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 PERBANDINGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM PENGELOMPOKKAN TINGKAT PENGANGGURAN TERBUKA PROVINSI DI INDONESIA

Teks

PERBANDINGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM PENGELOMPOKKAN TINGKAT PENGANGGURAN TERBUKA PROVINSI DI INDONESIA

Putri Amaliya - Nama Orang;

Pengangguran adalah situasi di mana seseorang yang tergolong angkatan kerja
ingin mencari pekerjaan, namun belum menerimanya. Tingginya angka
pengangguran disebabkan banyaknya permintaan dari perusahaan atau lapangan
pekerjaan yang tidak sesuai bagi masyarakat pencari kerja, banyak perusahaan
mencari lulusan Diploma atau Sarjana. Data mining merupakan solusi yang tepat
untuk clustering data. Algoritma K-Means dan Fuzzy C-Means merupakan
algoritma data mining yang dapat digunakan untuk pengumpulan data. Namun
algoritma K-Means mempunyai kelemahan yaitu sensitif terhadap noise dan outlier,
sehingga digunakan Fuzzy C-Means untuk mengatasi kelemahan tersebut.
Penelitian ini bertujuan untuk membandingkan algoritma K-Means dan Fuzzy CMeans dengan menggunakan nilai validitas clustering Davies Bouldin Index (DBI).
Objek pada penelitian ini adalah data tingkat pengangguran terbuka (TPT) yang
diperoleh dari Badan Pusat Statistik (BPS) Indonesia. Data yang digunakan adalah
data tingkat pengangguran terbuka (TPT) per bulan Agustus Provinsi di Indonesia
tahun 2013-2023. Banyaknya objek dalam data adalah 38 Provinsi.
Hasil penelitian menunjukan bahwa algoritma K-Means menggunakan k=4
operator clustering dan operator cluster distance performance menghasilkan nilai
validasi sebesar 0.764 sedangkan algoritma Fuzzy C-Means menggunakan k=4
operator clustering, operator cluster model from data dan operator cluster distance
performance menghasilkan nilai validasi sebesar 0.719. Oleh karena itu dapat
disimpulkan bahwa algoritma Fuzzy C-Means lebih baik dibandingkan algoritma
K-Means karena semakin rendah nilai validasi DBI maka cluster yang dihasilkan
semakin baik.


Ketersediaan
S00056.24RF TI.S00056.24 Ama pMy Library (Referensi)Tersedia
Informasi Detail
Judul Seri
-
No. Panggil
RF TI.S00056.24 Ama p
Penerbit
Paguyangan : STMIK MPB., 2024
Deskripsi Fisik
xv,67hlm.;30cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
TI.S00056.24
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
data mining
algoritma K-Means
Pengangguran,
Algoritma Fuzzy C-Means
Info Detail Spesifik
Dilengkapi CD
Pernyataan Tanggungjawab
Putri Amaliya (20.01.0.0053) Skripsi diajukan kepada Program Studi Sebagai bagian persyaratan untuk meraih derajat Sarjana Komputer
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
  • PERBANDINGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM PENGELOMPOKKAN TINGKAT PENGANGGURAN TERBUKA PROVINSI DI INDONESIA
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