Neuro- Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf.Yogyakarta. Graha Ilmu [6]. Kusumadewi, S., Purnomo, H., Aplikasi Fuzzy Untuk Pendukung Keputusan, Graha Ilmu, Jakarta [7]. Setiawan, F. H. Penerapan Fuzzy C- Means Dan Apriori Untuk Rekomendasi Promosi Produk Berdasarkan Segmentasi Konsumen. Semarang [8]. Zulkarnain. Ilmu Menjual. Yogyakarta : Graha Ilmu
PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~416 412 PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta e-mail : elly.emh@bsi.ac.id
Lebih 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 terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
Lebih terperinciBAB II LANDASAN TEORI
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
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 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 terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciPENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG
PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG Elly Muningsih Program Sudi Manajemen Informatika, AMIK BSI Yogyakarta Email : elly.muning514@gmail.com Abstract - Good and accurate
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 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 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 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 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 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 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 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 terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih 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 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 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 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 terperinciPemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means
ISSN: 2089-3787 527 Pemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means Yulia Yudihartanti, Sudiyanur Hidayatullah STMIK Banjarbaru Jl. A. Yani Km. 33 Banjarbaru, 0511(4782881) e-mail: yuliaydh@yahoo.co.id,
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 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 terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS : KECAMATAN BANTUL) Abstrak
IMPLEMENTASI FUZZY CMEANS UNTUK CLUSTERING PENDUDUK MISKIN (STUDI KASUS KECAMATAN BANTUL) Femi Dwi Astuti Jurusan Teknik Informatika STMIK AKAKOM Yogyakarta femi@akakomacid Abstrak Kemiskinan merupakan
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 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 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 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 terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih 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)
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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciBAB 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 Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Model Perhitungan Estimasi Keuntungan Penjualan Susu Kemasan dengan Menggunakan Gabungan Metode Fuzzy C-Means dan Sugeno Orde-Satu Sales Profit Estimation Model of
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 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 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 terperinciPenerapan Metode Clustering Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Semarang
1 Penerapan Metode ing Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Lianna Felicia Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Abstract Berdasarkan data hasil pertanian padi di Dinas
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
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 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 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 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 terperinciPENERAPAN METODE CLUSTERING UNTUK MEMETAKAN POTENSI TANAMAN KEDELAI DI JAWA TENGAH DENGAN ALGORITMA FUZZY C- MEANS
1 PENERAPAN METODE CLUSTERING UNTUK MEMETAKAN POTENSI TANAMAN KEDELAI DI JAWA TENGAH DENGAN ALGORITMA FUZZY C- MEANS Indra Setiawan 1 1 Teknik Informatika Universitas Dian Nuswantoro Semarang E-mail :
Lebih 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 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 terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciISSN : ABSTRAK
ISSN : 1978-6603 Penerapan Algoritma Fuzzy C-Means Dipadukan Dengan Model Fuzzy Recency Frequency Monetary (RFM) Untuk Customer Relationship Management (CRM) (Studi Kasus Di Toko Sweet Amirah Medan) Yohanni
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Scot Morton adalah orang yang pertama kali mengartikulasikan konsep Decision Support System (DSS), mendefenisikan DSS sebagai sistem berbasis komputer
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB 1. PENDAHULUAN 1.1. Latar Belakang Pelanggan merupakan salah satu posisi penting dalam pengembangan strategi bisnis, pelanggan juga merupakan salah satu sumber keuntungan dalam perusahaan. Untuk itu
Lebih terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENGELOMPOKAN PERSENTASE PENDUDUK BERUMUR 15 TAHUN KE ATAS MENURUT KABUPATEN/KOTA DAN PENDIDIKAN TERTINGGI
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciREKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING
REKOMENDASI PEMBELIAN PERSONAL KOMPUTER DENGAN METODE RANKED CLUSTERING Fadly Shabir 1 dan Abdul Rachman M 2 1 kyofadly@gmail.com, 2 emanrstc@yahoo.co.id 1 Stimik Handayani, 2 Universitas Muslim Indonesia
Lebih terperinciRANCANG BANGUN SISTEM PAKAR UNTUK APLIKASI PERMOHONAN KREDIT PADA KOPERASI SIMPAN PINJAM MENGGUNAKAN METODE FUZZY C-MEANS CLUSTERING BERBASIS WEBSITE
RANCANG BANGUN SISTEM PAKAR UNTUK APLIKASI PERMOHONAN KREDIT PADA KOPERASI SIMPAN PINJAM MENGGUNAKAN METODE FUZZY C-MEANS CLUSTERING BERBASIS WEBSITE Wahyu Drajat Biantoro Alexius Endy Budianto, S.Kom.,
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 terperinciAnalisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang
Analisa Data Mining Menggunakan Algoritma Frequent Pattern Growth Pada Data Transaksi Penjualan Restoran Joglo Kampoeng Doeloe Semarang Tia Arifatul Maulida Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih terperinciSistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering
Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering Catur Sugeng Pribadi 1) 1) S1 / Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika
Lebih terperinciANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek)
ANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek) Meriska Defriani 1, Noviyanti 2 1 STT Wastukancana 2 Teknik Informatika,
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Absensi adalah tingkat kehadiran pegawai yang berkenaan dengan tanggung jawab. Kehadiran berkenaan dengan tanggung jawab pegawai saat bekerja, pegawai yang hadir tepat
Lebih terperinciBAB 2 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 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 terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciBAB 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 terperinciPENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA
PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Lebih terperinciIMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Desember 2016, 23-28 IMPLEMENTASI PENGENALAN POLA UNTUK MENGEVALUASI HASIL PEMBELAJARAN DENGAN METODE FUZZY C-MEANS Ilham Program Studi Sistem Informasi, Jurusan Teknologi, Fakultas
Lebih terperinciPENERAPAN FUZZY C-MEANS DALAM PEMILIHAN PEMINATAN TUGAS AKHIR MAHASISWA
1 PENERAPAN FUZZY C-MEANS DALAM PEMILIHAN PEMINATAN TUGAS AKHIR MAHASISWA Sumanto 1) Romi Satria Wahono 2) 1) Program StudiTeknik Informatika STMIK Nusa Mandiri Sukabumi Jl. Veteran II No 20-A. Sukabumi
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 terperinciMateri 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 2 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Memahami definisi, proses serta teknik data mining. Pengenalan
Lebih terperinciIMPLEMENTASI ALGORITMA CLUSTERING ISMC DAN FCM (STUDI KASUS: JALUR PMB DI IT TELKOM BANDUNG)
IMPLEMENTASI ALGORITMA CLUSTERING ISMC DAN FCM (STUDI KASUS: JALUR PMB DI IT TELKOM BANDUNG) Ri Handayani, Erwin Budi Setiawan, dan Arie Ardiyanti Suryani Fakultas Teknik Informatika, Institut Teknologi
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 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 I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Ketika disodori sejumlah data dari suatu obyek atau kejadian, apa yang bisa dilakukan terhadap data untuk menindaklanjutinya? Data perlu diolah untuk mendapatkan
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 terperinciPENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING
PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING 1 Wahyu Nurjaya W.K, 2 Nurjaman 1 Program Studi Sistem Informasi
Lebih terperinciAziz Ahmadi dan Sri Hartati, Penerapan Fuzzy C-Means dalam Sistem Pendukung Keputusan...
Aziz Ahmadi dan Sri Hartati, Penerapan Fuzzy C-Means dalam Sistem Pendukung Keputusan... Penerapan Fuzzy C-Means dalam Sistem Pendukung Keputusan untuk Penentuan Penerima Bantuan Langsung Masyarakat (BLM)
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 terperinciPENENTUAN TINGKAT KEMISKINAN DENGAN METODE FUZZY C- MEANS DI KABUPATEN BONE BOLANGO
PENENTUAN TINGKAT KEMISKINAN DENGAN METODE FUZZY C- MEANS DI KABUPATEN BONE BOLANGO Nurrahmah Fitriani Kahar 1), Lillyan Hadjaratie ), Sitti Suhada 3). 1 Fakultas Teknik, Universitas Negeri Gorontalo Email
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
Lebih terperinciIMPLEMENTASI K-MEANS CLUSTERING UNTUK PEMBAGIAN KELAS SISWA
IMPLEMENTASI K-MEANS CLUSTERING UNTUK PEMBAGIAN KELAS SISWA SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH : NISIA
Lebih terperinciSEMINAR PROGRESS TUGAS AKHIR
SEMINAR PROGRESS TUGAS AKHIR PENGEMBANGAN SISTEM REKOMENDASI PEMINJAMAN BUKU BERBASIS WEB MENGGUNAKAN METODE SELF ORGANIZING MAP CLUSTERING PADA BADAN PERPUSTAKAAN DAN KEARSIPAN (BAPERSIP) PROVINSI JAWA
Lebih terperinciKlasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means
Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat Kesehatan Daerah dengan Metode K-Means Nielza Atthina Jurusan Teknik Informatika Universitas Islam Indonesia Yogyakarta 09523458@students.uii.ac.id
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 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 terperinciSistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering. Catur Sugeng Pribadi 1)
Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering Catur Sugeng Pribadi 1) 1) S1 / Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika
Lebih terperinciSEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING
Seminar Nasional Teknologi Informasi 2016 A1 SEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING Langgeng Listiyoko 1) Joko Dewanto 2) Henderi 3) 1) Business Intelligence STMIK Raharja 2) 3) Magister
Lebih terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciPENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT
PENGELOMPOKAN NASABAH BANK MENGGUNAKAN ALGORITMA K- MEANS UNTUK MEMBERIKAN PENAWARAN YANG TEPAT Ismail Setiawan 1) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciBAB 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 terperinciBAB 2 TINJAUAN PUSTAKA
4 BAB 2 TINJAUAN PUSTAKA 2.1 Metode Clustering Clustering adalah metode penganalisaan data, yang sering dimasukkan sebagai salah satu metode Data Mining, yang tujuannya adalah untuk mengelompokkan data
Lebih terperinci