PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA
|
|
- Dewi Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN METODE GUSTAFSON-KESSEL CLUSTERING UNTUK MENENTUKAN SEGMENTASI DEBITUR PADA BANK CIMB NIAGA APPLICATION OF GUSTAFSON-KESSEL CLUSTERING METHODS FOR SEGMENTATION DETERMINING DEBTOR AT BANK CIMB NIAGA Didik Hadi Purnomo 1), Nur Iriawan 2) 1) Program Studi Magister Manajemen Teknologi ITS Bidang Keahlian Manajemen Teknologi Informasi 2) Jurusan Statistik ITS Surabaya ABSTRAK Tujuan penelitian ini adalah untuk mengetahui hasil dalam penerapan Metode Gustafson-Kessel untuk menentukan segmentasi debitur pada Bank Cimb Niaga. Penelitian dilakukan dengan menggunakan software Matlab sebagai alat untuk mengolah data debitur dari Bank CIMB Niaga. Data yang digunakan dalam penelitian ini adalah data debitur dari CIMB Niaga khususnya cabang Surabaya Tidar dengan mengambil 1000 debitur dengan transaksi teraktif. Kesimpulan yang dapat diambil dari penelitian ini adalah Metode Gustafson-Kessel dapat diimplementasikan dalam pengelompokan data debitur Bank CIMB Niaga. Dari hasil simulasi clustering dengan kelompok (C) sebanyak 2 dan 3 pengelompokan akan menjadi paling optimal ketika banyaknya kelompok (c) adalah sebanyak 2 dan lebih tidak optimal ketika C ditambah menjadi 3 dan 4 kelompok. Dari hasil sampling sebanyak 1000 data debitur untuk pengelompokan dengan dua cluster maka di dapat hasil adalah sebanyak 15% masuk pada kelompok 1 dan sisanya 85 % masuk pada kelompok 2. Sehingga manajemen pada bank CIMB Niaga dapat mengalokasikan karyawan secara optimal pada kelompok-kelompok debitur tersebut. Dari kedua kelompok hasil cluster yang optimal maka dapat disimpulkan untuk kelompok 1 nilai kreditnya rata-rata lebih kecil dari kelompok 2, dan kemungkinan untuk kelompok 1 adalah kelompok kredit konsumer sedangkan untuk kelompok 2 adalah kelompok kredit korporasi, hal ini terlihat dengan dengan besarnya nilai Inventory yang di jaminkan pada kelompok 2. Kata Kunci : Clustering, Gustafson-Kessel, fuzzy clustering ABSTRACT The purpose of this study was to determine the result in the application of Gustafson- Kessel method to determine the segmentation of the debtor at Bank CIMB Niaga. The study was conducted by using Matlab software as a tool to process data from the Bank CIMB Niaga debtor. The data used in this study is 1000 the most active debtor data from Surabaya branch of CIMB Niaga especially Tidar Branch.The conclusion that can be drawn from this research is to Gustafson-Kessel method can be implemented in the data grouping Bank CIMB Niaga debtor. From the simulation results of clustering with group (c) by 2 and 3 grouping would be most optimal when the number of group (c) is as much as 2 and over are not optimal when c increased to 3 and 4 groups. From the results of sampling as many as 1000 data with the debtor for the grouping of the two clusters then can result in as much as 15% is entered in C-36-1
2 group 1 and the remaining 85% entered in group 2. So the management at the bank CIMB Niaga can optimally allocate employees to groups such debtor. Of the two groups of clusters that optimal results can be concluded for the group 1 the average value of credit is less than group 2, and the possibility for group 1 is a group of consumer loans, while for group 2 is a group of corporate credit, it is seen by the magnitude of the value of Inventory guaranteed that in the group 2. Keywords: Clustering, Gustafson-Kessel, Fuzzy clustering PENDAHULUAN Minat masyarakat untuk memiliki sebuah barang atau tambahan modal untuk mengembangkan usahanya dengan menggunakan kredit sangat tinggi. Hal ini terlihat dari semakin banyaknya permintaan kredit dari masyarakat melalui bank yang ada di Indonesia terutama di bank CIMB Niaga. Pengelompokan atau segmentasi debitur pada sebuah bank sangat diperlukan untuk menentukan kelayakan sebuah produk kredit perlu dikembangkan atau di ganti dengan produk kredit yang baru jika produk kredit tersebut tidak sesuai dengan segmen dari masyarakat daerah tersebut. Dengan melakukan segmentasi debitur sebuah bank juga dapat menentukan produk kredit jenis apa yang di tawarkan pada sebuah daerah. Masih banyak Bank di Indonesia yang belum menentukan segmen dari nasabahnya sehingga bank yang ada di Indonesia hanya di pisahkan menjadi 2 segmen yaitu funding dan landing. Untuk menentukan segmentasi debitur pada sebuah bank maka perlu dibuat sebuah sistem yang dapat menentukan segmentasi debitur. Sistem ini menggunakan metode Gustafson-Kessel clustering dengan menggunakan data Sistem Informasi Debitur yang di miliki oleh masing masing bank di Indonesia kita dapat mengelompokkan debitur-debitur tersebut kedalam segmen-segmen tertentu. Pemilihan metode ini karena Gustafson Kessel clustering karena metode ini termasuk salah satu metode yang besifat fuzzy clustering, dalam metode fuzzy clustering suatu obyek dapat menjadi anggota lebih dari satu cluster (beberapa cluster) secara bersamaan tetapi dengan derajat keanggotaan yang berbeda. Metode fuzzy ini lebih natural dibandingkan dengan metode hard clustering. Dengan adanya sistem ini diharapkan pihak bank dapat menentukan jenis produk kredit yang tepat untuk sebuah daerah tertentu. Sehingga dalam pemasarannya pihak marketing dapat tepat pada segmennya. METODE Studi Pustaka Studi pustaka meliputi tujuan tentang data laporan Sistem Informasi Debitur (SID), serta data-data terkait laporan perkembangan status debitur secara periodik. Pengumpulan Data Penelitian ini merupakan penelitian yang bersifat cross sectional analysis yang hanya memotret dan menganalisis suatu keadaan dalam suatu saat tertentu. Data penelitian diambil dari Sistem informasi debitur tahun Tahapan Penelitian Adapun langkah-langkah utama yang digunakan dalam penelitian ini ditunjukkan pada gambar berikut: C-36-2
3 Start Studi Pustaka Pengumpulan Data Standarisasi data dan uji korelasi Implementasi clustering dengan GK Clustering Pengukuran ketepatan dan performa cluster End Gambar 1 langkah-langkah penelitian Implementasi Clustering dengan Algoritma GK Pada tahap ini dilakukan analisis pengelompokan dari data yang ada dengan menggunakan metode Gustafson Kessel. Penentuan banyaknya kelompok yang akan dibentuk disesuaikan dengan kebutuhan organisasi pada bank CIMB Niaga. Pengukuran ketepatan dan performa cluster Pada tahap ini dilakukan pengukuran dalam penempatan kelompok-kelompok yang di hasilkan dengan metode Gustafson Kessel Clustering terhadap data debitur dengan menggunakan analisis diskriminan yang ada dalam toolbox Matlab. Selain itu dilakukan juga pengukuran performa clustering dengan menggunakan rumusan Fisher LAD atas hasil pengelompokan dengan algoritma GK dengan banyaknya cluster yang bervariasi yaitu 2,3 dan 4. HASIL DAN PEMBAHASAN Pengelompokan Debitur pada Bank CIMB Niaga dengan Metode Gustafson Kessel (GK). Dalam pengelompokan debitur pada Bank CIMB Niaga data yang di gunakan adalah data Sistem Informasi Debitur periode pelaporan bulan Oktober Percobaan Pertama - Pangkat pembobot derajat keanggotaan (m) = 2 - Faktor koreksi (Eps) = 10-5 C-36-3
4 - Banyaknya cluster yang di bentuk (nclass) = 2 - Matriks partisi awal (U0) berukuran (ndata, nclass) yang di tentukan secara random: Sistem mencapai nilai konvergensi saat iterasi ke 28. Dengan dendogram sebagai berikut: Gambar 2 Perbandingan antara cluster 1 dan Cluster 2 Dari hasil percobaan tersebut hasil yang di dapat dari pengelompokan data Sistem informasi debitur, apabila di buat dalam 2 cluster maka hasilnya adalah 15% masuk dalam cluster 1 dan sisanya 85% masuk dalam cluster 2. Percobaan Kedua - Pangkat pembobot derajat keanggotaan (m) = 2 - Faktor koreksi (Eps) = Banyaknya cluster yang di bentuk (nclass) = 3 - Matriks partisi awal (U0) berukuran (ndata, nclass) yang di tentukan secara random: Sistem mencapai nilai konvergensi saat iterasi ke 28. Dengan dendogram sebagai berikut: Gambar 3 Perbandingan antara cluster 1 dan Cluster 2 dan Cluster 3 Pada percobaan dengan parameter kedua dimana data akan di bentuk dalam 3 cluster hasil yang di dapat adalah 85% data masuk dalam cluster 3, 1% masuk cluster 2 dan sisanya 14 % masuk dalam cluster 1. Percobaan Ketiga - Pangkat pembobot derajat keanggotaan (m) = 2 - Faktor koreksi (Eps) = Banyaknya cluster yang di bentuk (nclass) = 4 C-36-4
5 - Matriks partisi awal (U0) berukuran (ndata, nclass) yang di tentukan secara random: - Sistem mencapai nilai konvergensi saat iterasi ke 20. Dengan dendogram sebagai berikut: Gambar 4 Perbandingan antara cluster 1, Cluster 2, Cluster 3 dan Cluster 4 Pada percobaan dengan parameter ketiga dimana data akan di bentuk dalam 4 cluster hasil yang di dapat adalah 85% data masuk dalam cluster 4, 14% masuk cluster 3 14% masuk cluster 2 dan sisanya 0, % masuk dalam cluster 1. Hasil Pengukuran Performa Cluster Penentuan cluster yang optimal dapat di lakukan dengan menggunakaan rumusan Fisher LDA yaitu dengan menghitung perbandingan antara between scatter matrix dengan within-scaletter matrix yang di tunjukkan dalam nilai fungsi obyektif (J). Dalam penelitian ini, pengukuran performa clustering dilakukan dengan menggunakan parameter banyak kelas (c) yang berbeda yaitu diujicobakan c=2 dan c=4 untuk mencari kombinasi banyak kelas (c) yang akan memberikan hasil pengelompokan yang optimal. Tabel 1 nilai J pada penelitian Jumlah Cluster Nilai (J) 2 0, , ,87844 Dalam penelitian ini nilai J yang dihasilkan pada c=2 adalah 0,4034 sedangkan pada saat c=3 nilai J=0,76334 sedangkan pada saat c=4 nilai J=0,87844 sehingga dapat di simpulkan pengelompokan yang paling optimal terjadi pada saat parameter banyaknya kelompok adalah 2 hal ini di tunjukkan dengan nilai J yang lebih kecil. Pembahasan Hasil Pengelompokan Untuk dapat mengetahui sifat antar kelompok, maka di lakukan pengamatan terhadap rata-rata variabel pada setiap kelompo. Berikut disajikan nilai rata-rata tiap variabel hasil pengelompokan. C-36-5
6 Tabel 2 Nilai rata-rata tiap variabel dalam kelompok Kelompok 1 Kelompok 2 PLAFOND O/S JAMINAN TUNAI SURAT BERHARGA 0 0 KENDARAAN MESIN INVENTORY RE/Tanah Bangunan Dari tabel tersebut dapat di simpulkan bahwa ciri dari kedua kelompok tersebut di cirikan antara lain untuk kelompok 1 adalah nilai Plafond, OS dan Jaminan dengan nilai yang lebih kecil dari pada kelompok 2. Dari tabel tersebut dapat juga di simpulkan bahwa jaminan yang di jaminkan untuk kredit pada kelompok 1 lebih di dominasi oleh RE/Tanah bangunan berbeda dengan kelompok 2 yang rata-rata lebih di dominasi oleh jaminan selain RE/Tanah bangunan juga di inventory mereka, sehingga kemungkinan untuk kelompok 2 adalah kebanyakan untuk kredit korporasi, sedangkan untuk kelompok 1 adalah kredit konsumer. KESIMPULAN DAN SARAN Kesimpulan Penelitian ini merupakan penelitian yang bertujuan untuk mengelompokkan debitur Bank CIMB Niaga sesuai dengan data Sistem Informasi Debitur. Metode yang di gunakan adalah metode Gustafson-Kessel. Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut: 1. Metode Gustafson-Kessel dapat diimplementasikan dalam pengelompokan data debitur Bank CIMB Niaga. Dari hasil simulasi clustering dengan kelompok (C) sebanyak 2 dan 3 pengelompokan akan menjadi paling optimal ketika banyaknya kelompok (c) adalah sebanyak 2 dan lebih tidak optimal ketika C ditambah menjadi 3 kelompok. 2. Dari hasil sampling sebanyak 1000 data debitur untuk pengelompokan dengan dua cluster maka di dapat hasil adalah sebanyak 15% masuk pada kelompok 1 dan sisanya 85 % masuk pada kelompok 2. Sehingga manajemen pada bank CIMB Niaga dapat mengalokasikan karyawan secara optimal pada kelompok-kelompok debitur tersebut. 3. Dari kedua kelompok hasil cluster yang optimal maka dapat disimpulkan untuk kelompok 1 nilai kreditnya rata-rata lebih kecil dari kelompok 2, dan kemungkinan untuk kelompok 1 adalah kelompok kredit konsumer sedangkan untuk kelompok 2 adalah kelompok kredit korporasi, hal ini terlihat dengan dengan besarnya nilai Inventory yang di jaminkan pada kelompok 2. Saran Dalam penelitian ini masih banyak permasalahan yang belum di kaji secara mendalam, oleh karena itu penulis memberikan saran sebagai berikut: 1. Melakukan analisis pengelompokan debitur berdasarkan variabel lainnya seperti Laporan keuangan nasabah, tingkat suku bunga atau variabel lain yang belum masuk dalam penelitian ini. C-36-6
7 2. Membentuk aplikasi atau tool yang terintegrasi dengan Sistem Informasi Debitur sehingga apabila ada debitur baru akan langsung terupdate debitur tersebut masuk dalam segmen yang mana. DAFTAR PUSTAKA Daniel, W., (1989), Statistik Nonparametrik Terapan, PT Gramedia, Jakarta F. Hair, Joseph, 1998, Multivariate Data Analysis, Prentice Hall International, Inc, New Jersey Halkidi, M., Batistakis Y., Vazirgiannis, M., (2001), On Clustering Validatin Techniques, Jurnal of intelegent Inormation System ,: April 30,2010 Kusumadewi, S., (2002), Analisis Desain Sistem Fuzzy Menggunakan Toolbox Matlab, Graha Ilmu, Yogyakarta. Kasali, Rhenald, 2000, Membidik Pasar Indonesia Segmentasi, Targeting, dan Positioning, PT Gramedia Pustaka Utama, Jakarta Liu, H., Jeng, B., Yih, J., Yu, Y., (2009), Fuzzy C -Means Algorithm Based on Standard Mahalanobis Distances, Prosceding of international Symposium on Information Processing (ISIP 09), April 20, 2010 Pravitasari, AA., (2009), Analisis pengelompokan dengan Fuzzy C -means Cluster (kasus pengelompokan kecamatan di kabupaten Tuban berdasarkan Tingkat Partisipasi Pendidikan), Tesis, Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember, Surabaya. Richard a jhonson, Applied Statistical Analysis, Prentice Hall International, Inc, New Jersey Wang, L., (1997), A Fuzzy Course in Fuzzy System and Control, Prentice-Hall Inc, New Jersey Weinstein, 2001, Market Segmentation, Probus, Chicago C-36-7
TESIS PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI PERWAKILAN BPK RI JAWA BARAT DENGAN METODE CLUSTERING. Monicha Dwijayani
TESIS PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI PERWAKILAN BPK RI JAWA BARAT DENGAN METODE CLUSTERING Monicha Dwijayani 9108 205 810 Mahendrawati, ST., MSc.,PhD Prof.Drs.Nur Iriawan M.Ikom. PhD
Lebih terperinciANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GUSTAFSON KESSEL CLUSTERING PADA INDEKS LQ45
ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C-MEANS DAN GUSTAFSON KESSEL CLUSTERING PADA INDEKS LQ45 SKRIPSI Disusun oleh: LAILLY RAHMATIKA J2E009007 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
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 terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih 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 terperinciPERBANDINGAN HASIL PENGGEROMBOLAN METODE K-MEANS, FUZZY K-MEANS, DAN TWO STEP CLUSTER
PERBANDINGAN HASIL PENGGEROMBOLAN METODE K-MEANS, FUZZY K-MEANS, DAN TWO STEP CLUSTER LATHIFATURRAHMAH SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TUGAS AKHIR DAN SUMBER
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih 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 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 terperinciK-Means Clustering. Tim Asprak Metkuan. What is Clustering?
K-Means Clustering Tim Asprak Metkuan What is Clustering? Also called unsupervised learning, sometimes called classification by statisticians and sorting by psychologists and segmentation by people in
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 A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Promosi adalah salah satu faktor yang diperlukan bagi keberhasilan bagi suatu perusahaan atau organisasi, maka promosi merupakan salah satu senjata ampuh bagi perusahaan
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 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 terperinciABSTRAK. Kata-kata kunci: biaya pemasaran dan penjualan. viii. Universitas Kristen Maranatha
ABSTRAK Dalam kegiatan operasional perusahaan, penggunaan biaya sangat berperan penting untuk kegiatan tersebut. Tanpa adanya biaya tersebut, maka perusahaan akan sangat sulit menjalankan usahanya. Salah
Lebih terperinciPemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means
ISSN: 2089-3787 527 Pemilihan Minat Topik Tugas Akhir Menggunakan Metode Fuzzy C-Means Yulia Yudihartanti, Sudiyanur Hidayatullah STMIK Banjarbaru Jl. A. Yani Km. 33 Banjarbaru, 0511(4782881) e-mail: yuliaydh@yahoo.co.id,
Lebih terperinciANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI
ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI SKRIPSI Disusun Oleh : DESY RAHMAWATI NINGRAT 24010212120009 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciPEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS
PEMODELAN PENGELOMPOKKAN PRESTASI DOSEN MENGGUNAKAN METODE FUZZY C-MEANS Sri Redjeki Teknik Informatika STMIK AKAKOM Jl. Raya Janti No 143 Yogyakarta e-mail: dzeky@akakom.ac.id ABSTRAK Sebuah perguruan
Lebih terperinciPENGELOMPOKAN PEMINJAM BUKU DENGAN METODE K-MEANS DI PERPUSTAKAAN PUSAT UPN VETERAN JAWA TIMUR SKRIPSI
PENGELOMPOKAN PEMINJAM BUKU DENGAN METODE K-MEANS DI PERPUSTAKAAN PUSAT UPN VETERAN JAWA TIMUR SKRIPSI Disusun Oleh : INTAN FITRI ANDYNI 1032010054 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS
Lebih terperinciAplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori
Aplikasi Data Mining untuk Mengukur Tingkat Kelulusan Mahasiswa dengan Metode Apriori dan k-mean Clustering (Studi Kasus: Jurusan Teknik Informatika Universitas Trunojoyo Madura) Mohammad Syarief Prodi
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 terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
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 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 terperinciMENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS
MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS Arwan Ahmad Khoiruddin, S.Kom. Staf Pengajar Jurusan Tekn Informata, Fakultas Teknologi Industri, Universitas Islam Indonesia arwan@fti.uii.ac.id ABSTRACT
Lebih 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 terperinciPENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU
tnp PENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU Mida Yanti 1 Nur Salam 1 Dewi Anggraini 1 Abstract: Poisson process is a special event
Lebih terperinciABSTRACT Effect of Employee Competence And Physical Work Environment On Employee Performance at Green House Property.
ABSTRACT Effect of Employee Competence And Physical Work Environment On Employee Performance at Green House Property. The purpose of this study was to determine the effect of employee competence and physical
Lebih terperinciANALISIS STRATEGI PENYALURAN KREDIT PT. BANK MANDIRI UNIT X WILAYAH JAWA TIMUR MENGGUNAKAN METODE SWOT TESIS
ANALISIS STRATEGI PENYALURAN KREDIT PT. BANK MANDIRI UNIT X WILAYAH JAWA TIMUR MENGGUNAKAN METODE SWOT TESIS Untuk memenuhi sebagian persyaratan mencapai Derajat Magister Manajemen Oleh : Agung Kurniawan
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
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 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 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 terperinciANALISIS DISKRIMINAN FISHER POPULASI GANDA UNTUK KLASIFIKASI NASABAH KREDIT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 575-581 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DISKRIMINAN FISHER POPULASI GANDA UNTUK KLASIFIKASI
Lebih terperinciAnalisis Sistem Estimasi Produksi Menggunakan Metode Fuzzy Berbasis Web
T E S L A VOL. 19 NO.1 MARET 2017 Analisis Sistem Estimasi Produksi Menggunakan Metode Fuzzy Berbasis Web Boby Wisely Ziliwu 1 dan Suhartati Agoes 1 Abstract: Products demand number of that many in the
Lebih terperinciANALISIS PERENCANAAN AGREGAT PADA CV. SUMBER REZEKI DI SAMARINDA
ANALISIS PERENCANAAN AGREGAT PADA CV. SUMBER REZEKI DI SAMARINDA DEDE MARIYANI Fakultas Ekonomi, Universitas 17 Agustus 1945 Samarinda, Samarinda. Indonesia. ABSTRACT This study on the CV. Sumber Rezeki
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 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 terperinciPengaruh Jumlah Kredit dan Suku Bunga Terhadap Pendapatan Usaha Mikro di BRI Unit Kabila
Jurnal Perspektif Pembiayaan dan Pembangunan Daerah Vol. 1. 3, Januari-Maret 2014 ISSN: 2338-4603 Pengaruh Jumlah Kredit dan Suku Bunga Terhadap Pendapatan Usaha Mikro di BRI Unit Kabila Amir Halid, Ria
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 terperinciSKRIPSI. Disusun Oleh: SARITA BUDIYANI PURNAMASARI NIM
PEMILIHAN CLUSTER OPTIMUM PADA FUZZY C-MEANS (Studi kasus: Pengelompokan Kabupaten/Kota di Jawa Tengah berdasarkan Indikator Indeks Pembangunan Manusia) SKRIPSI Disusun Oleh: SARITA BUDIYANI PURNAMASARI
Lebih terperinciBAB I PENDAHULUAN. informasi telah menjadi kebutuhan yang cukup penting dalam kehidupan manusia.
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan manusia akan informasi memacu pesatnya perkembangan teknologi di bidang informasi. Kemajuan teknologi yang semakin meningkat didukung dengan sarana dan prasarana
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
ABSTRAK Analisis asosiasi adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item.aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya
Lebih terperinciPERSEMBAHAN. Karya ini dipersembahkan untuk ibu, bapak, dan kakak yang selalu mendoakan dan memotivasiku untuk terus berjuang menyelesaikan skripsi.
ABSTRAK Shaifudin Zuhdi. 2015. KOMPUTASI METODE NEWTON RAPHSON DENGAN SOFTWARE R UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI SECARA GEOGRAFIS (RLOTG). Fakultas Matematika dan Ilmu
Lebih terperinciPENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA HALAMAN JUDUL
PENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA KOMPETENSI JARINGAN KOMPUTER SKRIPSI HALAMAN JUDUL I MADE KUNTA WICAKSANA NIM : 0708605050 PROGRAM STUDI TEKNIK
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
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 terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN PENJADWALAN JOB SHOP SECARA MONTE CARLO
TUGAS AKHIR - ST 1325 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN PENJADWALAN JOB SHOP SECARA MONTE CARLO YANTER SIANIFAR BASUKI NRP 1303100049 Dosen Pembimbing Prof. Drs. Nur Iriawan, M.Ikom. Ph.D JURUSAN
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 terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih terperinciABSTRAK. Kata kunci: Bank Perkreditan Rakyat, kontrol manajemen tingkat atas, perencanaan, pengaturan, kepemimpinan, pengawasan.
ABSTRAK Perusahan Perseroan PT.Bank Perkreditan Rakyat Central Niaga Abadi (BPR) merupakan Lembaga Keuangan yang menyediakan dana dan kredit bagi nasabahnya berdasarkan prinsip bagi hasil sesuai dengan
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 terperinciANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 641-650 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS
Lebih terperinciABSTRAK. Kata kunci : Kompetensi Pedagogik, Kompetensi Profesional, dan Hasil Belajar
ABSTRAK Skripsi dengan judul Pengaruh Kompetensi Pedagogik dan Kompetensi Profesional Guru PAI terhadap Hasil Belajar PAI Siswa Kelas XII di SMAN 1 Campurdarat Tulungagung ini ditulis oleh Abdul Rohman
Lebih terperinciPenerapan Garis Berat Segitiga Centroid untuk Menentukan Kelompok pada Analisis Diskriminan
Penerapan Garis Berat Segitiga Centroid untuk Menentukan Kelompok pada Analisis Diskriminan I Komang Gede Sukarsa, I Putu Eka Nila Kencana 2, NM. Dwi Kusumawardani 3 Laboratorium Statistika Jurusan Matematika
Lebih terperinciANALISIS SEGMENTASI BERBASIS PERSEPSI KONSUMEN (STUDI PRODUK DEPOSITO PT. BPR KARTASURA MAKMUR) TUGAS AKHIR
ANALISIS SEGMENTASI BERBASIS PERSEPSI KONSUMEN (STUDI PRODUK DEPOSITO PT. BPR KARTASURA MAKMUR) TUGAS AKHIR Disusun Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Ahli Madya Program Studi Diploma
Lebih terperinciJurnal Manajemen ISSN Pascasarjana Universitas Syiah Kuala 8 Pages pp
ISSN 2302-0199 8 Pages pp. 66-73 PENGARUH KERELASIAN NASABAH DAN BAURAN PEMASARAN TERHADAP KINERJA PEMASARAN SERTA DAMPAKNYA PADA KINERJA PT. BANK ACEH (STUDI KASUS PADA PT. BANK ACEH KANTOR PUSAT OPERASIONAL)
Lebih terperinciPENERAPAN METODE LOGIKA FUZZY MODEL TAHANI DALAM PEMILIHAN HARDWARE KOMPUTER
E-Jurnal Matematika Vol. 6 4, November 2017, pp. 248-252 ISSN: 2303-1751 PENERAPAN METODE LOGIKA FUZZY MODEL TAHANI DALAM PEMILIHAN HARDWARE KOMPUTER Moh. Heri Setiawan 1, G. K. Gandhiadi 2, Luh Putu Ida
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 terperinciANALISIS KELAYAKAN PEMBERIAN BEASISWA DI POLITEKNIK NEGERI BATAM DENGAN METODE CLUSTERING
ANALISIS KELAYAKAN PEMBERIAN BEASISWA DI POLITEKNIK NEGERI BATAM DENGAN METODE CLUSTERING TUGAS AKHIR Oleh : Maria 3310801006 Silvianty Noerliani 3310801016 Disusun untuk memenuhi syarat kelulusan Program
Lebih terperinciIMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE
IMPLEMENTASI FUZZY C-MEANS UNTUK CLUSTERING DATA PENDUDUK MISKIN DENGAN PENYAJIAN REALTIME BERBASIS WEB MOBILE 1 Ahsan Anwar Sandiah, 2 Abdul Fadlil, 3 Rusydi Umar 1 Magister Teknik Informatika, 2 Magister
Lebih terperinciLAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA. Oleh : ARI IRAWAN
LAPORAN SKRIPSI PENERAPAN ALGORITMA FUZZY C_MEANS DALAM PENENTUAN BEASISWA Oleh : ARI IRAWAN 2010-51-221 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA KOMPUTER PROGRAM STUDI
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciKARAKTERISTIK DEMOGRAFI SEBAGAI DASAR SEGMENTASI DAN TARGET PASAR UNTUK PENETAPAN STRATEGI BAURAN PEMASARAN PASAR LEM DOVE DI SURABAYA TESIS
KARAKTERISTIK DEMOGRAFI SEBAGAI DASAR SEGMENTASI DAN TARGET PASAR UNTUK PENETAPAN STRATEGI BAURAN PEMASARAN PASAR LEM DOVE DI SURABAYA TESIS Diajukan kepada Universitas Katolik Widya Mandala Untuk memenuhi
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 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 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 terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih 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 terperinciABSTRAK. Kata-kata Kunci: Financial Distress, Rasio Keuangan, Altman Z-Score.
ABSTRAK Perusahaan adalah organisasi yang mencari keuntungan sebagai tujuan utamanya, oleh karena itu perusahaan harus memiliki pengendalian terhadap kegiatan operasional terutama berkaitan dengan keuangan
Lebih terperinciTransformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan
Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail: Desi_its@yahoo.com Mustika Hadijati Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciSEGMENTASI PASAR PADA PUSAT PERBELANJAAN MENGGUNAKAN FUZZY C-MEANS
SEGMENTASI PASAR PADA PUSAT PERBELANJAAN MENGGUNAKAN FUZZY C-MEANS (Studi Kasus : RITA Pasaraya Cilacap) SKRIPSI Oleh : Nurhikmah Megawati NIM: J2E 008 043 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciABSTRACT. Key Words : Balanced Scorecard, Performance Measurement is Adequate. v Universitas Kristen Maranatha
ABSTRACT In order to enhance organizational performance, alignment of organizational and individual objectives within the organization is important. Accordingly, the performance appraisal system is needed
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciPENGARUH SEMANGAT KERJA PEMILIK DAN PEKERJA TERHADAP KEWIRAUSAHAAN MORO ARTOS DI SALATIGA SKRIPSI
PENGARUH SEMANGAT KERJA PEMILIK DAN PEKERJA TERHADAP KEWIRAUSAHAAN MORO ARTOS DI SALATIGA SKRIPSI Disusun dan Diajukan untuk melengkapi syarat - syarat Guna memperoleh Gelar Sarjana Pendidikan Pada Program
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciInfluence The Amount Of Credit And The Interest Rate On The Income Of Micro Customers In BRI Units Kabila
Influence The Amount Of Credit And The Interest Rate On The Income Of Micro Customers In BRI Units Kabila Delvi Suleman, Amir Halid, Ria Indriani Majoring in Agribusiness, Agricultural, State Universitas
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA
Program Studi MMT-ITS, Surabaya 7 Juli 03 PERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA Marlon Stivo Noya Van Delsen, *) dan Muhammad Mashuri ) ) Jurusan Statistika,
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN MENGGUNAKAN METODE KOHONEN
Prosiding Seminar Nasional Matematika dan Terapannya 016 p-issn : 550-0384; e-issn : 550-039 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN 009-013 MENGGUNAKAN
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 terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciMINIMASI BIAYA PRODUKSI TEGEL MENGGUNAKAN PENDEKATAN LINIER PROGRAMMING DI PERUSAHAAN TEGEL CV. PENATARAN BLITAR
B-4-1 MINIMASI BIAYA PRODUKSI TEGEL MENGGUNAKAN PENDEKATAN LINIER PROGRAMMING DI PERUSAHAAN TEGEL CV PENATARAN BLITAR * Carolina Endah Wahyuni, ** Moses L Singgih * carolina_endah@yahoocom, ** moses@mitranetid
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan
Lebih terperinciMODEL PERSEDIAAN TERINTEGRASI PEMASOK-PENGECER DENGAN BARANG CACAT, CRASHING COST DAN INVESTASI FUNGSI BERPANGKAT, DAN KENDALA TINGKAT LAYANAN
MODEL PERSEDIAAN TERINTEGRASI PEMASOK-PENGECER DENGAN BARANG CACAT, CRASHING COST DAN INVESTASI FUNGSI BERPANGKAT, DAN KENDALA TINGKAT LAYANAN oleh LIVVIA PARADISEA SANTOSO NIM. M0110050 SKRIPSI ditulis
Lebih terperinciKETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD)
KETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD) Budyanra Jurusan Statistika, Sekolah Tinggi Ilmu Statistik, Jakarta
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 III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih 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 terperinciPengenalan Pola Karakter Tulisan Tangan Dengan Menggunakan Metoda Clustering Melalui Similarity Measure Approach
Pengenalan Pola Karakter Tulisan Tangan Dengan Menggunakan Metoda Clustering Melalui Similarity Measure Approach Erry Febriansyah Prananta / 0422071 Email : erry_prananta@yahoo.com Jurusan Teknik Elektro,
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 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 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 terperinciBreak Even Point Estimation Using Fuzzy Cluster(FCM)
SNTIKI III 2011 ISSN : 2085-9902 1 Break Even Point Estimation Using Fuzzy Cluster(FCM) Stefant Cristian, Kartina Diah Kusuma W, S.T., Dadang Syarif SS, S.Si, M.Sc. Politeknik Caltex Riau Jl. Umban Sari
Lebih terperinciKlasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching
Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching Octa Heriana 1, Risanuri Hidayat 2 1,2 Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Lebih terperinciSATUAN ACARA PERKULIAHAN
SATUAN ACARA PERKULIAHAN Mata Kuliah : MANAJEMEN PEMASARAN Fakultas : EKONOMI Program Studi : MANAJEMEN / AKUNTANSI Kode MK : EMD Jumlah Kredit : 3 ( Tiga ) SKS S e m e s t e r : IV ( Empat ) Dosen Pengampu
Lebih terperinciABSTRACT. Keywords: capital budgeting, fixed asset investment. vii
ABSTRACT This study describes the application of Capital Budgeting analysis to determine and assess the feasibility of fixed asset investment plan that will be carried CV. Qolbu Tamajaya form of additional
Lebih terperinciPERBAIKAN PROSES PENGELOMPOKAN DAN PEMERINGKATAN KEBUTUHAN PADA METODE PENINGKATAN PERKIRAAN KEUNTUNGAN DAN NILAI PROYEK (ACBA)
PERBAIKAN PROSES PENGELOMPOKAN DAN PEMERINGKATAN KEBUTUHAN PADA METODE PENINGKATAN PERKIRAAN KEUNTUNGAN DAN NILAI PROYEK (ACBA) Harunur Rosyid, Daniel O. Siahaan Program Studi Magister Teknik Informatika
Lebih terperinciPENGELOLAAN PIUTANG USAHA PADA PT PELABUHAN INDONESIA III (PERSERO) CABANG TANJUNG TEMBAGA PROBOLINGGO TUGAS AKHIR
PENGELOLAAN PIUTANG USAHA PADA PT PELABUHAN INDONESIA III (PERSERO) CABANG TANJUNG TEMBAGA PROBOLINGGO TUGAS AKHIR Diajukan untuk Memenuhi Salah Satu Syarat Penyelesaian Program Pendidikan Diploma III
Lebih terperinciKeywords: Information Systems Salaries and Wages, Salaries and Wages Accuracy
ABSTRACT Payroll and remuneration systems is one of the largest and most important component in the accounting information system. Payroll and wage system must be designed to comply with government regulations
Lebih terperinciKOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA
TESIS KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA MEGA KARTIKA SARI No. Mhs : 135302022/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS
Lebih terperinci