Menu
- Home
- Pemesanan
- Metode & Algoritma
- AHP
- Forward Chaining
- Backward Chaining
- GAP (Generic Acces Profile)
- Prifile Matching
- Teorema Bayes
- Case Based Reasoning (CBR)
- Dempher Shaper
- Fuzzy Logic
- Fuzzy Mamdani
- Generate And Test
- Ant Colony Optimization (ACO)
- Shortest Path Astar
- Algoritma ID3
- Algoritma C4.5
- Algoritma ANP
- Algoritma Indeks Davies-Bouldin SOM (Self Organizing Map)
- Algoritma Classification And Regression Trees (CART
- Algoritma Genetika
- Algoritma Genetika
- Source Code
- Katagori Skripsi
- Android
- Aplikasi
- Artificial Intellegence
- Backward Chaining
- Case Based Reasoning
- Flash MX
- Forward Chaining
- Game
- Java
- Java Android
- Kecerdasan Buatan
- Multimedia
- My-SQL
- Pengolahan Citra
- Security Komputer
- Sistem Informasi
- Sistem Informasi Goegrafis (GIS)
- Sistem Pakar
- Sistem Pendukung Keputusan (SPK)
- SMS Gateway
- Visual Basic (Dekstop)
- Web (PHP-MySQL)
- Project
- FAQ
- About
Separator
piramidaskripsi.com saat ini sudah beralih ke piramidaskripsi.net | Bagi Yang Butuh Program Web Custome Bisa ke Wa atau email biaya IDR-500-800K
Tampilkan postingan dengan label K-Means. Tampilkan semua postingan
Tampilkan postingan dengan label K-Means. Tampilkan semua postingan
Sabtu, 26 November 2016
Sistem Pendukung Keputusan Penentuan Penerima Beasiswa Menggunakan Metode K-Means Clustering
ABSTRAK
Pengelompokkan data mahasiswa
berdasarkan kriteria Indeks Prestasi Kumulatif (IPK), penghasilan total orang
tua, dan jumlah tanggungan keluarga dapat membantu dalam proses penerimaan
beasiswa. Metode yang bisa digunakan untuk pengelompokkan data mahasiswa ini
adalah K-Means Clustering. Metode K-Means Clustering berusaha mengelompokkan
data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok
mempunyai karakteristik yang sama. Data mahasiswa dikelompokkan menjadi tiga
cluster yaitu menerima, dipertimbangkan, dan tidak berhak menerima beasiswa.
Kemudian setiap cluster diklasifikasikan berdasarkan kriteria mana yang lebih
diprioritaskan. Cluster dengan nilai terbesar pada centroid akhir merupakan cluster
yang direkomendasikan menerima beasiswa, sedangkan cluster dengan nilai
terkecil pada centroid akhir merupakan cluster yang tidak berhak menerima
beasiswa. Pengujian sistem dilakukan sebanyak 40 kali percobaan terhadap 48
data mahasiswa untuk mendapatkan presisi hasil implementasi metode K-Means Clustering.
Nilai presisi dihitung dengan Error Presisi, dengan membandingkan data hasil
clustering dari 40 percobaan. Hasil perhitungan Error Presisi pada hasil klasifikasi
berdasarkan IPK adalah 0,118 dan berdasarkan penghasilan orang tua adalah
0,076. Nilai Error Presisi yang rendah menunjukkan bahwa nilai presisinya
tinggi. Nilai presisi tinggi menunjukkan ketetapan data pada setiap percobaan
dengan menggunakan tiga cluster juga tinggi.
Kata kunci: Beasiswa, Centroid, Clustering, Indeks Prestasi Kumulatif, K-Means, Penghasilan Total Orang Tua
Jumat, 28 Oktober 2016
Implementasi Teknik Data Mining Dengan Algoritma K-Means Dan Fungsi Kernel Polynomial Untuk Klasterisasi Objek Data
ABSTRAK
Penelitian ini membahas modifikasi algoritma K-Means dalam klasterisasi suatu objek data. Tujuan dari modifikasi ini adalah untuk meningkatkan kinerja algoritma tersebut, karena seringkali algoritma K-Means terjebak dalam lokal optima ketika menghadapi data yang tidak linier. Data test yang digunakan untuk menguji efektifitas modifikasi algoritma menggunakan set data Iris. Modifikasi algoritma dilakukan dengan menambahkan fungsi kernel polynomial. Fungsi kernel akan membawa data dari space lama ke space baru sehingga dimungkinkan untuk dipisah secara linier. Hasil penelitian ini mengkonfirmasikan bahwa nilai β antara 0.09 sampai 1 pada fungsi kernel polynomial memberikan tingkat miss class terendah sebesar 2% pada klasterisasi data Iris.
Kata Kunci : Data Mining, Kernel Polynomial, Klasterisasi, K-Means, Set Data Iris
Langganan:
Postingan (Atom)