PERBANDINGAN K-MEANS DAN FUZZY C-MEANS UNTUK PENGELOMPOKAN DATA USER KNOWLEDGE MODELING
Abstract
Pada data mining terdapat sebuah metode yang digunakan untuk mengklaster data menjadi kelompok-kelompok data, yaitu metode K-Means dan Fuzzy C-Means. Kedua metode tersebut jika dilihat dari beberapa penelitian sebelumnya mengenai clustering K-Means dan FCM, masing-masing metode mampu memberikan hasil cluster terbaik. Pengklasteran data user knowledge modeling menggunakan metode K-Means dan Fuzzy C-Means menghasilkan jumlah anggota klaster yang berbeda. Dapat dilihat dari jumlah klaster yang diperoleh dari kedua metode tersebut. Berdasarkan penelitian yang dilakukan, kedua metode tersebut mengelompokkan data user knowledge modeling menjadi 4 kluster. Perbandingan yang digunakan dalam penelitian ini adalah uji performa validitas. Untuk nilai validasi SI dari metode K-Means bernilai 0.1866, sedangkan nilai validasi PCI dari metode FCM adalah bernilai 0.2854. Hasil dari penelitian ini menunjukkan bahwa metode FCM adalah metode yang lebih baik daripada K-Means untuk melakukan clustering pada data user knowledge modeling dikarenakan nilai validasinya bernilai mendekati 1.
Full Text:
PDFReferences
H.T. Kahraman et al. The development of intuitive knowledge classifier and the modeling of domain dependent data. Knowledge-Based Systems 37 (2013) 283–295
Agusta, Yudhi. K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika. 2007; Vol. 3, 47-60.
Simbolon, Cary Lineker. Clustering Lulusan Mahasiswa Matematika Fmipa Untan Pontianak Menggunakan Algoritma Fuzzy C-Means. Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster). 2013; Volume 02, No.1, 21-26.
Muzakir, Ari. Analisa Dan Pemanfaatan Algoritma K-Means Clustering pada Data Nilai Siswa Sebagi Penentuan Penerima Beasiswa. Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014; Pp 195-200.
Selviana, Nur Indah dan Mustakim. Analisis Perbandingan K-Means dan Fuzzy C-Means Untuk Pemetaan Motivasi Balajar Mahasiswa. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 8. 2016.
Mustakim. Pemetaan Digital dan Pengelompokan Lahan Hijau di Wilayah Provinsi Riau Berdasarkan Knoledge Discovery in Databases (KDD) dengan Teknik K-Means Mining. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI). 2012.
Ekawati, Ratna & Yulis, Nurul. Klasifikasi Usaha Kecil dan Menengah (UKM) Sektor Industri Dengan Metode Fuzzy C-Means Clustering Wilayah Kota Cilegon. Seminar Nasional IENACO. 2013.
Jiawei, Han, dkk. Data mining Concepts and Techniques. USA: Elsevier Inc. All rights reserved. 2012.
Muzakir, Ari. Analisa dan Pemanfaatan Algoritma K-Means Clustering Pada Data Nilai Siswa Sebagai Penentuan Penerima. Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014.
Alfina, Tahta., Santosa, Budi., dan Barakbah, Ali Ridho. Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS). JURNAL TEKNIK ITS. 2012; Vol. 1, Pp 521-525.
Yusuf, Amad & Tjandrasa, Handayani. Prediksi Nilai Dengan Metode Spectral Clustering dan Clusterwise Regression. Jurnal Simantec. 2012; Vol. 4, No. 1.
Rizal, Annas Syaiful. Metode K-Means Cluster Dan Fuzzy C-Means Cluster. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS 2015.
Febrianti, Fitria, dkk. Perbandingan Pengklusteran Data Iris Menggunakan Metode K-Means Dan Fuzzy C-Means. Jurnal Matematika”MANTIK”. 2016; Vol. 02 No. 01.
Refbacks
- There are currently no refbacks.
FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU
Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id