scholarly journals PENERAPAN METODE CLUSTERING UNTUK MEMBENTUK KELOMPOK BELAJAR MENGGUNAKAN DI SMPN 19 BANDUNG

2017 ◽  
Vol 6 (2) ◽  
pp. 49-56
Author(s):  
Dian Dharmayanti ◽  
Adam Mukharil Bachtiar ◽  
Andre Catur Prasetyo
Keyword(s):  
Data Mining ◽  
Hierarchical Clustering ◽  
Agglomerative Hierarchical Clustering ◽  
Single Linkage

Sebagai sekolah yang menjadi pilihan favorit, SMPN 19 Bandung harus menjaga kualitas pendidikannya. Siswa kelas 9 biasanya diwajibkan mengikuti pemantapan atau try out. Selain pemantapan, seharusnya sekolah melakukan pembentukan kelompok belajar. Permasalahannya adalah pihak sekolah biasanya membagi kelompok hanya berdasarkan urutan absensi saja. Sehingga akan mengakibatkan siswa yang unggul berada dalam satu kelompok dengan siswa yang tertinggal dalam suatu mata pelajaran dan dikhawatirkan siswa unggul tersebut akan merasa bosan karena materi yang diberikan sudah dipahaminya diulang-ulang agar siswa yang tertinggal dapat mengejar ketertinggalannya. Dalam data mining, terdapat metode yang dapat digunakan untuk membagi data ke dalam beberapa kelompok berdasarkan kemiripan datanya, yaitu metode clustering[5]. Dalam Clustering pun terdapat beberapa metode yang dapat digunakan, salah satunya adalah Agglomerative Hierarchical Clustering (AHC) dengan menggunakan algoritma single linkage[7]. Proses AHC dengan menggunakan algoritma single linkage dimulai dengan menentukan jumlah kelompok yang akan dibentuk, enganggap seluruh data sebagai cluster, menghitung matriks jarak, mencari dua cluster terdekat lalu menggabungkannya, kemudian ulangi langkah ke-3 hingga tersisa sejumlah cluster yang ingin dibentuk[8]. Berdasarkan hasil pengujian dapat disimpulkan bahwa aplikasi Pembentuk Kelompok Belajar ini sudah membantu pihak kurikulum dalam membentuk kelompok belajar yang sesuai berdasarkan kemiripan nilai siswanya pada masingmasing kelompok.

scholarly journals Analisa Hasil Pengelompokan Wilayah Kejadian Non-Kebakaran Menggunakan Agglomerative Hierachical Clustering di Semarang

2021 ◽  
Vol 15 (2) ◽  
pp. 63
Author(s):  
Desy Exasanti ◽  
Arief Jananto
Keyword(s):  
Hierarchical Clustering ◽  
Manhattan Distance ◽  
Agglomerative Hierarchical Clustering ◽  
Single Linkage ◽  
Bottom Up ◽  
Environment Analysis ◽  
Complete Linkage ◽  
Average Linkage

Abstrak−Klasterisasi merupakan metode pengelompokan dari data yang sudah diketahui label kelasnya untuk menemukan klaster baru dari hasil observasi. Dalam klasterisasi banyak metode yaitu metode terpusat, hirarki, kepadatan dan berbasis kisi, namun dalam penelitian yang dilakukan ini dipilih metode berbasis hirarki. Metode hirarki ini bekerja melakukan pengelompokan objek dengan membentuk hirarki klaster namun bukan berarti selalu digambarkan dengan hirarki dalam organsasi. Dipilihnya Agglomerative Hierarchical Clustering dimana merupakan jenis dari bawah ke atas atau biasa disebut (bottom-up) dalam metode ini objek yang akan diuji dianggap sebagai objek tunggal sebagai klaster dan lalu dilakukan iterasi untuk menemukan klaster-klaster yang lebih besar. Data yang akan digunakan adalah data non-kebakaran pada Dinas Pemadam Kebakaran Kota Semarang ynng mana akan dilakukan pengelompokan wilayah penanganan non-kebakaran. Dinas Pemadam Kebakaran melakukan penanganan bukan hanya kebakaran saja namun ada banyak hal yang sebenarnya dapat ditangani oleh petugas pemadam kebakaran, kejadian non-kebakaran ada beberapa seperti evakuasi reptil, evakuasi kucing, penyelamatan korban kecelakaan dan lain sebagainya. Dari data non-kebakaran dari 16 kecamatan di Kota Semarang pada tahun 2019 akan dilakukan uji menggunakan tiga algoritma yaitu Single Lingkage, Average Linkage dan Complete Linkage . Adapun dari algoritma Single Linkage dilakukan prosedur pemusatan dari jarak terkecil antar objek data, algoritma Average Linkage dilakukan prosedur dari jarak rata-rata objek data, sedangkan jika algoritma Complete Linkage dilakukan prosedur pemusatan dari jarak yang terbesar. Implementasi dan visualiasi dari data uji coba yang dilakukan di penilitian ini menggunakan tools WEKA 3.8.4, Wakaito Environment Analysis for Knowledge atau yang biasa dikenal dengan WEKA ini merupakan software yang menggunakan bahasa pemrograman java. Dari dataset 380 data diambil sampel 100 data untuk diuji mengunakan WEKA menggunakan metode perhtungan jarak Manhattan Distance dengan 3 cluster. Hasil dari data uji coba dapat divisualisasikan dengan visualisasi dendogram pada fitur visualize tree  dan jika dilakukan visualisasi dalam bentuk grafik dapat dilakukan menggunakan fitur visualize clusters assignment.

Nearest Prototype and Nearest Neighbor Clustering with Twofold Memberships Based on Inductive Property

2013 ◽  
Vol 17 (4) ◽  
pp. 504-510
Author(s):  
Satoshi Takumi ◽  
◽  
Sadaaki Miyamoto
Keyword(s):  
Hierarchical Clustering ◽  
Nearest Neighbor ◽  
Classification Rules ◽  
Agglomerative Hierarchical Clustering ◽  
Single Linkage ◽  
Natural Classification ◽  
Nearest Neighbor Classification ◽  
Voronoi Regions ◽  
Inductive Property ◽  
Neighbor Classification

The aim of this paper is to study methods of twofold membership clustering using the nearest prototype and nearest neighbor. The former uses theK-means, whereas the latter extends the single linkage in agglomerative hierarchical clustering. The concept of inductive clustering is moreover used for the both methods, which means that natural classification rules are derived as the results of clustering, a typical example of which is the Voronoi regions inK-means clustering. When the rule of nearest prototype allocation inK-means is replaced by nearest neighbor classification, we have inductive clustering related to the single linkage in agglomerative hierarchical clustering. The former method usesK-means or fuzzyc-means with noise clusters, whereby twofold memberships are derived; the latter method also derives two memberships in a different manner. Theoretical properties of the both methods are studied. Illustrative examples show implications and significances of this concept.

scholarly journals PENGELOMPOKAN DATA PERSEDIAAN OBAT MENGGUNAKAN PERBANDINGAN METODE K-MEANS DENGAN HIERARCHICAL CLUSTERING SINGLE LINKAGE

2019 ◽  
Vol 2 (1) ◽  
pp. 33-48
Author(s):  
Rahmatika Diana Firdaus ◽  
Tri Ginanjar Laksana ◽  
Rima Dias Ramadhani
Keyword(s):  
Data Mining ◽  
Hierarchical Clustering ◽  
Single Linkage

Kesehatan merupakan hak asasi manusia sekaligus investasi bagi keberhasilan pembangunan bangsa Indonesia. Salah satu faktor penting di dunia kesehatan adalah tersedianya obat-obatan untuk nantinya disalurkan ke seluruh wilayah Indonesia melalui badan organisasi kesehatan milik pemerintah secara merata dan berkelanjutan. Fungsi obat yaitu sebagai upaya pencegahan, penyembuhan, maupun peningkatan kesehatan bagi manusia. Obat juga merupakan bahan yang diatur oleh pemerintah dalam hal ini adalah Badan Pengawasan Obat dan Makanan (BPOM). Di era modern seperti saat ini, kita mengenal dengan istilah Data Mining. Dalam perkembangannya, data mining berhubungan erat dengan analisa data, maka dari itu data mining mampu mengolah dan mengelompokan data dalam jumlah yang besar berdasarkan kesamaan dalam sekumpulan data. Algoritma K-Means merupakan metode pengelompokan yang mudah digunakan. Pada proses penentuan titik pusat klaster (centroid) awal merupakan kelemahan bagi K-Means karena sifatnya yang acak. Algoritma Hierarchical Clustering (HCC) Single Linkage pada penentuan titik pusat klaster (centroid) memiliki sifat yang konsisten dan kompleks. Dari 204 data dan variabel yang akan diolah, kedua algoritma tersebut akan  mendapatkan klaster optimal data pada kelompok klaster C1 yaitu obat dengan pemakaian lambat dan klaster C2 yaitu obat dengan pemakaian cepat dan membandingkan nilai validitasnya. Hasil dari penelitian ini menunjukan bahwa algoritma HCC Single linkage mampu memberikan hasil yang terbaik dengan validitas Sillhoutte Index (SI) sebesar 0.8629 sedangkan algoritma K-Means mendapatkan nilai validitas SI sebesar 0.8414.

scholarly journals Penerapan Penerapan Data Mining dalam Mengelompokkan Data Riwayat Akademik Sebelum Kuliah dan Data Kelulusan Mahasiswa menggunakan Metode Agglomerative Hierarchical Clustering (AHC)

2021 ◽  
Vol 3 (1) ◽  
pp. 62-71
Author(s):  
BANU HARLI TRIMULYA SUANDI AS
Keyword(s):  
Data Mining ◽  
Hierarchical Clustering ◽  
Euclidean Distance ◽  
Data Cleaning ◽  
Data Transformation ◽  
Agglomerative Hierarchical Clustering ◽  
Silhouette Coefficient

Fakultas Teknologi Industri Universitas Ahmad Dahlan setiap tahun menerima mahasiswa baru dalam jumlah besar. Disisi lain, kelulusan mahasiswa yang lulus tepat waktu masih rendah sehingga rasio dosen dan mahasiswa semakin besar. Akibat lainnya adalah pengguna fasilitas kampus melebihi kapasitas dan kegiatan belajar mengajar menjadi tidak efektif, sehingga diperlukan tahapan berupa pengelompokan data mahasiswa berdasarkan data akademik sebelum kuliah dan data kelulusan mahasiswa yang dilakukan dengan teknik data mining untuk mengetahui kelompok-kelompok mahasiswa yang lulus tepat waktu di Fakultas Teknologi Industri.                 Penelitian ini menggunakan metode pengelompokan hierarki (Hierarchical Clustering). Tahapan dalam penelitian ini dari Load Data, Cleaning Data, Transformation Data dengan metode One Hot Encoding, Euclidean Distance, dan pengelompokan Agglomerative Hierarchical Clustering. Pengujian hasil cluster menggunakan Silhouette Coefficient, serta dilakukan evaluasi pola, dan representasi pengetahuan.                 Penelitian menghasilkan 158 mahasiswa yang direkomendasikan dan semuanya berasal dari Pulau Jawa dan rata-rata nilai matematika >= 80 pada dataset Informatika, Industri, dan Elektro, dan >=67 untuk Kimia. Diperoleh data yang direkomendasikan dengan jumlah data berturut-turut 43, 24, 19, dan 72 data. Pengujian Silhouette Coefficient memperoleh hasil yang sangat bagus dengan nilai berturut-turut sesuai prodi sebesar 0,868, 0,883, 0,879, dan 0,873.

scholarly journals Unsupervised Twitter Sentiment Analysis on The Revision of Indonesian Code Law and the Anti-Corruption Law using Combination Method of Opinion Word and Agglomerative Hierarchical Clustering

2020 ◽  
Vol 8 (1) ◽  
pp. 200-220
Author(s):  
Nur Restu Prayoga ◽  
Tresna Maulana Fahrudin ◽  
Made Kamisutara ◽  
Angga Rahagiyanto ◽  
Tahegga Primananda Alfath ◽  
...  
Keyword(s):  
Social Media ◽  
Hierarchical Clustering ◽  
Confusion Matrix ◽  
Combination Method ◽  
Agglomerative Hierarchical Clustering ◽  
Single Linkage ◽  
Silhouette Coefficient ◽  
Error Ratio ◽  
Points Of View ◽  
Twitter Users

The rejection on ratification of the revision of Indonesian Code Law or known as RKUHP and Corruption Law raises several opinions from various perspectives in social media. Twitter as one of many platforms affected, has more than 19.5 million users in Indonesia. Twitter is one of many social media in Indonesia where people can share their views, arguments, information, and opinions from all points of view. Since Twitter has a great diversity of users, it needs a system which is designed to determine the opinion tendency towards the problems or objects. The purpose of this study is to analyze the sentiment of Twitter users' tweets to reject the revision of the Law whether they have positive or negative sentiments using the Agglomerative Hierarchical Clustering method. The data that being used in this study were obtained from the results of crawling tweets based on hashtag (#) (#ReformasiDikorupsi). The next stage is pre-processing which consists of case folding, tokenizing, cleansing, sanitizing, and stemming. The extraction features Opinion words and Term Frequency (TF) which performs the process automatically. In the clustering stage, two clusters use three approaches; single linkage, complete linkage and average linkage. In the accuracy calculation phase, the writer uses the error ratio, confusion matrix, and silhouette coefficient. Therefore, the results are quite good. From 2408 tweets, the highest accuracy results are 61.6%.

scholarly journals Hesitant Fuzzy Linguistic Agglomerative Hierarchical Clustering Algorithm and Its Application in Judicial Practice

Mathematics ◽  
2021 ◽  
Vol 9 (4) ◽  
pp. 370
Author(s):  
Shuangsheng Wu ◽  
Jie Lin ◽  
Zhenyu Zhang ◽  
Yushu Yang
Keyword(s):  
Hierarchical Clustering ◽  
Clustering Algorithm ◽  
Clustering Algorithms ◽  
Agglomerative Hierarchical Clustering ◽  
Research Gaps ◽  
Judicial Practice ◽  
Linguistic Term ◽  
Clustering Effect ◽  
Hierarchical Clustering Algorithm ◽  
Fuzzy Linguistic

The fuzzy clustering algorithm has become a research hotspot in many fields because of its better clustering effect and data expression ability. However, little research focuses on the clustering of hesitant fuzzy linguistic term sets (HFLTSs). To fill in the research gaps, we extend the data type of clustering to hesitant fuzzy linguistic information. A kind of hesitant fuzzy linguistic agglomerative hierarchical clustering algorithm is proposed. Furthermore, we propose a hesitant fuzzy linguistic Boole matrix clustering algorithm and compare the two clustering algorithms. The proposed clustering algorithms are applied in the field of judicial execution, which provides decision support for the executive judge to determine the focus of the investigation and the control. A clustering example verifies the clustering algorithm’s effectiveness in the context of hesitant fuzzy linguistic decision information.

scholarly journals Improved minimum-minimum roughness algorithm for clustering categorical data

2021 ◽  
Vol 8 (10) ◽  
pp. 43-50
Author(s):  
Truong et al. ◽  
Keyword(s):  
Machine Learning ◽  
Data Mining ◽  
Hierarchical Clustering ◽  
Categorical Data ◽  
Clustering Algorithm ◽  
Clustering Algorithms ◽  
Experimental Results ◽  
Data Sets ◽  
Top Down ◽  
Hierarchical Clustering Algorithm

Clustering is a fundamental technique in data mining and machine learning. Recently, many researchers are interested in the problem of clustering categorical data and several new approaches have been proposed. One of the successful and pioneering clustering algorithms is the Minimum-Minimum Roughness algorithm (MMR) which is a top-down hierarchical clustering algorithm and can handle the uncertainty in clustering categorical data. However, MMR tends to choose the category with less value leaf node with more objects, leading to undesirable clustering results. To overcome such shortcomings, this paper proposes an improved version of the MMR algorithm for clustering categorical data, called IMMR (Improved Minimum-Minimum Roughness). Experimental results on actual data sets taken from UCI show that the IMMR algorithm outperforms MMR in clustering categorical data.

Sign in / Sign up

Export Citation Format

Share Document