(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
|
|
- Benny Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 (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 Islam Bandung 3Jurusan StatistikaFMIPA UniversitasPadjadjaran 1 nifningrum@gmail.com, 2 wanda_100358@yahoo.co.id, 3anna_chadidjah@ yahoo.co.id Abstrak C-means clustering adalah salah satu metode pengelompokan non hierarki yang paling banyak digunakan. Kelemahan c-means jika sifat pengelompokan sulit untuk dideskripsikan secara pasti. Dalam prakteknya kondisi ketidakpastian lebih sering ditemui dalam mengklasifikasikan suatu kondisi. Karena itu kemudian muncul teori himpunan fuzzy (kabur, tidakpasti) yang mendasari berkembangnya metode fuzzy clustering, dimana salah satunya adalah fuzzy c-means (FCM). Keberadaan noise dan data pencilan dalam clustering sering menyebabkan hasil analisis yang kurang menggambarkan kondisi sebenarnya, karena taksiran pusat cluster menjadi semakin jauh dari nilai sebenarnya. Salah satu faktor yang berperan penting terhadap keefektifan FCM adalah pangkat penimbang m. Nilai m optimum turut mempengaruhi ketahanan FCM terhadap noise dan pencilan.dalama nalisis robust, untuk melihat pengaruh dari penambahan observasi individual dapat digunakan fungsi φ dari kurva pengaruh Influence Curve (IC) penaksir pusat cluster. Kata kunci: FCM, data pencilan, pangkat penimbang, analisis robust. 1. PENDAHULUAN Clustering analysis (analisispengelompokan) merupakan salah satu teknik yang digunakan untuk menggabungkan unit-unit observasi kedalam cluster atau kelompok dimana unit-unit dalam tiap cluster bersifat homogeny sehingga mirip satu dengan yang lain, sedangkan antar cluster berbeda (heterogen) satu dengan yang lain berdasarkanvariabel yang digunakan untuk pengelompokan (Sharma: 1996). Metode dalam Clustering analysis secara umum dibedakan menjadi hierarki dan non hierarki (partisi). C-means clustering adalah salah satu metode non hierarki yang paling banyak digunakan karena lebih sederhana dan cepat prosesnya. Metodec-means bertujuan membagi n observasi ke dalam c cluster dimana tiap observasi menjadi anggotadari cluster dengan nilai rata-rata terdekat, melalui proses perulangan (iterasi) hingga pengelompokan tersebut konvergen. C-means dapat digolongkan sebagai hard clustering (de Oliveira dan Pedrycz: 2007), dimana setiap elemen menjadi 353
2 anggota dari suatu cluster tertentu dengan batasan yang jelas. Hal ini merupakan kelemahan c-means jika sifat pengelompokan sulit untuk di deskripsikan secara pasti. Dalam prakteknya, kondisi ketidakpastian lebih sering ditemui dalam mengklasifikasikan suatu kondisi. Pada kasus dimana mendefinisikan keanggotaan suatu kelompok tidak jelas batasannya atau menjadi tidak pasti, pengelompokan objek dengan hard clustering menjadi kurang tepat. Teori himpunan fuzzy (kabur, tidak pasti) mendasari berkembangnya metode fuzzy clustering, dimana salah satunya adalah fuzzy c-means (FCM) yang merupakan implementasi secara fuzzy dari c-means clustering. Metode ini memungkinkan suatu elemen menjadi anggota dari satu cluster atau lebih, sehingga menghasilkan pengelompokan yang lebih teliti. Pengaruh noise dan pencilan pada clustering analysis pada umumnya adalah menyebabkan hasil pengelompokan menjadi kurang bagus, dan mengurangi keakuratan informasi yang dihasilkan. Data yang mengandung noise dan pencilan berdampak pada nilai pusat cluster yang semakin jauh terhadap nilai sesungguhnya. Karena itu kemudian terdapat banyak pengembangan pada algoritma FCM. Salah satu faktor yang berperan penting terhadap keefektifan FCM adalah pangkat penimbang m. Nilai parameter m menunjukkan tingkat ke-fuzzy-an (fuzzifier) dari suatu fungsi keanggotaan dalam fuzzy clustering. Nilai m turut mempengaruhi ketahanan FCM terhadap noise dan pencilan (Wu: 2010). 2. METODE DAN PEMBAHASAN Pengelompokan yang didasarkan pada teori himpunan fuzzy atau disebut dengan fuzzy clustering. Dalam Leski (2003), metode fuzzy clustering mulai diperkenalkan oleh Ruspini (1969), dan Dunn (1973) menerapkan metode tersebut berdasarkan pada minimalisasi fungsi kriteria. Filosofi dan sistem matematika fuzzy clustering secara lebih lengkap dibahas oleh Bezdek (1981). Berbedadenganc-means dimana tiap objek menjadi anggota dari suatu cluster tertentu dengan batasan yang jelas, pada FCM memungkinkan keanggotaan tiap objek terbagi pada beberapa cluster. Disini diberlakukan kondisi μ = μ x dengan nilai pada selang 0 sampai dengan 1 sebagai fungsi keanggotaan dari himpunan fuzzy µ i pada X dimana μ = 1 untuk semua x j. Semakin besar nilai μ x menunjukkan semakin dekat objek tersebut pada titik pusat cluster tertentu. Algoritma iteratif FCM memerlukan kondisi agar dapat meminimumkan fungsi objektif J FCM seperti berikut: J = J (X, U, V) = μ x v, (1) 354
3 Dimana U = μ εm adalah matriks partisi fuzzy berdimensi cxn, V = [v, v,, v ] adalah vektor berdimensi s dari c-pusat cluster, dan pangkat penimbang m>1 adalah indeks ke-fuzzy-an. Kondisi yang diperlukan untuk meminimumkan (U, V) diperoleh dengan menambahkan batasan(constraint) pengganda Lagrange terhadap fungsi objektif J FCM (Höppnerdkk.: 1999) sehingga didapatkan: J (X, U, V, λ) = J + λ = μ x v + λ μ 1. (2) Fungsitersebutkemudianditurunkanterhadapmasing-masing parameter sehingga didapatkan rumus penghitungan fungsi keanggotaan tiap objek: μ = () () Dan titik pusat cluster dihitung dengan: v =, (3). (4) Ukuran jarak yang sering digunakan adalah jarak Euclidean, karena lebih mudah dalam penerapannya. Pangkat penimbang m(fuzzifier) adalah parameter ke-fuzzy-an yang berpengaruh besar terhadap performa pengelompokan FCM. Ketika nilai m mendekati satu, maka FCM mendekati algoritmac-means. Sedangkan jika nilai m mendekati tak hingga, solusi yang dihasilkan dapat bersifat tunggal (stable solution) dimana pusat data sekaligus menjadi pusat dari tiap cluster (unique optimizer). Disini, FCM akan menghasilkan output (U, x ) sebagai titik tetap (fixed point). Karena itu, memilih pangkat penimbang yang tepat menjadi sangat penting. Dalam Yu dkk. (2004), beberapa literatur yang mengkaji masalah pangkat penimbang antara lain Bezdek (1976) yang menyarankan nilai m=2, serta Pal dan Bezdek (1995) dengan menggunakan indeks validitas kelompok menyarankan nilai m pada selang [1,5;2,5] Yu dkk. (2004) kemudian mengembangkan suatu teori menggunakan nilai eigen maksimum dari matriks F, λ (F ). Misalkanu=U * maka: F = f ; f = 1 n. (5) Agar (U, x ) tidak menjadi solusi stabil yang tidak diinginkan, diperoleh dua aturan dalam pemilihan pangkat penimbang yaitu berupa batas atas nilai m sebagai berikut: 1) Aturan α m (,) jika min(s, n 1) 3, (6) (,) 355
4 2) Aturan β m jika λ (F ) (F ) < 0,5, (7) dimana s merupakan dimensi dari data (ukuran variabel untuk pengelompokan). Keberadaan noise dan data pencilan sering menyebabkan hasil analisis yang kurang menggambarkan kondisi sebenarnya. Noise dalam statistik merupakan variasi atau pengaruh acak yang tidak dapat dijelaskan yang terdapat dalam suatu sampel atau pengukuran.secara umum, noise dalam suatu himpunan data menyebabkan kurangnya presisi dan mungkin tidak dapat diperoleh hasil yang sama jika dilakukan penghitungan ulang. Data pencilan (outlier) dapat didefinisikan sebagai pengamatan yang tidak mengikuti sebagian besar pola dan terletak jauh dari pusat data. Dalam clustering, data normal menjadi bagian dari cluster berukuran besar. Sedangkan pencilan menjadi anggota cluster berukuran kecil atau yang tersebar anggotanya, bahkan membentuk cluster sendiri. Akibatnya, pusat cluster yang ditaksir menjadi kurang akurat. Untuk membedakan antara efek noise dan pencilan sendiri sebenarnya juga tidak mudah, terlebih pada data berdimensi besar. Pada kenyataannya, sering kali data mengandung noise dan pencilan. Oleh karena itu, metode FCM selayaknya bersifat robust. Istilah robustness menandakan ketidakpekaan terhadap penyimpangan kecil dari asumsi yang digunakan. Suatu prosedur statistik yang robust harus efisien, stabil, dan adanya penyimpangan yang lebih besar tidak berakibat fatal terhadap model. Dalam analisis robust, untuk melihat pengaruh dari penambahan observasi individual (misalnyadinyatakandengan x) terhadap nilai suatu penaksir dapat digunakan kurva pengaruh Influence Curve (IC), atau disebut juga fungsi pengaruh. Penaksir-M merupakan salah satu bentuk penaksir dalam statistik yang paling fleksibel digunakan, dimana untuk taksiran θ dinyatakan dengan meminimumkan bentuk ρ(x, θ) = min! atau melalui persamaan implicit φ(x, θ) = 0 dimana (x, θ) = ρ(x, θ). Jikaφ(x, θ) = φ(x θ) dan F merupakan fungsi distribusi dari x, maka fungsi pengaruhnya dapat dirumuskan menjadi (Huber danronchetti: 2009) : IC(x, F, θ) = () [()]() (8) Terlihat bahwa fungsi pengaruh dari suatu penaksir-m proporsional terhadap fungsi φ penaksir tersebut. Jika fungsi pengaruh dari penaksir tidak dibatasi, maka adanya data pencilan dapat menyebabkan permasalahan, dimana fungsi φ digunakan untuk menyatakan derajat pengaruhnya. 356
5 Misalkan dalam FCM, loss function antara titik data x j dengan pusat kelompok vi adalah ρx v = μ x v, (9) Dengan fungsi φ ρx v = ρx v = 2μ x v. (10) Dengan memecahkan persamaan ρx v = 0, maka diperoleh hasil v = μ x μ, yang tak lain menunjukkan bahwa taksiran pusat cluster v i merupakan sebuah penaksir-m. Dengan demikian, fungsi φ dari taksiran v i dapat menunjukkan robustness dalam FCM. Menurut Wu (2010), pengaruh dari penambahan objek akan menjadi sangat kecil dengan semakin besarnya nilai m. Karena itu, FCM menjadi semakin robust terhadap noise dan data pencilan dengan nilai m yang besar. Untuk melihat ketahanan FCM, maka digunakan beberapa nilai m dalam proses clustering. Tahapan pada algoritma FCM dengan analisis robustsecara garis besar adalah sebagai berikut: 1) Menentukan banyak cluster c yang akan digunakan. 2) Menghitung batas atas pangkat penimbang m, dengan terlebih dulu mencari λ (F ). 3) Menjalankan algoritma fuzzy c-means clustering untuk n objek yang akan dikelompokkan dengan1 < m batas atas nilai. Langkah-langkah dalam algoritma FCM(Babuska:2009) diawali dengan menentukan inisiasi matriks partisi secara random dimana U () εm atau elemen matriks U () ε[0; 1].Selanjutnya ulangi untuk nilai l=1,2, : 4) Hitung matriks V () atau vektor pusat clusterv () berdasarkan Persamaan (4) untuk 1 i c. 5) Hitung ukuran jarak d x, v = x v dimana 1 i c,1 j n. 6) Hitung kembali matriks partisi berdasarkan Persamaan (3) untuk 1 j n jika d x, v > 0 untuk semua nilai i. Jika d x, v = 0 maka gunakan batasan μ = 1. 7) Hentikan proses jika U () U () < ε, dimana ε merupakan termination criterion, biasanya dapat menggunakan nilai 0,001 atau 0,01. Jika U () U () ε, maka kembali ke langkah 1). 8) Menganalisis robustness hasil pengelompokan melalui kurva φ dari taksiran v i. Percobaan oleh Wu (2010) untuk mendukung pernyataan di atas adalah dengan menggunakan himpunan data yang diasumsikan terdiri dari dua cluster dengan nilai pusat 0 357
6 dan 2, dimana Gambar 1 menunjukkan fungsi keanggotaan dan fungsi φpada cluster dengan pusat kelompok 0. Gambar 1(a) 1(d) menunjukkan kurva fungsi keanggotaan pada beberapa tingkat nilai m, mulai dari 1,5 hingga 6. Pada Gambar 1(e) 1(h) menunjukkan fungsi φ yang semakin stabil, jika nilai m semakin besar. Hanya saja pada nilai m=6, fungsi keanggotaan cenderung mendekati 0,5 sehingga keanggotaan dari objek pada dua cluster tersebut menjadi susah ditentukan. Wu kemudian menyarankan untuk mengambil nilai mε[1,5; 4]. Gambar 1. Fungsi keanggotaan dengan nilai m (a) 1,5 (b) 2 (c) 4 (d) 6 dan fungsi dengan nilai m (e) 1,5 (f) 2 (g) 4 (h) 6. Selanjutnya uji pada himpunan data IRIS (n=150, s=4, c=3) digunakan untuk menglihat pengaruh parameter m terhadap error count. Dari tiga kelompok, Iris Setosa, Iris Versicolor dan Iris Virginica, dua jenis terakhir merupakan dua cluster dengan overlapping yang kuat. Clustering error counts (jumlah kesalahan pengelompokan pada data berlabel) dari data ini kurang lebih 16. Terlihat pada Gambar 2 bahwa error counts menurun hingga kira-kira 13 pada nilai m yang semakin besar. Hasil ini turut mendukung robust properties dari FCM ketika nilai m semakin besar. 3. KESIMPULAN Berdasarkan uraian di atas, ditunjukkan bahwa FCM dengan data yang mengandung noise dan pencilan dapat diatasi dengan menggunakan nilai m yang optimal. Penentuan nilai m yang akan digunakan dapat memanfaatkan aturan batas atas parameter m seperti yang telah dibahas sebelumnya.sedangkan fungsi φ dari taksiran pusat clusterv i dapat digunakan untuk menunjukkan robustness dalam FCM. Gambar 2. Error counts pada himpunan data IRIS. 358
7 4. DAFTAR PUSTAKA Babuska, R Fuzzy and Neural Control Chapter 4: Fuzzy Clustering: Melalui < [22/7/11] de Oliveira, J.V., dan Pedrycz, W (editor) Advances in Fuzzy Clustering and its Applications. Chishester: John Wiley & Sons, Inc. Huber, P.J. dan Ronchetti, E Robust Statistics, Second Edition. New Jersey: John Wiley & Sons, Inc. Höppner, F., dkk Fuzzy Cluster Analysis-Methods for Classification, Data Analysis and Image Recognition. Chichester: John Wiley & Sons, Inc. Leski, J Towards a robust fuzzy clustering. Elsevier Fuzzy Sets and Systems 137: Pal, N.R. dan Bezdek, J.C On Cluster Validity for the Fuzzy c-means Model. IEEE Transactions on Fuzzy Systems Vol. 3, No. 3. Sharma, S Applied Multivariate Techniques. New York: John Wiley & Sons, Inc. Wu, K.L Parameter Selections of Fuzzy C-Means Based on Robust Analysis. Waset Academy of Science, Engineering and Technology 65. Melalui < [25/6/11] Yu, J., dkk Analysis of the Weighting Exponent in the FCM. IEEE Transactions on System, Man, and Cybernetics Part B: Cybernetics, Vol. 34, No. 1:
Fuzzy 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 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 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 terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciBAB 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 terperinciPENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY CLUSTERING. M. Rodhi Faiz
Rodhi Faiz, Pengklasifikasian Lulusan Jurusan Teknik Elektro Berdasarkan Nilai Ipk Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN LULUSAN JURUSAN TEKNIK ELEKTRO BERDASARKAN NILAI IPK DENGAN METODE FUZZY
Lebih terperinciBAB III K-MEANS CLUSTERING. Analisis klaster merupakan salah satu teknik multivariat metode
BAB III K-MEANS CLUSTERING 3.1 Analisis Klaster Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis klaster tidak ada
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciBAB 3 ANALISIS DAN PENGEMBANGAN ALGORITMA. ketidakpastian. Citra tersebut terkadang belum tentu dapat diketahui objeknya,
BAB 3 ANALISIS DAN PENGEMBANGAN ALGORITMA 3.1 Analisis Permasalahan Pengolahan citra merupakan sebuah proses yang memiliki banyak faktor ketidakpastian. Citra tersebut terkadang belum tentu dapat diketahui
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Mobilitas adalah hal yang tidak dapat dipisahkan dalam gaya hidup masyarakat sekarang ini. Serangkaian aktifitas menuntut seseorang untuk berada di suatu tempat bahkan
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 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 terperinciImplementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
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,
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 terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
Lebih terperinciPENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI MATA KULIAH RANGKAIAN LISTRIK DENGAN METODE FUZZY CLUSTERING. M.
Rodhi Faiz, Pengklasifikasian Mahasiswa Jurusan Teknik Elektro Yang Mengikuti Mata Kuliah Rangkaian Listrik Dengan Metode Fuzzy Clustering PENGKLASIFIKASIAN MAHASISWA JURUSAN TEKNIK ELEKTRO YANG MENGIKUTI
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Pada penelitian yang dilakukan oleh (Chen, Sain, & Guo, 2012) berfokus untuk mengetahui pola penjualan, pelanggan mana yang paling berharga, pelanggan mana yang
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data menjadi sesuatu yang sangat berharga saat ini. Tidak hanya badan pemerintah saja, perusahaan-perusahaan saat ini pun sangat membutuhkan informasi dari data yang
Lebih terperinciImplementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions Ivan Hardiyanto,
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
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 terperinciPENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI
PENGGUNAAN PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtada i S. Kom, Edi Purnomo Jurusan Teknik Informatika
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 terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 1 Mahasiswa Program Studi Matematika FSM
Lebih terperinciIdentifikasi Spasial Calon Walikota Manado Tahun 2015 Menggunakan Algoritma Fuzzy C-Means
Identifikasi Spasial Calon Walikota Manado Tahun 2015 Menggunakan Algoritma Fuzzy C-Means Winsy Weku 1, Charitas Fibriani 2 1 Program Studi Matematika, FMIPA, UNSRAT Manado, winsy_weku@unsrat.ac.id 2 Program
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 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 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 terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih 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 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 terperinciAPLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU
Eksakta Vol. 18 No. 2, Oktober 2017 http://eksakta.ppj.unp.ac.id E-ISSN : 2549-7464 P-ISSN : 1411-3724 APLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU Nur Afandi,
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 terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
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 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 terperinciSegmentasi Citra dengan Menggunakan Modifikasi Robust Fuzzy C-Means
Segmentasi Citra dengan Menggunakan Modifikasi Robust Fuzzy C-Means Charista Christie Tjokrowidjaya 1, Zuherman Rustam 2 1,2 Departemen Matematika, Fakultas Matematika Ilmu Pengetahuan Alam Universitas
Lebih terperinciKOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK. Iqbal Kharisudin. Jurusan Matematika FMIPA Universitas Negeri Semarang
KOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK S-33 Iqbal Kharisudin Jurusan Matematika FMIPA Universitas Negeri Semarang Email: iqbal_kh@staff.unnes.ac.id Abstrak: Dalam analisis
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 terperinciK-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN
1 K-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN Rani Nooraeni*, Dr. Jadi Supriadi, DEA, Zulhanif, S.Si,M.Sc Jurusan statistika terapan, Fakultas MIPA UNPAD rnooraeni@gmail.com* Abstrak.Membagi suatu data
Lebih terperinciBAB I PENDAHULUAN. Sekarang ini penelitian sering kali melibatkan beberapa variabel
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sekarang ini penelitian sering kali melibatkan beberapa variabel pengamatan. Data yang diperoleh dengan mengukur lebih dari satu variabel pengamatan pada setiap
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciFUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN)
FUZZY C-MEANS UNTUK CLUSTERING DATA (STUDI KASUS : DATA PERFORMANCE MENGAJAR DOSEN) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail : emha_tl@yahoo.com Abstraksi Clustering merupakan proses pengelompokan
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan teknologi informasi yang semakin pesat berdampak pada terjadinya penurunan substansial dalam biaya penyimpanan data, peningkatan pesat
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciIDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS
IDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS Abdul Kadir Program Pascasarjana Teknik Elektro Universitas Gadjah Mada, Yogyakarta E-mail: akadir@mti.ugm.ac.id Abstract This paper was based on our
Lebih terperinciCLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS
Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1(2013), hal. 21-26 CLUSTERING LULUSAN MAHASISWA MATEMATIKA FMIPA UNTAN PONTIANAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS Cary Lineker Simbolon,
Lebih terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan.
TINJAUAN PUSTAKA Pencilan Aunuddin (1989) mendefinisikan pencilan sebagai nilai ektstrim yang menyimpang agak jauh dari kumpulan pengamatan lainnya, yang secara kasar berada pada jarak sejauh tiga atau
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciTEKNIK ITERASI VARIASIONAL UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT
TEKNIK ITERASI VARIASIONAL UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Koko Saputra 1, Supriadi Putra 2, Zulkarnain 2 1 Mahasiswa Program Studi S1 Matematika 2 Laboratorium Matematika Terapan, Jurusan Matematika
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
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 terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
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 terperinciJurusan Statistika, FMIPA, ITS Kampus ITS Sukolilo, Surabaya,
IndoMS Journal on Statistics Vol. 1, No. (013), Page. 61-71 PERBANDINGAN METODE FUZZY C-MEANS CLUSTERING DAN FUZZY C-SHELL CLUSTERING (STUDI KASUS: KABUPATEN/KOTA DI PULAU JAWA BERDASARKAN VARIABEL PEMBENTUK
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciSeleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni
1 Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni Femi Dwi Astuti Program Studi Teknik Informatika STMIK AKAKOM femi@akakom.ac.id Abstrak -
Lebih terperinciPenerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Scientific Journal of Informatics Vol., No., November 015 p-issn 407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 460-0040 Penerapan Fuzzy C-Means untuk Deteksi Dini Kemampuan Penalaran Matematis
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
Lebih terperinciREGRESI ROBUST UNTUK MENGATASI OUTLIER PADA REGRESI LINIER BERGANDA. Isma Hasanah
REGRESI ROBUST UNTUK MENGATASI OUTLIER PADA REGRESI LINIER BERGANDA Isma Hasanah isma_semangat@yahoo.co.id Agustini Tripena, Br. Sb Universitas Jenderal Soedirman ABSTRACT. Regression analysis is statistic
Lebih terperinciDATA MINING DAN WAREHOUSE A N D R I
DATA MINING DAN WAREHOUSE A N D R I CLUSTERING Secara umum cluster didefinisikan sebagai sejumlah objek yang mirip yang dikelompokan secara bersama, Namun definisi dari cluster bisa beragam tergantung
Lebih terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciKonstruksi Matriks NonNegatif Simetri dengan Spektrum Bilangan Real
J. Math. and Its Appl. ISSN: 189-605X Vol. 4, No. 1, May 007, 17 5 Konstruksi Matriks NonNegatif Simetri dengan Spektrum Bilangan Real Bambang Sugandi 1 dan Erna Apriliani 1 Jurusan Matematika, FMIPA Unibraw,
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 terperinciOleh: AGUS WIDODO NRP Dosen Pembimbing: Dr. Purhadi, M.Sc
PERBANDINGAN METODE FUZZY C-MEANS CLUSTERING DAN FUZZY C-SHELL CLUSTERING (STUDI KASUS: KABUPATEN/KOTA DI PULAU JAWA BERDASARKAN VARIABEL PEMBENTUK INDEKS PEMBANGUNAN MANUSIA) Oleh: AGUS WIDODO NRP. 3020707
Lebih terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari No. 1, Phone: 0761-53939, Fax: 0761-554224
Lebih terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 73 85. PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Sri Wulandari, Sutarman, Open Darnius Abstrak. Analisis
Lebih terperinciMelihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means
Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means Muhammad Halim 1, Andi Farmadi 2, H. Irwan Budiman 3 1,2,3 Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km
Lebih terperinciESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER
ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan
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 terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
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 terperinciKARAKTERISTIK PERSAMAAN ALJABAR RICCATI DAN PENERAPANNYA PADA MASALAH KENDALI
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 4 Mei 0 KARAKTERISTIK PERSAMAAN ALJABAR RICCATI DAN PENERAPANNYA PADA MASALAH KENDALI
Lebih terperinciPENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 97 102. PENENTUAN JUMLAH CLUSTER OPTIMAL PADA MEDIAN LINKAGE DENGAN INDEKS VALIDITAS SILHOUETTE Nicolaus, Evy Sulistianingsih,
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciPrototype-Based Fuzzy Clustering melalui Algoritma FCM pada Pengklasteran Kabupaten-Kabupaten di Jawa Timur berdasarkan Karakteristik Perempuan
Jurnal Penelitian Sains Volume 18 Nomor 3 September 2016 Prototype-Based Fuzzy Clustering melalui Algoritma FCM pada Pengklasteran Kabupaten-Kabupaten di Jawa Timur berdasarkan Karakteristik Perempuan
Lebih terperinciDidin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya)
(M.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P, Oki Dwipurwani, Dian Cahyawati
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Propinsi Daerah Istimewa Yogyakarta sebagai Daerah Tujuan Wisata (DTW) utama indonesia memiliki beraneka ragam jenis wisata yang menarik wisatawan domestik dan wisatawan asing. Banyaknya
Lebih 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 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 terperinciSYARAT FRITZ JOHN PADA MASALAH OPTIMASI BERKENDALA KETAKSAMAAN. Caturiyati 1 Himmawati Puji Lestari 2. Abstrak
Syarat Fritz John... (Caturiyati) SYARAT FRITZ JOHN PADA MASALAH OPTIMASI BERKENDALA KETAKSAMAAN Caturiyati 1 Himmawati Puji Lestari 2 1,2 Jurusan Pendidikan Matematika FMIPA UNY 1 wcaturiyati@yahoo.com
Lebih terperinci(M.4) MENGHITUNG FUNGSI RESIKO DAN KEGAGALAN PADA MODEL LINEAR
Universitas Padjadjaran, 3 November 00 (M.4) MENGHITUNG FUNGSI RESIKO DAN KEGAGALAN PADA MODEL LINEAR Mulyana Jurusan Statistika FMIPA Unpad Jl. Raya Bandung Sumedang Km Jatinangor Sumedang e_mail : mulyanakanaan@yahoo.co.id
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
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 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 terperinciPerbandingan Metode Robust Least Trimmed Square Dengan Metode Scale
Perbandingan Metode Robust Least Trimmed Square Dengan Metode Scale Dalam Mengestimasi Parameter Regresi Linear Berganda Untuk Data Yang Mengandung Pencilan Musafirah 1, Raupong 2, Nasrah Sirajang 3 ABSTRAK
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 terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinci