METODE DATA CLUSTERING DALAM ALGORITMA K-MEANS

RAMADHAN, FAJAR (2022) METODE DATA CLUSTERING DALAM ALGORITMA K-MEANS. S1 thesis, Universitas Mercu Buana Jakarta.

Text (JURNAL MAHASISWA) KOMPRE+41515120158+FAJARRAMADHAN.pdf Restricted to Registered users only Download (1MB)

Abstract

The number of companies engaged in the service sector today, makes competition even higher, these companies must always carry out their Customer Needs Analysis, for example identifying the best products for various customer groups and predicting what products can attract new customers. It takes a process of collecting information from company data called Data Mining, with quite a lot of methods, of course the company can determine the method that suits the company's needs. One of the simplest and most popular data mining methods is K-Means Clustering, a data mining method that performs the unsupervised modeling process (Unsupervised Learning) by grouping the data into its own input without knowing the class target in advance and is one of the methods that performs data mining. data grouping by partition system. K-Means clustering is a non-hierarchical cluster analysis method that can partition an object into one or more clusters or groups of objects based on their characteristics. K-Means clustering aims to minimize Objective Functions created in the clustering process, by minimizing variations between data in a cluster and maximizing variations with data in other clusters to find groups in data with the number of groups represented by variables. K (number of desired clusters). Key words: Analysis, Data Mining, K-means clustering, Unsupervised Learning, Objective Function Banyaknya perusahaan yang bergerak di bidang jasa pelayanan saat ini, membuat persaingan semakin tinggi, para perusahaan ini harus selalu melakukan Analisis Kebutuhan Pelanggan mereka, misalnya mengidentifikasi produk terbaik untuk berbagai kelompok pelanggan dan memprediksi produk apa yang dapat menarik pelanggan baru. Dibutuhkan proses pengumpulan informasi dari data perusahaan yang di sebut Data Mining, dengan metode yang cukup banyak tentunya perusahaan dapat menentukan metode yang sesuai dengan kebutuhan perusahaan tersebut. Salah satu metode data mining yang paling sederhana dan popular adalah K-Means Clustering, metode data mining yang melakukan proses pemodelan tanpa supervisi (Unsupervised Learning) mengelmpokkan sendiri data-data yang menjadi masukannya tanpa mengetahui terlebih dahulu targrt kelasnya dan merupakan salah satu metode yang melakukan pengelompokkan data dengan sistem partisi. K-Means clustering merupakan salah satu metode cluster analysis non hirarki yang dapat melakukan proses partisi sebuah objek ke dalam satu atau lebih cluster atau kelompok objek berdasarkan karakteristiknya. K-Means clustering bertujuan untuk meminimalisasikan Objective Function yang dibuat dalam proses clustering, dengan cara meminimalisasikan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya untuk menemukan grup dalam data dengan jumlah grup yang di wakili oleh variabel K (jumlah cluster yang di inginkan) Kata kunci: Analisis , Data Mining, K-means clustering, Unsupervised Learning, Objective Function

Item Type:	Thesis (S1)
Call Number CD:	JM/INFO. 22 057
NIM/NIDN Creators:	41515120158
Uncontrolled Keywords:	Analisis , Data Mining, K-means clustering, Unsupervised Learning, Objective Function
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	ADELINA HASNA SETIAWATI
Date Deposited:	11 Jan 2023 06:27
Last Modified:	11 Jan 2023 06:28
URI:	http://repository.mercubuana.ac.id/id/eprint/73300

Actions (login required)

View Item