scholarly journals ANALISIS DAFTAR PEMILIH TETAP PADA HASIL REKAPITULASI KPU BERDASARKAN USIA MENGGUNAKAN ALGORITMA K-MEANS (STUDI KASUS : KOTA BANDAR LAMPUNG)

Electrician ◽  
2021 ◽  
Vol 15 (1) ◽  
pp. 39-53
Author(s):  
Gilang Fajriansyah
Keyword(s):  
Data Mining

Pada pemilihan umum di Kota Bandar Lampung, masih banyak yang masuk ke dalam golongan putih (golput). Minimnya pengetahuan masyarakat mengenai tata cara pemilu dan pentingnya menggunakan hak pilih mereka terutama pemilih pemula, dewasa dan usia lanjut menjadi faktor rendahnya penggunaan hak pilih. Kurang efektifnya pendekatan sosialisasi dari panitia penyelenggara kepada masyarakat, tetapi jika harus melakukan sosialisasi secara acak dan menyeluruh ke semua daerah akan menghabiskan dana yang besar. Dari latar belakang tersebut bertujuan untuk menerapkan Teknik data mining dengan metode clustering dengan menggunakan algoritma K-Means dan memanfaatkan tools data mining RapidMiner 9.2 terhadap data yang ada untuk memperoleh informasi mengenai daerah mana yang banyak terdapat pemilih muda, dewasa dan lansia. Penelitian ini mengelompokan data DPT dari Kecamatan Langkapura, Rajabasa dan Kemiling. Data di kelompokan berdasarkan usia dan daerah. Algoritma yang digunakan untuk meng-cluster adalah K-Means, dengan menggunakan metode CRISP-DM (Cross Industry Standart for Data Mining). Hasil cluster dianalisa berdasarkan Kelurahan dan Kecamatan. Hasil analisa cluster Kecamatan Langkapura usia muda berjumlah 10167, usia dewasa berjumlah 9527,lansia berjumlah 4821 orang. Kecamatan Rajabasa usia muda berjumlah 12557, dewasa berjumlah 10930 dan lansia berjumlah 5097. Kecamatan Kemiling pada usia muda, dewasa dan lansia berjumlah 19442, 19086 dan 9394.

Data Mining and Machine Learning

2020 ◽  
Author(s):  
Mohammed J. Zaki ◽  
Wagner Meira, Jr
Keyword(s):  
Machine Learning ◽  
Data Mining

Heart Rate Variability, Emotions, and Music

2010 ◽  
Vol 24 (2) ◽  
pp. 112-119 ◽  
Author(s):  
F. Riganello ◽  
A. Candelieri ◽  
M. Quintieri ◽  
G. Dolce
Keyword(s):  
Data Mining ◽  
Heart Rate ◽  
Heart Rate Variability ◽  
Vegetative State ◽  
Low Frequency ◽  
Emotional Reactions ◽  
Heart Beat ◽  
Healthy Controls ◽  
Frequency Spectra ◽  
Emotional Value

The purpose of the study was to identify significant changes in heart rate variability (an emerging descriptor of emotional conditions; HRV) concomitant to complex auditory stimuli with emotional value (music). In healthy controls, traumatic brain injured (TBI) patients, and subjects in the vegetative state (VS) the heart beat was continuously recorded while the subjects were passively listening to each of four music samples of different authorship. The heart rate (parametric and nonparametric) frequency spectra were computed and the spectra descriptors were processed by data-mining procedures. Data-mining sorted the nu_lf (normalized parameter unit of the spectrum low frequency range) as the significant descriptor by which the healthy controls, TBI patients, and VS subjects’ HRV responses to music could be clustered in classes matching those defined by the controls and TBI patients’ subjective reports. These findings promote the potential for HRV to reflect complex emotional stimuli and suggest that residual emotional reactions continue to occur in VS. HRV descriptors and data-mining appear applicable in brain function research in the absence of consciousness.

Challenges and Cloud Computing Environments Towards Big Data

2014 ◽  
pp. 203-208
Author(s):  
Kiran Kumar S V N Madupu
Keyword(s):  
Data Mining ◽  
Cloud Computing ◽  
Big Data ◽  
Technology Development ◽  
Computing Environments ◽  
Modern Technologies

Big Data has terrific influence on scientific discoveries and also value development. This paper presents approaches in data mining and modern technologies in Big Data. Difficulties of data mining as well as data mining with big data are discussed. Some technology development of data mining as well as data mining with big data are additionally presented.

Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering

2020 ◽  
Vol 3 (3) ◽  
pp. 187-201
Author(s):  
Sufajar Butsianto ◽  
Nindi Tya Mayangwulan
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2

Penggunaan mobil di Indonesia setiap tahunnya selalu meningkat dan membuat perusahaan otomotif berlomba-lomba dalam peningkatan penjualannya. Tujuan dari penelitian ini untuk mengelompokan data penjualan kedalam sebuah cluster dengan metode Data Mining Algoritma K-Means Clustering. Data Penjualan nantinya akan dikelompokan berdasarkan kemiripan data tersebut sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah brand dan penjualan. Cluster yang terbentuk setelah dilakukan proses K-Means Clustering terbagi menjadi tiga cluster yaitu Cluster 0 jumlah anggota 235 dengan presentase 26% dikategorikan Laris, Cluster 1 jumlah anggota 604 dengan presentase 67% dikategorikan Kurang Laris, dan Cluster 2 jumlah angota 61 dengan presentase 7% dikategorikan Paling Laris, dari proses clustering diatas dapat diperoleh validasi DBI (Davies Bouldin Index) dengan nilai 0,341

Sign in / Sign up

Export Citation Format

Share Document