PERPUSTAKAAN UNIVERSITAS MUHAMMADIYAH BREBES

NPP 3329042B0000002

  • Profil
  • Informasi
  • Berita
  • Buku Tamu
  • Bantuan
  • Login Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Image of KOMPARASI ALGORITMA K-MEANS DENGAN K-MEDOIDS UNTUK KLASTERISASI KEMISKINAN PENDUDUK DI PROVINSI PAPUA

Teks

KOMPARASI ALGORITMA K-MEANS DENGAN K-MEDOIDS UNTUK KLASTERISASI KEMISKINAN PENDUDUK DI PROVINSI PAPUA

MEI ISMI NURYATI - Nama Orang;

Kemiskinan merupakan suatu keadaan masyarakat yang tidak mampu dalam
memperoleh sumber daya untuk memenuhi kebutuhan hidupnya. Provinsi Papua
menjadi salah satu provinsi dengan tingkat kemiskinan tertinggi di Indonesia.
Berdasarkan permasalahan tersebut maka dibutuhkan pemetaan wilayah untuk
mengetahui Kabupaten/Kota yang termasuk pada kategori kemiskinan tinggi.
Terdapat beberapa algoritma dalam metode clustering, diantaranya yaitu
Algoritma K-Means, K-Medoids, Fuzzy C-Means, Hierarchical Clustering,
DBSCAN.
Metode Clustering dalam Data Mining dapat digunakan untuk melakukan
pengelompokkan tersebut melalui penerapan Algoritma K-Means dan K-Medoids.
Berdasarkan kelebihan dan kelemahan masing-masing algoritma, maka peneliti
membandingkan kinerja algoritma tersebut pada pengelompokkan data
kemiskinan penduduk di Provinsi Papua.
Hasil pengelompokkan pada K=2 Algoritma K-Means berupa Cluster 0
memiliki 22 anggota dan Cluster 1 memiliki 7 anggota, perolehan uji validitas
DBI Algoritma K-Means sebesar 0.92. Kemudian hasil pengelompokkan pada
K=4 Algoritma K-Medoids berupa Cluster 0 memiliki 2 anggota, Cluster 2
memiliki 11 anggota, Cluster 3 memiliki 9 anggota, dan Cluster 1 memiliki 7
anggota, perolehan uji validitas DBI Algoritma K-Medoids sebesar 0.02. Oleh
karena itu, dapat disimpulkan bahwa kinerja Algoritma K-Medoids lebih optimal
dibandingkan Algoritma K-Means.


Ketersediaan
S00025.24RF SI.S00025.24 Ism kMy Library (Referensi)Tersedia
Informasi Detail
Judul Seri
-
No. Panggil
RF SI.S00025.24 Ism k
Penerbit
Brebes : STMIK MPB., 2024
Deskripsi Fisik
xviii,110hlm.;30cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
SI.S00025.24
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
data mining
python
k-means
algoritma K-Means
Davies Bouldin Index
K-Medoids
Algoritma K-Medoids
Info Detail Spesifik
-
Pernyataan Tanggungjawab
MEI ISMI NURYATI (20.02.0.0010) Skripsi diajukan kepada Program Sarjana Sebagai bagian persyaratan untuk meraih derajat Sarjana Komputer
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
  • KOMPARASI ALGORITMA K-MEANS DENGAN K-MEDOIDS UNTUK KLASTERISASI KEMISKINAN PENDUDUK DI PROVINSI PAPUA
Komentar

Anda harus masuk sebelum memberikan komentar

PERPUSTAKAAN UNIVERSITAS MUHAMMADIYAH BREBES
  • Informasi
  • Layanan
  • Pustakawan
  • Kuesioner

Link lainnya :

STMIK-MPB
JURTISI (OJS)

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2025 — Senayan Developer Community

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik