Pengelompokkan Kabupaten/Kota di Jawa Barat Berdasarkan Indikator Kesejahteraan Rakyat) KIKI FITRIAH Primary Author mixed material bibliography Bandung Magister Statistika Terapan 2017 id Indonesia

xiv,; 76 hlm,;29 cm K-Means merupakan salah satu metode pengelompokkan data nonhirarki. Kelebihan dari metode ini adalah sederhana, mudah diimplementasikanldijalankan dan juga mudah diadaptasi, namun metode ini juga memiliki beberapa kelemahan antara lain mengharapkan pengguna untuk menentukan banyak cluster terlebih dahulu dan juga sifat kaku (hard) yang dimiliki. Untuk mengatasi kelemahan K-Means telah dikembangkan Adaptive K­ Means Clustering dan Fuzzy K-Means Clustering. Adaptive K-Means mengestimasi banyaknya cluster secara otomatis dan Fuzzy K-Means mempertimbangkan tingkat keanggotaan himpunan fuzzy sebagai dasar pembobotan sehingga memungkinkan suatu obyek menjadi anggota dari satu atau lebih cluster. Dengan bantuan program R diperoleh perbandingan antara K-Means, Adaptive K-Means dan Fuzzy K-Means berdasarkan internal validation index dan external validation index dengan menggunakan data simulasi 2dnormal, ringnorm, shapes, smiley, cassini danfaithfulNdata dimana berdasarkan internal validation index, K-Means lebih tepat digunakan untuk mengelompokkan data simulasi ringnorm dan smiley, Fuzzy K-Means lebih tepat digunakan untuk mengelompokkan data simulasi 2dnormal, K-Means Clustering dan Fuzzy K­ Means Clustering sama-sama tepat digunakan untuk mengelompokkan data simulasi shapes dan cassini, K-Means Clustering, Fuzzy K-Means Clustering dan Adaptive K-Means Clustering sama-sama tidak tepat digunakan untuk mengelompokkan data simulasi yang mengandung noise/outlier. Berdasarkan external validation index, Fuzzy K-Means Clustering lebih tepat dalam mengelompokkan data simulasi 2dnormal, ringnorm, shapes, smiley, dan cassini. Sedangkan dalam mengelompokkan data simulasi faithfulNdata, Adaptive K­ Means Clustering lebih tepat. iv v Untuk data Indikator Kesejahteraan Rakyat tahun 2014 Provinsi J awa Barat, dilakukan explorasi sehingga diketahui bahwa sebaran datanya mendekati jenis data simulasi 2dnormal oleh karena itu dilakukan pengelompokkan terhadap data riil tersebut menggunakan algoritma Fuzzy K-Means Clustering. Hasil pengelompokkan menghasilkan enam cluster, kemudian dilakukan profiling menghasilkan dua cluster dengan profil Kesejahteraan Baik, dua cluster dengan profil Kesejahteraan Cukup Baik dan dua cluster dengan profil Kesejahteraan Tidak Baik. 4. Abstract K-Means is one method of grouping data nonhirarki. The advantage of this method is simple, easy to implement / execute and is also easily adjusted, but this method also has some disadvantages, among others expect the user to specify a lot of clusters in advance and also the characteristics of rigid (hard) owned. To overcome the disadvantages of K-Means has developed Adaptive K-Means Clustering and Fuzzy K-Means Clustering. Adaptive K-Means estimate the number of clusters automatically and Fuzzy K-Means considering the level set as the basic weighted fuzzy membership so as to allow the object becomes a member oJ one or more clusters. With the help of the program R for comparison between K-Means, Adaptive K-Means and Fuzzy K-Means based index of internal validation and index external validation using simulated data 2dnormal, ringnorm, shape, smiley, Cassini and faithfulNdata simulation data which is based on the index of internal validation K -Means more appropriately used to classify smiley and ringnorm, Fuzzy K-Means is more appropriate to classify Zdnormal, K-Means Clustering and Fuzzy K-Means Clustering used to classify shapes and cassini, K ­ Means clustering, Fuzzy K-Means clustering and Adaptive K-Means clustering together inappropriately used to classify simulation data containing noise / outlier. Based indices external validation, Fuzzy K-Means Clustering is more appropriate to classify simulated data Zdnormal, ringnorm, shape, smiley, and Cassini. While simulated data faithfulNdatat, Adaptive K-Means Clustering is more appropriate. Welfare Indicators 2014 of West Java Province, exploration to determine that the data distribution is closer to the type 2dnormal simulation data for the grouping algorithms to real data using Fuzzy K-Means Clustering. Groupped produce six cluster, then do profiling resulted in two cluster with the profile of Prosperity "Good", two clusters with profiles "Good Enough" and two clusters with profiles "Not Good". KIKI FITRIAH K-Means 2. Adaptive K-Means 3. Fuzzy K-Means 519.5 Perpustakaan Universitas Padjadjaran Kementerian Riset Teknologi dan Pendidikan Tinggi 519.5 Kik p/R.14.44.1 010030007642 Perpustakaan Pusat 519.5 Kik p/R.14.44.1 20%252Fscan0001.jpg.jpg 10548 2017-04-01 15:42:30 2019-03-04 08:54:05 machine generated