Hasil pencarian

ThesisOpen AccessPDF tersedia

SISTEM INFORMASI MANAJEMEN TUGAS AKHIR MENGGUNAKAN METODE K-MEANS CLUSTERING ( STUDI KASUS: PADA PROGRAM STUDI MANAJEMEN INFORMATIKA UIN MY BATUSANGKAR )

TARI AWALIYAH

2024•Skripsi, Thesis, Disertasi, dan Tugas Akhir

Tari Awaliyah. NIM 2150401030. Judul Tugas Akhir: “SISTEM NFORMASI MANAJEMEN TUGAS AKHIR MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS: PADA PROGRAM STUDI MANAJEMEN INFORMATIKA UIN MY BATUSANGKAR)” Jurusan Manajemen Informatika Fakultas Ekonomi Dan Bisnis Universitas Islam Negeri (UIN) Mahmud Yunus Batusangkar. Dibimbing oleh ibuk Lidya rahmi, M.Pd.T. Clustering merupakan proses analisa informasi yang mana kerap digunakan sebagai salah satu proses yang bertujuan untuk mengumpulkan informasi yang memiliki karakter yang sama pada satu kluster yang sama dan informasi yang memiliki karakter yang berbeda ke kluster lain. Pada penelitian yang dilakukan hal yang akan menjadi tujuan atau sasaran dalam penlitian ini adalah mengetahui proses clusterisasi tugas akhir di rogram studi Manajemen Informatika UIN MY Batusangkar untuk mengetahui cara kerja algoritma K-Means dalam melakukan clusterisasi tugas akhir, menerapkan algoritma K-Means. Metode K-Means merupakan sebuah metode yang melakukan proses clustrering untuk setiap judul tugas akhir yang ada. Penelitian yang dilakukan menciptakan informasi baru yaitu dengan adanya clustering data dari judul tugas akhir dimana setiap hasilnya dapat dilihat di masing-masing cluster datanya. Dari hasil penelitian yang dilakukan maka dapat disimpulkan bahwa algoritma K-Means merupakan algoritma yang mampu mengelompokan beberapa data dengan cepat dan tepat sehingga data data yang memuat judul skripi tersebut dapat dilihat sesuai dengan kelompoknya datanya masing-masing.

Kata kunci :ClusteringAlgoritma K-means

2 dilihat · 0 unduhanSitasiDetail

ArticleOpen AccessPDF tersedia

Clustering using K-Means and Fuzzy C-Means on Food Productivity

Adriyendi M.Kom

2019•Artikel Penelitian dan Pengabdian

This paper provided an overview of analysis and implementation clustering for food productivity. Food productivity is determined by food production. Rice is one of staple food in Indonesia. Rice production is influencing adequacy level of national food production. Rice productivity is very important to accomplishment food affordability. Rice productivity per province in Indonesia must be increased, because large population and high consumption. Rice productivity that fluctuates and tends to decrease, need to clustering to determinant category cluster of productivity. Clustering is using K-Means and Fuzzy C-Means. Method improvement of K-Means is modification Intra Cluster Distance and Inter Cluster Distance. Calculate distance (Inter Cluster Distance and Intra Cluster Distance) to evaluate the clustering results and to compare the efficiency of the clustering algorithms. Method improvement of Fuzzy C-Means is modification algorithm, alternative process and iteration. Data processing is using Excel software. Clustering produce three cluster (C1, C2, C3) is convergence. Measurement cluster based on comparison of membership cluster, consistency, and productivity. Membership cluster, there is point data anomaly (x22, x23, x29, x33). Consistency data on K-Means (C1 = 72.73%, C2 = 93.75%, C3 = 100%). Consistency data on Fuzzy C-Means (C1 = 100%, C2 = 88.33%, C3 = 87.50%). Rice Productivity is Cluster 1 (decrease), Cluster 2 (decrease, except 3 provinces), and Cluster 3 (increase, except 1 province). Majority in rice productivity is 70.59%. Result of clustering showed that majority rice productivity on category cluster is low productivity.

ClusteringK-MeansFuzzy C-MeansFoodRice Productivity

2 dilihat · 0 unduhanSitasiDetail