PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENERIMA BEASISWA
Teks penuh
Gambar
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