scholarly journals Data Mining Pada Faktor-Faktor Potensi Daerah di Kabupaten Sidoarjo Provinsi Jawa Timur

2020 ◽  
Vol 10 (2) ◽  
pp. 67
Author(s):  
Trianingsih Eni Lestari ◽  
Hendro Permadi ◽  
Sri Susilowati
Keyword(s):  
Data Mining

Abstrak: Kabupaten Sidoarjo merupakan salah satu kabupaten yang terletak di provinsi Jawa Timur dan merupakan daerah yang mengalami perkembangan cukup pesat. Keberhasilan ini dicapai karena berbagai potensi yang ada di wilayahnya. Artikel ini bertujuan untuk mengetahui faktor-faktor yang mendominasi potensi daerah Kabupaten Sidoarjo dengan menggunakan data mining. Hasil penelitian menunjukkan bahwa Desa Keboansikep, Sawotratap, Tebel, Keboananom, Gedangan, Keboguyang, Ketajen, Sidomulyo, Terik, Ponokawan, Sedengan Mijen dan Barengkrajan merupakan desa yang memiliki potensi daerah terbaik di Kabupaten Sidoarjo. Berdasarkan metode klasifikasi diperoleh Desa Keboansikep, Sawotratap, Tebel, Keboananom, Gedangan, dan Ketajen (Kecamatan Gedangan) memiliki potensi daerah berupa faktor pertanian yakni hasil panen padi dan palawija. Seluruh hunian di Desa Keboguyang (Kecamatan Jabon) telah memiliki IMB. Sedangkan Desa Sidomulyo, Terik, Ponokawan, Sedengan Mijen dan Barengkrajan (Kecamatan Krian) mempunyai faktor pendidikan usia dini yang tinggi yakni murid TK, Guru TK dan Sekolah TK. Kata Kunci: Data Mining, Potensi Daerah, analisis biplot

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