PENENTUAN JUMLAH KLASTER PADA METODE K-MEANS BERDASARKAN NILAI DAN VEKTOR EIGEN DARI MATRIKS KERNEL

FUAD MAULANA, . (2021) PENENTUAN JUMLAH KLASTER PADA METODE K-MEANS BERDASARKAN NILAI DAN VEKTOR EIGEN DARI MATRIKS KERNEL. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text BAB I.pdf Download (220kB)
	Text BAB II.pdf Restricted to Registered users only Download (680kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (442kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (442kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (766kB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (240kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (222kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (406kB) | Request a copy
	Text COVER.pdf Download (2MB)

Abstract

Dalam analisis pengelompokan dengan menggunakan metode k-means, perlu ditentukan jumlah klaster yang akan diambil. Khususnya dalam menentukan jumlah klaster sebelum dilakukan proses pengelompokan dengan metode k-means. Nilai eigen dari similaritas antar objek dengan menggunakan fungsi kernel dapat memberikan jumlah klaster terbaik sebelum dilakukan pengelompokan dengan metode k means. Pada penelitian ini, data yang digunakan adalah data perilaku pembelian pelanggan di suatu supermarket dengan membagi kasus berdasarkan kombinasi data dengan 3, 4, dan 5 indikator. Penelitian ini menggunakan metode elbow untuk menentukan jumlah klaster terbaik setelah dilakukan pengelompokan dengan metode k-means serta metode Davies Bouldin Index untuk mengetahui metode yang lebih baik dalam menentukan jumlah klaster. Hasil penelitian menunjukkan bahwa dengan mencari nilai eigen dari similaritas antar objek dengan fungsi kernel memberikan nilai DBI terkecil pada 10 kasus, sedangkan metode elbow memberikan nilai DBI terkecil pada 6 kasus. Sehingga nilai eigen dari similaritas antar objek dengan fungsi kernel lebih baik dari metode elbow dalam menentukan jumlah klaster. In cluster analysis using the k-means method, it is necessary to determine the number of clusters to be taken. Especially in determining the number of clusters before the clustering process is carried out using the k-means method. Eigen from similarity between objects using kernel function can give the best number of clusters before clustering using k means method. In this study, the data used is data on customer purchasing behavior in a supermarket by dividing cases based on a combination of data with 3, 4, and 5 indicators. This study uses the elbow method to determine the best number of clusters after clustering with the k-means method and the Davies Bouldin Index method to find out which method is better in determining the number of clusters. The results showed that by looking for the eigenvalues of the similarity between objects with the kernel function gave the smallest DBI value in 10 cases, while the elbow method gave the smallest DBI value in 6 cases. So the eigenvalues of the similarity between objects and kernel functions is better than the elbow method in determining the number of clusters.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Yudi Mahatma, M.Si.; 2). Dr. Makmuri, M.Si.;
Subjects:	Sains > Matematika
Divisions:	FMIPA > S1 Matematika
Depositing User:	Users 11749 not found.
Date Deposited:	02 Sep 2021 09:50
Last Modified:	02 Sep 2021 09:51
URI:	http://repository.unj.ac.id/id/eprint/18661

Actions (login required)

View Item