scholarly journals Implementasi Data Mining dengan Metode Clustering Algoritma K-Means untuk Pengelompokan Data Tilang di Instansi Pemerintah

2021 ◽  
Vol 20 (2) ◽  
pp. 109-121
Author(s):  
Rini Astuti ◽  
Kurweni Ukar
Keyword(s):  
Data Mining ◽  
Cluster Data

Terjadinya pelanggaran lalu lintas yang sangat banyak dan beragam dapat menyebabkan harus diterbitkannya bukti pelanggaran (tilang) lalu lintas oleh Kepolisian Lalu Lintas yang banyak pula. Pelanggaran terjadi karena ada ketidaksesuaian dengan aturan di Undangundang yang telah ditetapkan yaitu Undang-undang Nomor 22 Tahun 2009 Tentang Lalu Lintas dan Angkutan Jalan. Karena data tilang sangat banyak, maka Pengelolaan data tilang membutuhkan waktu yang lama, sehingga dapat menyebabkan pelayanan sidang tilang untuk menentukan denda kepada pelanggar juga lama Salah satu cara untuk mempercepat palayanan adalah dengan memanfaatkan data mining agar data tersebut lebih bermakna dalam bentuk informasi. Data mining adalah proses menerapkan berbagai metode untuk pengelolaan data dengan maksud untuk mengungkap pola-pola tersembunyi. Dengan arti lain Data mining adalah proses untuk penggalian polapola dari data. Penelitian ini mengimplementasikan data mining metode clustering dengan algoritma kmeans yang merupakan salah satu algoritma pembentukan cluster data, Algoritma ini bekerja dengan cara membagi data ke dalam k-cluster dengan mengelompokkan data berdasarkan kelas-kelas tertentu yang kemudian dirumuskan hasilnya dengan menganalisis banyaknya pasal yang dilanggar dan rata-rata jumlah total pembayaran denda. Dengan adanya sistem pengelolaan data tilang di suatu Instansi Pemerintah ini, diharapkan dapat mempermudah dan mempersingkat waktu pelayananan persidangan baik dalam pengelolaan data, pembayaran denda ataupun proses pengembalian barang bukti tilang. Sistem informasi pengelompokan data tilang ini menerapkan pengelompokan dengan menggunakan Algoritma K-Means dengan metode clustering, clustering merupakan proses yang digunakan untuk mengelompokkan objek sesuai informasi yang diperoleh dari data yang menyamakan anggota dalam kelasnya, Pendekatan proses pengembangan yang digunakan adalah pendekatan berorientasi objek dengan tool UML dengan model proses prototyping. Melalui sistem ini, dapat memudahkan dalam penyajian informasi berupa jenis tilang terbanyak dan sebagainya, juga mampu meningkatkan kualitas kerja pegawai dalam hal pemanfaatan waktu dan meningkatkan pelayanan.

Pemanfaatan Metode K-Means Dalam Penentuan Persediaan Barang

2018 ◽  
Vol 6 (1) ◽  
pp. 41-48
Author(s):  
Santoso Setiawan
Keyword(s):  
Data Mining ◽  
Stock Management ◽  
Transaction Data ◽  
Business People ◽  
Cluster Data ◽  
Data Clusters ◽  
Inventory Strategy ◽  
Transactional Data

Abstract   Inaccurate stock management will lead to high and uneconomical storage costs, as there may be a void or surplus of certain products. This will certainly be very dangerous for all business people. The K-Means method is one of the techniques that can be used to assist in designing an effective inventory strategy by utilizing the sales transaction data that is already available in the company. The K-Means algorithm will group the products sold into several large transactional data clusters, so it is expected to help entrepreneurs in designing stock inventory strategies.   Keywords: inventory, k-means, product transaction data, rapidminer, data mining   Abstrak   Manajemen stok yang tidak akurat akan menyebabkan biaya penyimpanan yang tinggi dan tidak ekonomis, karena kemungkinan terjadinya kekosongan atau kelebihan produk tertentu. Hal ini sangat berbahaya bagi para pelaku bisnis. Metode K-Means adalah salah satu teknik yang dapat digunakan untuk membantu dalam merancang strategi persediaan yang efektif dengan memanfaatkan data transaksi penjualan yang telah tersedia di perusahaan. Algoritma K-Means akan mengelompokkan produk yang dijual ke beberapa cluster data transaksi yang umumnya besar, sehingga diharapkan dapat membantu pengusaha dalam merancang strategi persediaan stok.   Kata kunci: data transaksi produk, k-means, persediaan, rapidminer, data mining.

scholarly journals Analisis Cluster Data Interkomparasi Anak Timbangan dengan Algoritma Self Organizing Maps

2021 ◽  
Vol 7 (2) ◽  
Author(s):  
Arif Fajar Solikin ◽  
Kusrini Kusrini ◽  
Ferry Wahyu Wibowo
Keyword(s):  
Data Mining ◽  
Statistical Test ◽  
Optimum Number ◽  
Data Normalization ◽  
Self Organizing Map ◽  
Self Organizing Maps ◽  
Number Of Clusters ◽  
Map Algorithm ◽  
Cluster Data ◽  
Self Organizing

Intercomparison was conducted to determine the ability and the performance of the laboratory. Intercomparison results are usually expressed in the range of En ratio values (En ?|1|) which express the equivalence of one laboratory with other laboratories. If the laboratory is declared unequal, then it needs to identify the source of the problem by itself. To make it easier, it can be done by Clustering which is one of the data mining techniques. Clustering is done by applying a self organizing map algorithm on the KNIME (Konstanz Information Miner) analytic tools. Several experiments were carried out with different layer size and data normalization status from one experiment to another experiment. The results were analyzed through pseudo F statistical test and icdrate test. The largest pseudo F statistic value was obtained from the 8th experiment (setting the layer size 2x2 without data normalization) with a pseudo F statistic value of 167.53 for 1kg artifacts and a Pseudo F statistic value of 104.86 for 200 g artifacts where the optimum number of clusters are 4. The smallest icdrate value was obtained from the 5th experiment (setting the 2x3 layer size without data normalization) with an icdrate value of 0.0713 for 1kg artifacts and icdrate value of 0.2889 for 200g artifacts with the best number of clusters being 6. From 12 laboratories can be grouped into 6 groups where each group has the same identification. There are groups 1, 3 and 6 have 1 member, while groups 2, 4 and 5 have 3 members.

scholarly journals Pencarian Kemiripan Judul Tugas Akhir Mahasiswa Dengan Menggunakan Metode Single Linkage Hierarchical

2018 ◽  
Vol 8 (2) ◽  
pp. 154
Author(s):  
Rizal Tjut Adek ◽  
Miftahul Jannah
Keyword(s):  
Data Mining ◽  
Text Mining ◽  
Data Clustering ◽  
Single Linkage ◽  
Hierarchical Method ◽  
Cluster Data

Pencarian kemiripan judul tugas akhir berdasarkan tema pada jurusan teknik informatika menggunakan metode single linkage hierarchical adalah suatu metode untuk mengetahui kemiripan atau kedekatan abstrak dan judul tugas akhir antara input yang dimasukkan admin dengan abstrak dan judul tugas akhir yang sudah dikerjakan atau sudah ada pada jurusan teknik informatika Universitas Malikusssaleh dengan teknik clustering. Pada data - data abstrak tugas akhir yang sudah dikerjakan atau sudah ada dilakukan proses clustering dengan menggunakan Single Linkage Hierarchical Method (SLHM) sampai terbentuk enam buah cluster sesuai dengan bidang yang ada pada jurusan teknik informatika. Kemudian input yang sudah ada melewati proses text mining dengan enam cluster yang terbentuk. Selanjutnya dilakukan proses pencocokan antara data uji atau data baru dengan data yang sudah ada dengan anggota - angggota dari cluster. Data - data yang digunakan untuk membentuk data clustering adalah data abstrak tugas akhir teknik informatika Universitas Malikussaleh tahun 2010 - 2015, sedangkan abstrak yang diinputkan merupakan abstrak baru untuk mengetahui asbtrak tersebut termasuk kedalam kategori mana berdasarkan clustering yang sudah ada didalam database. Hasil dari percobaan 60 data uji abstrak persentase keberhasilan kecocokan pada kategori multimedia sebesar 100%, kategori pemograman sebesar 100%, kategori pengolahan citra sebesar 87,5%, kategori pengenalan pola sebesar 11,11%, sedangkan pada kategori jaringan dan data mining tidak ditemukan kecocakan. Dan pada halaman user, hasil berupa judul tugas akhir yang ada pada database berdasarkan dengan tema judul tugas akhir yang diinputkan oleh user.

scholarly journals Multi-agent based data mining aggregation approaches using machine learning techniques

2018 ◽  
Vol 7 (3) ◽  
pp. 1136
Author(s):  
V Devasekhar ◽  
P Natarajan
Keyword(s):  
Machine Learning ◽  
Data Mining ◽  
Optimization Algorithm ◽  
Experimental Results ◽  
Machine Learning Techniques ◽  
Statistical Features ◽  
Agent Based ◽  
Cluster Data ◽  
Learning Techniques ◽  
Multi Agent

Data Mining is an extraction of important knowledge from the various databases using different kinds of approaches. In the multi agent, distributed mining the knowledge aggregation is one of challenging task. This paper tries to optimize the problem of aggregation and boils down into the solution, which is derived based on the machine learning statistical features of each agents. However, in this paper a novel optimization algorithm called Multi-Agent Based Data Mining Aggregation (MABDA) is used for present day’s scenarios. The MBADA algorithm has agents which collect extracted knowledge and summarizes the various levels of agent’s cluster data into an aggregation with maximum accuracies. To prove the effectiveness of the proposed algorithm, the experimental results are compared with relatively existing methods. 

scholarly journals Penerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat

2017 ◽  
Vol 3 (2) ◽  
pp. 230 ◽  
Author(s):  
Green Ferry Mandias ◽  
Green Arther Sandag ◽  
Susi Susanti ◽  
Haryanto Reza Musak
Keyword(s):  
Data Mining ◽  
Cluster Data

Universitas Klabat (UNKLAB) adalah salah satu perguruan tinggi swasta yang berada dibawah naungan organisasi Gereja Masehi Advent Hari Ketujuh, yang bertempat di Airmadidi, Sulawesi Utara. Universitas Klabat termasuk universitas yang sangat dikenal di Sulawesi utara, yang di dalamnya memiliki 1 program pascasarjana, 6 fakultas  dan 1 akademik. Penelitian ini dilakukan untuk mengetahui pencapaian prestasi mahasiswa  fakultas ilmu komputer yang berada pada tingkat 4 yang memiliki 52 mahasiswa yang aktif dengan memanfaatkan metode data mining. Berdasarkan data mahasiswa fakultas ilmu computer, penelitian ini dilakukan untuk mencari tahu berapa banyak mahasiswa yang memiliki prestasi akademik dibidang databases, networking dan programming dengan menggunakan algoritma data mining. Penelitian ini menggunakan algoritma K-Means dalam menganalisis prestasi akademik mahasiswa fakultas llmu komputer di Universitas Klabat. Data yang dianalisis dikelompokan terlebih dahulu agar terstruktur serta data yang dianalisis memiliki kejelasan hasil yang lebih dalam.Hasil yang didapat dari 52 mahasiswa tersebut adalah, 33% mahasiswa memiliki nilai prestasi di bidang database, 42% mahasiswa pada bidang networking dan 25% mahasiswa di bidang programming.  Keywords :  UNKLAB, Algoritma K-Means ,WEKA, Cluster, Data Mining.

scholarly journals CLG clustering for dropout prediction using log-data clustering method

2021 ◽  
Vol 10 (3) ◽  
pp. 764
Author(s):  
Agung Triayudi ◽  
Wahyu Oktri Widyarto ◽  
Lia Kamelia ◽  
Iksal Iksal ◽  
Sumiati Sumiati
Keyword(s):  
Data Mining ◽  
Data Clustering ◽  
Statistical Data ◽  
Source Code ◽  
Educational Data Mining ◽  
Mining Machine ◽  
Clustering Methods ◽  
Clustering Method ◽  
Log Data ◽  
Cluster Data

<span lang="EN-US">Implementation of data mining, machine learning, and statistical data from educational department commonly known as educational data mining. Most of school systems require a teacher to teach a number of students at one time. Exam are regularly being use as a method to measure student’s achievement, which is difficult to understand because examination cannot be done easily. The other hand, programming classes makes source code editing and UNIX commands able to easily detect and store automatically as log-data. Hence, rather that estimating the performance of those student based on this log-data, this study being more focused on detecting them who experienced a difficulty or unable to take programming classes. We propose CLG clustering methods that can predict a risk of being dropped out from school using cluster data for outlier detection.</span>

scholarly journals Implementasi Metode Hibrid Fuzzy C-Means dan Fuzzy Swarm untuk Pengelompokkan Data Benang Perusahaan Tekstil

2020 ◽  
Vol 6 (1) ◽  
pp. 39-45
Author(s):  
Tifanny Nabarian ◽  
Muhammad Aris Ganiardi ◽  
Reza Firsandaya Malik
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Particle Swarm ◽  
Swarm Optimization ◽  
Fuzzy C Means ◽  
Cluster Data ◽  
Unified Process

Salah satu bahan baku utama dalam proses produksi di perusahaan tekstil adalah benang. Ketersediaan data konsumsi benang pada perusahaan tekstil dapat dimanfaatkan untuk mengetahui pola konsumsi benang pada periode tertentu. Data mining metode clustering adalah salah satu teknik yang dapat digunakan untuk membentuk pola dari data benang tersebut. Pada penelitian ini, digunakan algoritma clustering Hibrid Fuzzy C-Means (FCM) dan Fuzzy Particle Swarm Optimization (FPSO), yaitu algoritma kombinasi dari FCM dan FPSO. Algoritma hibrida ini mampu mengatasi kelemahan dari algoritma asalnya, yaitu FCM. Tujuan dari penelitian ini yaitu menguji performa dari metode hibrid FCM-FPSO dengan cara mengimplementasikan pengelompokan data benang perusahaan tekstil ke dalam sebuah aplikasi. Aplikasi dikembangkan dengan menerapkan model Unified Process (UP). Hasil dari implementasi tersebut adalah nilai rata-rata fungsi objektif terendah dicapai oleh algoritma hibrid FCM-FPSO sebesar 3441,00 kemudian diikuti oleh algoritma FCM dengan nilai sebesar 3540,33 dan yang tertinggi dicapai oleh algoritma FPSO dengan nilai sebesar 4485,40. Nilai rata-rata fungsi objektif yang terendah ini menunjukkan bahwa aplikasi yang dibangun berhasil membuktikan keunggulan algoritma hybrid FCM-FPSO dalam menghasilkan cluster data benang.

Data Mining and Machine Learning

2020 ◽  
Author(s):  
Mohammed J. Zaki ◽  
Wagner Meira, Jr
Keyword(s):  
Machine Learning ◽  
Data Mining
Sign in / Sign up

Export Citation Format

Share Document