Pengelompokan data yang Memuat Pencilan dengan Kriteria Elbow dan Koefisien Silhouette (Algoritme K-Medoids)
| dc.contributor.author | Utami, Dwi Sari | |
| dc.contributor.author | Saputro, Dewi Retno Sari | |
| dc.date.accessioned | 2018-07-12T04:37:09Z | |
| dc.date.available | 2018-07-12T04:37:09Z | |
| dc.date.issued | 2018-03 | |
| dc.identifier.citation | Barnett, V. dan T. Lewis (1994). Outliers in Statistical Data. New York: John Wiley & Sons. Flowrensia, Y. (2010). Perbandingan Penggerombolan K-Means dan KMedoids Pada Data Yang Mengandung Pencilan [Skripsi].Institut Pertanian Bogor. Bogor. Folzmiser, P. (2005). Identification of Multivariate Outliers: A Performance Study. Australian Journal of Statistics, 34(2), 127-138. Han, J., dan M. Kamber(2012). Data Mining: Concepts and Techniques. San Francisco: Morgan Kaufmann Publisher. Johnson, R.A., andD.W. Wichern(2002).Applied Multivariate Analysis 5th Edition. New Jersey: Prentice Hall. Kaufman L., and P.J. Rousseeuw. (1987). Clustering By Means of Medoids. New York: John Wiley & Sons. Kaufman L., and P.J. Rousseeuw.(1990). Finding Groups in Data. New York: John Wiley & Sons. Kokasih, V. (2016). Clustering Penggunaan Bandwith Menggunakan Metode K-Means Algorithm pada Penerapan Single Sign On (SSO) Universitas Sebelas Maret [Skripsi]. Universitas Sebelas Maret. Surakarta. Madulatha, T.S. (2012).An Overview On Clustering Methods. IOSR Journal of Engineering, II(4), 719-725. Santoso, S. (2010). Statistik Multivariat. Jakarta: Elex Media Komputindo. Struyf, A., M. Hubert, P.J. Rousseeuw. (1997). Integrating Robust Clustering Techniques in S-PLUS. Journal of Computational Statistics and Data Analysis,26(1),17-37. Vendramin,L., R.J.G.B. Campello, and E.R. Hruschka.(2009). On the Comparison of Relative Clustering Validity Criteria. Proceedings of the SIAM International Conference on Data Mining, 3(4), 733-744. | id_ID |
| dc.identifier.issn | 2502-6526 | |
| dc.identifier.uri | http://hdl.handle.net/11617/10118 | |
| dc.description.abstract | Analisis kelompok adalah metode statistika multivariat yang bertujuan untuk mengelompokkan objek pengamatan yang memiliki kemiripan (karakteristik sama). Terdapat dua metode pengelompokan dalam analisis kelompok yaitu metode pengelompokan hierarchical (hierarki) dan nonhierarchical (nonhierarki). K-medoids merupakan metode pengelompokan nonhierarki yang mempartisi n data ke dalam k kelompok yang memiliki karakteristik sama dan menggunakan medoid (median) sebagai pusat kelompoknya. Dengan demikian, k-medoids ini robust terhadap adanya data pencilan. Dalam proses pengelompokan digunakan algoritme k-medoidsdengan kriteria elbow dan validasinya dengan koefisien silhouette. Kriteria elbow digunakan dengan melihat plot jumlah kuadrat sesatan (JKS) dari beberapa jumlah kelompok(k). Jika terbentuk siku (elbow) untuk nilai JKS pada suatu nilai k, maka nilai tersebut menjadi banyaknya kelompok yang akan dibentuk. Koefisien silhouette berada antara-1dan 1. Pada artikel ini dilakukan kajian kriteria elbow dan koefisien silhouette dengan algoritme k-medoids untuk pengelompokan data yang memuat pencilan dan penerapannya pada kasus demam berdarah di Indonesia tahun 2016. Kajian menunjukkan bahwa pengelompokan kasus demam berdarah pada 34 provinsi di Indonesia tahun 2016 menghasilkan 3 kelompok dengan nilai koefisien silhouette sebesar 0.6409981. | id_ID |
| dc.language.iso | other | id_ID |
| dc.publisher | Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya (KNPMP) III 2018 | id_ID |
| dc.title | Pengelompokan data yang Memuat Pencilan dengan Kriteria Elbow dan Koefisien Silhouette (Algoritme K-Medoids) | id_ID |
| dc.type | Article | id_ID |
Files in this item
This item appears in the following Collection(s)
-
Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya (KNPMP) III 2018
Membudayakan Literasi Matematika Untuk Penguatan Karakter