Laman

Thursday, 20 April 2017



PEMANFAATAN DATA MINING DALAM MENENTUKAN BIDANG
PEMINATAN PADA JURUSAN TEKNIK INFORMATIKA
MENGGUNAKAN ALGORITMA FUZZY C-MEANS
(Studi Kasus : STT Harapan)

Arief Budiman
Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan
Jl. H. M. Joni No 70 C, Medan
ariefdiman13@gmail.com

ABSTRAK

Menentukan bidang peminatan bagi mahasiswa merupakan hal yang sangat dibutuhkan sebelum memasuki fase tugas akhir. Dengan ditetapkannya peminatan oleh mahasiswa tersebut maka akan memudahkannya dalam menerapkan bakat atau kemampuan yang dimilikinya. Akan tetapi banyak mahasiswa yang tidak peduli dengan menentukan pilihan dengan bakat yang dimilikinya, sehingga mereka masih banyak salah dalam menentukan peminatan. Penerapan data mining merupakan salah satu cara yang digunakan agar dapat membantu mahasiswa dalam menentukan bidang peminatan yang sesuai dengannya. Dengan menggunakan data mining kita dapat memanfaatkan data yang ada pada suatu akademik agar dapat dikelompokan. Pada penelitian ini akan diterapkan algoritma Fuzzy C-Means dalam menentukan peminatan pada Sekolah Tinggi Teknik Harapan di Jurusan Teknik Informatika terhadap mahasiswa stambuk 2012. Algoritma Fuzzy C-Means dapat digunakan dalam mengelompokkan nilai-nilai dari mata kuliah sebelumnya yang terkait dalam peminatan yang ada. Pada penelitian ini menggunakan 100 sampel data sebagai pengujian. Dari hasil pengujian didapat hasil untuk peminatan Multimedia dan Visi Komputer sebanyak 41 mahasiswa, peminatan Jaringan dan Sistem Informasi sebanyak 27 mahasiswa, serta peminatan Robotika dan Sistem Cerdas sebanyak 32 mahasiswa.

Kata Kunci : Peminatan, Data Mining, Fuzzy C-Means

ABSTRACT

Determining the field of specialization for students is very necessary before entering a final phase. With the enactment of specialization by the students it will make it easier to apply the talent or ability. But many students are not concerned with determining the choice of the talents, so they are still a lot wrong in determining specialization. The application of data mining is one of the means used in order to assist students in determining the appropriate field of specialization with him. By using data mining we can utilize existing data on an academic to be grouped. In this research will be applied Fuzzy C-Means algorithm in determining the specialization at the Technical High School of Hope in the Department of Information on students Stambuk 2012. Fuzzy C-Means algorithm can be used to classify the values ​​of previous related subjects in existing specialization. In this study, using 100 data samples as a test. From the test results obtained specialization results for Multimedia and Computer Vision as many as 41 students, specialization in Network and Information Systems as many as 27 students, as well as the specialization Robotics and Intelligent Systems as many as 32 students.

Keywords: Specialisation, Data Mining, Fuzzy C-Means



1.    Pendahuluan
Menentukan bidang peminatan bagi mahasiswa merupakan hal yang sangat dibutuhkan sebelum memasuki fase tugas akhir. Karena dengan ditetapkannya peminatan oleh mahasiswa tersebut maka akan memudahkannya dalam menerapkan bakat atau kemampuan yang dimilikinya. Tetapi hal tersebut jarang sekali ditemui oleh kebanyakan mahasiswa saat ini. Mereka masih banyak tidak peduli dengan pemilihan peminatan tersebut, sehingga akan menyulitkan mereka sendiri dalam menyelesaikan tugas akhir.
Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar (Dian dan Ahmad, 2011). Data mining berkaitan dengan bidang ilmu-ilmu lain, seperti database system, data warehousing, statistic, machine learning, information retrieval, dan komputasi tingkat tinggi. Selain itu data mining didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image database, signal processing. (Dian dan Ahmad, 2011).
Penerapan data mining merupakan salah satu cara yang digunakan agar dapat membantu mahasiswa dalam menentukan bidang peminatan yang sesuai dengannya. Dengan menggunakan data mining kita dapat memanfaatkan data yang ada pada suatu akademik agar dapat dikelompokan. Dengan cara pengelompokan tersebut nantinya akan mudah dalam menentukan bidang peminatan apa yang sesuai terhadap mahasiswa tersebut.              Pada jurusan Teknik Informatika ada beberapa bidang peminatan yang bisa dipilih oleh  mahasiswa tersebut, seperti multimedia, jaringan, dan robotika. Pada masing-masing peminatan mempunyai mata kuliah khusus yang berhubungan untuk mendalami peminatan tersebut. Dari hasil nilai mata kuliah yang berhubungan pada masing-masing peminatan inilah nantinya yang akan dikelompokan untuk diterapkan ke dalam data mining.
Ada beberapa algoritma yang digunakan untuk pengelompokkan data, salah satunya adalah fuzzy c-means. Untuk itulah dalam penelitian ini penulis menggunakan algoritma fuzzy c-means dalam penyelesaian masalah tersebut.

2.    Landasan Teori

2.1  KDD (Knowledge Discovery In Database)

KDD (Knowledge Discovery In Database) adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Dian dan Ahmad, 2011). Menurut Angga dan Riani (2012), beberapa proses KDD (Knowledge Discovery In Database) adalah sebagai berikut:

a.       Data Selection
Pemilihan data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
b.       Preprocessing
Sebelum proses Data Mining dapat dilaksanakan, perlu dilakukan proses cleaning dengan tujuan untuk membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses memperkaya data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.
c.        Transformation
Proses coding pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses Data Mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam database.
d.       Data Mining
Proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
e.        Interpretation / Evaluation
Pola informasi yang dihasilkan dari proses Data Mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya atau tidak.

2.2   Data Mining
Ada banyak definisi mengenai Data Mining ini sendiri, salah satunya menurut Mujib Ridwan, et al. (2013) data mining adalah proses menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Secara sederhana Data Mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar (Dian dan Ahmad, 2011).
Menurut Dian dan Ahmad (2011), Karakteristik Data Mining adalah sebagai berikut:
1.       Data Mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya.
2.       Data Mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya.
3.       Data Mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi.

2.2.1  Pengelompokan Data Mining
Menurut Mujib Ridwan, et al. (2013), beberapa teknik pengelompokan yang dimiliki Data Mining berdasarkan tugas yang dapat dilakukan, yaitu:
1.       Deskripsi
Para peneliti biasanya mencoba menemukan cara untuk mendeskripsikan pola dan trend yang tersembunyi dalam data.
2.       Estimasi
Estimasi mirip dengan klasifikasi, kecuali variabel tujuan yang lebih kearah numeric dari pada kategori.
3.       Prediksi
Prediksi memiliki kemiripan dengan estimasi dan klasifikasi. Hanya saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi (mungkin terjadi di masa depan).
4.       Klasifikasi
Dalam klasifikasi variabel, tujuan bersifat kategorik. Misalnya kita akan mengklasifikasikan pendapatan dalam tiga kelas, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.
5.       Clustering
Clustering lebih kearah pengelompokan record, pengamatan, atau kasus dalam kelas yang memiliki kemiripan.
6.       Asosiasi
Mengidentifikasikan hubungan antara berbagai peristiwa yang terjadi pada satu waktu.

2.2.2    Tahap-Tahap Data Mining

Menurut Mujib Ridwan, et al. (2013), tahap-tahap Data Mining adalah sebagai berikut:
1.       Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan.
2.       Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru.
3.       Seleksi data (data selection)
Data yang ada pada database seing kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
4.       Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam Data Mining.
5.       Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6.       Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang ditemukan.
7.       Presentase pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.

2.3   Pengklasteran (Clusterring)
Menurut Goldie dan Dana (2012), pengklasteran (clusterring) merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas obyek-obyek yang memiliki kemiripan. Klaster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan record dalam klaster yang lain. Pengklasteran tidak melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target, akan tetapi algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.


2.4    Fuzzy C-Means
Fuzzy C-Means adalah suatu teknik peng-cluster-an yang mana keberadaannya tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan (Nardi dan Nazori, 2012). Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.
Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system. Algoritma Fuzzy C-Means adalah sebagai berikut:
1.       Input data yang akan dicluster X, berupa matriks berukuran n x m (n = jumlah sample data, m = atribut setiap data).
Xij = data sample ke i (i = 1, 2,…,n), atribut ke-j (j = 1, 2,…,m).
2.       Tentukan:
-        Jumlah cluster      = c;
-        Pangkat = w;
-        Maksimum iterasi  = MaxIter;
-        Error terkecil yang diharapkan  = ζ
-        Fungsi obyektif awal           = P0 = 0;
-        Iterasi awal           = t = 1;
3.       Bangkitkan nilai acak μik, i=1,2,…,n;
k = 1, 2,….,c; sebagai elemen-elemen matriks partisi awal u. μik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat cluster nya. Sehingga kecendrungan data untuk masuk suatu cluster juga belum akurat.
Hitung jumlah setiap kolom (atribut)


 
(1)

di mana:
Qj adalah jumlah nilai derajat keanggotaan perkolom = 1 dengan j=1,2,…m
Hitung:


 
       (2)


4.       Hitung pusat Cluster ke-k: Vkj, dengan k = 1,2,…c; dan j = 1,2,…m.

 

(3)



5.       Hitung fungsi obyektif pada iterasi ke-t, Pt. fungsi obyektif digunakan sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat. Sehingga diperoleh kecenderungan data untuk masuk ke cluster mana pada step akhir.



 
(4)


6.       Hitung perubahan matriks partisi:


 



(5)

      


di mana :
i = 1,2,…n; dan k = 1,2,…c
7.       Cek kondisi berhenti:
Jika: ( |Pt – Pt-1 |<_ ) atau (t>maxIter)
-          Maka berhenti;
-          Jika: tidak: t=t+1, ulangi langkah ke-4

3.    Metodologi Penelitian

Metode-metode yang digunakan dalam penelitian ini adalah:
1.       Studi Literatur:
a.       Mencari referensi yang berhubungan dengan data mining, Clustering, Algoritma Fuzzy C-Means, dan Matlab.
b.       Mempelajari dan memahami materi yang berhubungan dengan penelitian.
2.       Mengumpulkan dan mengolah data akademik yang digunakan untuk penelitian.
3.       Menganalisa dan menerapkan konsep data mining dengan algoritma Fuzzy C-Means.
4.       Mengimplementasikan algoritma Fuzzy C-Means dengan software matlab.
5.       Menyusun laporan dalam bentuk tertulis sebagai laporan penelitian

4.     Hasil dan Pembahasan
4.1 Implementasi
Implementasi penerapan data mining terhadap data akademik untuk menentukan bidang peminatan mahasiswa algoritma Fuzzy C-Means dalam penelitian ini menggunakan software Matlab. Adapun langkahnya sebagai berikut:
Panggil terlebih dahulu data yang akan diuji. Berikut ini merupakan gambar dari perintah untuk mengambil data yang akan diuji pada Matlab, seperti pada gambar 1 berikut:


 






Gambar 1 Import Data Yang Diuji

Pada gambar 1 adalah perintah yang digunakan untuk mengimport data yang akan diuji dengan perintah >> X=load(‘d:\Revisi Sidang Tesis\data.dat’). Data yang diuji adalah 100 data dengan jumlah klaster yang ditetapkan adalah 3. X merupakan matriks partisi awal yang terbentuk dari data tersebut.
Berikut ini merupakan perintah untuk membuat pusat klaster, mengetahui fungsi objektif, maksimum iterasi yang terjadi, serta matriks partisi baru yang dihasilkan dari pengujian menggunakan matlab, seperti yang terlihat pada gambar 2 berikut:


 











Gambar 2 Tampilan Maksimal Iterasi Yang Terjadi

Pada gambar 2 untuk melihat maksimal iterasi, matriks partisi U, dan fungsi objektif digunakan perintah
>> [center,U,ObjFcn]=fcm(X,3,[2,100,1e-5]). Pada pengujian dengan menggunakan Matlab, maksimal iterasi yang terjadi adalah 30 iterasi. Untuk fungsi objektif yang dihasilkan pada iterasi 30 (iterasi terakhir) adalah 1632.884740. Sebelumnya terlebih dahulu ditentukan beberapa ketentuan sebagai berikut:
-          X (data) yang digunakan sebanyak 100 sampel
-          Jumlah klaster = 3
-          Maksimum iterasi = 100
-          Eror terkecil = 10 -5
-          Pangkat pembobot = 2
Berikut ini merupakan tampilan dari pusat klaster yang terjadi pada iterasi 30 (iterasi terakhir), seperti pada gambar 3 berikut:


 












Gambar 3 Pusat Klaster Yang Terjadi di Iterasi 30 (Iterasi Terakhir)
Pada gambar 3 merupakan nilai dari pusat klaster dari iterasi terakhir yang mana pada nilai pusat klaster tersebut nantinya akan menjadi informasi dari peminatan yang terpilih dari masing-masing mahasiswa.
Berikut ini merupakan tampilan dari matriks partisi U yang terbentuk pada iterasi 30 (iterasi terakhir), seperti terlihat pada gambar 4 berikut:


 












Gambar 4 Matriks Partisi U Yang Terbentuk Pada Iterasi Terakhir

Pada gambar 4 terlihat matriks partisi U yang yang terbentuk pada iterasi 30 (iterasi terakhir). Matriks partisi U inilah nantinya yang akan menjadi derajat keanggota’an yang masuk pada klaster tertentu dalam menentukan suatu peminatan.

4.2  Aplikasi Penentuan Peminatan        Berbasis GUI 

Pada aplikasi penentuan peminatan berbasis GUI dibangun dengan menggunakan software Matlab. Tujuannya untuk mempermudah dalam menentukan mahasiswa mana yang masuk terhadap peminatan yang ada, apakah peminatan Multimedia dan Visi Komputer, peminatan Jaringan dan Sistem Informasi atau peminatan Robotika dan Sistem Cerdas. Pembangunan aplikasi tersebut harus sesuai dengan pusat klaster yang telah didapat sebelumnya, yakni dengan memanfa’atkan data terhadap pusat klaster pada iterasi terakhir tersebut. Jarak klaster yang terdekat dengan pusat klaster merupakan hasil dari peminatan yang terpilih. Berikut merupakan tampilan dari aplikasi penentuan peminatan tersebut.



 












Gambar 5 Tampilan Aplikasi Penentuan Peminatan

Pada gambar 5 merupakan tampilan aplikasi untuk menentukan peminatan terhadap mahasiswa. Pada masing-masing nilai untuk P1, P2, dan P3 merupakan masukan dari data yang digunakan terhadap penelitian ini yakni berjumlah 100 data.  
Berdasarkan hasil pengujian yang diterapkan dengan menggunakan Matlab 7.10, maka untuk menentukan mahasiswa yang masuk ke suatu peminatan tertentu digunakan ketentuan dari pusat klaster yang terbentuk pada iterasi terakhir yang di hasilkan dari Matlab tersebut. Melalui pusat klaster ini nantinya akan ditentukan klaster baru yang merupakan kelompok dari peminatan tersebut. Berikut ini merupakan pusat klaster tersebut:
Berdasarkan dari pusat klaster pada iterasi terakhir tersebut didapat ketentuan dalam menentukan klaster baru sebagai berikut:
1.       Pada kolom pertama (baris 1, 2, dan 3) merupakan nilai rata-rata dari mata kuliah sebelumnya untuk peminatan Multimedia dan Visi Komputer
2.       Pada kolom kedua (baris 1, 2, dan 3) merupakan nilai rata-rata dari mata kuliah sebelumnya untuk peminatan Jaringan dan Sistem Informasi
3.       Pada kolom ketiga (baris 1,2, dan 3) merupakan nilai rata-rata dari mata kuliah sebelumnya untuk peminatan Robotika dan Sistem Cerdas.

Berikut ini merupakan hasil pengujian yang didapat dari data yang digunakan dengan menggunakan algoritma Fuzzy C-Means dalam menentukan peminatan, seperti terlihat pada tabel 1

Tabel 1 Hasil Penetapan Peminatan Oleh FCM

No
NPM
Nilai Rata-rata Peminatan
Hasil Penetapan Peminatan
P1
P2
P3
Oleh FCM
1
12350024
64.800
69.750
65.056
Jaringan dan Sistem Informasi
2
12350027
64.083
68.520
64.344
Jaringan dan Sistem Informasi
3
12350034
74.950
74.370
74.156
Robotika dan Sistem Cerdas
4
12350044
77.083
73.740
71.533
Robotika dan Sistem Cerdas
5
12350048
63.550
70.060
68.967
Jaringan dan Sistem Informasi
6
12350051
73.683
76.220
69.778
Multimedia dan Visi Komputer
7
12350059
75.833
80.430
74.622
Robotika dan Sistem Cerdas
8
12350064
68.033
73.500
65.767
Jaringan dan Sistem Informasi
9
12350071
64.950
70.700
68.444
Jaringan dan Sistem Informasi
10
12350075
68.797
72.540
68.967
Multimedia dan Visi Komputer
11
12350076
69.325
72.460
69.867
Multimedia dan Visi Komputer
12
12350084
81.250
80.000
83.978
Robotika dan Sistem Cerdas


13
12350090
72.978
74.260
66.556
Multimedia dan Visi Komputer
14
12350100
71.425
70.690
69.089
Multimedia dan Visi Komputer
15
12350103
76.283
77.900
75.789
Robotika dan Sistem Cerdas
16
12350109
72.167
72.000
71.144
Multimedia dan Visi Komputer
17
12350110
68.083
69.220
70.200
Jaringan dan Sistem Informasi
18
12350116
72.842
69.000
68.922
Multimedia dan Visi Komputer
19
12350118
75.625
76.950
75.311
Robotika dan Sistem Cerdas
20
12350123
76.708
73.760
75.344
Jaringan dan Sistem Informasi
21
12350125
76.042
74.800
76.978
Robotika dan Sistem Cerdas
22
12350126
80.333
75.860
76.867
Robotika dan Sistem Cerdas
23
12350128
61.717
68.460
68.711
Jaringan dan Sistem Informasi
24
12350134
65.083
68.860
66.111
Jaringan dan Sistem Informasi
25
12350137
71.492
73.700
72.778
Multimedia dan Visi Komputer
26
12350138
80.500
80.160
78.478
Robotika dan Sistem Cerdas
27
12350139
73.742
77.760
74.389
Robotika dan Sistem Cerdas
28
12350142
72.458
75.850
77.722
Robotika dan Sistem Cerdas
29
12350143
70.792
76.000
70.800
Multimedia dan Visi Komputer
.





.





100
12350430
70.958
70.900
69.489
Multimedia dan Visi Komputer



5.    Kesimpulan

Adapun beberapa kesimpulan yang didapat dari hasil penelitian ini adalah:
1.       Pengujian data pada algoritma Fuzzy C-Means terlebih dahulu membuat kelompok/ klaster pada masing-masing peminatan. Tujuannya untuk mempermudah mencari jarak terdekat terhadap pusat klaster dari nilai klaster tersebut, sehingga menghasilkan peminatan yang sesuai terhadap konsep algoritma Fuzzy C-Means.
2.       Dari hasil pengujian dengan menggunakan algoritma Fuzzy C-Means terhadap 100 sampel data yang digunakan  dalam menentukan peminatan, sebanyak 41 mahasiswa ditetapkan untuk peminatan Multimedia dan Visi Komputer, 27 mahasiswa ditetapkan untuk peminatan Jaringan dan Sistem Informasi, serta 32 mahasiswa ditetapkan untuk peminatan Robotika dan Sistem Cerdas. 

Daftar Pustaka

Angga Ginanjar Mabrur dan Riani Lubis. (2012). “Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit”. Jurnal Komputer dan Informatika (KOMPUTA), Edisi I, Volume. 1.

Dian Wirdasari dan Ahmad Calam. (2011). “Penerapan Data Mining Untuk Mengolah Data Penempatan Buku Di Perpustakaan SMK TI PAB 7 Lubuk Pakam Dengan Metode Association Rule”. Jurnal SAINTIKOM Vol.10, No.2.

Goldie Gunadi dan Dana Indra Sensuse. (2012). “Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth (FP-Growth): Studi Kasus Percetakan PT. Gramedia”. Jurnal TELEMATIKA MKOM Vol. 4, No. 1.

Mujib Ridwan, Hadi Suyono dan M. Sarosa. (2013). “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes Classifier”. Jurnal EECCIS Vol. 7, No. 1.

Nardi dan Nazori AZ. (2012). “Otomasi Klasifikasi Awan Citra Satelit MTSAT Dengan Pendekatan Fuzzy Logic”. Jurnal TELEMATIKA MKOM Vol. 4, No. 1.

Prasetyo, Eko. (2012). “Data Mining Konsep dan Aplikasi Menggunakan Matlab”. Andi Yogyakarta.

Sismadi. (2013). “Perbandingan Tingkat Akurasi Pemetaan Algoritma K-Means Dan Fuzzy C-Means Nasabah Asuransi Jiwa Syariah”. Jurnal Techno Nusa Mandiri Vol. IX, No. 1.

Widodo, Prabowo Pudjo, et al. (2013). “Penerapan Data Mining Dengan Matlab”. Rekayasa Sains Bandung.





No comments:

Post a Comment

PEMANFAATAN DATA MINING DALAM MENENTUKAN BIDANG PEMINATAN PADA JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN ALGORITMA FUZZY C-MEANS (S...