BAB I PENDAHULUAN. 1.1 Latar Belakang
|
|
- Sucianty Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 dimilikinya guna merancang strategi dalam mengambil keputusan secara efektif dan efisien. Tentunya akan sangat bermanfaat jika data tersebut dapat digali dan mampu memberikan informasi bagi pihak yang berkepentingan. Oleh karena itu, peran ilmu statistika sangat dibutuhkan di sini. Dalam statistika, tentunya tidak hanya analisis statistika univariat yang digunakan, namun analisis statistika multivariat pun menjadi suatu alat yang sangat diperlukan. Analisis statistika multivariat merupakan teori statistika yang dirancang untuk menggali informasi dari data yang terdiri atas beberapa variabel yang dianalisis secara bersama-sama. Salah satu analisis yang sering digunakan pada analisis statistika multivariat adalah analisis klaster (cluster analysis). Analisis klaster merupakan analisis yang bertujuan untuk mengelompokkan objek-objek ke dalam beberapa kelompok di mana objek-objek pada satu kelompok memiliki homogenitas yang tinggi, namun heterogen dengan objekobjek pada kelompok yang lain. Salah satu metode analisis klaster yang sering digunakan adalah partitioning methods. Dengan metode tersebut objek-objek pada data dikelompokkan menjadi klaster dengan banyaknya klaster ( ditentukan oleh peneliti. Salah satu jenis partitioning methods adalah metode k-means. K-means merupakan analisis klaster dengan pusat klaster (centroid) berupa mean dari data pada tiap klaster. Pada praktiknya, sering ditemui data yang mengandung pencilan. Pencilan merupakan observasi yang menyimpang jauh dari pola yang terbentuk dari 1
2 2 sebagian besar data. Adanya pencilan dapat menjadi salah satu masalah yang mengakibatkan kurang tepatnya hasil analisis yang diperoleh. Pada analisis k-means, adanya pencilan dapat menyebabkan hasil analisis klaster kurang tepat karena digunakan nilai mean sebagai pusat klaster di mana mean merupakan ukuran pusat data yang tidak robust terhadap pencilan. Pengelompokkan yang kurang tepat tentu akan berpengaruh pula pada hasil penilaian karakteristik klaster (profilisasi), sehingga nantinya dapat mengakibatkan kesalahan pada pengambilan keputusan. Untuk mengatasi hal tersebut, dapat digunakan analisis partitioning methods yang lain, yaitu metode k- medoids. K-medoids merupakan metode pengelompokkan dengan menggunakan medoid sebagai pusat klasternya. Medoid adalah objek yang letaknya terpusat di dalam suatu klaster. Karena menggunakan medoid sebagai pusat klaster, maka metode tersebut lebih robust dibandingkan metode k-means. Pada analisis klaster, objek-objek dikelompokkan berdasarkan kemiripannya (similarity). Untuk mengukur tingkat kemiripan digunakan ukuran jarak. Semakin besar nilai jarak, maka semakin jauh letak objek dengan pusat klaster yang terbentuk. Ukuran jarak yang digunakan pada analisis dapat berpengaruh pada hasil yang diperoleh. Oleh karena itu, pada skripsi ini akan digunakan dua ukuran jarak, yaitu jarak Euclidean (Euclidean distance) dan jarak Manhattan (Manhattan distance) untuk mengelompokkan objek-objek dengan metode k-medoids. 1.2 Pembatasan Masalah Pada penulisan skripsi ini, pembatasan masalah sangat diperlukan untuk menjamin keabsahan dari kesimpulan yang diperoleh agar tidak terjadi penyimpangan dari tujuan awal dan pemecahan masalah lebih terkonsentrasi. Pembahasan difokuskan pada penerapan metode k-medoids pada data dengan pencilan. Pada metode tersebut digunakan dua jenis ukuran jarak, yaitu jarak Euclidean dan jarak Manhattan.
3 3 1.3 Tujuan Penulisan Berdasarkan latar belakang permasalahan di atas, maka penulisan skripsi ini dilaksanakan dengan tujuan sebagai berikut : 1. Mempelajari metode k-medoids. 2. Menerapkan metode k-medoids dengan jarak Euclidean dan jarak Manhattan untuk mengelompokkan data dengan pencilan. 3. Mengukur validitas hasil analisis klaster k-medoids. 4. Melakukan profilisasi pada klaster-klaster yang terbentuk. 1.4 Tinjauan Pustaka Analisis klaster merupakan suatu proses pembentukan partisi dari sekumpulan objek pada data (observasi) ke dalam beberapa bagian (subset). Bagian tersebut disebut klaster. Objek pada suatu klaster mirip antara satu dengan lainnya, namun berbeda dengan objek-objek pada klaster yang lain. Salah satu metode analisis klaster yang sering digunakan adalah metode k- means. K-means merupakan metode pengelompokkan objek menjadi beberapa klaster dengan mean sebagai pusat klasternya. Mean merupakan ukuran pusat data yang memiliki kekurangan yaitu nilainya sangat dipengaruhi oleh nilai ekstrim (Walpole, 1992). Han, et. al. (2012) dalam bukunya Data Mining : Concepts and Techniques menjelaskan bahwa algoritma k-means senstitif terhadap pencilan. Ketika pencilan dikelompokkan ke dalam suatu klaster, maka pencilan tersebut dapat mendistorsi nilai rata-rata dari klaster. Kaufman dan Rousseeuw (1987) dalam jurnalnya Clustering By Means of Medoids memperkenalkan metode k-medoids untuk mengatasi permasalahan pencilan pada metode k-means. Metode k-medoids bertujuan untuk mengelompokkan objek-objek menjadi beberapa klaster dengan menemukan k perwakilan objek, yang disebut medoid, yang mampu meminimumkan rata-rata jarak semua objek pada data ke medoid terdekat. Metode ini dikenal juga dengan istilah Partitioning Around Medoids (PAM).
4 4 Flowrensia (2010) pada skripsinya Perbandingan Penggerombolan K-Means dan K-Medoid pada Data yang Mengandung Pencilan melakukan perbandingan antara hasil analisis metode k-means dengan k-medoid baik pada saat data mengandung pencilan maupun tidak. Hasil penggerombolan menunjukkan bahwa metode k-medoid mempunyai nilai rataan tingkat salah klasifikasi yang lebih rendah dan signifikan pada kondisi proporsi pencilan 5%, sedangkan pada kondisi proporsi pencilan 10% dan 15% hasil nilai rataan salah klasifikasinya tidak berbeda signifikan dengan metode k-means. Bhat (2014) dalam jurnalnya K-Medoids Clustering Using Partitioning Around Medoids For Performing Face Recognition menjelaskan bahwa metode k-medoids jauh lebih robust dibandingkan metode k-means dalam menangani nilai ekstrim atau pencilan. Arora, et. al. (2016) dalam jurnalnya Analysis of K-Means and K-Medoids Algorithm For Big Data menjelaskan bahwa k-medoids lebih baik dalam waktu eksekusi dan tidak sensitif terhadap pencilan jika dibandingkan dengan k-means. Pada analisis klaster, untuk menentukan suatu objek masuk ke dalam suatu klaster digunakan ukuran jarak. Perbedaan penggunaan ukuran jarak dapat menghasilkan hasil analisis yang berbeda pula. Satoto, et. al. (2015) dalam jurnalnya Pengelompokan Wilayah Madura Berdasar Indikator Pemerataan Pendidikan Menggunakan Partitioning Around Medoids dan Validasi Adjusted Rand Index menerapkan metode PAM dengan tiga jenis ukuran jarak, yaitu jarak Manhattan, Euclidean, dan Canberra, serta menggunakan ukuran validasi Adujusted Rand Index (ARI). Berdasarkan studi kasus yang dilakukan, diperoleh rata-rata nilai ARI dari yang tertinggi hingga terendah, yaitu metode PAM dengan jarak Euclidean, Manhattan, kemudian Canberra. 1.5 Metode Penulisan Metode yang digunakan pada penulisan skripsi ini adalah studi literatur. Pada studi literatur, penulis mempelajari literatur-literatur yang diperoleh dari perpustakaan maupun jurnal-jurnal referensi dari media lain, seperti jurnal dan
5 5 sumber-sumber lain yang diperoleh dari berbagai situs pendukung di internet. Software yang digunakan dalam penulisan skripsi ini adalah Microsoft Excel 2010, SPSS 19, dan RStudio Pada RStudio digunakan beberapa package, yaitu package base, stats, dan cluster. Data yang digunakan dalam penulisan skripsi ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) mengenai produksi tanaman pangan pokok menurut provinsi di Indonesia tahun Sistematika Penulisan Sistematika penulisan skripsi ini disusun sebagai berikut : BAB I : PENDAHULUAN Bab ini berisi mengenai latar belakang, pembatasan masalah, tujuan penulisan, tinjauan pustaka, metode penulisan, dan sitematika penulisan. BAB II : LANDASAN TEORI Bab ini berisi tentang teori-teori penunjang dalam pembahasan mengenai metode k-medoids. Beberapa teori penunjang tersebut, antara lain variabel random, matriks, analisis statistika multivariat, analisis klaster, pencilan, dan metode validasi. BAB III : K-MEDOIDS Bab ini berisi mengenai asumsi dalam analisis klaster, ukuran jarak, serta penjelasan dan contoh pembentukan klaster dengan metode k-medoids. BAB IV : STUDI KASUS Bab ini berisi mengenai deskripsi data, asumsi pada analisis klaster, penentuan banyak klaster, pengujian pencilan,
6 6 proses pembentukan klaster, profilisasi hasil pembentukan klaster, serta perbandingan antara metode k-means dan k- medoids. BAB V : PENUTUP Bab ini berisi mengenai kesimpulan yang diperoleh dari pembahasan pada bab-bab sebelumnya serta saran sebagai akibat dari kekurangan maupun kelebihan hasil penelitian yang dilakukan.
ANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciBAB I PENDAHULUAN. masyarakat tanpa kertas (paperless society) (Hernawati, 2005). Berdasarkan buku
BAB I PENDAHULUAN 1.1 Latar Belakang Revolusi teknologi informasi ikut mengubah perilaku masyarakat modern dengan mencoba masuk dan menghirup atmosfer kebudayaan baru, menjadikan masyarakat tanpa kertas
Lebih terperinciBAB III K-MEDIANS CLUSTERING
BAB III 3.1 ANALISIS KLASTER Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Metode interdependensi berfungsi untuk memberikan makna terhadap seperangkat
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 85-836 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGELOMPOKAN DAERAH MENGGUNAKAN METODE NON- HIERARCHICAL
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciBAB III PEMBAHASAN. survei yang dilakukan BPS pada 31 Oktober Langkah selanjutnya yang
BAB III PEMBAHASAN Data yang digunakan dalam skripsi ini merupakan data sekunder yang diperoleh dari buku saku Ikhtisar Data Pendidikan Tahun 2016/2017. Data tersebut dapat dilihat pada Lampiran 1. Data
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
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 terperinciBAB I PENDAHULUAN. Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah dalam kehidupan sehari-hari tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, akan tetapi cenderung melibatkan banyak variabel. Analisis
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Analisis cluster merupakan salah satu alat yang penting dalam pengolahan data statistik untuk melakukan analisis data. Analisis cluster merupakan seperangkat metodologi
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 terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih 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 terperinciPENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA 1 Yulison Herry Chrisnanto, 2 Gunawan Abdillah 1,2 Jurusan Informatika Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Dalam banyak proses industri, selalu ada variabilitas dasar sebanyak tertentu. Apabila variabilitas dasar suatu proses relatif kecil akan dipandang sebagai
Lebih terperinciSEGMENTASI IKM MADURA BERDASARKAN PENGGUNAAN TEKNOLOGI INFORMASI DENGAN MENGGUNAKAN METODE HYBRID K-MEANS CLUSTERING
SEGMENTASI IKM MADURA BERDASARKAN PENGGUNAAN TEKNOLOGI INFORMASI DENGAN MENGGUNAKAN METODE HYBRID K-MEANS CLUSTERING Bain Khusnul Khotimah 1), Ernaning Widiaswanti 2), dan Dewi Sylvia Ferdiana 3) 1,3)
Lebih terperinciTipe Clustering. Partitional Clustering. Hirerarchical Clustering
Analisis Cluster Analisis Cluster Analisis cluster adalah pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan
Lebih terperinciProsiding Seminar Nasional Manajemen Teknologi XXIII Program Studi MMT-ITS, Surabaya, 1 Agustus 2015 SEGMENTASI IKM MADURA BERDASARKAN PENGGUNAAN TEKNOLOGI INFORMASI DENGAN MENGGUNAKAN METODE HYBRID K-MEANS
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Data atau informasi yang terdapat pada multimedia tidak hanya disajikan dalam bentuk teks,
Lebih terperinciALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK
ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Strategi pemasaran
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berdasarkan data dari Kementerian Komunikasi dan Informasi Indonesia yang diperoleh dari Lembaga Riset Pasar E-Marketer, populasi pengguna internet tanah air pada tahun
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Berdasarkan Peraturan Pemerintah Nomor 37 tahun 2009, dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan,
Lebih terperinciPERBANDINGAN HASIL PENGGEROMBOLAN K-MEANS, FUZZY K- MEANS, DAN TWO STEP CLUSTERING. Lathifaturrahmah
JPM IAIN Antasari Vol. 02 No. 1 Juli Desember 2014, h. 39-62 PERBANDINGAN HASIL PENGGEROMBOLAN K-MEANS, FUZZY K- MEANS, DAN TWO STEP CLUSTERING Abstrak Analisis gerombol merupakan salah satu metode peubah
Lebih terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
Lebih 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 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 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 terperinciLABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA. Modul II CLUSTERING
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul II CLUSTERING TUJUA PRAKTIKUM 1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam
Lebih 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 terperinciKOMBINASI ALGORITMA AGGLOMERATIVE CLUSTERING DAN K-MEANS UNTUK SEGMENTASI PENGUNJUNG WEBSITE
KOMBINASI ALGORITMA AGGLOMERATIVE CLUSTERING DAN K-MEANS UNTUK SEGMENTASI PENGUNJUNG WEBSITE Yudha Agung Wirawan, Dra.Indwiarti,M.Si, Yuliant Sibaroni,S.SI., M,T Program Studi Ilmu Komputasi Fakultas Informatika
Lebih terperinciThe 6 th University Research Colloquium 2017 Universitas Muhammadiyah Magelang
Penerapan Seleksi Atribut Berdasarkan Koefisien Variansi dan Korelasi untuk Inisialisasi Pusat Awal Klaster pada Algoritma K- Means dalam Pemetaan E-Government Tahun 2016 Ivon Dewi Apriliyaningsih 1*,
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 terperinciPerbandingan Algoritma Pengelompokan Non-Hierarki untuk Dataset Dokumen
Perbandingan Algoritma Pengelompokan Non-Hierarki untuk Dataset Dokumen Dyah Herawatie Prodi Sistem Informasi Fakultas Sains dan Teknologi Universitas Airlangga Surabaya, Indonesia dy4h_h3r4@yahoo.com
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kecelakaan lalu lintas merupakan salah satu masalah kesehatan yang menjadi penyebab serius kematian didunia dan menempati peringkat 9 dunia. Indonesia sendiri merupakan
Lebih terperinciPENGELOMPOKAN WILAYAH MADURA BERDASAR INDIKATOR PEMERATAAN PENDIDIKAN MENGGUNAKAN PARTITION AROUND MEDOIDS DAN VALIDASI ADJUSTED RANDOM INDEX
Journal of Information Systems Engineering and Business Intelligence Vol. 1, No. 1, April 2015 PENGELOMPOKAN WILAYAH MADURA BERDASAR INDIKATOR PEMERATAAN PENDIDIKAN MENGGUNAKAN PARTITION AROUND MEDOIDS
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Ketatnya persaingan antara perusahaan industri satu dengan yang lainnya menyebabkan semakin banyak dan beragam industri saat ini yang berusaha untuk meningkatkan kualitas
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 terperinciClustering Tagg Status Facebook Dengan Menggunakan Algoritma K-MEDOIDS
Clustering Tagg Status Facebook Dengan Menggunakan Algoritma K-MEDOIDS Sefia Candra 1 sefia_chandra@yahoo.com Antonius R.C 2 anton@ti.ukdw.ac.id Lucia Dwi Krisnawati 3 krisna@ukdw.ac.id Abstract This research
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 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 terperinciKLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING
KLASTERISASI KOMPETENSI GURU MENGGUNAKAN HASIL PENILAIAN PORTOFOLIO SERTIFIKASI GURU DENGAN METODE DATA MINING Ari Kurniawan, Mochamad Hariadi S2 Teknik Elektro (Telematika), Institut Teknologi Sepuluh
Lebih terperinciPengenalan Pola. Klasterisasi Data
Pengenalan Pola Klasterisasi Data PTIIK - 2014 Course Contents 1 Konsep Dasar 2 Tahapan Proses Klasterisasi 3 Ukuran Kemiripan Data 4 Algoritma Klasterisasi Konsep Dasar Klusterisasi Data, atau Data Clustering
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 terperinciPERBANDINGAN PENGGEROMBOLAN K-MEANS DAN K-MEDOID PADA DATA YANG MENGANDUNG PENCILAN YANNE FLOWRENSIA
PERBANDINGAN PENGGEROMBOLAN K-MEANS DAN K-MEDOID PADA DATA YANG MENGANDUNG PENCILAN YANNE FLOWRENSIA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 010
Lebih terperinciANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS)
ANALISIS MULTIVARIAT ANALISIS CLUSTER DENGAN METODE K-MEANS (TEORI DAN CONTOH STUDY KASUS) Oleh : Rizka Fauzia 1311 100 126 Dosen Pengampu: Santi Wulan Purnami S.Si., M.Si. PROGRAM STUDI SARJANA JURUSAN
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
7 BAB I PENDAHULUAN 1.1 Latar Belakang Beberapa institusi yang memanfaatkan sistem informasi berbasis komputer selama bertahun-tahun sudah pasti memiliki jumlah data yang cukup besar pula. Data yang dihasilkan
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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengendalian kualitas merupakan aktivitas keteknikan dan manajemen, yang dengan aktivitas itu bisa diukur ciri-ciri kualitas produk, membandingkannya dengan spesifikasi
Lebih terperinciPerancangan dan Implementasi Aplikasi Android Penentu Salient Area pada Video dengan Algoritma K-Medoids
Perancangan dan Implementasi Aplikasi Android Penentu Salient Area pada Video dengan Algoritma K-Medoids Dwi Listiyanti Teknik Informatika Politeknik Caltex Riau Pekanbaru, Indonesia dwil11ti@mahasiswa.pcr.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Muhammadiyah Surakarta merupakan salah satu dari beberapa instansi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Universitas Muhammadiyah Surakarta merupakan salah satu dari beberapa instansi perguruan tinggi yang bergerak di bidang pendidikan, yang di dalamnya terdapat
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih 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 terperinciPENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS
Jurnal Ilmiah ILKOM Volume 8 mor (Agustus 16) ISSN: 87-1716 PENGELOMPOKAN MINAT BACA MAHASISWA MENGGUNAKAN METODE K-MEANS Widya Safira Azis 1 dan Dedy Atmajaya 1 safiraazis18@gmail.com dan dedy.atmajaya@umi.ac.id
Lebih terperinciBAB II LANDASAN TEORI
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 terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciPemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA
Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA Chandra Purnamaningsih Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami No 36 A Surakarta cpurnamaningsih@gmail.com
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 terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam perkembangan teknologi informasi di era saat ini menunjukkan peningkatan yang sangat pesat, baik dari teknik pengolahan data maupun software-software
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Di tengah laju kemajuan teknologi telekomunikasi dan informatika, informasi yang cepat dan akurat semakin menjadi kebutuhan pokok para pengambil keputusan. Informasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini kebutuhan masyarakat akan kredit merupakan hal yang tidak asing. Menyadari bahwa kegiatan kredit pada masyarakat umum semakin meningkat, maka perlu
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Dalam industri modern ekspektasi pelanggan menjadi suatu acuan pentimg dari kualitas produk. Oleh karena itu dalam proses produksi tidak hanya mementingkan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Banyak sekali teknik analisis statistika yang diturunkan atau didasarkan pada
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penambangan Data (Data Mining) Penambangan data (Data Mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini
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 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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Dewasa ini, persaingan ketat diantara perusahaan terus digencarkan guna untuk mempertahankan keberlangsungan suatu perusahaan. Salah satu faktor yang
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 terperinciBAB I PENDAHULUAN. usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan
BAB I PENDAHULUAN 1.1 Latar Belakang PT. Bali Sinar Mentari adalah perusahaan yang bergerak pada bidang usaha jasa perjalanan wisata di Bali. Perusahaan ini melayani pelanggan domestik maupun mancanegara
Lebih terperinciDOI: /medstat Abstract. Keywords: Central Java, Agricultural Commodities, Cluster Analysis, Non-Hierarchical, k Medoids, Outlier
p-issn 1979 3693 e-issn 2477 0647 MEDIA STATISTIKA 9(1) 2016: 41-49 http://ejournal.undip.ac.id/index.php/media_statistika [Type here] PENGELOMPOKAN KABUPATEN/KOTA BERDASARKAN KOMODITAS PERTANIAN MENGGUNAKAN
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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan informasi yang cepat, tepat dan akurat sangatlah mutlak, terutama dalam era globalisasi dalam skala luas maupun era otonomi daerah dalam lingkup
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 I PENDAHULUAN. komponen penting dalam hal memajukan kualitas PT tersebut. Apabila sistem
BAB I PENDAHULUAN A. Latar Belakang Dalam memajukan kualitas pendidikan, baik dalam konteks sumber daya mahasiswa atau sistem pembelajaran, setiap Perguruan Tinggi (PT) memiliki cara pengelolaan tersendiri.
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 terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia bisnis pada jaman sekarang, para pelaku bisnis senantiasa selalu berusaha mengembangkan cara-cara untuk dapat mengembangkan usaha mereka dan memperhatikan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Komponen Utama adalah suatu prosedur untuk mereduksi dimensi data dengan cara mentransformasi variabel-variabel awal yang berkorelasi menjadi sekumpulan variabel
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 I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Kualitas produk memegang peranan penting dalam menentukan maju atau mundurnya perusahaan. Pengendalian kualitas proses produksi merupakan faktor penting dalam kegiatan
Lebih terperinciUKDW BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Konsumsi, Finansial, semakin menjadi hal yang tidak dapat dipisahkan seiring terus berkembangnya suatu negara. Transaksi, jual, beli, sudah menjadi kata yang sangat
Lebih terperinciAnalisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016
Analisis Klaster untuk Pengelompokan Kemiskinan di Jawa Barat Berdasarkan Indeks Kemiskinan 2016 Rana Amani Desenaldo 1 Universitas Padjadjaran 1 rana.desenaldo@gmail.com ABSTRAK Kesejahteraan sosial adalah
Lebih terperinci*Corresponding Author:
PERBANDINGAN KINERJA METODE COMPLETE LINKAGE DAN AVERAGE LINKAGE DALAM MENENTUKAN HASIL ANALISIS CLUSTER (Studi Kasus: Produksi Palawija Provinsi Kalimantan Timur 2014/2015) Silvia Ningsih 1, Sri Wahyuningsih
Lebih terperinciBAB I PENDAHULUAN. Analisis statistik multivariat adalah metode statistik di mana masalah yang
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Analisis statistik multivariat adalah metode statistik di mana masalah yang diteliti bersifat multidimensional dengan menggunakan tiga atau lebih variabel
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 terperinciPENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR
PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR SIDANG SKRIPSI Oleh Adry Rahadinata 10108069 Penguji 1 Andri Heryandi, S.T., M.T. Penguji 2 Adam Mukharil
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Pada kejadian sehari hari terdapat hubungan sebab akibat yang muncul,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Konsep Clustering dalam Data Mining Konsep dasar data mining adalah menemukan informasi tersembunyi dalam sebuah basis data dan merupakan bagian dari Knowledge Discovery in
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan yang dilaksanakan selama tiga dekade belakangan ternyata belum mampu untuk meningkatkan kesejahteraan masyarakat terutama yang berdiam di daerah pedesaan.
Lebih terperinciEditorial Team. Editor-in-Chief. Associate Editors. Editorial Board Members. Copy & Layout Editors
Editor-in-Chief Editorial Team 1. Indra Kharisma Raharjana, Universitas Airlangga, Indonesia Associate Editors 1. Badrus Zaman, Universitas Airlangga, Indonesia 2. Eva Hariyanti, Universitas Airlangga,
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 terperinciHI. KERANGKA TEORI. kelompok tersebut menimbulkan pengurangan dimensionalitas suatu tabel data,
HI. KERANGKA TEORI 3.1. Cluster Analysis Cluster analyszs adalah suatu analisis untuk menyusun objek-objek menjadi kelompok-kelompok (cluster-cluster) dan pembentukan kelompok- kelompok tersebut menimbulkan
Lebih terperinci