Perpustakaan Universitas Padjajaran
Pencarian Spesifik

Detail Cantuman

Image of PERBANDINGAN K-MEANS CLUSTERING, ADAPTIVE K-MEANS CLUSTERING DAN FUZZY K-MEANS CLUSTERING BERDASARKAN INTERNAL VALIDATION DAN EXTERNAL VALIDATION (Studi Kasus : Pengelompokkan Kabupaten/Kota di Jawa Barat Berdasarkan Indikator Kesejahteraan Rakyat)

 

PERBANDINGAN K-MEANS CLUSTERING, ADAPTIVE K-MEANS CLUSTERING DAN FUZZY K-MEANS CLUSTERING BERDASARKAN INTERNAL VALIDATION DAN EXTERNAL VALIDATION (Studi Kasus : Pengelompokkan Kabupaten/Kota di Jawa Barat Berdasarkan Indikator Kesejahteraan Rakyat)

K-Means merupakan salah satu metode pengelompokkan data
nonhirarki. Kelebihan dari metode ini adalah sederhana, mudah

  • CodeCallNoLokasiKetersediaan
    010030007642519.5 Kik p/R.14.44.1Perpustakaan PusatTersedia
  • Perpustakaan
    Perpustakaan Pusat
    Judul Seri
    -
    No. Panggil
    519.5 Kik p/R.14.44.1
    Penerbit Magister Statistika Terapan : Bandung.,
    Deskripsi Fisik
    xiv,; 76 hlm,;29 cm
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    519.5
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    2017
    Subyek
    K-Means 2. Adaptive K-Means 3. Fuzzy K-Means
    Info Detil Spesifik
    Tesis
    Pernyataan Tanggungjawab
  • K-Means merupakan salah satu metode pengelompokkan data
    nonhirarki. Kelebihan dari metode ini adalah sederhana, mudah
    diimplementasikanldijalankan dan juga mudah diadaptasi, namun metode ini juga
    memiliki beberapa kelemahan antara lain mengharapkan pengguna untuk
    menentukan banyak cluster terlebih dahulu dan juga sifat kaku (hard) yang
    dimiliki. Untuk mengatasi kelemahan K-Means telah dikembangkan Adaptive K­
    Means Clustering dan Fuzzy K-Means Clustering. Adaptive K-Means
    mengestimasi banyaknya cluster secara otomatis dan Fuzzy K-Means
    mempertimbangkan tingkat keanggotaan himpunan fuzzy sebagai dasar
    pembobotan sehingga memungkinkan suatu obyek menjadi anggota dari satu atau
    lebih cluster.

    Dengan bantuan program R diperoleh perbandingan antara K-Means,
    Adaptive K-Means dan Fuzzy K-Means berdasarkan internal validation index dan
    external validation index dengan menggunakan data simulasi 2dnormal,
    ringnorm, shapes, smiley, cassini danfaithfulNdata dimana berdasarkan internal
    validation index, K-Means lebih tepat digunakan untuk mengelompokkan data
    simulasi ringnorm dan smiley, Fuzzy K-Means lebih tepat digunakan untuk
    mengelompokkan data simulasi 2dnormal, K-Means Clustering dan Fuzzy K­
    Means Clustering sama-sama tepat digunakan untuk mengelompokkan data
    simulasi shapes dan cassini, K-Means Clustering, Fuzzy K-Means Clustering dan
    Adaptive K-Means Clustering sama-sama tidak tepat digunakan untuk
    mengelompokkan data simulasi yang mengandung noise/outlier. Berdasarkan
    external validation index, Fuzzy K-Means Clustering lebih tepat dalam
    mengelompokkan data simulasi 2dnormal, ringnorm, shapes, smiley, dan cassini.
    Sedangkan dalam mengelompokkan data simulasi faithfulNdata, Adaptive K­
    Means Clustering lebih tepat.

    iv

    v

    Untuk data Indikator Kesejahteraan Rakyat tahun 2014 Provinsi J awa
    Barat, dilakukan explorasi sehingga diketahui bahwa sebaran datanya mendekati
    jenis data simulasi 2dnormal oleh karena itu dilakukan pengelompokkan terhadap
    data riil tersebut menggunakan algoritma Fuzzy K-Means Clustering. Hasil
    pengelompokkan menghasilkan enam cluster, kemudian dilakukan profiling
    menghasilkan dua cluster dengan profil Kesejahteraan Baik, dua cluster dengan
    profil Kesejahteraan Cukup Baik dan dua cluster dengan profil Kesejahteraan
    Tidak Baik.

    4. Abstract

    K-Means is one method of grouping data nonhirarki. The advantage of this
    method is simple, easy to implement / execute and is also easily adjusted, but this
    method also has some disadvantages, among others expect the user to specify a
    lot of clusters in advance and also the characteristics of rigid (hard) owned. To
    overcome the disadvantages of K-Means has developed Adaptive K-Means
    Clustering and Fuzzy K-Means Clustering. Adaptive K-Means estimate the
    number of clusters automatically and Fuzzy K-Means considering the level set as
    the basic weighted fuzzy membership so as to allow the object becomes a member
    oJ one or more clusters.

    With the help of the program R for comparison between K-Means,
    Adaptive K-Means and Fuzzy K-Means based index of internal validation and
    index external validation using simulated data 2dnormal, ringnorm, shape,
    smiley, Cassini and faithfulNdata simulation data which is based on the index of
    internal validation K -Means more appropriately used to classify smiley and
    ringnorm, Fuzzy K-Means is more appropriate to classify Zdnormal, K-Means
    Clustering and Fuzzy K-Means Clustering used to classify shapes and cassini, K ­
    Means clustering, Fuzzy K-Means clustering and Adaptive K-Means clustering
    together inappropriately used to classify simulation data containing noise /
    outlier. Based indices external validation, Fuzzy K-Means Clustering is more
    appropriate to classify simulated data Zdnormal, ringnorm, shape, smiley, and
    Cassini. While simulated data faithfulNdatat, Adaptive K-Means Clustering is
    more appropriate.

    Welfare Indicators 2014 of West Java Province, exploration to determine
    that the data distribution is closer to the type 2dnormal simulation data for the
    grouping algorithms to real data using Fuzzy K-Means Clustering. Groupped
    produce six cluster, then do profiling resulted in two cluster with the profile of
    Prosperity "Good", two clusters with profiles "Good Enough" and two clusters
    with profiles "Not Good".

  • Tidak tersedia versi lain

  • Silakan login dahulu untuk melihat atau memberi komentar.


//

Informasi