Using k-means++ algorithm for researchers clustering

Rukmi, Alvida Mustika; Iqbal, Ikhwan Mohammad

doi:10.1063/1.4994455

Cited by 9 publications

(8 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Namun, aktivitas penghambatan oleh jahe lebih tinggi dibandingkan simplisia lainnya. Ini dibuktikan oleh hasil penelitian Rukmi (2009) yang melaporkan bahwa terdapat kapang terutama jenis-jenis Aspergillus pada simplisia rimpang kunyit, temulawak, daun sambiloto, dan buah mahkota dewa. Rimpang kunyit ditemukan 7 jenis Aspergillus, rimpang temulawak ditemukan 12 jenis, daun sambiloto ditemukan 5 jenis, dan buah mahkota dewa ditemukan 5 jenis dengan masing-masing persentase frekuensi kehadiran kapang sebesar 10-90%.…”

Section: Pembahasanunclassified

Analisis Cemaran Kapang/Khamir Pada Serbuk Simplisia Obat Tradisional

Dewi¹,

RM²

2021

jfu

View full text Add to dashboard Cite

Obat tradisional sangat bermanfaat bagi kesehatan, dan kini digencarkan penggunaannya karena lebih mudah dijangkau. Bahan baku yang digunakan adalah berupa bahan tumbuhan, bahan hewan, bahan mineral atau campuran dari bahan tersebut. Bagian tanaman yang biasa digunakan berupa akar, rimpang, batang, buah, daun, bunga, dan kulit kayu. Bahan-bahan tersebut digunakan dalam bentuk segar atau kering (simplisia). Penyimpanan simplisia pada kondisi yang tidak terkontrol dengan baik akan menyebabkan hadirnya berbagai jenis mikroorganisme terutama kapang. Tujuan penelitian ini adalah menganalisis tingkat cemaran kapang/khamir pada simplisia tanaman obat tradisional. Sampel yang digunakan dalam penelitian ini adalah simplisia rimpang kunyit, rimpang temulawak, rimpang jahe, daun sambiloto, dan buah mahkota dewa. Simplisia diperoleh dari lima pedagang di Pasar Tradisional Aceh. Pengujian cemaran kapang dari sampel menggunakan teknik cawan agar sebar (spread plate method) pada media PDA. Hasil penelitian menunjukkan bahwa AKK simplisia rimpang kunyit 46—120 koloni/gram, rimpang temulawak 50—96 koloni/gram, rimpang jahe 23—43 koloni/gram, daun sambiloto 46—100 koloni/gram, dan buah mahkota dewa 43—83 koloni/gram. Angka kapang/khamir ini kurang dari yang ditetapkan oleh BPOM (?104 koloni/g).

show abstract

Section: Pembahasanunclassified

Analisis Cemaran Kapang/Khamir Pada Serbuk Simplisia Obat Tradisional

Dewi¹,

RM²

2021

jfu

View full text Add to dashboard Cite

show abstract

“…Sementara itu, fitur dinamitas digunakan untuk menangkap kedinamisan perubahan nilai dari fitur produktivitas. Selain fitur yang dihasilkan dari kinerja publikasi peneliti, informasi tekstual yang didapatkan dari judul dan abstrak [9] atau dari kata kunci [10] artikel ilmiah juga bisa digunakan untuk melakukan klasterisasi peneliti.…”

Section: Pendahuluanunclassified

Ekstraksi Fitur Produktivitas Dinamis berdasarkan Topik Artikel Ilmiah untuk Klasterisasi Peneliti

Haniefardy

Purwitasari

Fatichah

2021

View full text Add to dashboard Cite

Pengelompokkan peneliti seringkali menggunakan informasi tekstual yang terdapat pada artikel ilmiah peneliti, contohnya judul, abstrak, dan kata kunci sehingga menghasilkan kelompok peneliti dengan kemiripan informasi tekstual pada artikel ilmiah mereka. Pengelompokkan peneliti juga seringkali menggunakan jumlah publikasi dan sitasi sehingga menghasilkan kelompok peneliti yang memiliki jumlah publikasi dan sitasi yang cenderung sama. Berdasarkaan kedua metode di atas, penelitian ini mencoba untuk menganalisis penggunaan topik artikel ilmiah pada proses ekstraksi fitur produktivitas. Fitur ini merupakan fitur yang didapatkan melalui penghitungan kinerja peneliti berdasarkan jumlah publikasi dan sitasi. Hasil ekstraksi fitur akan digunakan untuk klasterisasi peneliti menggunakan metode K-Means++. Sebelum data peneliti diklasterisasi, terlebih dahulu data peneliti dianalisis untuk menghilangkan kemungkinan adanya outlier. Evaluasi hasil klaster dilakukan dengan mempertimbangkan nilai Sum Squared Error dan Silhouette. Hasilnya, klaster optimal didapatkan dengan nilai K sama dengan 8 dan nilai silhouette sama dengan 0.15396. Kemudian, hasil klaster dianalisis untuk dapat memberikan label terhadap masing-masing klaster dengan mempertimbangkan topik artikel ilmiah, jumlah publikasi dan jumlah sitasi.

show abstract

“…Mean squared error (MSE) is used to facilitate training and some overall error measure is often used as a performance metric or an objective function [35].…”

Section: Mean Squared Errormentioning

confidence: 99%

“…User relationships in the clustering could be known through centrality. There are three general centrality measurements, as reported below [35]:…”

Section: Social Network Analysismentioning

confidence: 99%

Design of an Unsupervised Machine Learning-Based Movie Recommender System

2020

View full text Add to dashboard Cite

This research aims to determine the similarities in groups of people to build a film recommender system for users. Users often have difficulty in finding suitable movies due to the increasing amount of movie information. The recommender system is very useful for helping customers choose a preferred movie with the existing features. In this study, the recommender system development is established by using several algorithms to obtain groupings, such as the K-Means algorithm, birch algorithm, mini-batch K-Means algorithm, mean-shift algorithm, affinity propagation algorithm, agglomerative clustering algorithm, and spectral clustering algorithm. We propose methods optimizing K so that each cluster may not significantly increase variance. We are limited to using groupings based on Genre and Tags for movies. This research can discover better methods for evaluating clustering algorithms. To verify the quality of the recommender system, we adopted the mean square error (MSE), such as the Dunn Matrix and Cluster Validity Indices, and social network analysis (SNA), such as Degree Centrality, Closeness Centrality, and Betweenness Centrality. We also used average similarity, computational time, association rule with Apriori algorithm, and clustering performance evaluation as evaluation measures to compare method performance of recommender systems using Silhouette Coefficient, Calinski-Harabaz Index, and Davies–Bouldin Index.

show abstract

Using k-means++ algorithm for researchers clustering

Cited by 9 publications

References 4 publications

Analisis Cemaran Kapang/Khamir Pada Serbuk Simplisia Obat Tradisional

Analisis Cemaran Kapang/Khamir Pada Serbuk Simplisia Obat Tradisional

Ekstraksi Fitur Produktivitas Dinamis berdasarkan Topik Artikel Ilmiah untuk Klasterisasi Peneliti

Design of an Unsupervised Machine Learning-Based Movie Recommender System

Contact Info

Product

Resources

About