Self-Organizing Map Menggunakan Davies-Bouldin Index dalam Pengelompokan Wilayah Indonesia Berdasarkan Konsumsi Pangan

Kartikasari, Mujiati Dwi

doi:10.34312/jjom.v3i2.10942

Cited by 4 publications

(4 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…SOM adalah generalisasi dari jaringan kompetitif serta jaringan tanpa [2]. SOM memiliki beberapa keunggulan yang dapat membedakannya dengan metode lain, diantaranya (1) SOM tidak perlu membuat asumsi tentang distribusi variabel, juga tidak memerlukan independensi antar variabel (2) lebih mudah diterapkan dan dapat memecahkan masalah nonlinier yang sangat kompleks (3) dapat menangani noise dengan lebih efektif dan kasus data yang hilang, ukuran sangat kecil dan ukuran sampel tidak terbatas [3]. Selain itu, SOM memiliki kemampuan untuk pemetaan yang cukup efisien serta bias rendah, sebab menghitung secara mandiri serta cepat menurut fitur atau kesamaan fitur dari data input [4].…”

Section: Pendahuluanunclassified

Penerapan Metode Clustering Self Organizing Maps (Som) Dan K-Affinity Propagation (K-Ap) Dalam Mengelompokkan Nilai Tukar Petani Di Indonesia 2022

Hastuti,

Nurmayanti,

Saputri

2023

variance

View full text Add to dashboard Cite

Sektor pertanian masih menjadi sorotan utama di Indonesia, hal ini dikarenakan kontribusi sektor pertanian terhadap perekonomian nasional cukup besar dan penyerapan tenaga kerja pada sektor pertanian terbilang cukup tinggi. Keberhasilan pembangunan di sektor pertanian dapat dilihat pada tingkat kesejahteraan petani dengan indikator Nilai Tukar Petani (NTP). Dalam rangka meningkatkan kesejahteraan petani di Indonesia dibutuhkan suatu analisis pengelompokan wilayah yang berguna untuk memetakan persebaran tingkat kesejahteraan petani. Analisis yang dapat digunakan adalah analisis clustering dengan algoritma Self Organizing Maps (SOM) dan K-Affinity Propagation (K-AP). Kedua metode cluster tersebut dapat diterapkan hampir disemua sektor, salah satunya sektor pertanian. Penelitian bertujuan untuk menguraikan hasil clustering metode SOM dengan K-AP dan untuk mengetahui hasil pengelompokan NTP terbaik antara metode SOM dengan K-AP. Hasil penelitian dengan metode SOM dan K-AP cluster terbaik yang terbentuk sebanyak 3 cluster. Pada metode SOM cluster 1 terdapat 14 provinsi, cluster 2 terdapat 19 provinsi dan cluster 3 terdapat 1 porvinsi. Sedangkan untuk metode K-AP, terdapat 11 provinsi pada cluster 1, 22 provinsi pada cluster 2 dan 1 provinsi cluster 3. Metode SOM memiliki nilai rasio sebesar 18,59997 dan pada metode K-AP memiliki nilai rasio sebesar 38,04833. Dari nilai rasio yang didapatkan pada kedua metode tersebut, dapat disimpulkan bahwa nilai rasio metode SOM lebih kecil dibandingkan K-AP, sehingga analisis cluster data NTP berdasarkan subsektor pertanian di Indonesia tahun 2022 lebih baik jika menggunakan metode SOM dengan 3 cluster.

show abstract

Section: Pendahuluanunclassified

Penerapan Metode Clustering Self Organizing Maps (Som) Dan K-Affinity Propagation (K-Ap) Dalam Mengelompokkan Nilai Tukar Petani Di Indonesia 2022

Hastuti,

Nurmayanti,

Saputri

2023

variance

View full text Add to dashboard Cite

show abstract

“…Evaluasi menggunakan Davies Bouldin Index ini adalah evaluasi yang berkerja di internal cluster, dimana baik atau tidaknya hasil cluster dilihat dari nilai DBI yang terkecil [16]. Davies-Bouldin Index merupakan salah satu metode yang digunakan untuk mengukur sejauh mana ketepatan suatu cluster pada suatu metode clustering [17]. Kohesi didefinisikan sebagai jumlah dari kedekatan data terhadap titik pusat cluster dari cluster yang diikuti.…”

Section: Davies Bouldin Indexunclassified

Clustering Pengunjung Mall Menggunakan Metode K-Means dan Particle Swarm Optimization

Dista

Abdulloh

2022

mib

View full text Add to dashboard Cite

This research aims to cluster mall visitors. This is motivated by the mall's income which has decreased since the pandemic. Later from these several clusters we can find out the characteristics of the mall's visitors. Those characteristics will be used later to increase the income from the mall. In this research, we use a dataset from Kaggle named Pengunjung_mall in CSV format which will later be processed using Python language on Jupiter Notebooks using the K-Means method. To ensure how accurate the K-Means method is, optimization is carried out using the PSO (Particle Swarm Optimization) method. After performing clustering and optimization using Jupyter Notebook, the results will then be evaluated with DBI (Davies Bouldin Index) in Microsoft Excel to find out how well the Clustering is generated. The Clustering results obtained are used as a reference to determine the characteristics of mall visitors which is one strategy to increase Mall profits. As a result, we have succeeded in dividing mall customers into 5 clusters based on their annual earned income and expense scores. The cluster has been optimized with PSO and has succeeded in increasing the cluster resulting from the K-Means method which is proven by the Davies Bouldin Index method. This research has concluded that customers who have high income levels and have high spending scores are the targets with the highest priority level for malls.

show abstract

“…Dalam pengujian ini digunakan clustering dengan algoritma self organizing maps (SOM) / kohonen maps diketahui SOM lebih stabil dikarenakan untuk input sesuai data yang dimiliki bukan random, hanya pembobotan saja yang dilakukan secara random namun berdasarkan nilai batas. Penelitian clustering dengan SOM pernah dilakukan Mujiati Dwi Kartikasari menerapkan SOM dan Davies-Bouldin Index untuk mengelompokkan wilayah Indonesia berdasarkan konsumsi pangan, capaiannya adalah berhasil membentuk 4 cluster optimum dengan masing-masing anggota pada cluster 1 sebanyak 22 provinsi, pada cluster 2 sebanyak 10 provinsi, pada cluster 3 sebanyak 1 provinsi, dan pada cluster 4 sebanyak 1 provinsi [15]. Asrul Asahri Muin juga melakukan penelitian tentang SOM yaitu implementasi SOM untuk klasifikasi penduduk dalam menentukan keputusan pembangunan daerah prioritas miskin di Kota Makassar.…”

Section: Pendahuluanunclassified

Self Organizing Maps (Kohonen) untuk Cluster Bidang Karya Ilmiah (Skripsi) Mahasiswa Berdasarkan Nilai-Nilai Matakuliah Pendukung Machine Learning

Sunandar¹,

Hasan²

2022

JoSYC

View full text Add to dashboard Cite

The time for the preparation of scientific papers is considered too fast and not suitable for students due to several things in the scope of its preparation. One of the reasons is that the student is unable to complete and the supporting aspects of the field of scientific work being done, many students whose topics of scientific work are in machine learning or the like, but these students are unable to complete their scientific work because they do not understand the theoretical supporting knowledge of the machine learning field. So that it can make the student depressed or even harder to repeat his scientific work the next semester. The scope of machine learning courses are statistics and probability, matrix and linear algebra, algorithms and programming, and data structures. This research was conducted to overcome the problems faced by students, namely knowing the suitability group for the field of student scientific work they will be working on. So that in its preparation students can be responsible in their trial and are of higher quality. The clustering test with the self organizing maps (SOM) algorithm is more stable because the input according to the data owned is not random, only the weighting is done randomly but based on the uniform low (mins) and high (max) limit values. The desired number of clusters is two namely cluster 0 is able to do scientific work based on machine learning and cluster 1 vice versa. The SOM process for 40 student data with a target of two clusters and the results are cluster 0 = 14 students, cluster 1 = 26 students. The result is obtained by increasing the radius = 1, which previously this achievement was not successful if radius = 0.

show abstract

Self-Organizing Map Menggunakan Davies-Bouldin Index dalam Pengelompokan Wilayah Indonesia Berdasarkan Konsumsi Pangan

Cited by 4 publications

References 10 publications

Penerapan Metode Clustering Self Organizing Maps (Som) Dan K-Affinity Propagation (K-Ap) Dalam Mengelompokkan Nilai Tukar Petani Di Indonesia 2022

Penerapan Metode Clustering Self Organizing Maps (Som) Dan K-Affinity Propagation (K-Ap) Dalam Mengelompokkan Nilai Tukar Petani Di Indonesia 2022

Clustering Pengunjung Mall Menggunakan Metode K-Means dan Particle Swarm Optimization

Self Organizing Maps (Kohonen) untuk Cluster Bidang Karya Ilmiah (Skripsi) Mahasiswa Berdasarkan Nilai-Nilai Matakuliah Pendukung Machine Learning

Contact Info

Product

Resources

About