Perbandingan Algoritma Pengelompokan Non-Hierarki K-Medians Dan K-Medoids Pada Data Yang Mengandung Pencilan

Khairunnisa, Irene Wahyu (2018) Perbandingan Algoritma Pengelompokan Non-Hierarki K-Medians Dan K-Medoids Pada Data Yang Mengandung Pencilan. Sarjana thesis, Universitas Brawijaya.

Abstract

Kegiatan pengelompokan suatu objek merupakan hal yang sangat penting dan mendasar dalam kehidupan manusia, yang bertujuan untuk membagi suatu objek dalam beberapa kelompok (cluster) dan mengklasifikasikannya menjadi sejumlah kategori sedemikian hingga objek penelitian terbagi dalam cluster yang sama dan memiliki kesamaan yang tinggi. Data indeks kebahagiaan masyarakat menurut provinsi di Indonesia tahun 2017 menggambarkan kondisi Kesejahteraan penduduk Indonesia yang merupakan harapan dan cita-cita setiap bangsa khususnya Negara Indonesia.untuk memperoleh informasi tentang gambaran indeks kebahagiaan tiap provinsi di Indonesia dengan cara salah satunya yaitu mengelompokkan provinsi berdasarkan dengan variabel penyusun indeks kebahagiaan menggunakan algoritma k-medians dan k-medoids. Pada hasil pengelompokan dengan membandingkan algoritma pengelompokan k-medians dan k-medoids diperoleh bahwa algoritma pengelompokan terbaik untuk mengelompokkan data yang mengandung pencilan adalah dengan algoritma k-medoids dengan nilai CTMdan indeks DBterkecil.

English Abstract

The activity of grouping an object is a very important and fundamental thing in human life, which aims to divide an object in several groups (clusters) and classify it into a number of categories so that the object of research is divided into the same cluster and has high similarities. The public happiness index data by province in Indonesia in 2017 describes the condition of the welfare of the Indonesian population which is the hope and ideals of every nation, especially the State of Indonesia. To obtain information about the happiness index picture of each province in Indonesia, one of them is grouping provinces based on constituent variables happiness index using the k-medians algorithm and k-medoids. In the grouping results by comparing the k-medo and k-medoids grouping algorithm, it was found that the best grouping algorithm for classifying data containing outliers was the k-medoids algorithm with the CTM value and the smallest DB index.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/MIPA/2018/497/051900557
Uncontrolled Keywords:	Analisis Cluster, K-Medians, K-Medoids / Analysis of Clusters, K-Medians, K-Medoids
Subjects:	500 Natural sciences and mathematics > 518 Numerical analysis > 518.1 Algorithms
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika
Depositing User:	Endang Susworini
Date Deposited:	16 Jul 2020 03:15
Last Modified:	21 Aug 2023 01:24
URI:	http://repository.ub.ac.id/id/eprint/168926

Text Irene Wahyu Khairunnisa (2).pdf Download (2MB)

Actions (login required)

View Item