Penentuan Klaster Koridor TransJakarta dengan Metode Majority Voting pada Algoritma Data Mining

Abstract

The Covid-19 pandemic has made many changes in the patterns of community activity. Large-Scale Social Restrictions were implemented to reduce the number of transmission of the virus. This clearly affects the mode of transportation. The mode of transportation makes new regulations to reduce the number of passenger capacities in each fleet, for example, TransJakarta services. This study will categorize the TransJakarta corridors before and during the Covid-19 pandemic. The clustering method of K-Means and K-Medoids is used to obtain accurate calculation results. The calculations are performed using Microsoft Excel, Rapid Miner, and Python programming language. The clustering results obtained that using K-Means algorithm before Covid-19 pandemic, an optimum number of clusters is 3 clusters with DBI (Davies Bouldin Index) value is 0.184, and during Covid-19 pandemic, the optimum number of clusters is 2 clusters with DBI value is 0.188. Meanwhile, when using the K-Medoids algorithm before the Covid-19 pandemic, an optimum number of clusters is 3 clusters with the DBI value is 0.200, and during the Covid-19 pandemic, an optimum number of clusters is 4 clusters with the DBI value is 0.190. The final cluster is determined using the majority voting approach from all the tools used.

Data Mining Clustering Menggunakan Algoritma K-Means Pada Data Kunjungan Wisatawan Di Kabupaten Karawang

“…Data mining yang sering juga disebut sebagai Knowledge Discovery in Database (KDD), adalah proses yang mencakup pengumpulan dan pemanfaatan data historis untuk mengidentifikasi keteraturan serta pola hubungan dalam kumpulan data yang berskala besar [8]. Proses pada tahapan Knowledge Discovery in Database (KDD) terdiri dari beberapa tahapan yaitu pengumpulan data, pemakaian data historis yang memiliki tujuan menemukan pola atau korelasi pada data yang memiliki skala besar [9]. Knowledge Discovery in Database (KDD) adalah suatu langkah untuk dapat menemukan serta mengenali pola dalam data, dimana pola yang dapat ditemukan tersebut besifat valid, memiliki keterbaruan, bermanfaat, dan dapat dimengerti [10].…”

“…Jika data yang digunakan tidak memiliki kemiripan, maka data akan dikelompokkan dalam cluster yang berbeda. Tujuan dari clustering sendiri yaitu membagi data ke dalam beberapa cluster yang memiliki kemiripan sehingga menghasilkan sebuah informasi baru terkait data tersebut [9].…”

“…Tahap awal pada proses data mining sesuai dengan metode Knowledge Discovery in Database (KDD) yaitu penyeleksian data. Seleksi data adalah tahapan pemilihan data dari set data yang digunakan sebelum mulai kepada tahapan penggalian informasi [9]. Dari dataset yang digunakan, penyeleksian dilakukan pada data wisatawan asing dan data tahun.…”

Implementasi Algoritma K-Means Dalam Analisis Cluster Korban Kekerasan Di Provinsi Jawa Barat

“…Knowledge Discovery in Databases (KDD) merupakan rangkaian proses yang melibatkan pengumpulan dan pemanfaatan data historis, dengan tujuan mengidentifikasi pola atau keterkaitan dalam kumpulan data yang besar [11].…”

Superior Class to Improve Student Achievement Using the K-Means Algorithm

“…Grouping is one of the method of grouping data based on similarity data properties. If the data do not have the same properties, then it will be grouped in another group (Wibowo et al, 2021). In this clustering process, the processed data is data pre-processing results (Faesal et al, 2020).…”