Clustering Data Mahasiswa Menggunakan Algoritma K-Means Untuk Menunjang Strategi Promosi (Studi Kasus : STMIK Bina Bangsa Kendari)

SIMKOM ◽  
2019 ◽  
Vol 4 (2) ◽  
pp. 35-48
Author(s):  
Widhi Lestari
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2 ◽  
Cluster Program

Data mahasiswa STMIK Bina Bangsa Kendari setiap tahunnya terus bertambah dan menghasilkan data yang berlimpah sehingga terjadi penumpukan data. Data yang berlimpah perlu di lakukan pengolahan data untuk menggali informasi yang terdapat didalam data tersebut. Tujuan penelitian ini untuk mengkluster data mahasiswa di STMIK Bina Bangsa Kendari melalui proses data mining dengan menggunakan algoritma K-Means untuk pembentukan cluster. Atribut data digunakan adalah nama mahasiswa, jurusan, sekolah asal, nilai IPK. Data yang digunakan adalah data mahasiswa angkatan 2018/2019 dengan sampel data 171 items dan sumber data berasal dari bagian akademik dan admisi STMIK Bina Bangsa Kendari. Cluster mahasiswa yang terbentuk ada 2 yaitu Cluster 1 (cluster_0) 72 items, dan Cluster 2 (cluster_1) 99 items. Hasil dari penelitian ini di gunakan sebagai dasar untuk menentukan strategi promosi program studi yang ada di STMIK Bina Bangsa Kendari berdasarkan hasil cluster program studi yang banyak di minati dari masing-masing sekolah.

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 SISTEM CERDAS PEMANTAU KENYAMANAN RUANG KELAS BERBASIS INTERNET OF THINGS (IoT) MENGGUNAKAN METODE K-MEANS PADA PLATFORM THINGSPEAK

2020 ◽  
Vol 13 (1) ◽  
pp. 70-81 ◽  
Author(s):  
Usep Tatang Suryadi ◽  
Sri Saraswati
Keyword(s):  
Data Mining ◽  
Internet Of Things ◽  
Clustering Data ◽  
Cluster 2

Memonitor ruang kelas dalam rentang waktu tertentu untuk ruangan salah satu yang cukup penting untuk dilakukan. Peningkatan kelembaban, suhu, suara, cahaya akan mempengaruhi konsetrasi belajar mengajar. Dalam perancangan sistem ini, penulis meminta sistem pendeteksian ruang kelas berbasis internet (IoT). Penelitian ini bertujuan untuk mengelompokan data ke dalam cluster dengan menggunakan metode Data Mining, algoritma K-means Clustering. Data dikelompokan berdasarkan data kemiripan ini sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah kelembaban, suhu, suara dan cahaya. Hasil K-Means Clustering yang diperoleh ada 3 kelompok, pusat cluster dengan cluster 1 = 47,76; 26,07;61; 92; 3602 cluster 2 = 58; 29; 59,5; 502 dan cluster 3 = 60; 30,25; 58,75; 769,75. Cluster dengan nilai tertinggi adalah cluster tiga. Iterasi pengelompokan data terjadi sebanyak 4 kali iterasi. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Cluster dengan nilai tertinggi adalah cluster tiga. Iterasi pengelompokan data terjadi sebanyak 4 kali iterasi. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Cluster dengan nilai tertinggi adalah cluster tiga. Iterasi pengelompokan data terjadi sebanyak 4 kali iterasi. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik terdiri dari kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan benda-benda bicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Kondensor yang terhubung dengan thingspeak. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Kondensor yang terhubung dengan thingspeak. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. 

scholarly journals Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer

2020 ◽  
Vol 5 (2) ◽  
pp. 192
Author(s):  
Yunita Ratna Sari ◽  
Arby Sudewa ◽  
Diah Ayu Lestari ◽  
Tri Ika Jaya
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2

Angka kemiskinan di Provinsi Banten tergolong rendah di tingkat nasional. Hal ini dibuktikan dengan persentase penduduk miskin Banten pada September 2019 sebesar 4,94% berada di bawah rata-rata nasional pada periode yang sama sebesar 9,22%. Penelitian ini memanfaatkan teknik data mining dengan menggunakan metode K-Means Clustering. Data penelitian ini diambil dari situs Badan Pusat Statistik (BPS) dari tahun 2015-2019 yang terdiri dari 8 Kabupaten/Kota dengan 3 variabel. Variabel yang digunakan adalah jumlah penduduk miskin (ribu jiwa), rata-rata lama pendidikan sekolah (tahun), dan pengeluaran per kapita yang disesuaikan (ribu rupiah/tahun). Semua data tersebut kemudian diolah dengan Rapidminer dan dilakukan 3 cluster, yaitu: tingkat cluster sedang (C0), tingkat cluster tinggi (C1), dan tingkat cluster rendah (C2). Hasil dari perhitungan rapidminer menunjukkan Kabupaten Tangerang, Kota Cilegon, dan Kota Serang masuk sebagai anggota cluster 0, Kabupaten Pandeglang, Kabupaten Lebak, dan Kabupaten Serang berada pada cluster 1, Kota Tangerang, dan Kota Tangerang Selatan berada di cluster 2.

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.

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.

scholarly journals Penerapan metode k-means clustering data COVID-19 di Provinsi Jakarta

Teknologi ◽  
2021 ◽  
Vol 11 (2) ◽  
pp. 59-68
Author(s):  
Meida Cahyo Untoro ◽  
◽  
Leslie Anggraini ◽  
Maria Andini ◽  
Hesti Retnosari ◽  
...  
Keyword(s):  
Data Distribution ◽  
Urban Village ◽  
Corona Virus ◽  
First Case ◽  
Starting Point ◽  
Clustering Data ◽  
Cure Rates ◽  
Cluster 2 ◽  
Respiratory Area

The disease epidemic that attacked the respiratory area and was detected in Indonesia starting in early 2020 is the Corona Virus (COVID-19). This virus's spread is relatively easy, namely through droplets from infected patients, so that the spread is very rapid. This research was conducted to cluster the data on Covid-19 cases in Jakarta Province considering that Jakarta is the starting point for the first case of Corona in Indonesia and until now has become one of the most significant contributors to COVID-19 issues in Indonesia, namely as of December 2020 positive cases of Covid-19 reached 154,000. Souls with the healing of 139.0000 souls. The grouping was carried out based on positive and dead patients from each urban village in Jakarta Province. This study uses the k-means Method to cluster in the handling of COVID-19 cases with 2 clusters. Data distribution in cluster 1 consists of 173 data and 18 data in cluster 2. The use of k-means in this study provides information on areas with the highest and lowest number of positive cases and the highest and lowest cure rates that can be used as an evaluation in handling the Covid-virus 19.

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 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.

Sign in / Sign up

Export Citation Format

Share Document