scholarly journals Clusterisasi Perkebunan Pinang Menggunakan Metode K-Means

JUTI UNISI ◽  
2020 ◽  
Vol 4 (2) ◽  
pp. 1-6
Author(s):  
Muhammad Amin
Keyword(s):  
Data Mining ◽  
Cluster 2

Kabupaten Indragiri Hilir yang memiliki beberapa kecamatan salah satu diantaranya kecamatan Batang Tuaka. Kecamatan Batang Tuaka termasuk kecamatan  dengan hasil panen perkebunan terbesar di Indragiri Hilir bahkan  di Riau. Adanya perbedaan dari hasil panen perkebunan pinang yang jumlahnya berbeda-beda, maka diperlukan pengelompokan desa mana yang menghasilkan pinang yang banyak atau sedikit. Metode k-means dapat digunakan sebagai metode untuk pengelompokan desa penghasil pinang berdasarkan luas lahan dan hasil panen. Data yang digunakan sebanyak 13 data dengan kriteria subur, kurang subur dan tidak subur. Hasil pengujian dibagi menjadi 3 cluster yaitu cluster 0 untuk kategori subur berjumlah 3, cluster 1untuk kategori kurang subur berjumlah 1 dan cluster 2 untuk kategori tidak subur berjumlah 9. Metode K-means dapat diterapkan dalam proses pengolahan data menggunakan konsep data mining.

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

scholarly journals Analisis Data Sebaran Bandwidth Menggunakan Algoritma Dbscan Untuk Menentukan Tingkat Kebutuhan Bandwidth Di Kabupaten Purwakarta

2020 ◽  
Vol 5 (2) ◽  
pp. 130-137
Author(s):  
Teguh Iman Hermanto ◽  
Yusuf Muhyidin
Keyword(s):  
Data Mining ◽  
Data Selection ◽  
Cluster 2

Berdasarkan data yang tercatat pada tahun 2018 terdapat 43 organisasi perangkat daerah di kabupaten Purwakarta yang sudah mendapatkan bandwidth internet. Setiap organisasi perangkat daetah yang telah mendapatkan bandwidth mempunyai tingkat kebutuhan yang berbeda – beda ,namun saat ini jumlah pembagian bandwidth dan tingkat kebutuhan belum dapat dikelompokan. Tujuan dari penelitian ini untuk menetukan tingkat kebutuhan bandwidth di Purwakarta dengan cara melakukan analisis data mining terhadap data yang ada menggunakan algoritma DBSCAN sehingga akan terbentuk cluster yang yang dibagi berdasarkan tingkat kebutuhan. Pada penelitian ini metode analisis yang digunakan yaitu SEMMA (Sample, Explore, Modify, Model, Assess) tahapan SEMMA meliputi  Data Selection, Pre-processing / cleaning, Transformation, Data Mining dan Assess / Evaluation. Hasil dari analisis menggunakan nilai minpts = 5 dan nilai epsilon = 3. Cluster yang terbentuk yaitu sebanyak 2 cluster, cluster 1 terdapat sebanyak 15 organisasi perangkat daerah dengan tingkat kebutuhan bandwidth rendah dan cluster 2 terdapat 21 organisasi perangkat daerah dengan tingkat kebutuhan bandwidth sedang, dan Noise terdapat 7 organisasi perangkat daerah dengan kebutuhan bandwidth yang terlalu tinggi.

scholarly journals Clustering Fasilitas Kesehatan Berdasarkan Kecamatan Di Karawang Dengan Algoritma K-Means

2021 ◽  
Vol 8 (1) ◽  
pp. 83
Author(s):  
Bagus Muhammad Islami ◽  
Cepy Sukmayadi ◽  
Tesa Nur Padilah
Keyword(s):  
Data Mining ◽  
Developing Countries ◽  
Data Processing ◽  
Health Problems ◽  
Health Facilities ◽  
Microsoft Excel ◽  
Two Factors ◽  
Clustering Data ◽  
Index Value ◽  
Cluster 2

Abstrak: Masalah kesehatan yang ada di dalam masyarakat terutama di negara- negara berkembang seperti Indonesia dipengaruhi oleh dua faktor yaitu aspek fisik dan aspek non fisik. Berdasarkan data yang diperoleh dari karawangkab.bps.go.id data dibagi menjadi 3 cluster yaitu sedikit, sedang dan terbanyak. Algoritma yang digunakan adalah K-Means cluster yang diimplementsikan menggunakan Microsoft Excel dan Rapidminer Studio. Hasil pengolahan data fasilitas kesehatan di karawang menghasilkan 3 cluster dengan cluster 1 yang mempunyai fasilitas kesehatan sedikit sebanyak 23 kecamatan, cluster 2 yang mempunyai fasilitas kesehatan sedang sebanyak 5 kecamatan dan cluster 3 yang mempunyai fasilitas kesehatan terbanyak terdapat 2 kecamatan. Kinerja yang dihasilkan dari algoritma K-means menghasilkan nilai Davies Boildin Index sebesar 0,109.   Kata kunci: clustering, data mining, fasilitas kesehatan, K-Means.   Abstract: Health problems that exist in society, especially in developing countries like Indonesia, are built by two factors, namely physical and non-physical aspects. Based on data obtained from karawangkab.bps.go.id the data is divided into 3 clusters, namely the least, medium and the most. The algorithm used is the K-Means cluster which is implemented using Microsoft Excel and Rapidminer Studio. The results of data processing of health facilities in Karawang produce 3 clusters with cluster 1 which has 23 sub-districts of health facilities, cluster 2 which has medium health facilities as many as 5 districts and cluster 3 which has the most health facilities in 2 districts. The performance resulting from the K-means algorithm results in a Davies Boildin Index value of 0.109.   Keywords: clustering, data mining, health facilities, K-Means.

scholarly journals Goods Stock Management using the K-Means Algorithm Method

2020 ◽  
Vol 10 (1) ◽  
pp. 22-45
Author(s):  
Dhio Saputra
Keyword(s):  
Data Mining ◽  
Data Processing ◽  
Test Results ◽  
Stock Management ◽  
Clustering Method ◽  
Sales Data ◽  
Using Data ◽  
Cluster 2

The grouping of Mazaya products at PT. Bougenville Anugrah can still do manuals in calculating purchases, sales and product inventories. Requires time and data. For this reason, a research is needed to optimize the inventory of Mazaya goods by computerization. The method used in this research is K-Means Clustering on sales data of Mazaya products. The data processed is the purchase, sales and remaining inventory of Mazaya products in March to July 2019 totaling 40 pieces. Data is grouped into 3 clusters, namely cluster 0 for non-selling criteria, cluster 1 for best-selling criteria and cluster 2 for very best-selling criteria. The test results obtained are cluster 0 with 13 data, cluster 1 with 25 data and cluster 2 with 2 data. So to optimize inventory is to multiply goods in cluster 2, so as to save costs for management of Mazayaproducts that are not available. K-Means clustering method can be used for data processing using data mining in grouping data according to criteria.

PENERAPAN DATA MINING DALAM MENGELOMPOKKAN KUNJUNGAN WISATAWAN DI KOTA YOGYAKARTA MENGGUNAKAN METODE K-MEANS

2021 ◽  
Vol 1 (1) ◽  
pp. 27-32
Author(s):  
Bambang Setio ◽  
Putri Prasetyaningrum
Keyword(s):  
Data Mining ◽  
Unsupervised Learning ◽  
Data Clustering ◽  
Cluster 2

Yogyakarta merupakan salah satu kota di Indonesia yang memiliki daya tarik wisata dan merupakan kota tujuan wisata yang paling diminati oleh wisatawan, dilihat dari jumlah kunjungan wisatawan yang semakin naik dari tahun ke tahun. Selain sebagai kota wisata, Yogyakarta merupakan kota pelajar, kota budaya dan kota perjuangan. Karena Yogyakarta disebut sebagai kota wisata, banyak berbagai macam objek wisata yang ditawarkan oleh Kota Yogyakarta. Dalam hal ini, penerapan datamining mampu menjadi solusi dalam menganalisa data. Clustering termasuk ke dalam descriptive methods, dan juga termasuk unsupervised learning dimana tidak ada pendefinisian kelas objek sebelumnya. Sehingga clustering dapat digunakan untuk menentukan label kelas bagi data-data yang belum diketahui kelasnya. Metode K-Means termasuk dalam partitioning clustering yang memisahkan data ke daerah bagian yang terpisah. Metode K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengelompokkan data besar dan outlier dengan sangat cepat. dari data yang diinputkandan telah di proses melalui metode algoritma K-Means bahwa telah melakukan iterasi sebanyak 5 kali dengan memilih cluster 1, cluster 2, cluster 3 secara acak (random) dengan cluster 1 memiliki 24 data dengan persentase sebesar (50%), cluster 2 memiliki 11 data dengan persentase sebesar (23%),  dan cluster 3 memiliki 13 data dengan persentase sebesar (27%).  

scholarly journals Penerapan Data Mining Terhadap Minat Siswa Dalam Mata Pelajaran Matematika Dengan Metode K-Means

2020 ◽  
Vol 3 (1) ◽  
pp. 51-59
Author(s):  
Sufajar Butsianto ◽  
Nurhali Saepudin
Keyword(s):  
Data Mining ◽  
Cluster 2

Kumpulan data nilai siswa pada sebuah sekolah dapat diolah dengan memanfaatkan teknologi data mining untuk menghasilkan pengetahuan menarik dan bermanfaat, yang selama ini tidak diketahui secara manual. Salah satu teknik data mining adalah clustering. Algoritma K-Means dapat digunakan untuk mengelompokan minat siswa terhadap mata pelajaran matematika pada sebuah sekolah sehingga dapat bermanfaat bagi pengguna kebijakan dalam proses pengambilan keputusan. Proses ini menghasilkan 2 cluster yaitu ( minat ) Matematika dan ( kurang minat ) matematika, dengan menggunakan teknik data mining menggunakan algoritma K-Means, dan akurasi diukur dengan Davies Bouldin Index. Pengujian menggunakan validasi DBI (Davies Bouldin Index) diperoleh nilai untuk tiap-tiap cluster. Untuk kelas 10 pengujian cluster 1 menghasilkan nilai DBI 0.941 dan cluster 2 nilai DBI 0.335 , kelas 11 pengujian cluster 1 menghasilkan nilai DBI 0.660 dan cluster 2 nilai DBI 0.506, kelas 12 pengujian cluster 1 menghasilkan nilai DBI 0.271 dan cluster 2 nilai DBI 0.111. Dari perhitungan Davies Bouldin Index (DBI) dapat disimpulkan bahwa jika semakin kecil nilai Davies Bouldin Index (DBI) yang diperoleh (non negatif >= 0) maka cluster tersebut semakin baik.

scholarly journals Optimasi Pengelompokan Data Pada Metode K-means dengan Analisis Outlier

2019 ◽  
Vol 5 (2) ◽  
pp. 88-95
Author(s):  
Pasek Agus Ariawan
Keyword(s):  
Data Mining ◽  
Local Outlier Factor ◽  
Cluster 2 ◽  
Local Outlier

Data mining secara umum adalah proses analisis dan eksplorasi sejumlah besar data yang berbeda untuk menemukan pola yang bermakna. . Berbagai teknik tersedia dalam data mining untuk ekstraksi pengetahuan antara lain klasifikasi, prediksi, estimasi, asosiasi dan pengelompokan. Salah satu metode pengelompokan yang terkenal adalah metode k-means karena kesederhanaan dan efesiensinya, sehingga metode ini mudah diaplikasikan di berbagai bidang. Teknik pra-pemrosesan data diterapkan pada data mentah untuk membuat data bersih, bebas noise, dan konsisten. Dalam data mining terdapat beberapa metode yang dapat digunakan tergantung dari tujuan yang akan dicapai. Deteksi outlier adalah penelitian dari data mining untuk mendeteksi kasus – kasus abnormal pada database. Peneltian ini bertujuan mengetahui penerapan metode local outlier factor untuk optimasi pada metode k-means clustering. Hasil dari penelitian, pengunaan metode local outlier factor pada data capaian kinerja pegawai dapat mendeteksi data outlier sebesar 22.8%. Rata – rata iterasi, nilai SSE dan waktu komputasi untuk satu kali konvergen pada metode k-means dengan analisis outlier memberikan hasil yang lebih baik untuk jumlah cluster 2 – 10 dibandingkan dengan metode k-means tradisional.

scholarly journals Analisis Cluster Hasil Uji Kompetensi Lembaga Sertifikasi Profesi (LSP) Melalui Teknologi Data Mining

2021 ◽  
Vol 19 (2) ◽  
pp. 76-81
Author(s):  
Raditya Danar Dana ◽  
Ahmad Faqih
Keyword(s):  
Data Mining ◽  
Cluster Analysis ◽  
Data Cleaning ◽  
Quality Of Education ◽  
Data Mining Approach ◽  
Collection Data ◽  
Competency Tests ◽  
Cluster 2 ◽  
Made In

The implementation of the Competency Test at the LSP institution in higher education is an effort to ensure that students have abilities in certain fields according to predetermined competency standards. Education providers are required to always strive to improve the quality and quality of education with the aim that the student's academic performance will always improve. From the results of observations made in the research location, it was found a problem with the high number of failures in the implementation of the competency test. This study aims to conduct cluster analysis of the data resulting from the implementation of competency tests with the Data Mining approach through several stages in the form of data collection, data cleaning, data transformation, data modeling and data evaluation. This study resulted in grouping the results of competency tests which were divided into 3 clusters, namely cluster 1 as much as 38%, cluster 2 as much as 32% and cluster 3 as much as 30%..

scholarly journals PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN

2017 ◽  
Vol 1 (2) ◽  
pp. 100-105 ◽  
Author(s):  
Fauziah Nur ◽  
M. Zarlis ◽  
Benny Benyamin Nasution
Keyword(s):  
Data Mining ◽  
Text Mining ◽  
Knowledge Discovery ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Nearest Neighbour ◽  
Knowledge Discovery In Database ◽  
Cluster 2

Data mining merupakan teknik pengolahan data dalam jumlah besar untuk pengelompokan.Teknik ini digunakan dalam proses Knowledge Discovery in Database (KDD). Teknik tersebut mempunyai beberapa metode dalam pengelompokannya Naïve-Bayes dan Nearest Neighbour, pohon keputusan (KD-Tree), ID3, K-Means, text mining dan dbscan. Dalam hal ini penulis mengelompokan data siswa baru sekolah menengah kejuruan tahun ajaran 2014/2015. Pengelompokan tersebut berdasarkan kriteria – kriteria data siswa. Pada penelitian ini, penulis menerapkan algoritma K-Means Clustering untuk pengelompokan data siswa baru sekolah menengah kejuruan. Dalam hal ini, pada umumnya untuk memamasuki jurusan hanya disesuaikan dengan nilai siswa saja namun dalam penelitian ini pengelompokan disesuaikan kriteria – kriteria siswa seperti penghasilan orang tua, tanggungan anak orang tua dan nilai tes siswa. Penulis menggunakan beberapa kriteria tersebut agar pengelompokan yang dihasilkan menjadi lebih optimal. Tujuan dari pengelompokan ini adalah terbentuknya kelompok jurusan pada siswa yang menggunakan algoritma K-Means clustering. Hasil dari pengelompokan tersebut diperoleh tiga kelompok yaitu kelompok tidak lulus, kelompok rekayasa perangkat lunak dan kelompok teknik komputer jaringan. Terdapat pusat cluster  dengan Cluster-1=1.4;2.2;2.2, Cluster-2= 2.28;1.64;4 dan Cluster-3=5;2;6. Pusat cluster tersebut didapat dari beberapa iterasi sehingga mengahasilakan pusat cluster yang optimal.

scholarly journals Optimalisasi Pelayanan Perpustakaan terhadap Minat Baca Menggunakan Metode K-Means Clustering

2021 ◽  
pp. 160-166
Author(s):  
Dwiki Aulia Fakhri ◽  
Sarjon Defit ◽  
Sumijan
Keyword(s):  
Data Mining ◽  
Library Services ◽  
Complex Data ◽  
Analysis Process ◽  
Correct Information ◽  
Structured Analysis ◽  
Knowledge Discovery In Database ◽  
Information Finding ◽  
Reading Interest ◽  
Cluster 2

Knowledge Discovery in Database (KDD) is a structured analysis process aimed at getting new and correct information, finding patterns from complex data, and being useful. Data mining is at the core of the KDD process. Clustering is a data mining method that is suitable for optimizing library services because it can cluster books effectively and efficiently, with the K-Means algorithm data can be clustered and information from each centroid value of each cluster. Library services can optimize the placement of books so that students can quickly find books according to their reading interest more effectively and can be attracted to other books because they are in one grouping. Meanwhile, the library can prioritize the procurement of the next book. Optimization of library services in the cluster using the K-Means method. Clustering interest in reading has the criteria for the number of books available, borrowed books, and the length of time the books are borrowed. The book data is clustered into 3, namely very interested, in demand, and less desirable. After doing the calculation process from 40 samples of book types, it resulted in 6 iterations, and the final results were 3 clustering, namely cluster 1 of 4 books that were of great interest, cluster 2 of 20 books that were of interest, and cluster 3 of 16 books that were less desirable. This research can be used as a recommendation reference for optimizing library services both for the layout and procurement of books by prioritizing the types of books that are of great interest.

Sign in / Sign up

Export Citation Format

Share Document