JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
|
|
- Ivan Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 object can be solve easier with using classification techniques. For example in the medical field, classification application can be applied to classify diseases level of patient so that easier for a doctor to give right therapy solution And in industries field and trading of batik, classification application needed to assignment of batik tulis quality. To solve such classification problem, several methods have been applied. In soft computing field, there are many classification technique has been improved. So, classification process can be done relatively faster with using precise classification algorithm. In this research two classification methods for classify quality of batik tulis, k-nearest neighbor and nearest cluster classifier are compared. K-nearest neighbor is a method that based on probabilistic approach and nearest cluster classifier is a method that based on similarity. Focus of this research is a accuration ratio or succes ratio that result it. The result of this research showed that classification in quality of batik tulis with k-nearest neighbor method is better than nearest cluster classifier method in rate of accuration ratio or succes ratio. Keywords : Classification, k-nearest neighbor, nearest cluster classifier, probabilistic approach, similarity, accuration ratio. INTISARI Berbagai kasus yang berkaitan dengan pengelompokkan objek dapat diselesaikan lebih mudah dengan menerapkan teknik-teknik klasifikasi. Sebagai contoh pada bidang medis, aplikasi klasifikasi dapat digunakan untuk klasifikasi tingkat penyakit yang diderita oleh seorang pasien sehingga memudahkan dokter dalam memberikan solusi terapi yang tepat. Dan di dunia industri dan perdagangan batik, aplikasi klasifikasi juga dibutuhkan untuk menentukan kualitas batik. Untuk memecahkan masalah klasifikasi, berbagai macam metode telah diterapkan. Dibidang soft computing, mulai banyak dikembangkan juga teknikteknik klasifikasi. Sehingga proses klasifikasi dapat dilakukan dalam waktu yang relatif lebih cepat dengan menggunakan algoritma klasifikasi yang tepat. Dalam penelitian ini dibandingkan dua metode klasifikasi yaitu k-nearest neighbor dan nearest cluster classifier untuk proses klasifikasi kualitas batik tulis. Metode k-nearest neighbor adalah metode yang berdasarkan pada pendekatan 1 Dosen STMIK Indonesia Padang 42
2 probabilistik sedangkan nearest cluster classifier berdasarkan pada kemiripan. Fokus penelitian ini adalah pada tingkat akurasi atau succes ratio yang dihasilkan oleh masing-masing metode. Dari hasil penelitian menunjukkan bahwa klasifikasi kualitas batik tulis dengan metode k-nearest neighbor menunjukkan tingkat akurasi atau succes ratio yang lebih baik dibandingkan dengan metode nearest cluster classifier. Kata Kunci : Klasifikasi, k-nearest neighbor, nearest cluster classifier, pendekatan probabilitas, similarity, tingkat akurasi. 43
3 PENDAHULUAN Klasifikasi merupakan suatu metode untuk mengelompokkan sebuah objek ke dalam kelompok atau kelas tertentu. Berbagai kasus yang berkaitan dengan pengelompokkan objek dapat diselesaikan lebih mudah dengan menerapkan teknik-teknik klasifikasi. Sebagai contoh pada bidang kesehatan, aplikasi klasifikasi dapat digunakan untuk mengetahui tingkat penyakit yang diderita oleh seorang pasien sehingga memudahkan dokter dalam memberikan solusi terapi yang tepat. Pada bidang ekonomi, aplikasi klasifikasi juga dapat digunakan oleh sebuah bank yang ingin mengetahui apakah customer yang mengajukan kredit termasuk dalam kategori customer yang menguntungkan atau tidak. Sementara itu dalam dunia industri dan perdagangan batik di Indonesia, prinsip-prinsip klasifikasi juga dibutuhkan, seperti dalam menentukan kualitas sebuah batik. Kualitas suatu batik tidak dapat langsung ditentukan begitu saja secara visual. Untuk dapat mengetahui kualitas dari suatu batik yang dihasilkan maka perlu dilakukan serangkaian pengujian terlebih dahulu. Hasil pengujian inilah yang kemudian akan diklasifikasikan atau dikelompokkan sehingga akhirnya ditemukan kualitas dari suatu batik tersebut. Pengujian kualitas suatu batik dilakukan di Balai Besar Kerajinan dan Batik Indonesia yang berada di kota Yogyakarta. Parameter yang digunakan dalam menguji kualitas batik ini berdasarkan pada ketentuan standar penilaian yang sudah ditetapkan oleh Badan Standarisasi Nasional (BSN). Hingga saat ini, penilaian dan penentukan kualitas dari sebuah batik sangat dipengaruhi oleh pengalaman dan kemampuan pegawai yang bekerja di Balai Besar Kerajinan dan Batik Indonesia. Semakin berpengalaman pegawai tersebut dalam menilai kualitas suatu batik, maka semakin cepat proses penentuan kualitas batik yang diuji tersebut. Sebaliknya apabila pegawai tersebut masih belum berpengalaman, maka proses pengklasifikasian kualitas batik tersebut menjadi lebih lambat. Dengan demikian keterlibatan individu tersebut dapat dikatakan masih sangat dominan dan proses klasifikasi yang dilakukan juga masih bersifat manual. Kenyataannya, jika proses klasifikasi dilakukan secara manual maka hal ini akan menjadi sebuah pekerjaan yang membutuhkan banyak waktu. Dalam memecahkan masalah klasifikasi, para ahli telah mengembangkan berbagai metode klasifikasi. Dibidang soft computing, mulai banyak dikembangkan juga teknik-teknik klasifikasi sehingga proses klasifikasi dapat dilakukan dalam waktu yang relatif lebih cepat dengan menggunakan algoritma klasifikasi yang tepat. Namun di sisi lain, tidak semua metode klasifikasi yang ada dapat diterapkan pada semua kasus. Oleh karena itu untuk menemukan metode yang sesuai dan baik dalam klasifikasi kualitas batik khususnya pada batik tulis, maka pada penelitian ini akan dibahas perbandingan dua metode klasifikasi yaitu k-nearest neighbor (KNN) dan nearest cluster classifier (NCC). Kedua metode ini akan dicoba dalam pengklasifikasian kualitas batik tulis. Metode yang memberikan tingkat akurasi atau succes ratio yang lebih baik, dapat dipilih sebagai prototype dalam membangun sebuah sistem klasifikasi kualitas batik tulis pada Balai Besar Kerajinan dan Batik Indonesia nantinya. 44
4 PEMBAHASAN Dalam proses klasifikasi kualitas batik tulis ini akan digunakan dua metode klasifikasi yaitu metode k-nearest neighbor (KNN) dan metode nearest cluster classifier (NCC). Metode KNN merupakan metode klasifikasi berdasarkan probabilistik, sedangkan metode NCC merupakan metode klasifikasi berdasarkan kemiripan. Penggunaan dua metode tersebut bertujuan untuk melihat perbandingan tingkat akurasi (ketepatan) kedua model tersebut dalam mengklasifikasikan objek. Metode klasifikasi terbagi atas supervised classification dan unsupervised classification. Metode KNN dan NCC termasuk ke dalam supervised classification. Untuk membangun sistem klasifikasi yang bersifat supervised classification, sebelumnya sistem harus memiliki memori atau pengetahuan menyangkut objek yang akan diklasifikasikan. Representasi memori atau pengetahuan ini dapat dibangun melalui proses learning. Dua tahapan yang harus dilalui dalam proses learning adalah tahapan pelatihan (training) dan tahapan pengenalan (testing). Pada fase pelatihan, sebagian data yang telah diketahui kelas datanya diumpankan untuk membentuk model prediksi. Selanjutnya pada fase pengenalan, fitur-fitur pada objek baru atau yang disebut sebagai data testing diujikan dengan model prediksi yang terbentuk. Pengujian yang dimaksud adalah untuk mencari tingkat akurasi model dalam melakukan klasifikasi. Selanjutnya setelah model prediksi yang diperoleh dianggap telah sesuai maka proses klasifikasi objek baru dapat dilakukan. Metode yang digunakan untuk mengukur kemiripan tersebut adalah dengan metode jarak euclidean distance dan metode classifier yang dipilih adalah metode k-nearest neighbor dan nearest cluster classifier. Klasifikasi dengan Metode K- Nearest Neightbor (KNN) K-Nearest Neighbor (KNN) merupakan algoritma supervised learning dimana output dari suatu data baru diklasifikasikan berdasarkan kelompok mayoritas dari k buah tetangga terdekat. Tujuan dari algoritma ini adalah mengelompokkan data baru berdasarkan atribut dan data training [1]. Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan pada jarak terpendek dari objek query ke training sample untuk menentukan sejumlah k- neighbor pointnya. Setelah mengumpulkan k-neighbor point, kemudian diambil mayoritas dari k- neighbor point untuk dijadikan prediksi dari objek query. Untuk mendapatkan nilai k yang optimal dapat digunakan optimasi parameter, misalnya dengan menggunakan k-fold cross validation. Pada KNN, classifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Proses training tidak dilakukan pada metode ini, tapi langsung proses testing. Sebuah objek query diberikan kemudian akan dihitung jaraknya dengan masing-masing training sample dan kemudian diambil sejumlah k neighbor point yang paling dekat dengan objek query. Klasifikasi menggunakan voting terbanyak di antara klasifikasi dari k neighbor point terdekat. K-Fold Cross Validation Cross validation digunakan dalam rangka menemukan parameter terbaik dari satu model. Ini dilakukan dengan cara menguji besarnya error pada data testing. Dalam cross validation, data dibagi 45
5 ke dalam k sampel dengan ukuran yang sama. Dari k subset data yang digunakan akan dipakai k-1 sampel sebagai data training dan 1 sampel sisanya untuk data testing. Selanjutnya dilakukan proses training dan testing kemudian dihitung rata-rata error (error mean). Setiap running akan ditemukan error untuk data testing, model yang memberikan rata-rata error terkecil dipilih menjadi metode terbaik. Persamaan yang dapat digunakan untuk menghitung ratarata dan standar deviasi error dapat dinyatakan sebagai berikut [2]: a. Mean : n 1 m n Ui i1 (2.1) b. Variansi : n 1 v ( Ui m) n 1 i1 (2.2) c. Standar deviasi : (2.3) v Klasifikasi dengan Metode Nearest Cluster Classifier (NCC) Algoritma NCC merupakan algoritma untuk mengklasifikasikan suatu objek berdasarkan jarak terdekatnya dengan suatu pusat cluster. Metode ini juga disebut dengan minimum euclidean distance classifier [3]. Pada metode NCC proses learning dilakukan untuk menemukan model prediksi yang tepat. Pada awal fase pelatihan (training), semua data training dipartisi ke dalam beberapa cluster yang telah ditentukan dan kemudian dicari pusat cluster dari masingmasing cluster yang terbentuk. Untuk membentuk cluster dan menemukan pusat cluster dari data training, dihitung dengan menggunakan salah satu metode clustering yaitu metode Fuzzy C- 2 Means (F-CM). Setelah cluster terbentuk dan pusat cluster diketahui, selanjutnya akan ditentukan tingkat probabilitas dari setiap kelas terhadap suatu cluster, dengan persamaan yaitu: P(JK) n(jk) n(k) Dimana: P(JK) = Probabilitas suatu kelas j terhadap cluster k n(jk) = Banyaknya anggota kelas j yang masuk pada cluster k n(k) = Ruang sampel yang menunjukkan banyaknya anggota dari cluster k. Selanjutnya pada proses pengenalan (testing), akan dihitung jarak antara data testing dengan setiap pusat cluster yang diperoleh. Jarak dihitung dengan menggunakan euclidean metric pada persamaan 2.5: Euclidean metric : D Eucl (2.5) ( x, y) N xi yi i1 Menemukan Pusat Cluster dengan metode Fuzzy C-Means Untuk menemukan pusat cluster dan anggota-anggota cluster dengan menggunakan metode Fuzzy C-Means (FCM), proses diawali dengan menentukan jumlah cluster yang akan dibentuk, batasan error terkecil, fungsi objektif awal, dan maksimum iterasi yang akan dilakukan. Pada iterasi pertama, pusat cluster yang menandai lokasi ratarata untuk setiap cluster dan juga derajat keanggotaan setiap data training pada masing-masing cluster ditentukan secara random / acak. Derajat keanggotaan setiap data pada masing-masing cluster dijadikan sebagai elemen-elemen matrik partisi. Pada awalnya, pusat 2 46
6 cluster yang terbentuk masih belum akurat. Pusat cluster dan derajat keanggotaan setiap titik data akan diperbaiki secara berulang-ulang sampai ditemukan pusat cluster yang tepat. Perulangan akan terus dilakukan selama selisih fungsi objektif masih lebih besar dari batas error terkecil yang telah ditetapkan atau banyak iterasi masih kecil dari maksimum iterasinya. Selisih fungsi objektif diperoleh dari pengurangan fungsi objektif terakhir dengan fungsi objektif sebelumnya. Setelah data menuju lokasi cluster yang tepat maka proses pun berhenti. Output yang diperoleh adalah deretan pusat cluster dan derajat keanggotaan untuk setiap data. Berikut ini algoritma proses clustering dengan metode FCM: 1. Diawal proses cluster tentukan jumlah cluster, maksimum iterasi, error terkecil, fungsi objektif awal, iterasi awal. 2. Bangkitkan bilangan random ik, i = 1,2,...,n; k=1,2,...,c; sebagai elemen-elemen matrik partisi awal U. Hitung jumlah setiap kolom (atribut): c Qij μijk k 1 dengan j = 1,2,...,m. Hitung: μnew i k ik Qij 3. Hitung pusat cluster ke-k : V kj, dengan k= 1,2,...,c; dan j = 1,2,...,m V kj n i1 (( ) n i1 ik w ( ) ik * X 4. Hitung fungsi obyektif pada iterasi ke-t, P t : w ij ) P t n c m ([ (X i1 k1 j1 ij V kj ) 2 ]*(μ 5. Hitung perubahan matriks partisi: μ ik m ) 2 ] w 1 [ (X V 1 j 1 ij kj c m [ (X V ) 2 ] w1 1 k 1 j 1 ij kj Dengan i = 1,2,...,n; dan k = 1,2,...,c ik 6. Cek kondisi: a. Jika ( P t ( P t-1 ) ) atau ( t > MaxIter ) maka proses berhenti; b. Jika tidak t = t +1, maka ulangi langkah ke-4 Pengujian Tingkat Akurasi Pengujian tingkat akurasi yang dimaksud adalah untuk menemukan persentase ketepatan dalam proses pengklasifikasian terhadap data testing yang diuji. Tingkat akurasi dihitung dengan menggunakan rumus: match ac *100% tp Dimana: ac = tingkat akurasi ( %) match = Jumlah klasifikasi yang benar tp = Jumlah data testing Pengujian Sistem Pembentuk Kelas Pengujian sistem pembentuk kelas dilakukan untuk mengetahui seberapa besar keberhasilan sistem ini pada masing-masing metode. Pengujian sistem pembentuk kelas, dengan menggunakan data training dan data testing. Tiap-tiap data training akan diuji dengan setiap data testing. Perlakuan sampel pada sistem pembentuk kelas yang digunakan pada fase training dan ) w ) 47
7 fase testing untuk kelompok uji batik tulis adalah seperti yang terlihat pada Tabel 1: Tabel 1. Sampel pada Kelompok Uji Batik Tulis Kelompok Uji Kelompok Batik Tulis Indeks training ke- Banyak Sampel Indeks testing ke- Banyak sampel Dari ketiga sampel training ini, masing-masing akan diujikan pada kelima sampel testing. Sehingga ada 15 kali perlakuan yang akan diperkenalkan pada sistem pembentuk kelas untuk kelompok uji batik tulis. Adapun output proses training dan testing yang terbentuk dengan menggunakan metode K-NN dapat dilihat hasilnya pada Tabel 2: Percobaa n ke- Tabel 2. Hasil Pengujian Kualitas Batik Tulis dengan metode KNN Indeks training ke- Indeks Testing ke- K terbaik Jml Sample testing Cocok Beda Akurasi (%) Dari tabel diatas terlihat dengan menggunakan metode KNN, tingkat akurasi yang diperoleh 100%. Artinya, semua data testing yang diujikan dapat diklasifikasikan dengan benar. Sedangkan dengan metode NCC tingkat akurasi yang diperoleh rata-rata hanya sebesar 89% seperti yang terlihat dalam Tabel 3. Dengan metode NCC, ternyata tidak semua data dapat diklasifikasikan secara tepat, walaupun data testing yang digunakan sama persis dengan data trainingnya. 48
8 Tabel 3. Hasil Pengujian Kualitas Batik Tulis dengan metode NCC Percobaan ke Percobaan ke Indeks training Indeks Testing Banyak cluster Jml Sample testing Cocok Beda Akurasi (%) Indeks Indeks Banyak Jml Cocok Beda training Testing cluster Sample Akurasi (%) testing Pada ketiga kelompok uji dengan 45 kali perlakuan, sistem pembentuk kelas dengan metode KNN berhasil membentuk kelas lebih baik dibandingkan dengan metode Pengujian Sistem Klasifikasi Pengujian sistem klasifikasi ini dilakukan untuk mengetahui tingkat keberhasilan sistem dalam melakukan identifikasi dan klasifikasi NCC. Rata-rata keberhasilan sistem dalam mengklasifikasi dengan metode KNN adalah 99.38%, sedangkan dengan metode NCC rata-ratanya sebesar 86.58%. terhadap objek query / data baru. Pada pengujian sistem klasifikasi jenis batik tulis ini digunakan 50 sampel data uji, dengan rincian seperti yang terlihat pada Tabel 4. Tabel 4. Data sampel jenis batik tulis yang akan diuji coba Sampel Jumlah Tebal Kelas Data ke- cecek canting Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus 49
9 Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Kasar Batik Tulis Halus Batik Tulis Halus Sampel ke- Jumlah cecek Tebal canting Hasil Klasifikasi Sistem Batik Tulis Sedang Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Halus Batik Tulis Halus Batik Tulis Sedang Batik Tulis Kasar Batik Tulis Sedang Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Dari 50 sampel data uji yang diujikan pada sistem klasifikasi kualitas batik tulis dengan metode KNN, semua sampel dapat diklasifikasikan dengan baik dan benar pada masing-masing pengujian. Sedangkan dengan metode NCC, dari 50 sampel data uji yang diujikan ternyata tidak semua data dapat diklasifikasikan dengan benar. Pada pengujian ini diperoleh sampel ke-1, 8, 13 dan 31 diklasifikasikan pada kelompok yang berbeda, hal ini seperti yang terlihat pada Tabel 5. Dari pengujian ini tingkat akurasi yang diperoleh 50
10 dengan menggunakan metode NCC adalah sebesar 92%. Tabel 5. Hasil Klasifikasi yang salah dengan metode KNN Sampel Jumlah Tebal Kelas Data ke- cecek canting Batik Tulis Sedang Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Sedang Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Sedang Batik Tulis Halus Batik Tulis Kasar Batik Tulis Halus Batik Tulis Halus Batik Tulis Sedang Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Sedang Batik Tulis Halus Batik Tulis Sedang Batik Tulis Kasar Batik Tulis Sedang Batik Tulis Halus Batik Tulis Halus Batik Tulis Halus Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar 51
11 Batik Tulis Kasar Sampel Jumlah Tebal Kelas Data ke- cecek canting Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Batik Tulis Kasar Pada ketiga kelompok uji dengan 9 kali percobaan diatas, sistem klasifikasi dengan metode KNN berhasil mengklasifikasikan sampel lebih baik dibandingkan dengan metode NCC. Rata-rata keberhasilan sistem dalam mengklasifikasi dengan metode KNN adalah 99.11%, sedangkan dengan metode NCC rata-rata keberhasilan sistem dalam mengklasifikasikan adalah sebesar 86.44%. KESIMPULAN Berdasarkan pengujian yang dilakukan, implementasi metode KNN pada sistem pembentuk kelas dan sistem klasifikasi memberikan hasil yang lebih baik dibandingkan dengan menggunakan metode NCC. Pada sistem pembentuk kelas menggunakan metode KNN, semua data testing dapat dikembalikan dengan benar, baik untuk data testing yang sama persis dengan data trainingnya maupun data testing yang berbeda dengan data testingnya. Tingkat akurasi yang diperoleh dari 45 kali pengujian ratarata mencapai 99.38%. Sedangkan pada sistem pembentuk kelas menggunakan metode NCC, baik untuk data testing yang sama persis dengan data training maupun data testing yang berbeda dengan data training tingkat akurasi yang diperoleh hanya mencapai 87% untuk 45 kali pengujian yang telah dilakukan. Semakin banyak jumlah data training yang diperkenalkan pada sistem, maka kemampuan sistem mengenali data testing semakin baik. Hal ini dibuktikan pada pengujian dengan kelompok uji kain mori, dimana jumlah data training yang diujikan mulai dari 350, 440 hingga 770 data. Rata-rata tingkat akurasi hampir sama yaitu 99.98% dengan menggunakan metode KNN dan 99.97% dengan menggunakan metode NCC. Untuk sistem klasifikasi pada ketiga kelompok uji dengan menggunakan metode KNN, sistem berhasil mengklasifikasikan 50 sampel dengan benar dibandingkan dengan menggunakan metode NCC. Rata-rata keberhasilan sistem klasifikasi dengan menggunakan metode KNN adalah 99.11% sedangkan dengan metode NCC keberhasilannya hanya mencapai 86.44%. Dalam penelitian ini mungkin masih ditemukan beberapa kekurangan, dan masih dapat dikembangkan lagi dengan metode lainnya. Salah satunya penggunaan metode distance metric yang lain untuk mengukur kemiripan atau kedekatan antara vektor fitur dapat dicoba pada penelitian berikutnya. Selain itu juga pada metode NCC, untuk menemukan pusat cluster dapat dipergunakan metode clustering lainnya. 52
12 DAFTAR PUSTAKA [1] Teknomo, K. K-Nearest Neighbors Tutorial, Tersedia di situs: di/ tutorial/knn [25 Juni 2008] [2]. Kusumadewi, S. Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta [3]. Schowengert, R.A., Multispectral Classification, Arizona
PENENTUAN 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 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 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 terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
Lebih terperinciPERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB)
JIMT Vol. 12 No. 2 Desember 2016 (Hal 115-124) ISSN : 2450 766X PERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB) Nurfajri 1,
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 MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
Lebih 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 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 terperinciAPLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN
APLIKASI ALGORITMA FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKKAN LULUSAN Abdul Aziz, S.Si, M.Si. Abstrak Teknik Fuzzy c-means clustering termasuk dalam salah satu keluarga clustering. Seperti teknik clustering
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
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 terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
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 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 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 terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
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 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 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 terperinciINTELEGENSI BUATAN. Mesin Pembelajaran (Machine Learning)
INTELEGENSI BUATAN Mesin Pembelajaran (Machine Learning) M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Politeknik Negeri Sriwijaya
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 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 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 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 terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
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 terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
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 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 terperinciPENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING
A-99 PENGELOMPOKKAN PERFORMA AKADEMIK MAHASISWA BERDASARKAN INDEKS PRESTASI MENGGUNAKAN K-MEANS CLUSTERING Rachmad Zaini Alberto 1, Winda Kurnia Sari 2, Samsuryadi 3, Anggina Primanita 4 1,2,3,4 Fakultas
Lebih terperinciKLASIFIKASI DATA MULTIDIMENSI MENGGUNAKAN SUBTRACTIVE CLUSTERING DAN K-NEAREST NEIGHTBOR
KLASIFIKASI DATA MULTIDIMENSI MENGGUNAKAN SUBTRACTIVE CLUSTERING DAN K-NEAREST NEIGHTBOR (Classification Multidimension Data Using Subtractive Clustering and K-Nearest Neightbor) Nur Wakhidah 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 1 Mahasiswa Program Studi Matematika FSM
Lebih terperinciALGORITMA NEAREST NEIGHBOR
ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
Lebih terperinciANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO
ANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO Olha Musa 1 dan Alang 2 1 0lh4mu54@gmail.com, 2 virus.stimik@gmail.com 12 STMIK Ichsan
Lebih terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciPENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA
PENERAPAN DATA MINING UNTUK RENCANA SUKSESI SUMBER DAYA MANUSIA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR DI PT POS INDONESIA 1 Muhammad Hafiz Ardiansyah, 2 Wahyu Nurjaya WK 1 Program Studi Teknik Informatika,
Lebih terperinciSISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
SISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Fitri Yunita Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Email:Fitriyun@gmail.com Abstrak Diabetes
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
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 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 terperinciAlgoritma Dasar. 4.1 Naive Bayes
4 Algoritma Dasar It is a capital mistake to theorize before one has data. Arthur Conan Doyle Sebelum masuk ke algoritma machine learning yang cukup modern/ matematis, kami akan memberi contoh algoritma
Lebih terperinciKOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA
TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinciTugas Ujian Tengah Semester (UTS) Data Mining Lanjut ABSTRAK
PERBANDINGAN KLASIFIKASI KNN DAN NAIVE BAYESIAN SERTA PERBANDINGAN CLUSTERING SIMPLE K-MEANS YANG MENGGUNAKAN DISTANCE FUNCTION MANHATTAN DISTANCE DAN EUCLIDIAN DISTANCE PADA DATASET Dresses_Attribute_Sales
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 terperinciK NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI)
K NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI) Disusun Oleh : Alfian Sukma 081116007 Dian Ramadhan 081211631003 Bagus Puji Santoso 081211631061 Tiara Ratna Sari 081211632014 Ni
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciPerancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra
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 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 terperinciPEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS
PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS Sri Redjeki Teknik Informatika STMIK AKAKOM Jl. Raya Janti No 143 Yogyakarta e-mail: dzeky@akakom.ac.id ABSTRAK Sebuah perguruan
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
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 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 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 terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciPERBANDINGAN ANALISIS KLASIFIKASI MENGGUNAKAN METODE K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS KLASIFIKASI MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) DAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) PADA DATA AKREDITASI SEKOLAH DASAR NEGERI DI KOTA SEMARANG SKRIPSI Oleh
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
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 terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
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 UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
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 terperinciSTUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR
STUDI AWAL KLASIFIKASI ARTIKEL WIKIPEDIA BAHASA INDONESIA DENGAN MENGGUNAKAN METODA K NEAREST NEIGHBOR Erik Hardiyanto 1), Faisal Rahutomo 1) 1 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
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 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 terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
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 terperinciPenerapan Algoritma K-Means untuk Clustering
Seminar Perkembangan dan Hasil Penelitian Ilmu Komputer (SPHP-ILKOM) 71 Penerapan Algoritma K-Means untuk ing Dokumen E-Jurnal STMIK GI MDP Ernie Kurniawan* 1, Maria Fransiska 2, Tinaliah 3, Rachmansyah
Lebih 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 terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciSKRIPSI. Disusun Oleh: SARITA BUDIYANI PURNAMASARI NIM
PEMILIHAN CLUSTER OPTIMUM PADA FUZZY C-MEANS (Studi kasus: Pengelompokan Kabupaten/Kota di Jawa Tengah berdasarkan Indikator Indeks Pembangunan Manusia) SKRIPSI Disusun Oleh: SARITA BUDIYANI PURNAMASARI
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1 Abstract
Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4 Mutiara Ayu Banjarsari 1, H. Irwan
Lebih terperinciAPLIKASI SISTEM PAKAR UNTUK MENENTUKAN OBAT PERAWATAN KULIT WAJAH BERBASIS ANDROID
APLIKASI SISTEM PAKAR UNTUK MENENTUKAN OBAT PERAWATAN KULIT WAJAH BERBASIS ANDROID Muhammad Imaduddin 1 Arie Surya Chandra 2 Denny Chancra 3 Teknik Informatika Universitas Bina Nusantara Jl. K. H. Syahdan
Lebih terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciJurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN
KLASIFIKASI KAWASAN PERMUKIMAN TINGKAT KELURAHAN UNTUK PEMBANGUNAN SISTEM BERBASIS DATA KUALITAS PERMUKIMAN (STUDI KASUS: 67 KELURAHAN DI KOTA BENGKULU) Rizki Setiawan 1, Ernawati 2, Rusdi Efendi 3 1,2,3
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 terperinciLABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
Lebih terperinciPERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN 2012
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 831-838 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi saat ini telah mengalami perubahan yang pesat. Teknologi telah menjadi bagian dari kehidupan manusia. Hampir setiap kegiatan yang dilakukan manusia
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Clustering dalam Data Mining Konsep dasar data mining adalah menemukan informasi tersembunyi dalam sebuah basis data dan merupakan bagian dari Knowledge Discovery in
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perguruan tinggi merupakan strata terakhir sebelum mahasiswa dapat bersaing didalam dunia kerja. Agar mampu bersaing didalam dunia kerja, mahasiswa dituntut
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 terperinciImplementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan Lulus Tepat Waktu (Studi Kasus : Fakultas Ilmu Komputer Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1726-1732 http://j-ptiik.ub.ac.id Implementasi Algoritme Fuzzy K-Nearest Neighbor untuk Penentuan
Lebih terperinci(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
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciCLUSTERING KINERJA AKADEMIS MAHASISWA MENGGUNAKAN FUZZY C-MEANS
SYSTEMIC Vol. 02, No. 02, Agustus 2016, 29-34 CLUSTERING KINERJA AKADEMIS MAHASISWA MENGGUNAKAN FUZZY C-MEANS Nurissaidah Ulinnuha 1 Program Studi Matematika Fakultas Sains dan Teknologi Universitas Islam
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciKLASIFIKASI KELOMPOK RUMAH TANGGA DI KABUPATEN BLORA MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) DAN FUZZY K-NEAREST NEIGHBOR (FK-NN)
KLASIFIKASI KELOMPOK RUMAH TANGGA DI KABUPATEN BLORA MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) DAN FUZZY K-NEAREST NEIGHBOR (FK-NN) SKRIPSI Oleh : YANI PUSPITA KRISTIANI 24010211120018
Lebih terperinci