Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa

Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa

• By Muningsih, Elly; Maryani, Ina; Handayani, Vembria Rose;
• Jurnal Nasional Terakreditasi
• 256
• 95-100

Abstrak : Metode K-Means merupakan salah satu metode Data Mining yang banyak digunakan dalam penelitian pengelompokan. Namun metode K-Means memiliki beberapa kekurangan, salah satunya yaitu dalam penentuan jumlah cluster. Penelitian kali ini akan mengaplikasikan Indeks Davies Bouldin (DBI) sebagai salah satu cara optimasi jumlah cluster untuk mengelompokkan propinsi berdasar potensi desa dengan banyaknya jenis industri yang dimiliki wilayahnya. Data yang digunakan adalah data banyaknya desa atau kelurahan menurut keberadaan dan jenis industri kecil dan mikro (desa). Pengolahan data menggunakan aplikasi RapidMiner. Pengujian dilakukan dengan mencari nilai terkecil dari DBI dimana setelah data di olah diketahui nilai terkecil adalah 0,175 di jumlah cluster 3.

• Katakunci metode K-Means, pengelompokan, Index Davies Bouldin
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/evolusi/article/view/10428
• Penerbit LPPM Universitas Bina Sarana Informatika, Jakarta Jawa Barat

REFERENSI

 

Bates, A., & Kalita, J. (2016). Counting clusters in twitter posts. ACM International Conference Proceeding Series, 04-05-March-2016. https://doi.org/10.1145/2905055.2905295

Dewi Kusumah, R., Warsito, B., & Abdul Mukid, M. (2017). Perbandingan metode k – means dan self organizing map (Studi kasus: pengelompokan kabupaten/kota di jawa tengah berdasarkan indikator indeks pembangunan manusia 2015). Jurnal Gaussian, Vol 6 No 3 Tahun 2017, 6, 429–437.

Irhamni, F., Damayanti, F., Khusnul K, B., & A, M. (2014). Optimalisasi pengelompokan kecamatan berdasarkan indikator pendidikan menggunakan metode clustering dan davies bouldin index. Seminar Nasional Dan Teknologi UMJ, (11), 1–6.

Larose, D. T., & Larose, C. D. (2014). Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition. In Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition (Vol. 9780470908747). https://doi.org/10.1002/9781118874059

Muningsih, E. (2018). Komparasi Metode Clustering K-Means dan K-Medoids dengan Model Fuzzy RFM untuk Pengelompokan Pelanggan. JurnalEvolusi,6(2)

Muningsih, E., & Kiswati, S. (2015). Penerapan Metode K-Means Untuk Clustering Produk Online Shop. Jurnal Bianglala Informatika, 3(1).

Nanda, S. R., Mahanty, B., & Tiwari, M. K. (2010). Expert Systems with Applications Clustering Indian stock market data for portfolio management. Expert Systems With Applications, 37(12), 8793–8798. https://doi.org/10.1016/j.eswa.2010.06.026

Yudi Agusta. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem Dan Informatika, 3(Februari), 47–60.