IMPLEMENTASI DATA MINING UNTUK MENENTUKAN TINGKAT PENJUALAN PAKET DATA TELKOMSEL MENGGUNAKAN METODE K-MEANS CLUSTERING

2020 ◽  
Vol 25 (1) ◽  
pp. 76-88
Author(s):  
Suhandio Handoko ◽  
Fauziah Fauziah ◽  
Endah Tri Esti Handayani
Keyword(s):  
Data Mining ◽  
Clustering Data

Perkembangan industri telekomunikasi saat ini sangat pesat karena telekomunikasi sudah menjadi kebutuhan utama bagi masyarakat sehingga banyak perusahaan yang bergerak di industry telekomunikasi. Banyaknya industry Telekomunikasi menuntut para pengembang untuk menemukan strategi atau suatu pola yang dapat meningkatkan penjualan dan pemasaran produk, salah satu strateginya adalah dengan memanfaatkan data transaksi. Paket data merupakan produk dibidang telekomunikasi. Proses Clustering saat ini masih di lakukan secara manual sehingga membutuhkan waktu, proses perhitungan dan ketelitian yang tinggi. Pada penelitian ini dibuat aplikasi berbasis website dengan tujuan untuk mempermudah Clustering data sehingga dapat digunakan sebagai referensi dalam perencanaan promosi produk telkomsel ke berbagai daerah. Metode yang digunakan untuk mengatasi permasalahan tersebut yaitu metode Clustering dengan menggunakan Algoritma K-Means. Algoritma K-Means merupakan algoritma pengelompokkan sejumlah data menjadi menjadi kelompok-kelompok data tertentu. Pada penelitian ini data penjualan dikelompokkan menjadi 3 yaitu data penjualan rendah, data penjualan sedang dan data penjualan tinggi. Pengujian clustering dengan algoritma K-Means pada aplikasi terhadap data transaksi penjualan paket telkomsel diperoleh persentase kesesuaian yaitu 100% dibandingkan dengan clustering manual.

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

K-MEANS CLUSTERING ALGORITHM FOR SERVICE DATA ANALYSIS BASED ON CUSTOMERS COMBINATION

2018 ◽  
Vol 3 (1) ◽  
pp. 001
Author(s):  
Zulhendra Zulhendra ◽  
Gunadi Widi Nurcahyo ◽  
Julius Santony
Keyword(s):  
Data Mining ◽  
Data Analysis ◽  
Clustering Algorithm ◽  
Customer Complaints ◽  
Using Data ◽  
Clustering Data ◽  
Service Data ◽  
Selection Of

In this study using Data Mining, namely K-Means Clustering. Data Mining can be used in searching for a large enough data analysis that aims to enable Indocomputer to know and classify service data based on customer complaints using Weka Software. In this study using the algorithm K-Means Clustering to predict or classify complaints about hardware damage on Payakumbuh Indocomputer. And can find out the data of Laptop brands most do service on Indocomputer Payakumbuh as one of the recommendations to consumers for the selection of Laptops.

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.

Ensemble Clustering Data Mining and Databases

2018 ◽  
pp. 1962-1973
Author(s):  
Slawomir T. Wierzchon
Keyword(s):  
Data Mining ◽  
Data Structure ◽  
Em Algorithm ◽  
Normal Distribution ◽  
Clustering Algorithms ◽  
Consensus Clustering ◽  
New Directions ◽  
Consensus Procedure ◽  
Basic Approaches ◽  
Clustering Data

Standard clustering algorithms employ fixed assumptions about data structure. For instance, the k-means algorithm is applicable for spherical and linearly separable data clouds. When the data come from multidimensional normal distribution – so-called EM algorithm can be applied. But in practice the assumptions underlying given set of observations are too complex to fit into a single assumption. We can split these assumptions into manageable hypothesis justifying the use of particular clustering algorithms. Then we must aggregate partial results into a meaningful description of our data. The consensus clustering do this task. In this article we clarify the idea of consensus clustering, and we present conceptual frames for such a compound analysis. Next the basic approaches to implement consensus procedure are given. Finally, some new directions in this field are mentioned.

scholarly journals CLUSTERING DATA ANTROPOMETRI BALITA UNTUK MENENTUKAN STATUS GIZI BALITA DI KELURAHAN JUMPUT REJO SUKODONO SIDOARJO

2020 ◽  
Vol 7 (3) ◽  
pp. 395-407
Author(s):  
Amir Ali
Keyword(s):  
Data Mining ◽  
Clustering Data

Menurut data dari Buku Profil Kesehatan Kabupaten Sidoarjo tahun 2018 dimana di kabupaten Sidoarjo termasuk di kecamatan sukodono kelurahan jumput rejo pada tahun 2018, jumlah balita sebesar 175.393 dengan balita yang ditimbang 118.464. Dari hasil penimbangan dapat diketahui bahwa balita dengan status Bawah Garis Merah (BGM) sebesar 733 (0.6%) dengan rincian anak balita laki-laki 344 orang dan balita perempuan 388 orang. Hal ini mengindikasikan masih adanya balita dengan status gizi buruk. Pemantauan pertumbuhan fisik anak dilakukan dengan menggunakan parameter diantaranya ukuran antropometrik. Pada umumnya indeks antropometri yang digunakan yaitu berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U). Tujuan dari penelitian ini adalah untuk melakukan pengelompokan data antropometri balita dalam menentukan status gizinya di lingkungan Kelurahan Jumput Rejo Kecamatan Sukodono Kabupaten Sidoarjo. Metode yang digunakan menggunakan teknik data mining dengan algoritma K-Means. Penelitian ini menghasilkan 5 cluster dimana jumlah balita pada cluster1 = 37 balita dimana balita pada posyandu citra gading memerlukan perhatian khusus karena terdapat 11 balita yang menderita gizi buruk. Pada cluster2 jumlah balita yang mengalami gizi kurang sejumlah = 30 balita terutama balita pada posyandu puri sejahtera 3 yang jumlahnya 7 balita. Pada cluster3 terdapat 28 balita dimana cluster ini masuk pada cluster gizi baik terutama pada balita di posyandu surya asri 2 B sejumlah 7 orang. Sedangkan pada cluster 4 dimana masuk pada cluster gizi lebih berjumlah 33 balita dimana balita yang mengalami gizi lebih yaitu balita pada posyandu kedung 1. Serta pada cluster 5 yang merupakan cluster balita dengan obesitas terdapat sejumlah 22 balita terutama pada posyandu jumput rejo indah sejumlah 3 balita. Hasil pengelompokkan data antropometri balita di desa jumput rejo sukodono menunjukkan bahwa terdapat bayi dengan status gizi buruk sebanyak 37 balita, gizi kurang sebanyak 30 balita, gizi baik sebanyak 28 balita, gizi lebih sebanyak 33 balita dan 22 balita mengalami obesitas dari total 150 data antropometri balita. Kata Kunci : Clustering, algoritma, K-Means, Data Mining, Status Gizi

Sign in / Sign up

Export Citation Format

Share Document