Penerapan Algoritma K-Means Untuk Mengelompokkan Data Pengiriman Paket Di Kantor Pos Cirebon

Febrian, Aby; Suarna, Nana; Dwilestari, Gifthera

doi:10.34151/technoscientia.v15i1.3858

Cited by 3 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dalam menentukan kluster terbaik menggunakan penilaian DBI, Davis Bouldien Index berperan sebagai ukuran untuk meninjau dan mengevaluasi hasil dari algoritma pengelompokan. DBI yang memberikan hasil minimal di dalam suatu kluster dianggap sebagai indikator dari skema pengelompokkan yang optimal [12].…”

Section: Davies Bouldin Index (Dbi)unclassified

Pengelompokan Data Film Pada Netflix Menggunakan Algoritma K-Means Clustering

Suarna,

Hidayah,

Prihartono

2024

jati

View full text Add to dashboard Cite

Dalam era digital yang berkembang sangat pesat, adanya platform streaming telah membuka pintu bagi ribuan film dan serial TV untuk diakses oleh jutaan pelanggan di seluruh dunia. Netflix sebagai salah satu pemimpin dalam industri layanan streaming, telah merevolusi cara kita mengkonsumsi berbagai konten. Permasalahan dalam penelitian ini bahwa persepsi tentang "film terpopuler" dapat bervariasi secara subyektif tergantung pada preferensi individu, kelompok, atau faktor budaya serta pengelolaan data film dilayanan streaming seperti Netflix didalam konteks Informatika. Tujuan penelitian ini untuk mengelompokkan dataset film Netflix menggunakan algoritma K-Means untuk mengidentifikasi pola atau kesamaan antara film-film berdasarkan atribut-atribut tertentu serta mengevaluasi struktur dan jarak antar klaster yang dihasilkan. Analisis data film akan membantu dalam mengidentifikasi tren yang relevan. Metode penelitian ini Knowledge Discovery in Database (KDD) dengan Algoritma K-Means Clustering menggunakan dataset yang diperoleh dari Kaggle sebagai data acuan. Hasil dari penelitian ini dalam menggunakan metode KDD dan Algoritma K-Means Clustering, menunjukkan 2 cluster yang memiliki nilai rata-rata centroid yang berbeda. Dari kedua cluster tersebut menemukan film-film popularitas dalam dataset film Netflix pada cluster 0 yaitu dengan ciri-ciri ideal rata-rata atribut Hidden Gem Score sebesar 8.034, atribut Runtime sebesar 0.793 dan atribut IMDb Score sebesar 7.148. Dari hasil penelitian tersebut dapat membantu pengguna dalam menemukan film-film yang sesuai dengan minat dan preferensi pengguna.

show abstract

Section: Davies Bouldin Index (Dbi)unclassified

Pengelompokan Data Film Pada Netflix Menggunakan Algoritma K-Means Clustering

Suarna,

Hidayah,

Prihartono

2024

jati

View full text Add to dashboard Cite

show abstract

“…K-Means termasuk kedalam metode nonhierarki, Algoritma K-Means membagi data ke dalam dua kelompok atau lebih. Algoritma K-Means akan membagi data ke dalam kelompok yang memiliki kesamaan atau karakteristik yang sama [11]. K-Means merupakan teknik dalam pengelompokan data yang dimana kebearadaan setiap titik data dalam kelompok ditentukan oleh tingkat keanggotaan [12].…”

Section: K-meansunclassified

Implementasi Teknik Data Mining Pada Data Kunjungan Wisatawan Menggunakan K-Means Clustering Di Hotel Bintang Kota Cirebon

Wulandari,

Astuti,

M. Basysyar

2024

jati

View full text Add to dashboard Cite

Kota Cirebon kini juga disebut sebagai “kota wisata” dan memiliki berbagai tempat wisata yang menarik. Hotel merupakan jenis fasilitas akomodasi yang menyediakan berbagai layanan seperti tempat menginap, makanan, dan layanan lainnya untuk sementara kepada masyarakat umum dan dijalankan secara komersial. Dinas Kebudayaan dan Pariwisata seringkali mengalami permasalahan karena belum melakukan pemetaan kunjungan tamu hotel sehingga berdampak pada pengelolaan hotel bintang di kota cirebon. Untuk mengatasi masalah ini maka digunakan data kunjungan wisatawan dari januari hingga desember tahun 2021 bersumber dari Dinas Kebudayaan dan Pariwisata Kota Cirebon menggunakan teknik penerapan data mining untuk mengelola informasi data kunjungan wisatawan di hotel bintang di Kota Cirebon menggunakan K-Means Clustering. Kemudian, Validasi hasil klasterisasi dapat dilakukan menggunakan Davies Bouldin Index (DBI). Berdasarkan hasil pengelompokan pada RapidMiner menggunakan algoritma k-means, data dikelompokan menjadi 7 kelompok. Kelompok 3 merupakan tingkat dengan kunjungan wisatawan paling rendah, kelompok 1 merupakan tingkat dengan kunjungan wisatawan rendah 1, kelompok 6 tingkat dengan kunjungan wisatawan rendah 2, kelompok 0 merupakan tingkat dengan kunjungan wisatawan sedang, kelompok 4 merupakan tingkat dengan kunjungan wisatawan tinggi 1, kelompok 2 merupakan tingkat dengan kunjungan wisatawan tinggi 2 dan kelompok 5 merupakan tingkat dengan kunjungan wisatawan sangat tinggi. Oleh karena itu, dilakukannya penelitian mengenai penerapan data mining dengan jumlah wisatawan terbanyak yang ramai berkunjung dapat memberikan manfaat yang besar bagi manajemen hotel dan Dinas Kebudayaan dan Pariwisata Kota Cirebon dalam meningkatkan fasilitas pelayanan yang lebih baik

show abstract

“…Menggunakan DBI dalam sebuah cluster dianggap sebagai model clustering yang optimal. DBI memberikan hasil yang minimal [9]. Langkah utuk menentukan cluster terbaik dengan hasil evaluasi DBI :…”

Section: Data Miningunclassified

Implementasi Algoritma K-Means Untuk Klasterisasi Pasien Hipertensi Bersadarkan Karakteristik Pasien

Saepu Qirom,

Faqih,

Dwilestari

2024

jati

View full text Add to dashboard Cite

Dalam beberapa dekade terakhir, fokus terhadap penyakit hipertensi menjadi semakin mendesak seiring dengan perkembangan pesat di bidang Informatika yang telah memberikan dampak signifikan pada berbagai aspek kehidupan. Puskesamas yang terletak di Kecamatan Rajapolah Kabupaten Tasikmalaya mengalami peningkatan dalam jumlah pasien yang datang ke puskesmas, penyakit hipertensi paling sering dialami oleh setiap pasien yang datang ke Puskesmas Rajapolah. Penelitian ini bertujuan untuk mengelompokan data pasien melalui pendekatan data mining untuk mengidentifikasi kelompok pasien hipertensi. Metode yang digunakan yaitu algoritma k-means clustering menggunakan software rapidminer dengan tahapan Knowledge Discovery in Database (KDD). Dalam menentukan jumlah cluster yang paling optimal menggunakan hasil evaluasi Davies Bouldin Index (DBI). Setiap 2 cluster sampai 10 cluster di evaluasi untuk mencari jumlah cluster dengan nilai DBI paling rendah. Data yang digunakan merupakan data rekam medis Puskesmas Rajapolah pada bulan september 2023 dengan jumlah 1000 records. Hasil analisis menunjukan 4 cluster dengan nilai DBI 0.269, jumlah anggota cluster 0 : 213 pasien, cluster 1 : 302 pasien, cluster 2 : 145 pasien, cluster 3 : 68 pasien. Kelompok dengan tingkat hipertensi paling tinggi yaitu cluster 3 berjumlah 68 pasien dengan umur 30 sampai 74 tahun, tingkat hipertensi kelompok ini berada pada stadium 2 sampai krisis hipertensi

show abstract

Penerapan Algoritma K-Means Untuk Mengelompokkan Data Pengiriman Paket Di Kantor Pos Cirebon

Cited by 3 publications

References 0 publications

Pengelompokan Data Film Pada Netflix Menggunakan Algoritma K-Means Clustering

Pengelompokan Data Film Pada Netflix Menggunakan Algoritma K-Means Clustering

Implementasi Teknik Data Mining Pada Data Kunjungan Wisatawan Menggunakan K-Means Clustering Di Hotel Bintang Kota Cirebon

Implementasi Algoritma K-Means Untuk Klasterisasi Pasien Hipertensi Bersadarkan Karakteristik Pasien

Contact Info

Product

Resources

About