DATA MINING DENGAN TEKNIK CLUSTERING UNTUK MENGGALI INFORMASI TENTANG BIMBINGAN KONSELING SISWA (STUDI KASUS : SMA NEGERI 1 X KOTO SINGKARAK)
|
|
- Bambang Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret DATA MINING DENGAN TEKNIK CLUSTERING UNTUK MENGGALI INFORMASI TENTANG BIMBINGAN KONSELING SISWA (STUDI KASUS : SMA NEGERI 1 X KOTO SINGKARAK) Abdul Kholiq 1, Prionggo Hendradi 2 Program Studi Teknik Informatika Fakultas Teknik Dosen Fakultas Teknik, Universitas Satya Negara Indonesia kholiq05@gmail.com ABSTRAK Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data kedalam cluster/kelompok, sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok lain. Penggunaan data mining dengan algoritma k-means berguna untuk pendukung keputusan guru bimbingan konseling dalam membuat rencana layanan kegiatan bimbingan konseling, karena k-means bisa mempartisi atau menglompokkan data menjadi beberapa kelompok yang memiliki karakteristik pada masing-masing cluster. Kata kunci : Data Mining, Clusering, K-Means, Bimbingan Konseling, RapidMiner. Abstract Data mining is the process of using statistical techniques, mathematics, artificial intelligence, and machine learning to extract and identify useful information and knowledge assembled from various large databases. K-Means is one method of non- hierarchical clustering of data that seeks to partition the existing data in the form of one or more clusters/groups. This method partition the data into clusters/groups, so that the data which has the same characteristics are grouped into the same cluster and the data that has different characteristics are classified into other groups. The use of data mining with the k-means algorithm is useful for decision support in a counseling teacher to plan activities counseling services, as k-means can be partitioned or clustering data into several groups that have the characteristics of each cluster. Keywords : data mining, clustering, k-means, counseling, rapid miner.
2 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret I. Pendahuluan Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database, menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk dalam Kusrini dan Emha Taufiq Luthfi 2009). Bimbingan konseling merupakan salah satu bentuk pelayanan bantuan untuk peserta didik, baik secara perorangan maupun kelompok, agar mampu mandiri dan berkembang secara optimal dalam bidang pengembangan kehidupan pribadi, kehidupan sosial maupun kemampuan belajar (Zainal Aqib, 2012). Data bimbingan konseling siswa SMA Negeri 1 X Koto Singkarak sendiri dikelola oleh guru bimbingan konseling, dimana data tersebut pada dasarnya sudah dikelompokkan berdasarkan layanan bimbingan, layanan konseling, dan kegiatan pendukung. Namun banyaknya data yang masuk dan dikelola oleh guru bimbingan konseling tersebut menyebabkan data tersebut semakin lama semakin menumpuk. Dengan penerapan data mining menggunakan metode k-means ini, diharapkan dapat menggali informasi terpendam dari data-data yang ada, sehingga nantinya bermanfaat untuk guru bimbingan konseling dalam memberikan arahan dan solusi kepada peserta didik untuk segala permasalahan yang dihadapinya. II. Tujuan Penelitian Tujuan dari penelitian ini adalah untuk melihat karakteristik pengelompokkan siswa berdasarkan layanan bimbingan, layanan konseling dan kegiatan pendukung. III. Dasar Teori 1. Knowledge Discovery in Database Knowledge discovery in database (KDD) adalah sebuah proses dengan beberapa langkah-langkah, interaktif dan iteratif, untuk mengidentifikasi pola yang luas, valid, baru dan potensial digunakan dimulai dari kumpulan data (Silvia Rissino And Germano Lambert Torres, 2009). Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap proses yang diilustrasikan pada gambar berikut ini : Gambar 1. Tahap-Tahap KDD 2. Data Mining Menurut Turban, dkk (Dalam Kusrini dan Emha Taufiq Luthfi, 2009:3) Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar. Data mining berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan di waktu yang akan datang. Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang mungkin saja menggunakan perangkat pendukung keputusan yang lainnya. 3. Algoritma K-Means Menurut Agusta dalam Johan Oscar Ong, 2013 K-means clustering merupakan salah satu metode data clustering non-hirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster/kelompok dan data yang memiliki
3 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret karakteristik yang berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data yang berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil. Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang di set dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalkan variasi antar cluster. Adapun langkah-langkah yang dilakukan pada tahapan ini adalah, sebagai berikut : a. Menentukan jumlah cluster Dalam menentukan jumlah cluster bias dilakukan dengan berbagai cara, salah satunya adalah dengan cara random. b. Menentukan nilai centroid Dalam menentukan nilai centroid untuk awal iterasi, nilai awal centroid dilakukan secara acak. Sedangkan jika menentukan nilai centroid yang merupakan tahap dari iterasi, maka digunakan rumus sebagai berikut : c. Menghitung jarak antara titik centroid dengan titik tiap objek Dengan titik tiap objek untuk menghitung jarak tersebut dapat menggunakan Euclidean Distance, yaitu : d. Pengelompokan Objek Untuk menentukan anggota cluster adalah dengan memperhitungkan jarak minimum objek. Nilai yang diperoleh dalam keanggotaan data pada distance matriks adalah 0 atau 1, dimana nilai 1 untuk data yang dialokasikan ke cluster dan nilai 0 untuk data yang dialokasikan ke cluster yang lain. e. Kembali ke Tahap 2 lakukan perulangan hingga nilai centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain. 4. Bimbingan Konseling Menurut Samingan (2010:2) bahwa Bimbingan Konseling adalah pelayanan bantuan untuk peserta didik, baik secara perorangan maupun kelompok, agar mampu mandiri dan berkembang secara optimal, dalam bidang pengembangan kehidupan pribadi, kehidupan sosial, kemampuan belajar, dan perencanaan karir, melalui berbagai jenis layanan dan kegiatan pendukung, berdasarkan norma-norma yang berlaku yang dilaksanakan secara terus menerus dan bersifat tidak memaksa peserta didik. Adapun Tujuan Bimbingan Konseling adalah sebagai berikut : a. Merencanakan kegiatan penyelesaian studi, perkembangan karir serta kehidupan-nya di masa yang akan datang. b. Mengembangkan seluruh potensi dan kekuatan yang dimilikinya seoptimal mungkin. c. Menyesuaikan diri dengan lingkungan pendidikan, lingkungan masyarakat serta lingkungan kerjanya. d. Mengatasi hambatan dan kesulitan yang dihadapi dalam studi, penyesuaian dengan lingkungan pendidikan, masyarakat, maupun lingkungan kerja. IV. Metodologi Penelitian Mengidentifikasi masalah Mengumpulkan data Menyeleksi Data Merancang Cluster dengan Algoritma K-Means Melakukan Pengujian Gambar 2. Metodologi Penelitian
4 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret Agar langkah-langkah dalam penelitian ini dapat lebih mudah dipahami, berikut penjelasan terperinci mengenai sistematika dari kerangka kerja penelitian yang diuraikan sebagai berikut : a. Mengidentifikasi Masalah Pada tahap ini dilakukan pengidentifikasian permasalahan yang akan ada, adapun masalah yang ada saat ini adalah bagaimana menggali informasi terpendam dari banyaknya tumpukan data bimbingan konseling siswa yang berkemungkinan memiliki nilai lebih diantara tumpukan data tersebut. Oleh karena itu penulis ingin menganalisa serta mengelompokan informasi-informasi tersebut dengan menggunakan metode k-means. b. Mengumpulkan Data Untuk mendapatkan informasi yang dibutuhkan dalam penelitian ini, maka penulis melakukan pengumpulan data bimbingan konseling siswa berupa data jenis layanan dan kegiatan pendukung yang diterima peserta didik pada setiap semesternya. Dimana untuk rekapitulasi layanan bimbingan konseling sendiri terdapat beberapa field, yaitu layanan bimbingan, layanan konseling, dan kegiatan pendukung. c. Menyeleksi Data Pada tahap ini dilakukan tahapan cleaning, yaitu dimana data yang telah dikelompokkan kemudian dilakukan pembersihan data. Adapun cara membersihkan data tersebut adalah dengan cara melengkapi, menghapus, dan menghilangkan noise pada data. Setelah dilakukan cleaning, maka dilanjutkan dengan transformasi data yang telah dibersihkan. Adapun cara transformasi data ini adalah dengan cara memformat data, sehingga siap di cluster atau dikelompokan. d. Merancang Cluster dengan Algoritma K-Means Adapun langkah-langkah yang dilakukan pada tahapan ini adalah, sebagai berikut : a. Menentukan jumlah cluster b. Menentukan pusat centroid secara random. Sedangkan untuk menentukan titik centroid ke-i atau selanjutnya adalah dengan menggunakan rumus berikut : c. Menghitung jarak antara titik centroid dengan titik tiap objek menggunakan rumus Euclidean Distance. d. Pengelompokan Objek e. Kembali ke Tahap 2 jika titik centroid masih berubah. e. Melakukan Pengujian Tahapan pengujian dilakukan untuk mengetahui cara sistem bekerja dalam mengolah data berdasarkan metode k-means. Serta bisa mendapatkan hasil yang diinginkan. Adapun hasil yang ingin dicapai dalam peroses pengujian ini adalah untuk mendapatkan hasil pengelompokkan data yang yang paling optimal. Dalam melakukan proses pengujian ini, maka diperlukan sebuah software khusus data mining, dimana pada penelitian ini software yang akan digunakan untuk melakukan pengujian tersebut adalah software rapid miner dan untuk menguji keakuratan hasilnya digunakan software matlab untuk mengujinya. V. Proses Pengujian a. Data Pengujian Berikut ini adalah sampel data yang akan ditampilkan langkah-langkah proses perhitungan dengan algoritma k-means, tetapi untuk hasil akhirnya telah menggunakan jumlah data keseluruhannya. No ama Tabel 1. Sample Data Rekapitulasi Layanan Bimbingan Konseling Bidang Bimbingan Bidang Layanan Kegiatan Pendukung 1 de Fauziyah Rizki nnisa Fadillah ulia Rahmi Fitri ni Dian Putri timah prilia Wulandari dianto 4 4 2
5 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret eni Efrinaldi ah Pita Loka na Lorenza i Dewi Fitria i Rahayu Sepriani enti Dwi Marwita uila Eka Wati lkifli Rahmad b. Proses Algoritma K-Means 1) Menentukan Jumlah Cluster untuk pengelompokan data pada pengujian yang pertama ini adalah sebanyak 3 cluster, sehingga dapat ditentukan untuk nilai k adalah k=3. Untuk selanjutnya akan ditampilkan hasil dari pengujian dengan 4 dan 5 cluster. 2) Menentukan Titik Pusat Cluster Nilai centroid awal pada penelitian ini dilakukan pemilihan secara acak, dimana jumlah centroid awal ditentukan sebanyak tiga cluster, nilai untuk C1 di ambil dari baris data ke-1, nilai C2 di ambil dari baris data ke-6, serta nilai C3 di ambil dari baris ke-12. Berikut adalah nilai centroid awal pada penelitian ini : C1 = (6,7,3) C2 = (4,4,4) C3 = (6,6,3) 3) Menghitung Jarak Data Dalam penelitian ini penulis menggunakan rumus Euclidean Distance untuk melakukan perhitungan jarak setiap data terhadap titik pusat cluster. Berikut ini adalah contoh perhitungan jarak dengan menggunakan rumus euclidean distance untuk iterasi 1. 4) Alokasikan Data Dalam pengalokasian kembali objek ke dalam masing-masing cluster didasarkan pada perbandingan jarak antara data dengan centroid setiap cluster yang ada, objek dialokasikan secara tegas kedalam cluster yang mempunyai jarak ke centroid terdekat dengan data tersebut. Berikut ini adalah merupakan hasil perbandingan jarak antara data dengan centroid setiap cluster yang ada. Tabel 3. Hasil Perhitungan Jarak dan Pengelompokan Data
6 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret ) Lakukan Iterasi Tentukan posisi centroid baru dengan cara menghitung rata-rata dari data-data yang berada pada centroid yang sama. Berikut ini adalah beberapa perhitungan untuk mendapatkan hasil cluster baru : C11 = = 6 C12 = = 7 C13 = = 2,833 C21 = = 4 C22 = = 4 C23 = = 2,833 C3 1 = = 6 C3 2 = = 6 C33 = = 3 6) Ulangi dari langkah ketiga hingga nilai centroid tidak lagi berubah 7) Hasil Iterasi Berdasarkan hasil pengelompokan data menggunakan metode k-means clustering, didapatkan hasil clustering hingga iterasi ke-2, dimana titik pusat cluster tidak lagi mengalami perubahan, sehingga proses iterasi dihentikan pada iterasi ke-2. Berikut adalah hasil iterasi yang telah dilakukan. Tabel 4. Hasil Iterasi Ke-1 C ,833 C ,833 C
7 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret Tabel 5. Hasil Iterasi Ke-2 C ,833 C ,833 C VI. Hasil Pengujian Proses pengujian ini dilakukan menggunakan software rapid miner dan untuk melihat hasil pengelompokan terbaik digunakan software matlab. Berikut adalah hasil pengujian dengan 3 cluster, 4 cluster, dan 5 cluster. a. Pengujian Dengan 3 Cluster Berikut ini adalah hasil pengujian dengan menggunakan rapid miner. Dimana pada hasil pengujian ini terlihat bahwa jumlah cluster anggota cluster yang terbentuk adalah 67 anggota pada cluster 0, 40 anggota pada cluster 1, dan 27 anggota untuk cluster 2. Berikut adalah output yang dihasilkan oleh rapid miner : Gambar 3. Pengujian 3 Cluster Setelah dilakukan pengujian dengan software rapid miner, maka selanjutnya lakukan pengujian dengan software matlab, dimana fungsinya adalah untuk melihat karakteristik pengelompokan masingmasing cluster. Berikut adalah hasil pengelompokan dengan 3 cluster : Gambar 4. Pengujian 3 Cluster Dengan Matlab Dari gambar diatas dapat diambil kesimpulan bahwa titk pusat pada pengujian dengan 3 cluster ini adalah 3.5,1;3.5,2.7;3.5,3.1. Karakteristik pada cluster ini adalah bahwa bidang bimbingan dan bidang konseling lebih dominan daripada kegiatan pendukung. b. Pengujian Dengan 4 Cluster Berikut ini adalah hasil pengujian dengan menggunakan rapid miner. Dimana pada hasil pengujian ini terlihat bahwa jumlah cluster anggota cluster yang terbentuk adalah 67 anggota pada cluster 0, 40 anggota pada cluster 1, dan 27 anggota untuk cluster 2. Berikut adalah output yang dihasilkan oleh rapid miner :
8 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret Gambar 5. Pengujian 4 Cluster Setelah dilakukan pengujian dengan software rapid miner, maka selanjutnya lakukan pengujian dengan software matlab, dimana fungsinya adalah untuk melihat karakteristik pengelompokan masingmasing cluster. Berikut adalah hasil pengelompokan dengan 4 cluster : Gambar 6. Pengujian 4 Cluster Dengan Matlab Dari gambar diatas dapat diambil kesimpulan bahwa titk pusat pada pengujian dengan 4 cluster ini adalah 0,0;3,3;3,5.5;4,1;4,2;5,1. Terlihat pada gambar ini menunjukkan bahwa jika menggunakan cluster ini maka akan ada center titik yang tidak memiliki anggota. c. Pengujian Dengan 5 Cluster Berikut ini adalah hasil pengujian dengan menggunakan rapid miner. Dimana pada hasil pengujian ini terlihat bahwa jumlah cluster anggota cluster yang terbentuk adalah 67 anggota pada cluster 0, 40 anggota pada cluster 1, dan 27 anggota untuk cluster 2. Berikut adalah output yang dihasilkan oleh rapid miner : Gambar 7. Pengujian 5 Cluster Setelah dilakukan pengujian dengan software rapid miner, maka selanjutnya lakukan pengujian dengan software matlab, dimana fungsinya adalah untuk melihat karakteristik pengelompokan masingmasing cluster. Berikut adalah hasil pengelompokan dengan 5 cluster :
9 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 Maret Gambar 8. Pengujian 5 Cluster Dengan Matlab Dari gambar diatas dapat diambil kesimpulan bahwa titk pusat pada pengujian dengan 5 cluster ini adalah 0,0;3,3;3,5.5;4,1;4,2;5,1. Sama halnya dengan empat cluster, pada cluster ini juga terlihat ada beberapa titik centroid yang tidak memiliki anggota. VII. Kesimpulan a. Berdasarkan hasil pengujian yang telah dilakukan dengan beberapa cluster, maka didapat pengelompokan siswa bimbingan konseling yang terbaik adalah dengan jumlah cluster sebanyak tiga buah. Adapun karakteristik kluster untuk pengelompokan siswa bimbingan konseling berdasarkan titik pusat centroid yang di cari menggunakan software matlab adalah hanya di dominasi pada jenis layanan bidang bimbingan dan bidang konseling saja, sedangkan untuk kegiatan pendukung terlihat sedikit siswa yang mendapatkan layanan untuk kategori ini. b. Jumlah cluster terbaik menggunakan rapidminer adalah sebanyak tiga cluster, dimana cluster 3 dengan 67 anggota, cluster 27 dengan anggota, dan cluster 5 dengan 40 anggota. Sehingga berdasarkan hasil pengujian ini didapatkan kesimpulan bahwa bidang layanan dan bidang konseling lebih sering didapatkan oleh siswa, sedangkan kegiatan pendukung lebih sedikit didapatkan oleh siswa, oleh karena itu perlu perancangan program layanan untuk semester berikutnya. Pustaka [Agusta, Yudi (2007). K-Means Penerapan, Permasalahan dan Metode Terkait Jurnal Sistem dan Informatika Volume 3. Aqib, Zainal. 2012, Ikhtisar Bimbingan & Konseling Di Sekolah, Penerbit Yrama Widya, Bandung. Ediyanto, dkk (2013). Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis Buletin Ilmiah Mat. Stat. Dan Terapannya Volume 02 Nomor 02. Erdogan, Zafer, Senol dan Timor, Mehpare (2005). A Data Mining Application In A Student In Database Journal Of Aeronautics And Space Technologies Volume 2 Number 2(53-57). Hermawati, Astuti, Fajar. 2013, Data Mining, Penerbit Andi, Yogyakarta. Kusrini dan Luthfi, Taufiq, Emha. 2009, Algoritma Data Mining, Penerbit Andi, Yogyakarta. Ong, Oscar, Johan (2013). Implementasi Algoritma K-Means Clustering Untuk Menentukan Startegi Marketing President University ISSN Rismawan, Tedy dan Kusumadewi, Sri (2008). Aplikasi K-Means Untuk Pengelompokan Mahasiswa Berdasrkan Nilai Body Mass Index (BMI) dan Ukuran Kerangka ISSN Susanto, Sani dan Suryadi, Dedy. 2010, Pengantar Data Mining, Penerbit Andi, Yogyakarta. Wijaya, Airin (2012). Analisis Algoritma K-Means Untuk Sistem Pendukung Keputusan Penjurusan Siswa Di MAN Binong Subang Jurnal Universitas Komputer Indonesia Buku Pedoman Pelaksanaan Pelayanan Konseling. DITJEN PMPTK DEPDIKNAS.
METODE 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 terperinciPENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS
PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Yulius Palumpun 1), Sitti Nur Alam 2) 1) Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Manajemen (FIKOM) - Universitas
Lebih terperinciKLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS
1 KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS (Study Kasus : Tim Hockey Kabupaten Kendal) Alith Fajar Muhammad Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciAPLIKASI K-MEANS UNTUK PENGELOMPOKKAN MAHASISWA BERDASARKAN NILAI BODY MASS INDEX (BMI) & UKURAN KERANGKA
APLIKASI K-MEANS UNTUK PENGELOMPOKKAN MAHASISWA BERDASARKAN NILAI BODY MASS INDEX (BMI) & UKURAN KERANGKA Tedy Rismawan 1 dan Sri Kusumadewi 2 1 Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik
Lebih terperinciCLUSTERING PENENTUAN POTENSI KEJAHATAN DAERAH DI KOTA BANJARBARU DENGAN METODE K-MEANS
Volume 01, No01 September 2014 CLUSTERING PENENTUAN POTENSI KEJAHATAN DAERAH DI KOTA BANJARBARU DENGAN METODE K-MEANS Sri Rahayu 1,Dodon T Nugrahadi 2, Fatma Indriani 3 1,2,3 Prog Studi Ilmu Komputer Fakultas
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 9 NO. 1 April 2016
ANALISA DAN PENERAPAN DATA MINING UNTUK MENENTUKAN KUBIKASI AIR TERJUAL BERDASARKAN PENGELOMPOKAN PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Sri Tria Siska 1 ABSTRACT This study aims to determine
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Informasi Pengertian Sistem Informasi pada dasarnya merupakan hasil dari dua arti, yakni sistem dan informasi yang digabungkan. Berikut definisi sistem menurut para ahli
Lebih terperinciProsiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
Lebih terperinci1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian
Penerapan Data Mining dengan Menggunakan Metode Clustering K-Mean Untuk Mengukur Tingkat Ketepatan Kelulusan Mahasiswa Program Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang
Lebih terperinciAPLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR
APLIKASI SURAT MASUK DAN KELUAR DENGAN KLASTERISASI MENGGUNAKAN METODE K-MEANS DI INSTALASI FARMASI RSUD DR.SAIFUL ANWAR Sari Nur Sita Wibowo 1 Amak Yunus EP 1 Sistem Informasi, Universitas Kanjuruhan
Lebih terperinciTAKARIR. : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas
TAKARIR Data Mining Clustering Cluster Iteratif Random Centroid : Penggalian data : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas : Berulang : Acak : Pusat area KDD (Knowledge
Lebih 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 terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET Handi Kurniawan Sohdianata 1, Sushermanto 2 Jurusan Teknik Informatika STMIK Banjarbaru 1, Jurusan Sistem Informasi STMIK Banjarbaru 2 Jl.
Lebih terperinciSurmayanti 1, Hari Marfalino 2, Ade Rahmi 3 Fakultas Limu Komputer Universitas Putra Indonesia YPTK Padang
PENERAPAN ANALYSIS CLUSTERING PADA PENJUALAN KOMPUTER DENGAN PERANCANGANAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA K-MEANS (STUDY KASUS TOKO TRI BUANA KOMPUTER KOTA SOLOK) Surmayanti 1, Hari Marfalino
Lebih terperinciClustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means
Clustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means Sri Redjeki Andreas 1), Andreas Pamungkas, Pamungkas Hastin 2), Hastin Al-fatah Al-fatah 3) 1)2)3) STMIK dzeky@akakom.ac.id
Lebih terperinciIMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI
IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK ANALISA PRESTASI SISWA BERDASARKAN DATA SISWA DI SMA NEGERI 1 GROGOL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciPERANCANGAN APLIKASI MENENTUKAN BERAT BADAN IDEAL DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
PERANCANGAN APLIKASI MENENTUKAN BERAT BADAN IDEAL DENGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING Johan Candra Juliner Hutabarat Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja
Lebih terperinciARTIKEL SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG
ARTIKEL SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG Oleh: BAGUS YAYANG FATKHURRAHMAN 13.1.03.02.0180 Dibimbing oleh : 1. Ahmad
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MINAT PEMILIHAN JURUSAN SMA DENGAN METODE K-MEANS CLUSTER ANALYSIS
SISTEM PENDUKUNG KEPUTUSAN MINAT PEMILIHAN JURUSAN SMA DENGAN METODE K-MEANS CLUSTER ANALYSIS Sahirul Muklis Magister Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman,
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 terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DATA SISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS : SMKN 1 KEDIRI) SKRIPSI
Artikel Skripsi IMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN DATA SISWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS : SMKN 1 KEDIRI) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah
Lebih terperinciPENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG
PENERAPAN DATA MINING DENGAN METODE CLUSTERING UNTUK PENGELOMPOKAN DATA PENGIRIMAN BURUNG Sri Mulyati 1) 1 Pascasarjana, Universitas Putra Indonesia YPTK Padang e-mail: mulyati.sri52@gmail.com Abstrak
Lebih terperinciTEKNOSI, Vol. 02, No. 03, Desember Koko Handoko Universitas Putera Batam (cooresponding author)
TEKNOSI, Vol. 02, No. 03, Desember 2016 31 PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI PROGRAM STUDI
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. menerapkan metode clustering dengan algoritma K-Means untuk penelitiannya.
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Salah satu cara untuk mengetahui faktor nilai cumlaude mahasiswa Fakultas Teknik Universitas Muhammadiyah Yogyakarta adalah dengan menerapkan
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciPENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU (STUDI KASUS : UNIVERSITAS POTENSI UTAMA)
Seminar Nasional Teknologi Informasi dan Multimedia 5 ISSN : 3-385 STMIK AMIKOM Yogyakarta, 6-8 Februari 5 PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU (STUDI KASUS : UNIVERSITAS POTENSI
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Konsep Pemasaran Dalam merancang dan mengembangkan produk, baik yang berupa jasa maupun barang, tidak terlepas dari konsep pemasaran yang bertujuan memenuhi
Lebih terperinciARTIKEL PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL
ARTIKEL PENERAPAN METODE K-MEANS DALAM PROSES CLUSTERING PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL Oleh: IRFAN DWI NURCAHYO BUDIARTO 13.1.03.02.0117 Dibimbing oleh : 1. Hermin Istiasih, ST.,M.M.,M.T.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian-penelitian terdahulu yang berhubungan dengan clustering yaitu penelitian yang dilakukan oleh Rismawan (2008). Pada penelitian ini, dibangun suatu
Lebih terperinciCLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS
CLUSTERING UNTUK DATA KOMPETENSI WIDYAISWARA MENGGUNAKAN ALGORITMA KMEANS Diana Triastuty, I Ketut Eddy Purnama, dan Surya Sumpeno Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo,
Lebih terperinciPENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR
PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA Klasifikasi Data Mahasiswa Menggunakan Metode K-Means Untuk Menunjang Pemilihan Strategi Pemasaran
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Beberapa penelitian terdahulu telah banyak yang menerapkan data mining, yang bertujuan dalam menyelesaikan beberapa permasalahan seputar dunia pendidikan. Khususnya
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos
Lebih terperinciTEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel )
TEKNIK DATA MINING DAN DECISION SUPPORT SYSTEM UNTUK KEUNGGULAN BERSAING (Study Kasus Perusahaan TV Kabel ) Ahlihi Masruro 1) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong Catur
Lebih terperinciAnalisa Data Mahasiswa Baru Terhadap Program Studi Yang. Dipilih Di Universitas Pembangunan Nasional Veteran Jawa
Analisa Data Mahasiswa Baru Terhadap Program Studi Yang Dipilih Di Universitas Pembangunan Nasional Veteran Jawa Timur Menggunakan Teknik Data Mining SKRIPSI Disusun Oleh : Citra Arum Sari 1032010048 JURUSAN
Lebih terperinciUniversitas Dian Nuswantoro Jl. Nakula I No Semarang, Indonesia 1,
PENERAPAN METODE CLUSTERING DENGAN ALGORITMA K- MEANS UNTUK REKOMENDASI PEMILIHAN JALUR PEMINATAN SESUAI KEMAMPUAN PADA PROGRAM STUDI TEKNIK INFORMATIKA-S1 UNIVERSITAS DIAN NUSWANTORO Rizky Adrianto 1,
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Warnia Nengih Politeknik Caltex Riau,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Pada penelitian Rismawan dan Kusumadewi (2008) mengelompokkan mahasiswa berdasarkan status gizi Body Mass Index (BMI) dan ukuran kerangka.
Lebih terperinciBAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative
BAB II LANDASAN TEORI 2.1. Sistem Pendukung keputusan 2.1.1. Pengertian keputusan Keputusan adalah suatu reaksi terhadap beberapa solusi alternative yang dilakukan secara sadar dengan menganalisa kemungkinan-kemungkinan
Lebih terperinciTimor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak
DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Faktor penentu bagi usaha atau bisnis apapun pada masa sekarang ini adalah kemampuan untuk menggunakan informasi seefektif mungkin. Penggunaan data secara tepat karena
Lebih terperinciIMPLEMENTASI DATA MINING PENGELOMPOKKAN MURID TAMAN KANAK-KANAK DENGAN METODE K-MEANS
JURNAL IMPLEMENTASI DATA MINING PENGELOMPOKKAN MURID TAMAN KANAK-KANAK DENGAN METODE K-MEANS Implementation Of Data Mining Grouping Kindergarten Pupils With K-Means Method Oleh: YOYOK BAGUS SAKSIKO 12.1.03.02.0132
Lebih terperinciSKRIPSI KLASIFIKASI CALON PEGAWAI DENGAN MENGGUNAKAN METODE K-MEANS CLASSIFICATION OF PROSPECTIVE EMPLOYEES BY USING THE K-MEANS METHOD
SKRIPSI KLASIFIKASI CALON PEGAWAI DENGAN MENGGUNAKAN METODE K-MEANS CLASSIFICATION OF PROSPECTIVE EMPLOYEES BY USING THE K-MEANS METHOD DONY ENDRIYONO 135610017 PROGRAM STUDI SISTEM INFORMASI SEKOLAH TINGGI
Lebih terperinciPenerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat
Penerapan Algoritma K-Means 230 Penerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat Application of K-Means Algorithm for Academic Achievement
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ SKRIPSI Diajukan untuk memenuhi salah satu syarat memperoleh Gelar Sarjana pada Program Studi Sistem
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan dunia pariwisata, tidak diiringi dengan perkembangan teknologi yang digunakan. Ditambah lagi dengan kondisi, banyak wisatawan yang tidak mau berwisata
Lebih terperinciPENERAPAN DATAMINING DALAM MENGELOMPOKKAN KUNJUNGAN WISATAWAN KE OBJEK WISATA UNGGULAN DI PROV. DKI JAKARTA DENGAN K-MEANS
JISKa (Jurnal Informatika Sunan Kalijaga), Vol. 2, No. 3, Januari, 2018, Pp. 167 174 ISSN 2527-5836 PENERAPAN DATAMINING DALAM MENGELOMPOKKAN KUNJUNGAN WISATAWAN KE OBJEK WISATA UNGGULAN DI PROV. DKI JAKARTA
Lebih terperinciIMPLEMENTASI METODE KLASTERING K-MEANS UNTUK MENGELOMPOKAN HASIL EVALUASI MAHASISWA. FEBRIZAL ALFARASY SYAM Dosen STMIK Dharmapala Riau ABSTRAK
Jurnal Ilmu Komputer dan Bisnis, Volume 8, Nomor 1, Mei 017 IMPLEMENTASI METODE KLASTERING K-MEANS UNTUK MENGELOMPOKAN HASIL EVALUASI MAHASISWA FEBRIZAL ALFARASY SYAM Dosen STMIK Dharmapala Riau ABSTRAK
Lebih terperinciPENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5
PENERAPAN DATA MINING UNTUK MENGANALISA JUMLAH PELANGGAN AKTIF DENGAN MENGGUNAKAN ALGORITMA C4.5 Annisak Izzaty Jamhur Universitas Putera Indonesia YPTK Padang e-mail: annisakizzaty@yahoo.com Abstract
Lebih terperinciBAB 1 PENDAHULUAN. terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi informasi telah mampu mengubah persepsi manusia terhadap peran sistem informasi dalam perusahaan sebagai bagian dari produktivitas.
Lebih terperinciALGORITMA K-MEANS CLUSTERINGDALAM PENYEBARAN PENYAKIT DIARE
ALGORITMA K-MEANS CLUSTERINGDALAM PENYEBARAN PENYAKIT DIARE Abstrak Fina Nasari Sistem Informasi Universitas Potensi Utama Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan Email : finanasari@gmail.com
Lebih terperinciDATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Lebih terperinciImplementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah
Implementasi Algoritma K-Means Dalam Keputusan Pemberian Beasiswa (Studi Kasus SMA Santo Bernadus Pekalongan) Artikel Ilmiah Peneliti: Valentino Giarto (672011005) Magdalena A. Ineke Pakereng, M.Kom. Program
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 terperinciPENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA
Artikel Skripsi PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA SKRIPSI Diajukan Untuk Memenuhi Sebagian
Lebih terperinciSISTEM MARKET BASKET UNTUK MENENTUKAN TATA LETAK PRODUK PADA SUATU SWALAYAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING SKRIPSI STEFFI ANDINA SEBAYANG
SISTEM MARKET BASKET UNTUK MENENTUKAN TATA LETAK PRODUK PADA SUATU SWALAYAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING SKRIPSI STEFFI ANDINA SEBAYANG 071402041 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING
Seminar Nasional Sistem Informasi Indonesia, 22 September 2014 SISTEM PENDUKUNG KEPUTUSAN PEMASARAN PRODUK MENGGUNAKAN DATA MINING DENGAN K-MEANS CLUSTERING Arief Samuel Gunawan 1), Evasaria Magdalena
Lebih terperinciSISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING
SISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING Siti Hadianti 1, Helen Sastypratiwi, Anggi Srimurdianti Sukamto 3. 1,, 3 Program Studi Informatika Universitas Tanjungpura
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 terperinciBAB II LANDASAN TEORI. yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk
BAB II LANDASAN TEORI 2.1 Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu.
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA SKRIPSI Disusun oleh : AYU RAHMAWATI 0934010160 JURUSAN TEKNIK
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan algoritma hierarchical clustering dan k-means untuk pengelompokan desa tertinggal.
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
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 terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciPemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness
Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness Mario Anggara 1, Herry Sujiani 2, Helfi Nasution 3 Program Studi Teknik Informatika Fakultas Teknik Universitas
Lebih terperinciIMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI
IMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI MAHASISWA BERDASARKAN PREDIKSI WAKTU KELULUSAN SKRIPSI Disusun Oleh : ALVI SYAHRIN NPM. 0934010254 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciIMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU
PROYEK TUGAS AKHIR IMPLEMENTASI METODE K-MEANS PADA PENERIMAAN SISWA BARU (Studi Kasus : SMK Pembangunan Nasional Purwodadi) Disusun oleh: Novian Hari Pratama 10411 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciKLUSTER K-MEANS DATA MAHASISWA BARU TERHADAP PROGRAM STUDI YANG DIPILIH
KLUSTER K-MEANS DATA MAHASISWA BARU TERHADAP PROGRAM STUDI YANG DIPILIH Citra Arum Sari dan Dwi Sukma D Program Studi Teknik Industri, FTI-UPN Jatim ABSTRAK Besarnya peminat dari setiap program studi di
Lebih terperinciPenerapan Metode Clustering Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Semarang
1 Penerapan Metode ing Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Lianna Felicia Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Abstract Berdasarkan data hasil pertanian padi di Dinas
Lebih 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 terperinciSEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING
Seminar Nasional Teknologi Informasi 2016 A1 SEGMENTASI PRODUK MENGGUNAKAN TEKNIK DATA MINING CLUSTERING Langgeng Listiyoko 1) Joko Dewanto 2) Henderi 3) 1) Business Intelligence STMIK Raharja 2) 3) Magister
Lebih terperinciANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK
ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
Lebih terperinciMateri 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 1 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas 1. Memahami cakupan materi dan sistem perkuliahan Data Mining.
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 terperinciDATA MINING. Pertemuan 1. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 1 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Ketentuan Perkuliahan Perkuliahan diselenggarakan 14 kali pertemuan
Lebih terperinciPenerapan Algoritma K-MeansDengan Optimasi Jumlah Cluster Untuk Pengelompokan Angkatan Kerja Propinsi Jatim
Penerapan Algoritma K-MeansDengan Optimasi Jumlah Cluster Untuk Pengelompokan Angkatan Kerja Propinsi Jatim Endik Kuswantoro 1, Yoyon K Suprapto 2 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember
Lebih terperinciPENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG
PENERAPAN METODE CLUSTERING K-MEANS UNTUK MENENTUKAN KATEGORI STOK BARANG Elly Muningsih Program Sudi Manajemen Informatika, AMIK BSI Yogyakarta Email : elly.muning514@gmail.com Abstract - Good and accurate
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI SEKOLAH BERDASARKAN STANDAR PELAYANAN MINIMAL (SPM) DENGAN METODE K-MEANS CLUSTERING
SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI SEKOLAH BERDASARKAN STANDAR PELAYANAN MINIMAL (SPM) DENGAN METODE K-MEANS CLUSTERING Irfan Sukron Chode ri Anggri Sartika Wiguna 1 Teknik Informatika, Universitas
Lebih terperinciK-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia
K-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia Okta Riveranda 1), Warnia Nengsih, S.Kom., M.Kom. 2) 1) Program Studi Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: okta12si@mahasiswa.pcr.ac.id
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA DATA MINING UNTUK MEMILIH PRODUK DAN PELANGGAN POTENSIAL (Studi Kasus : PT Mega Arvia Utama)
PENERAPAN ALGORITMA K-MEANS PADA DATA MINING UNTUK MEMILIH PRODUK DAN PELANGGAN POTENSIAL (Studi Kasus : PT Mega Arvia Utama) Istiqomah Sumadikarta, Evan Abeiza ABSTRAK PT Mega Arvia Utama merupakan salah
Lebih terperinciAnalisa Potensi Mahasiswa Di Daerah Bali Menggunakan Pendekatan K-Mean Clustering
JURNAL SISTEM DAN INFORMATIKA 45 Analisa Potensi Mahasiswa Di Daerah Bali Menggunakan Pendekatan K-Mean Clustering Anggun Nugroho Program Studi Sistem Komputer STMIK STIKOM Bali Jl. Raya Puputan No. 86
Lebih terperinciPENERAPAN DATAMINING PADA POPULASI DAGING AYAM RAS PEDAGING DI INDONESIA BERDASARKAN PROVINSI MENGGUNAKAN K-MEANS CLUSTERING
PENERAPAN DATAMINING PADA POPULASI DAGING AYAM RAS PEDAGING DI INDONESIA BERDASARKAN PROVINSI MENGGUNAKAN K-MEANS CLUSTERING Mhd Gading Sadewo 1, Agus Perdana Windarto 2, Dedy Hartama 3 1 Mahasiswa Sistem
Lebih terperinciKata kunci : Data Mining, K-Means, Knowledge Discovery in Databases (KDD), Pemetaan digital
Pemetaan Digital dan Pengelompokan Lahan Hijau di Wilayah Provinsi Riau Berdasarkan Knowledge Discovery in Databases (KDD) dengan Teknik K-Means Mining Mustakim Jurusan Sistem Informasi Fakultas Sains
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal Komputer Terapan Vol. 2, No. 1, Mei 2016, 1-6 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Abstrak Warnia Nengsih Politeknik
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
Lebih terperinciAnalisis Perbandingan K-Means dan Fuzzy C-Means untuk Pemetaan Motivasi Balajar Mahasiswa
Analisis Perbandingan K-Means dan Fuzzy C-Means untuk Pemetaan Motivasi Balajar Mahasiswa Nur Indah Selviana 1, Mustakim 2 1,2 Laboratorium Data Mining Program Studi Sistem Informasi, Fakultas Sains dan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciMEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP
MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Page 87 Iin Parlina 1, Agus Perdana Windarto 2, Anjar Wanto 3, M.Ridwan Lubis
Lebih terperinci