Dokumen tersebut membahas tentang praktikum analisis cluster. Terdapat beberapa tahapan dalam analisis cluster, yaitu mendefinisikan cluster, mengukur kesamaan antar objek, memilih algoritma cluster untuk membentuk kelompok, dan menentukan jumlah cluster. Dokumen ini juga menjelaskan beberapa metode cluster seperti hierarchical dan k-means clustering beserta ilustrasinya.
Dokumen tersebut membahas tentang clustering, yaitu teknik pembelajaran tak terawasi untuk mengelompokkan data berdasarkan kesamaan. Dibahas beberapa metode clustering seperti K-Means, hierarchical clustering, dan Fuzzy C-Means beserta ilustrasinya."
1. Studi ini membandingkan akurasi hasil pengelompokan antara metode Fuzzy C-Means Clustering (FCM) dan Latent Class Clustering Analysis (LCCA) terhadap data simulasi dan riil kabupaten/kota di Jawa-Bali berdasarkan 13 indikator pembangunan.
2. Hasilnya menunjukkan LCCA mampu mencapai akurasi 89%-99% sedangkan FCM hanya 50%, menandakan kinerja LCCA lebih baik. Korelasi antar variabel juga tid
Dokumen tersebut membahas tentang clustering, yaitu teknik pembelajaran tak terawasi untuk mengelompokkan data berdasarkan kesamaan. Dibahas beberapa metode clustering seperti K-Means, hierarchical clustering, dan Fuzzy C-Means beserta ilustrasinya."
1. Studi ini membandingkan akurasi hasil pengelompokan antara metode Fuzzy C-Means Clustering (FCM) dan Latent Class Clustering Analysis (LCCA) terhadap data simulasi dan riil kabupaten/kota di Jawa-Bali berdasarkan 13 indikator pembangunan.
2. Hasilnya menunjukkan LCCA mampu mencapai akurasi 89%-99% sedangkan FCM hanya 50%, menandakan kinerja LCCA lebih baik. Korelasi antar variabel juga tid
1. Penelitian ini membandingkan metode Learning Vector Quantization (LVQ) dan Fuzzy C-Means (FCM) dalam sistem analisis butir soal.
2. Hasil pengujian menunjukkan sistem FCM memiliki tingkat akurasi 70% sedangkan sistem LVQ hanya 66%, sehingga metode FCM lebih baik untuk analisis butir soal.
3. Kedua metode tersebut merupakan pendekatan dalam data mining yang masing-masing memiliki kelebihan dan kekurangan tertentu
komparasi LVQ dengan FCM dalam Analisis Butir Soal Halley AI
1. Penelitian ini membandingkan dua metode untuk sistem analisis butir soal yaitu Learning Vector Quantization (LVQ) dan Fuzzy C-Means (FCM).
2. Hasil pengujian menunjukkan bahwa sistem yang menggunakan metode FCM memiliki tingkat akurasi 70% dan lebih baik dari sistem LVQ yang hanya mencapai 66%.
3. Oleh karena itu, metode FCM dianggap lebih baik untuk dikembangkan menjadi sistem analisis butir
Program menggunakan klastering K-means untuk mengelompokkan nilai UTS dan UAS siswa ke dalam kelas-kelas tertentu berdasarkan jaraknya dari pusat klaster. Program dibuat dengan bahasa Delphi dan menghasilkan visualisasi penempatan nilai siswa di kelas mana.
1. Unsupervised learning digunakan untuk pengelompokkan data tanpa label melalui clustering.
2. K-means clustering dan hierarchical clustering adalah dua pendekatan utama clustering.
3. Pemilihan parameter seperti jumlah cluster pada k-means mempengaruhi akurasi hasil clustering.
Jawaban No. 2 Tahap-Tahap Data Mining Karena DM adalah suatu ...butest
Tahapan data mining terdiri dari pembersihan data, integrasi data, transformasi data, teknik data mining, evaluasi pola, dan presentasi pengetahuan. Proses ini bersifat interaktif dengan pengguna untuk menemukan pola dan informasi menarik dari data.
Class yang terlibat pada permainan Daduku adalah:
1. Class Dadu
2. Class Pemain
3. Class Permainan
Class Dadu digunakan untuk mewakili dadu yang dilempar. Class Pemain digunakan untuk mewakili pemain yang bermain. Class Permainan digunakan untuk mewakili permainan Daduku itu sendiri, yang akan mengelola objek Dadu dan Pemain untuk menentukan pemenang permainan.
Sistem pendukung keputusan ini dirancang untuk membantu PT Kereta Api Indonesia DAOP 8 Surabaya dalam memilih mitra tender proyek dengan metode Promethee. Sistem ini akan menilai calon mitra berdasarkan kriteria prakualifikasi dan pascakualifikasi, kemudian memberikan peringkat untuk memilih pemenang tender berdasarkan preferensi pengambil keputusan. Harapannya sistem ini dapat meningkatkan akurasi dan efisiensi proses seleksi mitra tender proy
Bab 13 membahas pengenalan konsep Java generics. Generics memungkinkan pendeklarasian class dan method yang dapat bekerja dengan berbagai tipe data. Class generics dideklarasikan dengan menambahkan parameter tipe antara kurung siku setelah nama class. Method generics dideklarasikan dengan menambahkan parameter tipe sebelum nama method. Generics membantu menghilangkan kebutuhan typecasting dan meningkatkan keamanan tipe data.
Atribut dari Kelas Kapsul
- private double panjang
- private double lebar
- private double tinggi
Method dari Kelas Kapsul
- private double luas(double p, double l)
Accessor Method dari Kelas Kapsul
- public double getPanjang()
- public double getLebar()
Mutator Method dari Kelas Kapsul
- public void setPanjang(double panjang)
- public void setLebar(double lebar)
Objek pada kelas Enkapsulasi
- Kapsul pp
Jurnal metode clustering dengan algoritma fuzzy c means untuk rekomendasi pem...ym.ygrex@comp
Dokumen tersebut membahas tentang penerapan metode clustering dengan algoritma Fuzzy C-Means untuk merekomendasikan mahasiswa memilih bidang keahlian di Program Studi Teknik Informatika berdasarkan nilai mata kuliah prasyarat. Algoritma Fuzzy C-Means digunakan untuk mengelompokkan mahasiswa ke dalam beberapa kluster sesuai kemampuan mereka agar mendapat rekomendasi bidang keahlian yang tepat.
Penginderaan Jauh : Klasifikasi Tidak TerseliaWachidatin N C
Laporan praktikum ini membahas tentang klasifikasi tidak terselia yang dilakukan menggunakan dua metode, yaitu ISOData dan K-Means, pada citra Landsat di wilayah Kabupaten Tuban. Prosesnya meliputi pemotongan citra berdasarkan batas administratif Kabupaten Tuban, klasifikasi menggunakan kedua metode, dan analisis hasil klasifikasi.
Modul ini membahas pengertian model dan sistem dalam teknik industri, termasuk jenis dan pembuatan model serta komponen utama sistem seperti masukan, proses, keluaran, dan penghubung."
1. Penelitian ini membandingkan metode Learning Vector Quantization (LVQ) dan Fuzzy C-Means (FCM) dalam sistem analisis butir soal.
2. Hasil pengujian menunjukkan sistem FCM memiliki tingkat akurasi 70% sedangkan sistem LVQ hanya 66%, sehingga metode FCM lebih baik untuk analisis butir soal.
3. Kedua metode tersebut merupakan pendekatan dalam data mining yang masing-masing memiliki kelebihan dan kekurangan tertentu
komparasi LVQ dengan FCM dalam Analisis Butir Soal Halley AI
1. Penelitian ini membandingkan dua metode untuk sistem analisis butir soal yaitu Learning Vector Quantization (LVQ) dan Fuzzy C-Means (FCM).
2. Hasil pengujian menunjukkan bahwa sistem yang menggunakan metode FCM memiliki tingkat akurasi 70% dan lebih baik dari sistem LVQ yang hanya mencapai 66%.
3. Oleh karena itu, metode FCM dianggap lebih baik untuk dikembangkan menjadi sistem analisis butir
Program menggunakan klastering K-means untuk mengelompokkan nilai UTS dan UAS siswa ke dalam kelas-kelas tertentu berdasarkan jaraknya dari pusat klaster. Program dibuat dengan bahasa Delphi dan menghasilkan visualisasi penempatan nilai siswa di kelas mana.
1. Unsupervised learning digunakan untuk pengelompokkan data tanpa label melalui clustering.
2. K-means clustering dan hierarchical clustering adalah dua pendekatan utama clustering.
3. Pemilihan parameter seperti jumlah cluster pada k-means mempengaruhi akurasi hasil clustering.
Jawaban No. 2 Tahap-Tahap Data Mining Karena DM adalah suatu ...butest
Tahapan data mining terdiri dari pembersihan data, integrasi data, transformasi data, teknik data mining, evaluasi pola, dan presentasi pengetahuan. Proses ini bersifat interaktif dengan pengguna untuk menemukan pola dan informasi menarik dari data.
Class yang terlibat pada permainan Daduku adalah:
1. Class Dadu
2. Class Pemain
3. Class Permainan
Class Dadu digunakan untuk mewakili dadu yang dilempar. Class Pemain digunakan untuk mewakili pemain yang bermain. Class Permainan digunakan untuk mewakili permainan Daduku itu sendiri, yang akan mengelola objek Dadu dan Pemain untuk menentukan pemenang permainan.
Sistem pendukung keputusan ini dirancang untuk membantu PT Kereta Api Indonesia DAOP 8 Surabaya dalam memilih mitra tender proyek dengan metode Promethee. Sistem ini akan menilai calon mitra berdasarkan kriteria prakualifikasi dan pascakualifikasi, kemudian memberikan peringkat untuk memilih pemenang tender berdasarkan preferensi pengambil keputusan. Harapannya sistem ini dapat meningkatkan akurasi dan efisiensi proses seleksi mitra tender proy
Bab 13 membahas pengenalan konsep Java generics. Generics memungkinkan pendeklarasian class dan method yang dapat bekerja dengan berbagai tipe data. Class generics dideklarasikan dengan menambahkan parameter tipe antara kurung siku setelah nama class. Method generics dideklarasikan dengan menambahkan parameter tipe sebelum nama method. Generics membantu menghilangkan kebutuhan typecasting dan meningkatkan keamanan tipe data.
Atribut dari Kelas Kapsul
- private double panjang
- private double lebar
- private double tinggi
Method dari Kelas Kapsul
- private double luas(double p, double l)
Accessor Method dari Kelas Kapsul
- public double getPanjang()
- public double getLebar()
Mutator Method dari Kelas Kapsul
- public void setPanjang(double panjang)
- public void setLebar(double lebar)
Objek pada kelas Enkapsulasi
- Kapsul pp
Jurnal metode clustering dengan algoritma fuzzy c means untuk rekomendasi pem...ym.ygrex@comp
Dokumen tersebut membahas tentang penerapan metode clustering dengan algoritma Fuzzy C-Means untuk merekomendasikan mahasiswa memilih bidang keahlian di Program Studi Teknik Informatika berdasarkan nilai mata kuliah prasyarat. Algoritma Fuzzy C-Means digunakan untuk mengelompokkan mahasiswa ke dalam beberapa kluster sesuai kemampuan mereka agar mendapat rekomendasi bidang keahlian yang tepat.
Penginderaan Jauh : Klasifikasi Tidak TerseliaWachidatin N C
Laporan praktikum ini membahas tentang klasifikasi tidak terselia yang dilakukan menggunakan dua metode, yaitu ISOData dan K-Means, pada citra Landsat di wilayah Kabupaten Tuban. Prosesnya meliputi pemotongan citra berdasarkan batas administratif Kabupaten Tuban, klasifikasi menggunakan kedua metode, dan analisis hasil klasifikasi.
Modul ini membahas pengertian model dan sistem dalam teknik industri, termasuk jenis dan pembuatan model serta komponen utama sistem seperti masukan, proses, keluaran, dan penghubung."
Dokumen tersebut membahas teknik-teknik data mining yang meliputi analisis cluster, induksi (pohon keputusan dan aturan induksi), jaringan syaraf buatan, OLAP, dan visualisasi data. Metode-metode tersebut digunakan untuk menemukan pola dan hubungan di dalam data besar untuk tujuan klasifikasi, regresi, dan deteksi outlier.
Tahapan data mining terdiri dari seleksi data, pra-pemrosesan, transformasi, penambangan data, interpretasi dan evaluasi. Penambangan data dapat meliputi deskripsi, estimasi, prediksi, klasifikasi, pengelompokan dan asosiasi untuk menemukan pola dan hubungan di dalam data.
Dokumen tersebut membahas berbagai jenis tesis penelitian, termasuk asumsi, metode penelitian, tesis penelitian, wilayah penelitian, tesis desain, contoh tesis desain, tesis sosial atau organisasi, dan tesis pemodelan.
Silabus mata kuliah ini membahas konsep dasar objek, kelas, dan objek dalam analisis dan perancangan berorientasi objek. Metodologi OOAD memiliki karakteristik seperti pengkapsulan, pewarisan, dan polimorfisme. Konsep-konsep ini digunakan untuk menganalisis sistem sebagai kumpulan objek dan kelas.
Dokumen tersebut membahas tentang algoritma covering dan penerapannya dalam klasifikasi teks. Algoritma covering dapat digunakan untuk membentuk aturan klasifikasi berdasarkan nilai maksimal atribut. Jurnal lain membahas algoritma baru yaitu Cross Covering Algorithm Based on Simulated Annealing (SACCA) yang menggabungkan algoritma covering dan simulated annealing untuk mencari pusat domain yang lebih optimal dengan akurasi yang lebih tinggi. Hasil penelitian menunjukkan bahwa S
Klasifikasi adalah proses menemukan pola yang menjelaskan atau membedakan konsep atau kelas data untuk memprediksi kelas objek baru. Model klasifikasi dibangun dengan melatih algoritma pada data pelatihan untuk memetakan atribut ke label kelas, lalu model diuji keakuratannya pada data uji. Pohon keputusan sering digunakan karena mudah diinterpretasi.
"Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ay...Muhammad Nur Hadi
Jurnal "Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ayat 26 dan 32 dan Surah Al-Hujurat Ayat 13), Ditulis oleh Muhammmad Nur Hadi, Mahasiswa Program Studi Ilmu Hadist di UIN SUSKA RIAU.
1. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
PRAKTIKUM 3
ANALISA CLUSTER
Definisi Cluster
Analisa Cluster adalah pengorganisasian kumpulan pola ke dalam kelompok-kelompok (Cluster)
berdasar atas kesamaanya. Pola-pola dalam suatu Cluster akan memiliki kesamaan ciri/sifat
daripada pola-pola dalam Cluster yang lainnya. Metodologi Clustering lebih cocok digunakan
untuk eksplorasi hubungan antar data untuk membuat suatu penilaian terhadap strukturnya.
Tujuan Praktikum Cluster
1. Mahasiswa mempunyai pengetahuan dan kemampuan dasar dalam melakukan dan
menerapkan analisis Cluster
2. Mahasiswa dapat mengetahui dan memahami arti dan garis besar dari analisis Cluster
dalam data mining, mulai dari pengambilan data, pengolahan data sampai dengan tahap
pengelompokan, serta mengaplikasikannya dalam kasus yang dihadapi.
Konsep Cluster
Analisis Cluster merupakan salah satu teknik multivariat yang digunakan dalam data
mining yang bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai kemiripan
karakteristik tertentu yang dapat dipisahkan dengan kelompok obyek lainnya, sehingga obyek
yang berada dalam kelompok yang sama relatif lebih homogen (sama) daripada obyek yang
berada pada kelompok yang berbeda. Ada beberapa tahapan dalam malekukan Analisis Cluster,
diantaranya yaitu:
1. Tujuan Analisis Cluster
2. Desain Penelitian dalam Analisis Cluster
3. Asumsi-asumsi dalam Analisis Cluster
2. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
4. Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan (overall fit)
5. Interpretasi terhadap Cluster.
6. Proses Validasi dan Pembuatan Profil (profiling) Cluster
Penerapan analisis Cluster di dalam pemasaran adalah sebagai berikut :
1. Identifikasi obyek (Recognition) :
Dalam bidang image Processing , Computer Vision atau robot vision
2. Decission Support System dan data mining
• Membuat segmen pasar (segmenting the market).
• Memahami perilaku pembeli.
• Mengenali peluang produk baru
Tahap-tahap dalam Analisis Cluster
Ada beberapa tahapan dalam malekukan Analisis Cluster, diantaranya yaitu:
Tahap Pertama : Tujuan Analisis Cluster
Tujuan utama analisis Cluster adalah memisahkan suatu himpunan objek menjadi dua kelompok
atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.
Sedangkan tujuan analisis Cluster secara khusus, antara lain:
Penyederhanaan Data
Penyederhanaan data merupakan bagian dari suatu taksonomi. Dengan struktur yang terbatas
observasi/objek dapat dikelompokkan untuk analisis selanjutnya.
Identifikasi Hubungan (Relationship Identification)
Hubungan antar objek diidentifikasi secara empiris. Struktur analisis Cluster yang sederhana
dapat menggambarkan adanya hubungan atau kesamaan dan perbedaan yang tidak
dinyatakan sebelumnya.
3. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Pemilihan pada Pengelompokan Variabel
Tujuan analisis Cluster tidak dapat dipisahkan dengan pemilihan variabel yang digunakan
untuk menggolongkan objek ke dalam clucter-Cluster. Cluster yang terbentuk merefleksikan
struktur yang melekat pada data seperti yang didefinisikan oleh variabel-variabel. Pemilihan
variabel harus sesuai dengan teori dan konsep yang umum digunakan dan harus rasional.
Rasionalitas ini didasarkan pada teori-teori eksplisit atau penelitian sebelumnya. Variabel-
variabel yang dipilih hanyalah variabel yang dapat mencirikan objek yang akan
dikelompokkan dan secara spesifik harus sesuai dengan tujuan analisis Cluster.
Tahap Kedua : Desain Penelitian dalam Analisis Cluster
2 hal penting dalam tahap ini adalah pendeteksian outlier dan mengukur kesamaan.
• Pendeteksian Outliers
Outlier adalah suatu objek yang sangat berbeda dengan objek lainnya. Outliers dapat terjadi
karena:
a. Observasi ‘menyimpang’ yang tidak mewakili populasi
b. Suatu undersampling kelompok-kelompok dalam populasi yang menyebabkan
underrepresentation kelompok-kelompok dalam sampel
Dalam kedua kasus tersebut, outliers dapat mengubah struktur sebenarnya dalam populasi
sehingga kita akan memperoleh Cluster-Cluster yang tidak sesuai dengan struktur
sebenarnya dari populasi tersebut dan tidak representatif.
• Mengukur Kesamaan antar Objek
Konsep kesamaan adalah hal yang sangat penting dalam analisis Cluster. Kesamaan antar
objek merupakan ukuran kedekatan antar objek. Kesamaan dapat diketahui dengan
melakukan pengukuran jarak antar setiap individu. Ukuran jarak merupakan ukuran
ketidakmiripan, dimana jarak yang besar menunjukkan sedikit kesamaan sebaliknya jarak
yang pendek/kecil menunjukkan bahwa suatu objek makin mirip dengan objek lain.
4. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Gambar 1. Ilustrasi Pengukuran jarak
Metode untuk mengukur kesamaan obyek antara lain :
1). Euclidean Distance
Jarak euclidean antara dua titik i dan j merupakan sisi miring (sisi terpanjang) dari segitiga
ABC.
𝐷𝐷(𝑖𝑖, 𝑗𝑗) = � 𝐴𝐴2 + 𝐵𝐵2
= ��(𝑋𝑋𝑖𝑖 − 𝑌𝑌𝑖𝑖)2 = �(𝑋𝑋1𝑖𝑖 − 𝑋𝑋1𝑗𝑗 )2+(𝑋𝑋2𝑖𝑖 − 𝑋𝑋2𝑗𝑗 )2
2). Squared Euclidean Distance
Merupakan pengukuran kuadrat jarak euclidean antara dua titik i dan j.
𝐷𝐷(𝑖𝑖, 𝑗𝑗) = 𝐴𝐴2
+ 𝐵𝐵2
= �(𝑋𝑋𝑖𝑖 − 𝑌𝑌𝑖𝑖)2
= (𝑋𝑋1𝑖𝑖 − 𝑋𝑋1𝑗𝑗 )2
+(𝑋𝑋2𝑖𝑖 − 𝑋𝑋2𝑗𝑗 )2
3). Chebychev
D(X,Y)= 𝑚𝑚𝑚𝑚𝑚𝑚𝑖𝑖|𝑋𝑋𝑖𝑖 − 𝑌𝑌𝑖𝑖|
4). City Block Distance
D(X,Y)= ∑|𝑋𝑋𝑖𝑖 − 𝑌𝑌𝑖𝑖|
D(I,j) = |𝐴𝐴| + |𝐵𝐵| = ∑|𝑋𝑋𝑖𝑖 − 𝑌𝑌𝑖𝑖| = �𝑋𝑋1𝑖𝑖 − 𝑋𝑋1𝑗𝑗 � + �𝑋𝑋2𝑖𝑖 − 𝑋𝑋2𝑗𝑗 �
5. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Tahap Ketiga : Asumsi-asumsi dalam Analisis Cluster
Seperti hal teknik analisis lain,analisis Cluster juga menetapkan adanya suatu asumsi. Ada
dua asumsi dalam analisis Cluster, yaitu :
a. Kecukupan Sampel untuk merepresentasikan/mewakili Populasi
Biasanya suatu penelitian dilakukan terhadap populasi diwakili oleh sekelompok sampel.
Sampel yang digunakan dalam analisis ckuster harus dapat mewakili populasi yang ingin
dijelaskan, karena analisis ini baik jika sampel representatif. Jumlah sampel yang diambil
tergantung penelitinya, seorang peneliti harus yakin bahwa sampel yang diambil representatif
terhadap populasi.
b. Pengaruh Multikolinieritas
Ada atau tidaknya multikolinieritas antar variabel sangat diperhatikan dalam analisis
Cluster karena hal itu berpengaruh, sehingga variabel-variabel yang bersifat multikolinieritas
secara eksplisit dieprtimbangkan dengan lebih seksama.
Tahap Keempat : Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan
(overall fit)
Ada dua proses penting yaitu algoritma Cluster dalam pembentukan Clusterdan
menentukan jumlah Cluster yang akan dibentuk. Keduanya mempunyai implikasi substansial
tidak hanya pada hasil yang diperoleh tetapi juga pada interpretasi yang akan dilakukan terhadap
hasil tersebut.
6. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Gambar 2. Algoritma Analisa Kluster
Adapun metode pengelompokan dalam analisis Cluster meliputi :
1. Metode Non-Hirarkis.
dimulai dengan menentukan terlebih dahulu jumlah Cluster yang diinginkan (dua,tiga, atau
yang lain). Setelah jumlah Clusterditentukan, maka proses Cluster dilakukan dengan tanpa
mengikuti proses hirarki. Metode ini biasa disebut “K-Means Cluster”.
Berbeda dengan metode hirarkikal, prosedur non hirarkikal (K-means Clustering) dimulai
dengan memilih sejumlah nilai Cluster awal sesuai dengan jumlah yang diinginkan dan
kemudian obyek digabungkan ke dalam Cluster-Cluster tersebut.
7. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
a. Sequential Threshold Procedure
Metode ini melakukan pengelompokan dengan terlebih dahulu memilih satu obyek
dasar yang akan dijadikan nilai awal Cluster, kemudian semua obyek yang ada didalam
jarak terdekat dengan Cluster ini akan bergabung lalu dipilih Cluster kedua dan semua
obyek yang mempunyai kemiripan dimasukkan dalam Cluster ini. Demikian seterusnya
hingga terbentuk beberapa Cluster dengan keseluruhan obyek didalamnya.
b. Parallel Threshold Prosedure
Secara prinsip sama dengan prosedur sequential threshold, hanya saja dilakukan
pemilihan terhadap beberapa obyek awal Cluster sekaligus dan kemudian melakukan
penggabungan obyek ke dalamnya secara bersamaan.
c. Optimizing
Merupakan pengembangan dari kedua metode diatas dengan melakukan optimasi pada
penempatan obyek yang ditukar untuk Cluster lainnya dengan pertimbangan krteria
optimasi.
2. Metode Hirarkis.
Memulai pengelompokan dengan dua atau lebih obyek yang mempunyai kesamaan
paling dekat. Kemudian dilanjutkan pada obyek yang lain danseterusnya hingga Cluster
akan membentuk semacam‘pohon’ dimana terdapat tingkatan (hirarki) yangjelas antar
obyek, dari yang paling mirip hinggayang paling tidak mirip. Teknik hirarki (hierarchical
methods) adalah teknik Clustering membentuk kontruksi hirarki atau berdasarkan tingkatan
tertentu seperti struktur pohon (struktur pertandingan). Alat yang membantu
untukmemperjelas proses hirarki ini disebut “dendogram”.
8. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Teknik hirarki (hierarchical methods) adalah teknik Clustering membentuk kontruksi
hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan).
Dengan demikian proses pengelompokkannya dilakukan secara bertingkat atau bertahap.
Hasil dari pengelompokan ini dapat disajikan dalam bentuk dendogram. Metode-metode
yang digunakan dalam teknik hirarki:
a. Agglomerative Methods
Metode ini dimulai dengan kenyatan bahwa setiap obyek membentuk Clusternya
masing-masing. Kemudian dua obyek dengan jarak terdekat bergabung. Selanjutnya
obyek ketiga akan bergabung dengan Cluster yang ada atau bersama obyek lain dan
membentuk Cluster baru. Hal ini tetap memperhitungkan jarak kedekatan antar obyek.
Proses akan berlanjut hingga akhirnya terbentuk satu Cluster yang terdiri dari
keseluruhan obyek. Ada beberapa teknik dalam Agglomerative methods yaitu:
• Single linkage (nearest neighbor methods)
Metode ini menggunakan prinsip jarak minimum yang diawali dengan mencari dua
obyek terdekat dan keduanya membentuk Cluster yang pertama. Pada langkah
selanjutnya terdapat dua kemungkinan, yaitu :
a. Obyek ketiga akan bergabung dengan Cluster yang telah terbentuk, atau
b. Dua obyek lainnya akan membentu Cluster baru.
Proses ini akan berlanjut sampai akhirnya terbentuk Cluster tunggal. Pada metode
ini jarak antar Cluster didefinisikan sebagai jarak terdekat antar anggotanya.
9. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :
Gambar 3. Matriks Antara 5 Buah Objek.
Langkah penyelesaiannya :
a). Mencari obyek dengan jarak minimum
Menghitung jarak antara Cluster AB dengan obyek lainnya.
D(AB)C = min {dAC, dBC}= dBC = 3.0
D(AB)D = min {dAD, dBD}= dAD = 6.0
D(AB)E = min {dAE, dBE}= dBE = 7.0
Dengan demikian terbentuk matriks jarak yang baru
Gambar 4. Matriks 5 Buah Objek Dengan Jarak Baru
b). Mencari obyek dengan jarak terdekat.
D dan E mempunyai jarak terdekat, yaitu 2,0 maka obyek D dan E bergabung
menjadi satu Cluster.
c). Menghitung jarak antara Cluster dengan obyek lainnya.
D(AB)C = 3.0
10. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
D(AB)(DE) = min {dAD, dAE, dBD, dBE} = dAD = 6.0
D(DE)C = min {dCD, dCE} = dCD = 4.0
d). Mencari jarak terdekat antara Cluster dengan obyek dan diperoleh obyek C
bergabung dengan Cluster AB
e). Pada langkah yang terakhir, Cluster ABC bergabung dengan DE sehingga
terbentuk Cluster tunggal.
• Complete linkage (furthest neighbor methods)
Metode ini merupakan kebalikan dari pendekatan yang digunakan pada single
linkage. Prinsip jarak yang digunakan adalah jarak terjauh antar obyek.
Contoh : Terdapat matriks jarak antara lima buah obyek yaitu :
Gambar 5. Matriks Antara 5 Buah Objek.
Langkah penyelesaiannya :
a) Mencari obyek dengan jarak minimum
A dan B mempunyai jarak terdekat yaitu 1.0 maka obyek A dan B bergabung
menjadi satu Cluster.
b) Menghitung jarak antara Cluster AB dengan obyek lainnya
d(AB)C = max {dAC, dBC} = dAC = 5,0
d(AB)D = max {dAD, dBD} = dBD = 8,0
d(AB)E = max {dAE, dBE} = dAE = 8,0
Dengan demikian terbentuk matriks jarak yang baru :
11. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Gambar 4. Matriks 5 Buah Objek Dengan Jarak Baru
c) Mencari obyek dengan jarak terdekat.
D dan E mempunyai jarak terdekat yaitu 2.0 maka obyek D dan E bergabung
menjadi satu Cluster
d) Menghitung jarak antara Cluster dengan obyek lainnya.
d(AB)C = 4,0
d(AB)(DE) = 1/2{dAD, dAE, dBD, dBE} = 7,25
d(DE)C = 1/2{dCD, dCE,} = dCE = 5,00
Maka terbentuklah matrik jarak yang baru, yaitu :
Gambar 5. Matriks Akhir
e) Mencari jarak terdekat antara Cluster dengan obyek dan diperoleh obyek C
bergabung dengan Cluster AB.
f) Pada langkah yang terakhir, Cluster ABC bergabung dengan DE sehingga
terbentuk Cluster tunggal
12. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
• Ward’s error sum of squares methods
Ward mengajukan suatu metode pembentukan Cluster yang didasari oleh hilangnya
informasi akibat penggabungan obyek menjadi Cluster. Hal ini diukur dengan jumlah
total dari deviasi kuadrat pada mean Cluster untuk tiap observasi.
Error sum of squares (ESS) digunakan sebagai fungsi obyektif. Dua obyek akan
digabungkan apabila mempunyai fungsi obyektif terkecil diantara kemungkinan yang
ada.
ESS= ∑
∑ 𝑋𝑋𝑖𝑖𝑖𝑖
2
−1
𝑛𝑛𝑗𝑗 �∑ 𝑋𝑋𝑖𝑖𝑖𝑖 �
2
Dengan Xij adalah nilai untuk obyek ke-i pada Cluster ke-j.
b. Divisive Methods
Metode divisive berlawanan dengan metode agglomerative. Metode ini pertama-tama
diawali dengan satu Cluster besar yang mencakup semua observasi (obyek).
Selanjutnya obyek yang mempunyai ketidakmiripan yang cukup besar akan dipisahkan
sehingga membentuk Cluster yang lebih kecil. Pemisahan ini dilanjutkan sehingga
mencapai sejumlah Cluster yang diinginkan.
• Splinter average distance methods
Metode ini didasarkan pada perhitungan jarak rata-rata masing-masing obyek dengan
obyek pada grup splinter dan jarak rata-rata obyek tersebut dengan obyek lain pada
grupnya. Proses tersebut dimulai dengan memisahkan obyek dengan jarak terjauh
sehingga terbentuklan dua group. Kemudian dibandingkan dengan jarak rata-rata
masing-masing obyek dengan group splinter dengan groupnya sendiri. Apabila suatu
obyek mempunyai jarak yang lebih dekat ke group splinter daripada ke groupnya
sendiri, maka obyek tersebut haruslah dikeluarkan dari groupnya dan dipisahkan ke
group splinter. Apabila komposisinya sudah stabil, yaitu jarak suatu obyek ke
13. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
groupnya selalu lebih kecil daripada jarak obyek itu ke group splinter, maka proses
berhenti dan dilanjutkan dengan tahap pemisahan dalam group.
Contoh : Terdapat matriks jarak antara 5 buah obyek, yaitu :
Gambar 6. Matriks Perbandingan 5 buah Objek
Perhitungan :
a) Menghitung jarak rata-rata antar obyek
A = ¼ (12+9+32+31) = 21 D = ¼ (32+25+23+9) = 22.25
B = ¼ (12+9+25+27) = 18.25 E = ¼ (31+27+24+9) = 22.75
C = ¼ (9+9+23+24) = 16.25
Terlihat bahwa E mempunyai nilai jarak terjauh, yaitu 22.75, maka E dipisahkan
dari group utama dan membentuk group splinter.
b) Menghitung jarak rata-rata obyek dengan group utama dengan group splinter
Gambar 7. Perhitungan Rata-Rata Group Utama Dengan Group Splinter
14. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Pada D, jarak rata-rata dengan group splinter lebih dekat daripada dengan group
utama. Dengan demikian D harus dikeluarkan dari group utama dan masuk ke
group splinter.
c) Perhitungan jarak rata-rata
Gambar 7. Perhitungan Rata-Rata Group Utama Dengan Group Splinter
Karena jarak semua obyek ke group utama sudah lebih besar daripada jaraknya
ke group splinter, maka komposisinya sudah stabil.
Tahap Kelima : Interpretasi terhadap Cluster
Tahap interpretasi meliputi pengujian tiap Cluster dalam term untuk menamai dan menandai
dengan suatu label yang secara akurat dapat menjelaskan kealamian Cluster.
Membuat profil dan interpretasi Cluster tidak hanya untuk memperoleh suatu gambaran saja
melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada Cluster yang
terbentuk, kedua, profil Cluster memberikan araha bagi penilainan terhadap signifikansi praktis.
Namun demikian yang perlu diperhatikan pada tahapan interpretasi adalah karakteristik yang
membedakan masing-masing Cluster sehingga kita dapat memberikan label pada masing-masing
Cluster tersebut.
15. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Tahap Keenam: Proses Validasi dan Pembuatan Profil (profiling) Cluster
1. Proses validasi solusi Cluster
Proses validasi bertujuan menjamin bahwa solusi yang dihasilkan dari analisis Cluster
dapat mewakili populasi dan dapat digeneralisasi untuk objek lain. Pendekatan ini
membandingkan solusi Cluster dan menilai korespondensi hasil. Terkadang tidak dapat
dipraktekkan karena adanya kendala waktu dan biaya atau ketidaktersediaan objek untuk
analisis Cluster ganda.
2. Pembuatan Profil ( profiling) solusi Cluster
Tahap ini menggambarkan karakteristik tiap Cluster untuk menjelaskan Cluster-Cluster
tersebut dapat dapat berbeda pada dimensi yang relevan. Titik beratnta pada karakteristik
yang secara signifikan berbeda antar clustre dan memprediksi anggota dalam suatu Cluster
khusus.
16. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Studi Kasus
Metode Hierarki
Fizi Shop merupakan toko yang bergerak dibidang retail. Pihak perusahaan ingin
meningkatkan pelayanan terhadap konsumen yang berkunjung melalui web mereka. Dengan
menyebarkan kuesioner, dan menggunakan Clustering, pihak perusahaan ingin mengetahui
selera konsumen dan faktor – faktor yang paling berpengaruh terhadap kemajuan bisnisnya.
Berikut adalah hasil kuesioner yang telah dibagikan kepada 100 konsumen yang telah
berkunjung ke toko.
Data Kuesioner 2 :
No Nama Perilaku Komunikasi Pelayanan Kelengkapan Harga
1 Rino 1 1 1 2 4
2 Abdul 2 2 2 2 1
3 Viant 3 4 3 2 1
4 Aan 2 3 2 2 1
5 Romi 2 2 2 2 2
6 Ririn 2 2 2 1 1
7 Rahmawati 1 2 2 2 2
8 Okta 2 2 1 1 2
9 Andre 3 2 1 2 4
10 Niko 3 2 3 2 1
11 Ayuk 1 1 1 2 1
12 Wanti 2 2 2 1 1
13 Mey 4 3 2 1 2
14 Farah 3 3 3 2 1
15 Maryana 2 2 2 1 1
16 Sifa 2 2 2 1 1
17 Wulan 1 1 1 1 2
18 Ulfa 1 2 1 2 2
19 Syahdan 1 2 3 3 2
20 Awan 2 2 2 2 2
17. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Data Kuesioner 1 :
No Nama Jenis Kelamin Usia Profesi Intensitas Barang Biaya
1 Rino 1 2 1 2 3 5
2 Abdul 1 4 4 5 4 5
3 Viant 1 4 5 4 4 4
4 Aan 1 2 1 2 3 2
5 Romi 1 4 3 4 4 3
6 Ririn 2 3 1 5 2 5
7 Rahmawati 2 3 1 3 2 3
8 Okta 2 4 3 3 4 4
9 Andre 2 3 3 3 2 5
10 Niko 1 2 2 2 2 3
11 Ayuk 2 3 1 1 1 1
12 Wanti 2 4 5 5 5 5
13 Mey 2 4 5 5 5 5
14 Farah 2 4 4 4 4 4
15 Maryana 1 3 1 5 1 5
16 Sifa 2 2 5 1 5 1
17 Wulan 2 2 1 2 2 2
18 Ulfa 2 3 1 1 5 1
19 Syahdan 2 4 2 4 2 2
20 Awan 1 3 1 2 3 4
18. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
Lakukan prosedur pengClusteran dengan menggunakan metode hirarki dan non-hirarki!
Tentukan berapa jumlah Cluster yang terbentuk, dan analisislah hasil profilisasi customernya!
Langkah Penyelesaian :
1. Input Data
- Variable View
- Data View
19. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
2. Clustering – Metode Hirarki
a. Pilih analyze klik Clasify lalu pilih Hirarchical Cluster
20. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
b. Variabel : Letakkan semua Variabel yang valid
Label case by : Letakkan nama responden
Cluster : Case
Display : statistic, plot
c. Statistik : agglomeration schedule
21. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
d. Plots : klik Dendogram
Icicle : none
e. Method : Cluster Method Pilih nearest neighbor measure
Interval pilih Squared Euqliden Distance
22. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
f. Klik save Cluster membership : none
3. Profilisasi Costumer
a. Input Data
- Variable View:
23. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
- Data View
b. Pilih Analyze, klik Descriptive Statistic pilih crosstab
24. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
c. Rows : Letakkan semua variabel profil ( variable Y )
d. Coloumns : Cluster member
e. Statistik : Correlation
25. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
f. Cells Counts : observed , Percentage : total
g. Format Row order : ascending.
26. UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke : 3
Jurusan/Program Studi : Teknik Industri Modul ke : 3
Kode Mata Kuliah : 52224603 Jumlah Halaman : 26
Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2014
DAFTAR PUSTAKA
1. Han, Jiawei. ”Data Mining Concept and Technique”. Presentation.
http://www.cse.msu.edu/~cse980
2. Bertalya, ”Konsep Data Mining”. Universitas Gunadarma, 2009.
3. Walpole, Ronald E. Probability and Statistics for Engineers and Scientists.
4. http://www.wahana-statistika.com/analisis/analisis-multivariate/103-pengertian-analisis-
cluster.html
5. Tryfos,Peter, “Cluster Analysis”, 1997