Implementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
|
|
- Hendri Benny Hartanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Implementasi Sistem Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkahlangkah melakukan clustering dengan FCM, yaitu: 1. Memilih data yang akan di-cluster 2. Menetapkan parameter-parameter untuk: Jumlah cluster (n > c 2) Pangkat pembobot (w > 1) Maksimum iterasi (i) Kriteria penghentian (ɛ) 3. Menghitung pusat cluster, fungsi objektif, dan perubahan derajat keanggotaan pada matriks U. Tahap representasi pengetahuan dengan peta diimplementasikan menggunakan perangkat lunak Quantum GIS v HASIL DAN PEMBAHASAN Data Penelitian Data sumber yang digunakan pada penelitian ini adalah data pelanggan UPJ Bogor Timur pada bulan Desember 2009 dengan jumlah record sebanyak baris dan 5 atribut. Atribut-atribut tersebut adalah nomor pelanggan, golongan, daya, lingkungan, dan KWH. Contoh sebagian data penelitian yang digunakan dapat dilihat pada Lampiran 1. Berikut penjelasan masing-masing atribut pada data sumber. Atribut nomor pelanggan adalah nomor unik yang dimiliki oleh setiap pelanggan. Setiap nomor pelanggan terdiri dari dua belas digit. Lima digit pertama merupakan inisialisasi daerah pelanggan. Dua digit pertama dari lima digit tersebut menunjukkan provinsi dan tiga digit selanjutnya menunjukkan pembagian daerah dari provinsi. Sebagai contoh, terdapat pelanggan yang memiliki lima digit pertama Dua digit pertama, yaitu 53 menunjukkan bahwa pelanggan berada di daerah Jawa Barat, sedangkan tiga digit selanjutnya 821 menunjukkan bahwa pelanggan berada di daerah Bogor Timur. Atribut golongan merupakan representasi dari penggolongan pelanggan berdasarkan jenis pelanggan dan tarif penggunaan per KWH. Setiap golongan memiliki tarif yang berbeda-beda untuk pembayaran listrik. Sebagai contoh, tarif penggunaan listrik per KWH golongan rumah tangga lebih murah dibandingkan dengan golongan bisnis. Golongan-golongan yang terdapat pada data pelanggan UPJ Bogor Timur adalah bisnis (B), industri (I), pemerintah (P), rumah tangga (R), dan sosial (S). Golongan pelanggan juga dibagi menjadi beberapa bagian tergantung dari daya yang digunakan. Sebagai contoh, daya pelangggan golongan bisnis ada dua, yaitu B1 dan B2, sedangkan untuk rumah tangga dibagi menjadi tiga golongan pengguna daya, yaitu R1, R2, dan R3. Penggunaan daya setiap golongan dapat dilihat pada Tabel 4. Atribut daya adalah nilai daya tetap yang dipilih oleh pelanggan. Sebagai contoh, jika dalam suatu rumah memiliki barang elektronik yang membutuhkan daya 450 Watt, rumah tersebut harus memiliki daya sekitar 450 Watt atau lebih untuk menyalakan alat tersebut. Pada data sumber didapatkan sebanyak 49 jenis daya. Kisaran daya yang digunakan dimulai dari Watt. Pada histrogram yang disajikan pada Lampiran 2 terlihat bahwa pengguna daya 450 Watt merupakan yang paling banyak jumlahnya, disusul dengan pengguna daya 770, 1.300, dan Watt. Jumlah pengguna pada empat jenis daya tersebut memiliki lebih dari pelanggan, sedangkan pengguna daya lainnya memiliki pelanggan di bawah pelanggan. Tabel 4 Tabel penggunaan daya Daya (Watt) Golongan Terendah Tertinggi B B I I P P R R R S Atribut lingkungan adalah atribut yang berisi nama-nama daerah tempat pelanggan berada. Daerah-daerah yang terdapat pada atribut ini biasanya berupa nama kelurahan, walaupun terdapat beberapa nama daerah yang bukan merupakan nama kelurahan. Atribut KWH (Kilo Watt per Hour) adalah banyaknya daya yang digunakan oleh pelanggan dalam satu jam. Pada data penelitian, atribut ini berisi nilai penggunaan listrik dalam satuan KWH selama satu bulan. 9
2 Praproses Data Hasil dari penelitian akan ditampilkan dalam bentuk peta, untuk itu dibutuhkan titik koordinat (X & Y). Namun data yang digunakan pada penelitian ini tidak memiliki data koordinat (X & Y) dari setiap pelanggan. Oleh karena itu, dilakukan integrasi data dengan menambahkan data koordinat (X dan Y) yang dibuat secara random dengan bantuan perangkat lunak Quantum GIS v Jumlah daerah (lingkungan) yang terdapat pada data sebanyak 45 daerah. Kemudian daerah-daerah tersebut dikelompokkan ke dalam kelurahan-kelurahan dengan total kelurahan yang didapat adalah sebanyak 39 kelurahan (dalam hal ini, daerah yang berada pada daerah Citeureup dijadikan satu kelurahan karena tidak dianggap sebagai daerah kota Bogor). Setelah data dikelompokkan ke dalam kelurahan, data disaring dengan memilih data pelanggan PLN UPJ Bogor Timur dengan memilih data pelanggan yang memiliki awalan 53821xxxxxxx pada kode pelanggan. Selain itu, penyaringan juga dilakukan berdasarkan kelurahan yang dimasukkan ke dalam kategori daerah kota Bogor. Sebanyak 23 kelurahan terpilih dari 39 kelurahan. Tahap penyaringan data selanjutnya adalah dengan memilih data pelanggan yang menggunakan KWH 150 jam. Setelah melalui proses integrasi dan penyaringan data, data yang digunakan pada penelitian menjadi sebanyak record dan delapan field. Field-field yang terdapat pada data penelitian adalah: Koordinat_X, Koordinat_Y, No_Pelanggan, Golongan, Daya, Lingkungan, KWH, dan Jam. Pemilihan Atribut Untuk melakukan segmentasi, dilakukan pemilihan atribut yang sesuai untuk digunakan pada proses clustering. Pemilihan atribut yang digunakan adalah atribut-atribut yang relevan dalam hal penggunaan listrik. Atribut yang terpilih dalam penelitian ini adalah sebanyak dua atribut dari delapan atribut yang ada, yaitu daya dan KWH. Kedua atribut ini dianggap sebagai atribut yang paling merepresentasikan penggunaan listrik pelanggan. Normalisasi Data Proses normalisasi terhadap data dilakukan terlebih dahulu sebelum masuk ke tahap proses clustering, karena data yang digunakan memiliki rentang nilai yang sangat besar. Rentang nilai yang sangat besar cukup mempengaruhi pada metode clustering yang berbasis jarak seperti FCM. Normalisasi pada umumnya digunakan untuk menyetarakan atribut agar atribut satu dengan lainnya memiliki ukuran yang sama. Normalisasi juga membuat rentang nilai menjadi jauh lebih kecil sehingga membantu perhitungan jarak menjadi lebih cepat dan efisien. Teknik normalisasi yang digunakan pada penelitian ini adalah z-score. Normalisasi z- score dipilih karena pada data penelitian outlier mendominasi pada daerah nilai minimum. Setelah data dinormalisasi dengan z-score, nilai rata-rata dari masing-masing atribut menjadi 0 dan standar deviasinya bernilai 1. Contoh sebagian data sebelum dan sesudah ditransformasi dengan normalisasi z- score dapat dilihat pada Lampiran 3. Segmentasi menggunakan Fuzzy C-Means Proses segmentasi yang dilakukan pada penelitian ini terdapat dua jenis, yaitu segmentasi berdasarkan pelanggan dan segmentasi berdasarkan daerah. Segmentasi berdasarkan pelanggan adalah segmentasi dengan menggunakan data pelanggan yang sebelumnya sudah mengalami tahap praproses, sedangkan untuk segmentasi berdasarkan daerah, menggunakan data yang sama namun data tersebut diperkecil dengan mengambil rata-rata daya, KWH per daerahnya. Nilai rata-rata yang diambil bukanlah nilai rata-rata data pelanggan yang sudah dinormalisasi. Karena itu data tersebut dinormalisasi setelah data rata-rata penggunaan listrik (daya dan KWH) dari setiap daerah didapatkan. Data yang digunakan untuk segmentasi berdasarkan daerah dapat dilihat pada Lampiran 4. Untuk mendapatkan hasil segmentasi penggunaan listrik, dilakukan penerapan teknik clustering pada data menggunakan algoritme Fuzzy C-Means (FCM). Proses clustering dilakukan dengan menggunakan program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Sebelum melakukan clustering dengan FCM, ditentukan terlebih dahulu parameterparameter FCM yang dibutuhkan seperti yang telah dibahas pada implementasi sistem. Segmentasi yang diinginkan pada penelitian ini adalah membagi penggunaan listrik menjadi empat kelas, yaitu kelas penggunaan listrik rendah, sedang, tinggi, dan sangat tinggi. Oleh karena itu, jumlah cluster 10
3 (c) yang digunakan pada penelitian ini adalah sebanyak empat cluster. Pembobot (w) merupakan parameter fuzzy (fuzzifier) yang digunakan dalam FCM. Nilai w tidak boleh 1, karena ketika w = 1 maka tidak akan terjadi proses fuzzy clustering, tetapi malah menjadi proses hard clustering. Hal ini dikarenakan algoritme FCM merupakan generalisasi dari algoritme pendahulunya, yaitu algoritme Hard C- Means. Nilai w = 1 akan menyebabkan pembagian dengan 0 pada persamaan nomor 8. Jadi, nilai pembobot (w) harus lebih besar dari 1 (Höppner et al. 1999). Jika w > 2, pembobot (w) akan mengurangi bobot yang ditetapkan untuk cluster yang dekat dengan titik. Terdapat beberapa pertimbangan untuk memlih w = 2, salah satunya adalah untuk menyederhanakan fungsi derajat keanggotaan ( ik ) pada persamaan nomor 6 (Tan et al. 2006). Jadi, nilai pembobot yang digunakan pada penelitian ini adalah 2. Iterasi maksimum yang ditentukan pada penelitian ini adalah sebanyak 100 iterasi, agar proses perulangan tidak terlalu banyak. Walaupun demikian, iterasi akan dihentikan apabila nilai pada persamaan nomor 9 sudah lebih kecil dari nilai kriteria penghentian (ɛ) yang ditentukan. Nilai kriteria penghentian (ɛ) yang ditentukan pada penelitian ini adalah Nilai tersebut sudah dianggap sebagai nilai positif yang sangat kecil pada penelitian ini. Jadi, nilai-nilai parameter yang digunakan untuk melakukan clustering dengan menggunakan FCM pada penelitian ini adalah sebagai berikut: Jumlah cluster (c) = 4 Pangkat pembobot (w) = 2 Maksimum iterasi (i) = 100 Kriteria penghentian/treshold (ɛ) = 10-5 Gambar 7 merupakan window dari program yang telah dibuat untuk memilih data yang akan digunakan untuk proses clustering dengan FCM. Window tersebut juga merupakan tempat memasukkan parameterparameter FCM yang akan digunakan. Tombol Cluster merupakan tombol untuk melakukan proses clustering, tentunya setelah data dipilih dan parameter-parameternya telah dimasukkan. Setelah program melakukan proses clustering dengan teknik FCM, program akan memunculkan ringkasan statistik dari hasil proses clustering seperti yang dapat dilihat pada Gambar 8. Pada window tersebut menampilkan karakteristik dari data yang digunakan, parameter-paramater yang digunakan, jumlah anggota dari masingmasing cluster, dan log nilai fungsi objektif. Pada window tersebut juga terdapat beberapa tombol yang dapat digunakan untuk mendapatkan keterangan lebih lanjut dari hasil clustering seperti tombol untuk melihat tabel hasil clustering, tombol untuk melihat grafik cluster, tombol untuk melihat plot cluster dalam bentuk 2 dimensi, dan tombol untuk menyimpan hasil clustering. Gambar 7 Pengaturan parameter pada program FCM Gambar 8 Ringkasan hasil clustering pada program FCM Pengguna program FCM dapat melihat grafik hasil clustering dalam bentuk bar. Sumbu x merepresentasikan cluster, dan sumbu y merepresentasikan jumlah anggota cluster. Setiap cluster juga dibedakan dari warna bar-nya. Pada setiap bar terdapat nilai yang menunjukkan jumlah anggota cluster. 11
4 Grafik hasil clustering dari segmentasi berdasarkan pelanggan dapat dilihat pada Gambar 9 dan grafik hasil clustering dari segmentasi berdasarkan daerah dapat dilihat pada Gambar 10. Pada kedua grafik tersebut, cluster 1 merupakan pengguna listrik kelas rendah, cluster 2 merupakan pengguna listrik kelas sedang, cluster 3 merupakan penggunaan listrik kelas tinggi, dan cluster 4 merupakan pengguna listrik kelas sangat tinggi. Terlihat pada kedua grafik tersebut bahwa cluster 1 (kelas rendah) memiliki anggota paling banyak dibandingkan dengan cluster yang lain, dan yang paling sedikit adalah cluster 4 (kelas sangat tinggi). Pada clustering berdasarkan daerah, iterasi berhenti pada iterasi ke-11 dengan pusat vektor terakhir (matriks V) sebagai berikut: Grafik dari fungsi objektif yang dihasilkan dari clustering berdasarkan pelanggan dapat dilihat pada Gambar 11. Pada grafik tersebut terlihat nilai fungsi objektif sudah mulai stabil pada iterasi ke-56, artinya cluster yang terbentuk pada iterasi tersebut sudah mulai optimal walaupun belum mencapai nilai kriteria penghentian (treshold). Grafik nilai fungsi objektif dari clustering berdasarkan daerah, dapat dilihat pada Gambar 12. Pada grafik tersebut nilai fungsi objektif sudah mulai stabil pada iterasi ke-7 dan iterasi berhenti pada iterasi ke-11 karena nilai treshold sudah terpenuhi. Gambar 9 Grafik hasil clustering pada segmentasi berdasarkan pelanggan Nilai Fungsi Objektif Grafik Nilai Fungsi Objektif Clustering Pelanggan Iterasi ke- Gambar 11 Grafik nilai fungsi objektif untuk clustering berdasarkan pelanggan Gambar 10 Grafik hasil clustering pada segmentasi berdasarkan daerah Pada clustering berdasarkan pelanggan, proses clustering dengan FCM berhenti pada iterasi maksimum (iterasi ke-100) dengan pusat vektor terakhir (matriks V) sebagai berikut: Nilai Ffungsi Objektif Grafik Nilai Fungsi Objektif Clustering Wilayah Iterasi ke- Gambar 12 Grafik nilai fungsi objektif untuk clustering berdasarkan daerah Tabel hasil clustering berdasarkan pelanggan yang berisi data yang digunakan, nilai derajat keanggotaan dari setiap data, dan cluster yang ditentukan pada setiap data tidak ditampilkan seluruhnya karena ukuran dari tabel tersebut terlalu besar. Sebagian tabel 12
5 hasil clustering berdasarkan pelanggan dapat dilihat pada Lampiran 5. Hasil clustering berdasarkan pelanggan disajikan pada Lampiran 6. Persentase dan jumlah anggota masing-masing cluster disajikan pada Tabel 5. Tabel 5 Persentase dan jumlah anggota cluster pada clustering berdasarkan pelanggan Cluster Persentase (%) Jumlah C1 (rendah) 99, C2 (sedang) 0, C3 (tinggi) 0,11 43 C4 (sangat tinggi) 0,04 15 Hasil clustering berdasarkan daerah secara lengkap disajikan pada Lampiran 7. Persentase dan jumlah anggota masingmasing cluster disajikan pada Tabel 6. Tabel 6 Persentase dan jumlah anggota cluster pada clustering berdasarkan daerah Cluster Persentase (%) Jumlah C1 (rendah) 73,91 17 C2 (sedang) 17,39 4 C3 (tinggi) 4,35 1 C4 (sangat tinggi) 4,35 1 Evaluasi Cluster Berdasarkan Pelanggan Hasil clustering terhadap pelanggan, menghasilkan karakteristik penggunaan listrik dari setiap segmen sebagai berikut: 1. Pengguna listrik kelas rendah Pengguna listrik kelas rendah diwakili oleh cluster 1 dengan karakteristik pengguna yang disajikan pada Tabel 7. Tabel 7 Karakteristik pengguna listrik kelas rendah (cluster 1) Terendah Tertinggi Rata-rata Daya ,86 KWH ,39 Jam ,88 Golongan pelanggan yang terdapat pada pengguna listrik kelas rendah adalah bisnis (B1 dan B2), industri (I1), pemerintah (P1 dan P3), rumah tangga (R1, R2, dan R3), dan sosial (S2) dengan persebaran di seluruh daerah. Daerah yang memiliki persebaran tertinggi pada cluster ini adalah Kedung Halang dengan jumlah pelanggan sebanyak pelanggan. Pesebaran spasial pengguna listrik kelas rendah dapat dilihat pada Gambar 13. Gambar 13 Pesebaran spasial pengguna listrik kelas rendah Gambar 14 Pesebaran spasial pengguna listrik kelas sedang 2. Pengguna listrik kelas sedang Pengguna listrik kelas sedang diwakili oleh cluster 2 dengan karakteristik pengguna yang disajikan pada Tabel 8. Tabel 8 Karakteristik pengguna listrik kelas sedang (cluster 2) Terendah Tertinggi Rata-rata Daya ,65 KWH ,88 Jam ,11 Golongan pelanggan yang terdapat pada pengguna listrik kelas sedang adalah bisnis (B1 dan B2), industri (I2), pemerintah (P1 dan P3), rumah tangga (R2 dan R3), dan sosial (S2) dengan persebaran di daerah Babakan, Babakan Pasar, Bantarjati, Baranang Siang, Cibuluh, Cimahpar, Ciparigi, Katulampa, Kedung Badak, Kedung Halang, Sukaraja, Sukasari, Tanah 13
6 Baru, dan Tegal Lega. Daerah yang memiliki persebaran tertinggi pada cluster ini adalah Bantarjati dengan jumlah pelanggan sebanyak 59 pelanggan. Pesebaran spasial pengguna listrik kelas sedang dapat dilihat pada Gambar Pengguna listrik kelas tinggi Pengguna listrik kelas tinggi diwakili oleh cluster 3 dengan karakteristik pengguna yang disajikan pada Tabel 9. Tabel 9 Karakteristik pengguna listrik kelas tinggi (cluster 3) Terendah Tertinggi Rata-rata Daya ,23 KWH ,65 Jam ,07 Golongan pelanggan yang terdapat pada pengguna listrik kelas tinggi adalah bisnis (B2), industri (I2), pemerintah (P1), dan sosial (S2) dengan penyebaran di daerah Babakan, Bantarjati, Baranang Siang, Ciparigi, Kedung Halang, Sukaraja, Tanah Baru, dan Tanah Sareal. Daerah yang memiliki jumlah persebaran tertinggi pada cluster ini adalah Babakan dengan pelanggan sebanyak 13 pelanggan. Pesebaran spasial pengguna listrik kelas tinggi dapat dilihat pada Gambar Pengguna listrik kelas sangat tinggi Pengguna listrik kelas sangat tinggi diwakili oleh cluster 4 dengan karakteristik pengguna yang disajikan pada Tabel 10. Tabel 10 Karakteristik pengguna listrik kelas sangat tinggi (cluster 4) Terendah Tertinggi Rata-rata Daya ,67 KWH ,63 Jam ,34 Golongan pelanggan yang terdapat pada pengguna listrik kelas sangat tinggi adalah bisnis (B2), industri (I2), pemerintah (P3), dan sosial (S2) dengan persebaran di daerah Babakan, Bantarjati, Baranang Siang, Cibuluh, Katulampa, Kedung Halang, dan Tegal Lega. Daerah yang memiliki persebaran tertinggi pada cluster ini adalah daerah Kedung Halang dengan jumlah pelanggan sebanyak 7 pelanggan. Pesebaran spasial pengguna listrik kelas sangat tinggi dapat dilihat pada Gambar 16. Gambar 15 Pesebaran spasial pengguna listrik kelas tinggi Gambar 16 Pesebaran spasial pengguna listrik kelas sangat tinggi Gambar 17 Pesebaran spasial pengguna listrik semua kelas Pesebaran spasial dari keseluruhan kelas dapat dilihat pada Gambar 17. Pada gambar 14
7 tersebut terlihat pengguna listrik kelas rendah mendominasi di seluruh wilayah, bahkan ada beberapa daerah yang hanya terdapat pengguna listrik kelas rendah saja. Evaluasi Cluster Berdasarkan Daerah Segmentasi berdasarkan daerah, dilakukan berdasarkan rata-rata penggunaan listrik dari masing-masing daerah. Karakteristik penggunaan listrik dari setiap segmen pada clustering berdasarkan daerah dapat dilihat pada Tabel 11. Tabel 11 Karakteristik penggunaan listrik berdasarkan segmentasi daerah Cluster Nilai Rata-rata Daya KWH Jam C1 (rendah) 227,2 920,6 258,7 C2 (sedang) 518,6 2084,8 268,3 C3 (tinggi) 6140, ,0 263,2 C4 (sangat tinggi) 3503, ,0 241,0 1. Daerah penggunan listrik kelas rendah Daerah penggunaan listrik kelas rendah diwakili oleh cluster 1. Daerah-daerah yang termasuk pada kelas ini sebanyak 17 daerah, yaitu: Cibuluh, Cilebut, Ciluar, Cimahpar, Ciparigi, Katulampa, Kebon Pedes, Kedung Badak, Kedung Halang, Pakuan, Pasir Laja, Sempur, Sukaraja, Sukaresmi, Sukasari, Sukatani, dan Tanah Baru. 2. Daerah penggunaan listrik kelas sedang Daerah penggunaan listrik kelas sedang diwakili oleh cluster 2. Daerah-daerah yang termasuk pada kelas ini sebanyak 4 daerah, yaitu: Babakan, Bantarjati, Baranang Siang, dan Tegal Lega. 3. Daerah penggunaan listrik kelas tinggi Daerah penggunaan listrik kelas tinggi diwakili oleh cluster 3. Daerah yang termasuk pada kelas ini hanya satu daerah, yaitu Babakan Pasar. 4. Daerah penggunaan listrik sangat tinggi Daerah penggunaan listrik kelas sangat tinggi diwakili oleh cluster 4. Daerah yang termasuk pada kelas ini hanya satu daerah, yaitu Tanah Sareal. Visualisasi Clustering Visualisasi hasil clustering disajikan dalam bentuk plot 2 dimensi dan juga penyebaran titik pada peta untuk mempermudah analisis. Pada program clustering FCM yang telah dibuat terdapat fasilitas untuk visualisasi dalam bentuk plot 2 dimensi dengan mengombinasikan dua variabel (x dan y) dari data yang digunakan. Setiap cluster dibedakan dengan warna yang berbeda dan pusat cluster ditampilkan berbentuk kotak dengan ukuran yang lebih besar dari anggota cluster. Visualisasi hasil clustering berdasarkan pelanggan dengan plot 2 dimensi dapat dilihat pada Gambar 18. Inisalisasi warna yang digunakan sebagai pembeda cluster pada Gambar 18 adalah: Cluster 1 (kelas rendah) warna biru Cluster 2 (kelas sedang) warna ungu Cluster 3 (kelas tinggi) warna magenta Cluster 4 (kelas sangat tinggi) warna cyan Pada Gambar 18 cluster 1 terlihat sedikit, padahal sebenarnya terjadi penumpukan titik anggota cluster yang mengumpul pada cluster tersebut. Begitu pula untuk cluster 2, terjadi penumpukan titik anggota cluster pada cluster tersebut. Gambar 18 Plot clustering berdasarkan pelanggan Visualisasi hasil clustering berdasarkan daerah dengan plot 2 dimensi dapat dilihat pada Gambar 19. Inisalisasi warna yang digunakan sebagai pembeda cluster pada Gambar 19 adalah: Cluster 1 (kelas rendah) warna biru Cluster 2 (kelas sedang) warna ungu Cluster 3 (kelas tinggi) warna magenta Cluster 4 (kelas sangat tinggi) warna cyan Sama halnya dengan hasil plot pada clustering beradasarkan pelanggan, pada Gambar 19 terjadi pengumpulan titik anggota cluster pada cluster 1 walaupun pada gambar tersebut anggota cluster terlihat sedikit. Pada 15
8 gambar tersebut juga terlihat dua titik yang berbentuk kotak dengan warna yang berbeda. Kedua titik tersebut merupakan cluster 3 dan cluster 4 dimana masing-masing anggota cluster tersebut berjumlah satu, sehingga anggota dari cluster tersebut juga merupakan pusat cluster-nya. Gambar 19 Plot clustering berdasarkan daerah KESIMPULAN DAN SARAN Kesimpulan Proses segmentasi penggunaan listrik dapat dilakukan dengan menggunakan algoritme clustering Fuzzy C-Means. Setelah clustering dilakukan, didapatkan karakteristik dari setiap segmen penggunaan listrik. Pada segmentasi berdasarkan pelanggan, segmen pengguna listrik kelas rendah merupakan segmen yang paling banyak anggotanya, sedangkan yang paling sedikit adalah segmen pengguna listrik kelas sangat tinggi. Daerah yang memiliki persebaran dari semua segmentasi adalah Babakan, Bantarjati, Baranang Siang, dan Kedung Halang. Pihak PLN dapat memberikan perhatian yang lebih terhadap pelayanan di daerah-daerah tersebut, karena pada daerah-daerah tersebut terdapat semua segmen dan juga memiliki pengguna listrik kelas tinggi dan sangat tinggi yang lebih banyak dibandingkan dengan daerah lain. Saran Program yang dikembangkan dan data yang digunakan untuk melakukan clustering pada penelitian ini masih memiliki kekurangan. Saran untuk penelitian ini adalah: 1. Mengintegrasikan hasil yang ditampilkan pada peta ke dalam program clustering 2. Selain menampilkan penyebaran pengguna listrik, juga ditampilkan penyebaran instalasi dari alat listrik. DAFTAR PUSTAKA Abonyi J, Feil B Cluster Analysis for Data Mining and System Identification. Berlin: Birkhauser Verlag AG. Cox, Earl Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration. San Francisco: Elsevier Inc. Daulay A M Segmentasi Pasar Produk Mie Cepat Saji Menggunakan Fuzzy C- Means [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Gulley N, Jang R Fuzzy Logic Toolbox. USA: Mathwork, Inc. Han J, Kamber M Data Mining: Concept and Techniques. Ed ke-2. San Francisco: Morgan Kaufman Publisher. Höppner F, Klawonn F, Kruse R, Runkler T Fuzzy Cluster Analysis Methods for Classification, Data Analysis and Image Recognition. Inggris: John Wiley & Sons Inc. Ross, Timothy J Fuzzy Logic with Engineering Applications. Ed ke-2. Inggris: John Wiley & Sons Inc. Tan P, Steinbach M, Kumar V Introduction to Data Mining. Boston: Pearson Education. 16
SEGMENTASI PELANGGAN PLN UPJ BOGOR TIMUR DAERAH BOGOR MENGGUNAKAN FUZZY C-MEANS KAMAL AFIAT
SEGMENTASI PELANGGAN PLN UPJ BOGOR TIMUR DAERAH BOGOR MENGGUNAKAN FUZZY C-MEANS KAMAL AFIAT DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 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 terperinciLingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa
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 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 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 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 terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
Lebih terperinciHASIL DA PEMBAHASA. Pengadaan Data
1 Memilih atribut yang akan diklasifikasikan ke dalam k kelas, misal atribut yang dipilih adalah atribut x. 2 Sekumpulan k-1 nilai dibangkitkan secara acak dalam selang [min{x}, max{x}]. Selang ini digunakan
Lebih terperinciPRESIDEN REPUBLIK INDONESIA,
PERATURAN PEMERINTAH REPUBLIK INDONESIA NOMOR 2 TAHUN 1995 TENTANG PERUBAHAN BATAS WILAYAH KOTAMADYA DAERAH TINGKAT II BOGOR DAN KABUPATEN DAERAH TINGKAT II BOGOR PRESIDEN REPUBLIK INDONESIA, Menimbang
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 IV IMPLEMENTASI DAN EVALUASI
84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS DALAM MENGANALISA KEMISKINAN DESA
IMPLEMENTASI FUZZY C-MEANS DALAM MENGANALISA KEMISKINAN DESA Harliana Teknik Informatika STIKOM POLTEK Cirebon Jl Brigjend Darsono Bypass No3 3, Cirebon 45153 Email : harliana.merdiharto@gmail.com Abstrak
Lebih terperinciZ = HASIL DAN PEMBAHASAN
1 D adalah himpunan daerah Bogor yang terdiri dari 68 desa/kelurahan di Kota Bogor. 2 Mengonversi himpunan daerah tersebut ke dalam matriks di MATLAB. 3 Menentukan daerah R menggunakan MBR (Minimum Bounding
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciKata kunci : Analisis kelompok, Fuzzy Clustering, Fuzzy C-Means (FCM), Fuzzy C-Shell (FCS), Penginderaaan Jarak Jauh.
PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY C- SHELL (FCS) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (STUDI KASUS DAERAH PEUKAN BADA, ACEH BESAR) Novi Reandy Sasmita 1, Hizir Sofyan 1, Muhammad Subianto
Lebih terperinciPENGGEROMBOLAN DAERAH TERTINGGAL DI INDONESIA DENGAN FUZZY K-RATAAN (Clustering Backward Region in Indonesia Using Fuzzy C-Means Cluster)
, April 2010 p : 22-27 ISSN : 0853-8115 Vol 15 No.1 PENGGEROMBOLAN DAERAH TERTINGGAL DI INDONESIA DENGAN FUZZY K-RATAAN (Clustering Backward Region in Indonesia Using Fuzzy C-Means Cluster) Titin Agustin
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 terperinciPENGELOMPOKKAN DESA DI KABUPATEN SORONG PROVINSI PAPUA BARAT TAHUN 2016 BERDASARKAN STATUS KETERTINGGALAN
PENGELOMPOKKAN DESA DI KABUPATEN SORONG PROVINSI PAPUA BARAT TAHUN 2016 BERDASARKAN STATUS KETERTINGGALAN Indah Ratih Anggriyani 1), Dariani Matualage 2), Esther Ria Matulessy 3) 1)2)3) Jurusan Matematika
Lebih terperinciFuzzy Pattern Recognition. Logika Fuzzy
Fuzzy Pattern Recognition Logika Fuzzy 1 Pengenalan pola (pattern recognition) adalah proses untuk mengidentifikasi struktur yang ada dalam data dengan cara membandingkannya dengan struktur yang telah
Lebih terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciPE DAHULUA. Latar Belakang
Latar Belakang PE DAHULUA Pemilihan Kepala Daerah dan Wakil Kepala Daerah, atau seringkali disebut Pilkada, adalah pemilihan umum untuk memilih Kepala Daerah dan Wakil Kepala Daerah secara langsung di
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 terperinciVISUALISASI K-MEANS CLUSTERING PADA DATA POTENSI PERTANIAN DESA DI BOGOR MENGGUNAKAN MAPSERVER HENRI HARIANJA
VISUALISASI K-MEANS CLUSTERING PADA DATA POTENSI PERTANIAN DESA DI BOGOR MENGGUNAKAN MAPSERVER HENRI HARIANJA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciSISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE
SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE WRS Nurwidodo 1) dan Mochamad Hariadi 2) Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih,
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 terperinciANALISIS POLA PENYEBARAN SPASIAL PENYAKIT DEMAM BERDARAH DENGUE (Studi Kasus: Kejadian Penyakit Demam Berdarah Dengue di Kota Bogor tahun )
ANALISIS POLA PENYEBARAN SPASIAL PENYAKIT DEMAM BERDARAH DENGUE (Studi Kasus: Kejadian Penyakit Demam Berdarah Dengue di Kota Bogor tahun 27-211) WISNU PANATA PRAJA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA
Lebih terperinciPP 2/1995, PERUBAHAN BATAS WILAYAH KOTAMADYA DAERAH TINGKAT II BOGOR DAN KABUPATEN DAERAH TINGKAT II BOGOR. Presiden Republik Indonesia,
PP 2/1995, PERUBAHAN BATAS WILAYAH KOTAMADYA DAERAH TINGKAT II BOGOR DAN KABUPATEN DAERAH TINGKAT II BOGOR Menimbang: Presiden Republik Indonesia, a. bahwa meningkatnya perkembangan pembangunan di Propinsi
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 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 terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
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 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 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 terperinciPENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C5.0
PENENTUAN PENERIMA BEASISWA PENINGKATAN PRESTASI AKADEMIK DENGAN ALGORITME C.0 Rachma Fauzia Azhary, Isnandar Slamet, Supriyadi Wibowo Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciBAB 1 PENDAHULUAN Building A Data WareHouse for Decision Support Second Edition Data Mining : Concepts, Models, Methods, and Algorithms
BAB 1 PENDAHULUAN 1.1. Pendahuluan Mesin hitung bernama Komputer sejak satu dekade ini telah tumbuh dan berkembang dengan pesat. Perkembangan ini meliputi sisi teknologi, kapasitas media penyimpanan, dan
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
METODE PENELITIAN Proses Dasar Sistem Proses dasar pengembangan sistem secara umum terdiri dari tahapan sebagai berikut: 1 Praproses. Pada tahap ini dilakukan persiapan yang meliputi seleksi data, transformasi
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
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 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 terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih terperinciMETODE PENELITIAN. Gambar 2 Tahapan penelitian. Praproses Data
daerah dalam lingkup R dan f(r) adalah fungsi yang dijalankan pada lingkup R. Mekanisme algoritme Naive adalah sebagai berikut : 1 Menentukan dataset D yang merupakan himpunan seluruh poligon / daerah
Lebih terperinciKLASTERING INDUSTRI DI KABUPATEN KUDUS
KLASTERING INDUSTRI DI KABUPATEN KUDUS Pratomo Setiaji 1*, Wiwit Agus Triyanto 1 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus 59352 * Email:
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih 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 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 terperinciRINCIAN RANCANGAN APBD MENURUT URUSAN PEMERINTAHAN DAERAH, ORGANISASI, PENDAPATAN, BELANJA DAN PEMBIAYAAN
PEMERINTAH KOTA BOGOR RINCIAN RANCANGAN APBD MENURUT URUSAN PEMERINTAHAN DAERAH, ORGANISASI, PENDAPATAN, BELANJA DAN PEMBIAYAAN TAHUN ANGGARAN 2016 Urusan Pemerintahan : 1. 20 Urusan Wajib Otonomi Daerah,
Lebih terperinciHASIL DAN PEMBAHASAN Praproses Data Clustering
Perangkat lunak: Sistem operasi: Windows XP Home Edition, WEKA versi 3.5.7, ArcView GIS 3.3, Map Server For Windows (ms4w) 2.3.1 Chameleon 2.4.1 Perangkat keras: Prosessor intel Pentium 4 ~2GHz Memory
Lebih terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB)
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Irman Hermadi 1, Imas S. Sitanggang 1, Edward 2 1 Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
Lebih terperinciHASIL DAN PEMBAHASAN. 4. Menghitung fungsi objektif pada iterasi ke-t, 5. Meng-update derajat keanggotaan. 6. Mengecek kondisi berhenti:
2. v kj merupakan centroid term ke-j terhadap cluster ke-k 3. μ ik merupakan derajat keanggotaan dokumen ke-i terhadap cluster ke-k 4. i adalah indeks dokumen 5. j adalah indeks term 6. k adalah indeks
Lebih terperinciPenerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015
Penerapan Algoritma Fuzzy C-Means untuk Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Status Kesejahteraan Tahun 2015 Nurika Nidyashofa 1*, Deden Istiawan 22 1 Statistika, Akademi Statistika
Lebih terperinciAnalisis Pengelompokan dengan Metode K-Rataan
511 Analisis Pengelompokan dengan Metode K-Rataan Titin Agustin Nengsih Fakultas Syariah IAIN Sulthan Thaha Saifuddin Jambi Abstrak Analisis pengelompokkan adalah salah satu metode eksplorasi data untuk
Lebih terperinciPenerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta)
Penerapan Algoritma K-Means dalam Data Mining untuk Peminatan Jurusan Bagi Siswa Kelas X (Studi Kasus: SMA Negeri 29 Jakarta) Universitas Islam Negeri Syarif Hidayatullah Jakarta email: nurhayati@uinjkt.ac.id
Lebih terperinciJurnal Penelitian Pos dan Informatika 771/AU1/P2MI-LIPI/08/ a/E/KPT/2017
JPPI Vol 7 No 2 (2017) 121-128 Jurnal Penelitian Pos dan Informatika 771/AU1/P2MI-LIPI/08/2017 32a/E/KPT/2017 e-issn 2476-9266 p-issn: 2088-9402 DOI: 10.17933/jppi.2017.070204 CLUSTERING TIPE BELAJAR SISWA
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 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 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 terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciMETODE PENELITIAN. Gambar 2 Metodologi penelitian.
4 penelitian i, kata diasosiasikan dengan anotasi citra (kata) dan dokumen diasosiasikan dengan citra. Matriks kata-citra tersebut didekomposisi meadi : A USV T dengan A adalah matriks kata-citra, matriks
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
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 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 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 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 terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciPenerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia
Penerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia Aristoteles Jurusan Ilmu Komputer FMIPA Universitas Lampung aristoteles@unila.ac.id Abstrak.Tujuan penelitian ini adalah meringkas
Lebih terperinciPembuatan Aplikasi Pendeteksi Anomali Pada Pola Konsumsi Listrik Pelanggan Kota Surabaya Menggunakan Algoritma Klasterisasi Berbasis Densitas
1 Pembuatan Aplikasi Pendeteksi Anomali Pada Pola Konsumsi Listrik Pelanggan Kota Surabaya Menggunakan Algoritma Klasterisasi Berbasis Densitas Achmad Zainuddin Zakariya, Arif Djunaidy, Renny Pradina Kusumawardani
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 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 terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
Lebih terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : D22.5411 / Healthcare Datamng Revisi 1 Satuan Kredit Semester : 2 sks Tgl revisi : 1 Agustus 2014 Jml Jam kuliah dalam seminggu
Lebih terperinciFuzzy Associative Memory (FAM) Logika Fuzzy
Fuzzy Associative Memory (FAM) Logika Fuzzy 1 Misalkan suatu sistem fuzzy dengan n input dan satu output. Setiap input X 1, X 2,, X n dipartisi menjadi k partisi fuzzy. Maka menggunakan aturan fuzzy IF
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56601 / Data Warehouse dan Data Mng Revisi 1 Satuan Kredit Semester : 3 sks Tgl revisi : 1 September 2014 Jml Jam kuliah
Lebih 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 terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciBAB I. PENDAHULUAN Latar Belakang Masalah
BAB I. PENDAHULUAN 1 1.1. Latar Belakang Masalah Citra adalah gambar yang berada pada bidang dua dimensi. Agar dapat diproses lebih lanjut, sebuah citra disimpan di dalam bentuk digital. Ukuran citra digital
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 terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH
PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN DAN KOTA DI JAWA TENGAH Erga Aprina Sari Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciMETODE FUZZY COLOR HISTOGRAM UNTUK TEMU KEMBALI CITRA BUNGA. Oleh: DINDA PUTRI BALQIS G
METODE FUZZY COLOR HISTOGRAM UNTUK TEMU KEMBALI CITRA BUNGA Oleh: DINDA PUTRI BALQIS G64102056 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2006 METODE
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 terperinci