At the end of 2019 in Wuhan, China, a new virus was discovered, that is Corona Virus Disease 2019. This virus causes serious health problems and has been declared as pandemic since March 11, 2020. It has caused death and claimed thousands of lives. This virus spreads very quickly and in various ways such as direct contact with patients, travelers, owners of congenital diseases and many other transmissions. To suppress the spread of this virus, the government has carried out various ways such as social distancing and screening or impromptu swabs in crowded centers. Due to the many types of transmission from this virus, this research was conducted to classify Covid-19 cases in Dumai City. It is hoped that the results of this study can be used as an illustration of the grouping of Covid-19 patient data by applying K-Means and K-Medoid as a grouping algorithm based on the type of transmission, age, gender, health services and district. Based on this research, the K-Means algorithm is more optimal than K-Medoid in classifying Covid-19 patient data, especially in Dumai City. It is proven that the best DBI K-Means value is 0.139 with k = 4
Indonesia memiliki pasar yang potensial untuk perusahaan kosmetik karena memiliki jumlah penduduk yang berjumlah hampir 270 juta jiwa. Pertumbuhan industri kosmetik di Indonesia mengalami perkembangan yang pesat dengan persentase pertumbuhan 5,59% pada bulan agustus 2021 silam. Dengan pertumbuhan tersebut perusahaan kosmetik memiliki reseller yang tersebar diseluruh daerah Indonesia. Penelitian ini menggunakan data pelanggan dari salah satu reseller perusahaan kecantikan. Pelanggan mana yang sering berbelanja, produk mana yang sering mereka beli, dan klien mana yang paling setia adalah masalah umum yang sering muncul saat menjual produk kecantikan. Panjang, Kekinian, Frekuensi, dan Moneter, kadang-kadang dikenal sebagai LRFM, adalah teknik yang digunakan untuk menghitung nilai pelanggan berdasarkan riwayat transaksi mereka. Penelitian ini dilakukan untuk mengelompokan data pelanggan berdasarkan rentang waktu dan jumlah transaksi pembelian menggunakan algoritma clustering yaitu, k-means, k-medoids, dan fuzzy c-means. Harapannya, penelitian ini dapat ditentukan algoritma terbaik dalam pengelompokan data dengan membandingkan algoritma clustering K-Means, K-Medoids, dan Fuzzy C-Means dengan model LRFM. Hasil penelitian menunjukkan bahwa dalam pengelompokan data pelanggan dengan model LRFM algoritma K-Means lebih unggul dibanding K-Medoids dan Fuzzy C-means pada mengklasterisasi data pelanggan, dengan dibuktikannya pada nilai validitas DBI terbaik dengan perolehan nilai yaitu 0,167 pada jumlah klaster yaitu 6.
Salah satu bidang holtikultura yang sangat menjanjikan adalah budidaya cabai rawit karena menjadi bahan masakan favorit yang digunakan oleh masyarakat. Banyak petani Indonesia, khususnya di Provinsi Riau membudidayakan cabai rawit. Akan tetapi pemilihan bibit masih dilakukan dengan cara manual sehingga membuat hasil panen yang tidak sesuai dengan harapan. Untuk itu, dibutuhkan sebuah solusi dalam pemilihan bibit cabai rawit. Metode yang digunakan pada penelitian ini adalah Technique for Order Performance by Similarity to Ideal Solution (TOPSIS) yaitu metode yang mempertimbangkan jarak terhadap solusi ideal positif dan jarak terhadap solusi ideal positif. Kreteria yang digunakan dalam metode ini adalah Umur Benih, Berat Cabai, Banyak Ranting, Ukuran Cabai, Waktu Panen, Daya Kecambah, Tingkat Rasa, Curah Hujan, dan Jarak Tanam. Alternatif yang digunakan untuk penelitian ini yaitu Cabai Rawit F1 Hibrida “Raga 2”, Cabai Rawit Hibrida “Bhaskara”, Cabai Rawit F1 Hibrida “Sonar”, Cabai Rawit Putih Raputi, dan Cabai Rawit Putih Sorande. Setelah dilakukan penghitungan dengan metode Technique for Order Performance by Similarity to Ideal Solution (TOPSIS), sehingga didapatlah rangking cabai rawit terbaik yaitu Cabai Rawit F1 Hibrida “Raga 2” dengan nilai preferensi 0,766. Dengan adanya penelitian ini dapat disimpulkan bahwa metode TOPSIS dapat diterapkan dalam pemilihan bibit cabai rawit berdasarkan kriteria yang digunakan.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.