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.

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 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%).  

Instance Selection

2011 ◽  
pp. 1041-1045
Author(s):  
Huan Liu
Keyword(s):  
Data Mining ◽  
Data Storage ◽  
Data Reduction ◽  
Effective Means ◽  
Digital Data ◽  
Data Selection ◽  
Instance Selection ◽  
Redundant Data ◽  
Performance Deterioration ◽  
Digital Data Storage

The amounts of data become increasingly large in recent years as the capacity of digital data storage worldwide has significantly increased. As the size of data grows, the demand for data reduction increases for effective data mining. Instance selection is one of the effective means to data reduction. This article introduces basic concepts of instance selection, its context, necessity and functionality. It briefly reviews the state-of-the-art methods for instance selection. Selection is a necessity in the world surrounding us. It stems from the sheer fact of limited resources. No exception for data mining. Many factors give rise to data selection: data is not purely collected for data mining or for one particular application; there are missing data, redundant data, and errors during collection and storage; and data can be too overwhelming to handle. Instance selection is one effective approach to data selection. It is a process of choosing a subset of data to achieve the original purpose of a data mining application. The ideal outcome of instance selection is a model independent, minimum sample of data that can accomplish tasks with little or no performance deterioration.

Lavoisier: A DSL for increasing the level of abstraction of data selection and formatting in data mining

2020 ◽  
Vol 60 ◽  
pp. 100987 ◽  
Author(s):  
Alfonso de la Vega ◽  
Diego García-Saiz ◽  
Marta Zorrilla ◽  
Pablo Sánchez
Keyword(s):  
Data Mining ◽  
Data Selection ◽  
Level Of Abstraction

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 Pharmacoinformation studies of chondroprotectors

2021 ◽  
Vol 15 (5) ◽  
pp. 114-120
Author(s):  
A. M. Lila ◽  
I. Yu. Torshin ◽  
A. N. Gromov ◽  
V. A. Semenov ◽  
O. A. Gromova
Keyword(s):  
Data Mining ◽  
Big Data ◽  
Chondroitin Sulfate ◽  
Data Selection ◽  
Scientific Publications ◽  
Modern Methods ◽  
Content Identification ◽  
New Biomarkers ◽  
Selection Of

The pharmacoinformation approach to the assessment and modeling of drugs involves the use of modern methods of data mining. These methods include: 1) analysis of big data (selection of texts of scientific publications, search for new biomarkers); 2) computer analysis of texts (automatic classification of texts by content, identification of pseudoscientific texts); 3) analysis of metric maps (visualization and analysis of complex patterns, including clustering) and 4) chemoinformation analysis, including the assessment of the effect of drugs on the transcriptome, proteome and microbiome of a person. The article provides examples of the application of these methods of pharmacoinformatics to chondroprotectors containing standardized forms of chondroitin sulfate and glucosamine sulfate.

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%..

Sign in / Sign up

Export Citation Format

Share Document