• Tidak ada hasil yang ditemukan

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENERIMA BEASISWA

N/A
N/A
Protected

Academic year: 2018

Membagikan "PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENERIMA BEASISWA"

Copied!
49
0
0

Teks penuh

Loading

Gambar

Gambar 2.2.
Gambar 2.1 Diagram alir algoritma k-means (Andayani, 2007)
Tabel 2.1 Daftar objek yang akan diolah dalam clustering
Gambar 2.4 Classification entropy (CE)
+7

Referensi

Dokumen terkait

Pada penelitian ini dilakukan clustering sendiri-sendiri untuk IPA/IPS dan dipaparkan perbandingan hasil clustering K-Means kriteria nilai akademik, nilai IQ, minat

Dari data pada Gambar 3 tersebut, langkah selanjutnya adalah melakukan proses menggunakan algoritma k-means sehingga akan didapatkan hasil nilai yang masuk dalam kriteria baik..

Pada Gambar 4.8 dapat dilihat bahwa hasil cluster 1 terbesar yaitu jalur masuk Beasiswa dengan persentase 47,5% mahasiswa yang berpotensi tinggi terkena drop out,

Hampir sama dengan tahap 4, yaitu menentukan anggota cluster dengan menghitung jarak minimum tiap object dengan centroid baru yang telah dihasilkan. K-means Algoritma merupakan

Tabel 4.4 Hasil perhitungan jarak data pada nilai k dengan masing-masing centroid setiap cluster

Pengukuran kinerja algoritma K-Means akan dilakukan terhadap penentuan centroid secara acak pada algoritma K-Means klasik, penentuan centroid dengan menggunakan

Empat data hotel beserta tarif inap dan paket makan pada suatu cluster yang memiliki jarak pusat cluster dengan nilai terpendek/ terkecil yang diberikan oleh wisatawan

Dimana data diolah dengan algoritma unsupervised learning yaitu K-Means Clustering dengan pehitungan euclidean distance dengan jarak nilai yang terdekat daripada centroid yang telah