Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Daerah Produksi Kakao

Abidin, Nur Awalia Syukri Zainal; Avila, Rizna Dwi; Hermatyar, Arudji; Rismayani, Rismayani

doi:10.28932/jutisi.v8i2.4897

Cited by 6 publications

(6 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Extensive research has been conducted on clustering techniques for grouping data. The Fuzzy C-Means algorithm has the highest silhouette index accuracy comparison of 0.2559, which is better than the k-medoids algorithm [8] and has an accuracy rate of 76% when compared to the k-means algorithm [7]. The Fuzzy C-Means algorithm is excellent at detailed grouping [9] based on the data attributes it possesses [10], and it performs exceptionally well in finding high-level clusters [11] Additionally, it can map interactions between different cluster shapes [12] and demonstrate test results with a best percentage of 71.23% [13].…”

Section: Introductionmentioning

confidence: 95%

Fuzzy Clustering-Based Grouping for Mapping the Distribution of Student Success Data

Mustakim,

Aini,

Batubara

et al. 2024

MALCOM

View full text Add to dashboard Cite

Learning activities are the main activity in the overall teaching and learning process in schools. This is because whether or not the achievement of educational goals depends on how the learning process is carried out by students. The uneven level of student success in learning is one of the problems in the school's efforts to realize the vision and mission of SMKN 5 Pekanbaru in preparing skilled graduates to be able to work in certain sectors by the public interest and the industrial world. In this study, mapping and grouping student grade data was carried out using the Fuzzy C-Means algorithm to provide information to the school in making the right decisions and optimizing the learning process. Furthermore, clustering was carried out in several experiments K=3 to K=7, and obtained the best validity value tested with the Silhouette Index of 0.4277 located at K=5. Then the distribution of cluster 5 on student score data was obtained with details, namely cluster 1 with a capacity of 1 student, cluster 2 with a capacity of 27 students, cluster 3 with a capacity of 1 student, cluster 4 with a capacity of 10 students, cluster 5 with a capacity of 23 students.

show abstract

Section: Introductionmentioning

confidence: 95%

Fuzzy Clustering-Based Grouping for Mapping the Distribution of Student Success Data

Mustakim,

Aini,

Batubara

et al. 2024

MALCOM

View full text Add to dashboard Cite

show abstract

“…Dalam penelitian Nur Awalia Syukri Zainal Abidin (dkk) tentang pengelompokan daerah produksi kakao di provinsi Sulawesi Selatan dengan membandingkan algoritma K-Means dan K-Medoids. Berdasarkan hasil percobaan, algoritma K-Means lebih efektif dibandingkan algoritma K-Medoids dalam mengelompokkan wilayah produksi kakao di provinsi Sulawesi Selatan dengan nilai DBI K-Means sebesar 0,292 dan nilai K-Medoids sebesar 0,365 [13].…”

Section: Pendahuluanunclassified

Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall

Rohman,

Wibowo

2024

SINTECH Journal

View full text Add to dashboard Cite

Memahami pelanggan sangat penting untuk mengelola operasi perusahaan. Dengan mengetahui dan memahami setiap pelanggan, dapat meningkatkan komunikasi layanan produk dengan menyesuaikan kebutuhan dan layanan kepada setiap pelanggan. Namun, analisis pelanggan sangat luas sehingga sulit untuk memahami kebutuhan masing-masing pelanggan. Hal ini dapat mencakup berbagai karakteristik dan perilaku pelanggan. Oleh karena itu, diperlukan segmentasi pelanggan untuk mengelompokkan pelanggan berdasarkan perilaku dan karakteristiknya. Tujuan dari penelitian ini adalah membandingkan metode clustering untuk mendapatkan metode yang lebih baik dan optimal dalam mengelompokkan cluster untuk segmentasi pelanggan. Dari permasalahan tersebut, peneliti menerapkan metode CRISP-DM dengan focus pada analisis cluster atau pengelompokkan dengan membandingkan algoritma K-Means dan K-Medoids terhadap Analisa segmentasi pelanggan pada mall. Pada penerapan perbandingan metode K-Means dan K-Medoids, digunakan metode elbow untuk menentukan jumlah cluster yang optimal. Hasil dari metode elbow menunjukkan bahwa penggunaan lima cluster untuk metode K-Means dan empat cluster untuk metode K-Medoids merupakan pilihan yang tepat dalam kasus ini. Langkah selanjutnya adalah mencari nilai Silhouette Coefficient setiap metode yang digunakan dalam perbandingan untuk menentukan metode clustering yang lebih optimal. Hasil nilai yang diperoleh dari metode Silhouette Coefficient masing-masing metode adalah k-means adalah 0,553 dan k-medoid adalah 0,485, sehingga algoritma pengelompokan segmentasi pelanggan terbaik pada penelitian ini adalah algoritma K-means karena memiliki nilai koefisien siluet maksimum.

show abstract

“…Penelitian yang pernah dilakukan dengan kedua algoritma yaitu perbandingan metode clustering yaitu algoritma K-Means dan K-Medoids dalam menentukan hasil cluster, pernah dilakukan oleh [3] dengan judul "Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Produksi Kakao" tujuan pada penelitian ini melakukan proses pengelompokan terhadap wilayah produksi kakao di Provinsi Sulawesi Selatan, perbandingan kinerja dua algoritma yaitu K-Means dan K-Medoids dilakukan dengan satu dataset. Hasil dari analisis menunjukan bahwa, berdasarkan perbandingan nilai DBI menggunakan RapidMiner diperoleh algoritma K-Means menghasilkan nilai DBI 0,292 dan K-Medoids menghasilkan nilai DBI 0,365 dengan masing-masing nilai k adalah 4.…”

Section: Pendahuluanunclassified

Perbandingan Algoritma K-Means Dan K-Medoids Untuk Pengelompokan Hasil Pertanian Di Kabupaten Cirebon

Nafilah,

Rahaningsih,

Danar Dana

2024

jati

View full text Add to dashboard Cite

Dataset mengenai pengelompokan hasil produksi pertanian Dinas Pertanian Kabupaten Cirebon saat ini masih belum tersedia. Keterbatasan dataset ini membuat kurangnya informasi mengenai perbedaan dan keunggulan hasil pertanian antar kecamatan. Oleh karena itu, sebagai salah satu usaha dalam membantu Dinas Pertanian untuk memudahkan pemberian informasi kepada masyarakat dan pihak tertentu dalam mencari informasi, dengan melakukan pengolahan data yaitu pengelompokan yang dapat menyelesaikan permasalahan tersebut. Diperlukan adanya pengelompokan yaitu untuk pemetaan kecamatan dengan hasil produksi pertanian menggunakan metode clustering. Metode clustering yang diterapkan adalah algoritma K-Means dan K-Medoids. Kemudian dilakukan perbandingan berdasarkan nilai Davies Bouldin Index (DBI) kedua algoritma agar bisa memilih algoritma clustering terbaik. Tujuannya untuk mengetahui setiap Kecamatan di Kabupaten Cirebon dengan hasil pertanian yang terkumpul dalam suatu cluster tertentu. Microsoft Excel dan RapidMiner digunakan untuk proses pengolahan data. Metode pendekatan menggunaan teknik data mining Knowledge Discovery in Database Process (KDD) dengan langkah dalam prosesnya adalah data selection, prepocessing, transformasi, data mining dan evaluasi. Hasil perbandingan antara K-Means dan K-Medoids menunjukan bahwa nilai DBI pada K-Means sebesar 0,368 mendapatkan 3 cluster sedangkan nilai DBI K-Medoids sebesar 0,706 mendapatkan 8 cluster. Dapat disimpulkan nilai optimal K-Means menghasilkan 0,368 dengan 3 cluster.

show abstract

Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Daerah Produksi Kakao

Cited by 6 publications

References 6 publications

Fuzzy Clustering-Based Grouping for Mapping the Distribution of Student Success Data

Fuzzy Clustering-Based Grouping for Mapping the Distribution of Student Success Data

Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall

Perbandingan Algoritma K-Means Dan K-Medoids Untuk Pengelompokan Hasil Pertanian Di Kabupaten Cirebon

Contact Info

Product

Resources

About