KLUSTERISASI OPTIMAL DENGAN ELBOW METHOD UNTUK PENGELOMPOKAN DATA KECELAKAAN LALU LINTAS DI KOTA SEMARANG

2020 ◽  
Vol 12 (1) ◽  
pp. 20-28
Author(s):  
Vada Annisa Ekasetya ◽  
Arief Jananto
Keyword(s):  
Data Mining

Kota Semarang merupakan kota metropolitan terbesar ke-5 se-Indonesia dengan angka kecelakaan lalu lintas yang dapat dikatakan tinggi. Dalam laporan tahunan Satlantas Kota Semarang dari tahun 2017, 2018 berurutan telah terjadi sebanyak 936 kasus dan 1.008 kasus. Kemudian pada tahun 2019 dengan hasil rekap sampai dengan bulan Agustus terjadi sebanyak 909 kasus. Untuk mengetahui pola kecelakaan dalam mengolah data Laka Lantas dapat menggunakan sebuah metode penambangan data yang disebut data mining. Menggunakan teknik clustering dengan algoritma K-Means untuk menghasilkan pola dalam ekstraksi informasi, yang dikombinasikan dengan teknik optimasi kluster yaitu metode Elbow. Penelitian ini menggunakan proses uji coba manual dan aplikasi RStudio. Perhitungan manual menggunakan uji coba jumlah K=2 sampai K=10 dengan penerapan metode Elbow menggunakan perhitungan nilai SSE (Sum of Square Error) pada tiap kluster. Pada grafik selisih SSE tiap kluster menunjukan patahan siku pada jumlah K=3. Perhitungan komputasi dengan aplikasi RStudio menghasilkan grafik selisih SSE dengan patahan siku pada jumlah K=3. Kemudian dengan menggunakan jumlah K=3 diimplementasikan kedalam Algoritma K-Means pada RStudio. Berdasarkan analisis yang dilakukan dengan data Laka Lantas periode bulan Oktober 2018 sampai bulan Juli 2019 menghasilkan tiga segmentasi data.  

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.

Post, Mine, and Be Disturbed: Social Media Data Mining

PsycCRITIQUES ◽  
2016 ◽  
Vol 61 (51) ◽  
Author(s):  
Daniel Keyes
Keyword(s):  
Data Mining ◽  
Social Media ◽  
Social Media Data ◽  
Media Data

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