• Bagikan:
• 
• 
• 
• 
• 
• 
• 

 

Analisis data mining K-Means cluster analysis untuk data berjenis biner

---

• Ketersediaan
• Informasi Detil
• Deskripsi
• Versi lain/terkait
• Komentar

• Code	CallNo	Lokasi	Ketersediaan
  01001100700041	519.5 Sae a	Perpustakaan Pusat (REF.14.84)	Tersedia

• Perpustakaan	Perpustakaan Pusat
  Judul Seri	-
  No. Panggil	519.5 Sae a/R.14.84
  Penerbit	Magister Statistika Terapan : Bandung., 2010
  Deskripsi Fisik	vi,;102 hlm ,;29,5 cm
  Bahasa	Indonesia
  ISBN/ISSN	-
  Klasifikasi	519.5 Sae a
  Tipe Isi	-
  Tipe Media	-
  Tipe Pembawa	-
  Edisi	-
  Subyek	Terdapat dua kelompok metode pengelompokan yang su
  Info Detil Spesifik	-
  Pernyataan Tanggungjawab	Saepulloh, Dadan

• Pengelompokan (clustering) adalah salah satu proses dari data mtntng yang bertujuan untuk menemukan "pengetahuan" atau pola yang berharga dari data yang berukuran relatif besar yang umumnya dikelola sebagai data history dan disimpan baik sebagai database maupun datawarehouse. Metode pengelompokan digunakan terhadap data-data yang bersifat un-supervised learning, sehingga proses pengelompokan didalam konsep data mining termasuk dalam Un-supervised analysis. Terdapat dua kelompok metode pengelompokan yang sudah dikenal yaitu metode cluster analysis hirarki (hierarchical clustering method) dan metode cluster analysis non hirarki (non hierarchical clustering method), Algoritma K-Means Cluster Analysis termasuk dalam kelompok metode cluster analysis non hirarki, dimana jumlah kelompok yang akan dibentuk sudah terlebih dahulu diketahui atau ditetapkan jumlahnya. AIgoritma K-Means Cluster Analysis mempergunakan metode perhitungan jarak (distance) untuk mengukur tingkat kedekatan antara data dengan titik tengah (centroid), umumnya menggunakan Euclidean distance atau metode pengukuran jarak lainnya, untuk data yang berjenis biner metode perhitungan jarak ini menjadi tidak tepat diterapkan sehingga perlu dilakukan perubahan yaitu dengan cara mempergunakan metode perhitungan tingkat similaritas, terdapat beberapa metode perhitungan similaritas diantaranya yang dipergunakan dalam laporan ini adalah Jaccard simililarity, Anderberg similarity, Czekanowsky similarity, dan Kulczynski similarity. Kemudian untuk menentukan nilai centroid awal pada algoritma K­ Means Cluster Analysis umumnya dilakukan dengan cara acak (random), pada analisa ini dilakukan modifikasi dengan terlebih dahulu dilakukan proses pengurutan (sorting) data dan nilai awal centroid ditetapkan berdasarkan kriteria pembentuk kelompok yang sudah diketahui. Dengan melakukan pendekatan similaritas dan perubahan pada algoritma k-means cluster analysis seperti diatas menghasilkan algoritma k-means cluster analysis yang dapat dipergunakan pada data berjenis biner dan validitas yang lebih baik .

• Tidak tersedia versi lain

• Silakan login dahulu untuk melihat atau memberi komentar.