Perbandingan Distance Space Manhattan Dengan Euclidean Pada K-Means Clustering Dalam Menentukan Promosi

Perbandingan Distance Space Manhattan Dengan Euclidean Pada K-Means Clustering Dalam Menentukan Promosi

• By Fajriah, Rahma Isparani; Sutisna, Herlan; Simpony, Bambang Kelana;
• Jurnal Nasional Terakreditasi
• 313
• 36-49

Dinamika pola pendidikan yang begitu cepat dan silih berganti menjadikan persaingan antar
sekolah semakin ketat dan atraktif , Dengan adanya persaingan ini strategi pemasaran yang
tepat untuk lembaga pendidikan mutlak diperlukan, tak terkecuali untuk SMK Muhammadiyah
Cimanggu. Untuk memperoleh strategi pemasaran yang efektif, maka penulisan ini dilakukan
dengan cara mengolahan data history dengan tujuan mengetahui pola, sehingga dapat
mengambil informasi yang tersembunyi dari data-data tersebut. Metode pengolahan data
seperti ini sering disebut sebagai data mining. K-Means merupakan salah satu metode data
clustering non hirarki yang sederhana. Pada penulisan ini, membandingan dua distance space
yaitu antara Manhattan (City Block) dan Euclidean. Dari hasil penulisan dapat dilihat bahwa
jumlah kluster terbaik pada data siswa SMK Muhammadiyah Cimanggu yaitu 3 kluster, hal ini
dapat dilihat dari hasil selisih nilai Sum Square Error (SSE), nilai selesih terbesar pada metode
Euclidean distance space yaitu sebesar 5.882 berada dititik kluster 3 dan nilai selesih terbesar
pada metode Manhattan distance space yaitu sebesar 5.758 berada dititik kluster 3, Hal ini
menunjukan bahwa jumlah cluster optimal untuk data siswa SMK Muhammadiyah Cimanggu
yaitu sebanyak tiga cluster. dilihat dari Average within Centroid distance, Euclidean lebih kecil
dibandingkan dengan manhattaan yaitu 15.115 < 15.398 , oleh karna itu Distance measure
paling optimal untuk digunakan dalam kasus pengclusteran data siswa SMK Muhammadiyah
Cimanggu adalah Euclidean distance.

• Katakunci
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/ijcit/article/view/4630
• Penerbit ,

REFERENSI

Anggara, M., Sujiani, H., & Helfi, N. (2016).
Pemilihan Distance Measure Pada KMeans Clustering Untuk
Pengelompokkan Member Di Alvaro
Fitness. Jurnal Sistem Dan Teknologi
Informasi, 1(1), 1–6.
Burhanuddin, A., Utami, E., & Pramono, E.
(2017). Perbandingan Metode Single
Linkage dan Fuzzy C Means Untuk
Pengelompokkan Trafik Internet, XII, 1–
6.
Chasanah, T. T., & Widiyono. (2017).
Penentuan Strategi Promosi
Penerimaan Mahasiswa Baru dengan
Algoritma Clustering K-Means. IC-Tech,
XII(1), 39–44.
Eka Merliana, N. P., Ernawati, & Santoso, A.
J. (2015). Analisa Penentuan Jumlah
Cluster Terbaik Pada Metode K-Means.
Prosiding Seminar Nasional Multi
Disiplin Ilmu&Call for Papers Unisbank
(Sendi_U), 978–979.
Hedynata, M. L., & E.D.Radianto, W. (2016).
Strategi Promosi Dalam Meningkatkan
Penjualan Luscious Chocolate Potato
Snack. Jurnal Manajemen, 1(1), 87–96.
Retrieved from

Hendrawan,	B.	(2015).	Artikel PGRI Geteway Absensi	Skripsi Kediri. Untuk Siwa, 1–16.
Unersitas	Nusantara
Implementasi	Sms
Layanan	Informasi
01(11),
https://doi.org/10.1.03.03.0022
Ong, J. O. (2013). Implementasi Algotritma K
means	clustering	untuk	menentukan
strategi marketing president unersity.
Jurnal Ilmiah	Teknik Industri, vol.12,
no(juni), 10–20.
Sulastri,	H.,	&	Gufroni,	A.	I.	(2017). Dalam
Penerapan	Data	Mining
Pengelompokan	Penderita
Thalassaemia.	Jurnal	Teknologi Dan
Sistem Informasi, 3(2), 299.
Yoga Religia. (2016). Metode Manhattan ,
Euclidean	Dan	Chebyshev	Pada
Algoritma	K-Means	Untuk
Pengelompokan Status Desa.
Yudi Agusta. (2007). NIMH report presents
latest	data	on	inpatient	psychiatric

services for patients 65 and over. News
& Notes, 3(11), 47–60.