Garuda - Garba Rujukan Digital

Comparison of Result Clustering Study Case Posyandu With The Scalable K Means ++ Clustering Method Hayati, Ariadi Retno; Hani’ah, Mamluatul; Kusumaning, Ika
SENATIK STT Adisutjipto Vol 6 (2020): Keselamatan Penerbangan di masa Pandemi Covid-19 [ISBN 978-602-52742-2-0]
Publisher : Institut Teknologi Dirgantara Adisutjipto

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28989/senatik.v6i0.408

Application of data grouping aims to group data unsupervised, in this study comparing the results of the grouping with the K mean clustering method, K Means ++ clustering method and the Scalable K Means ++ clustering method. Based on the test results by analyzing the iteration error value, the results of the analysis show that the K Means ++ clustering and Scalable K Means ++ clustering method will produce less error values when compared to the K Means Clustering method. The data used as the basis of analysis in this study is based on data from Posyandu Rajawali Singosari in Malang. The initial initialization value of the centroid can be determined or randomly and is very influential for the data grouping process. Calculation analysis program used scilab programming and the error results with the graph of the minimum value. Result in test data, error value test data 1 get Scalable K Means ++ clustering error minimum 0,07, test data 2 get error value minimum K Means ++ Clustering 0,15, test data 3 get error value minimum 0,005 at metode Scalable K Means Clustering, test data 4 get error value minimum 0,15 at K Means ++ Clustering.

IMAGE SEARCHING DATA GAMBAR BERWARNA ALGORITMA K MEANS CLUSTERING PADA DATA PENJUALAN Hayati, Ariadi Retno
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 5 No 2 (2022): Jurnal SKANIKA Juli 2022
Publisher : Universitas Budi Luhur

Pencarian data dengan data gambar berwarna yang diterapkan pada penelitian ini adalah data penjualan dengan dataset gambar berwarna. Terdapat beberapa produk yang akan dideskripsikan yaitu produk makanan, produk bahan pokok, produk rumah tangga yang akan dikelompokkan berdasarkan kategori kelompok dengan kategori produk yang sama. Metode yang diterapkan adalah K Means Clustering pada penelitian ini dengan data pembelajaran dan data uji coba yang berbeda. Sistem pencarian gambar dengan memilih file gambar dari data uji coba dan sistem akan mencari kelompok dari data pembelajaran dan ditampilkan gambar hasil pencarian untuk mempermudah pengguna aplikasi mencari data penjualan jika tidak memiliki atau kesulitan mencari informasi nama produk atau kode produk. Proses pengolahan data warna baik data gambar berwarna pada data pembelajaran dan data uji coba harus melalui proses normalisasi data warna dimana proses ini meliputi pemilihan objek, pemotongan objek, dan menyamakan ukuran gambar objek. Hasil pembelajaran pengelompokan K Means Clustering mendapatkan hasil yang baik, pada penelitian ini mendapatkan prosentase 93,33% pada data pembelajaran dan 60% pada data uji coba.

Membandingkan Analisa Kesalahan Metode K-Means Clustering dan Canopy K-Means Clustering Dengan Data Gambar Terfilter Hayati, Ariadi Retno; Imama, Wilda; Kirana, Puspa; Zuraida, Vit
CESS (Journal of Computer Engineering, System and Science) Vol 9, No 1 (2024): January 2024
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v9i1.50978

Pada penelitian ini menganalisa kesalahan yang diperoleh pada data pembelajaran pada data gambar dengan membandingkan metode K-Means Clustering dan metode Canopy K-Means Clustering. Data yang digunakan adalah data gambar yang diujikan pada aplikasi yang dibangun dan menelaah nilai kesalahan pada setiap iterasi. Analisa kesalahan dengan memahami karakteristik formula pada metode K-Means Clustering dan Canopy K-Means Clustering dan menganalisa angka kesalahan berdasarkan formula kedua metode dengan demikian maka karakteristik perolehan error pada metode Canopy K-Means Clustering diperoleh berdasarkan karakteristik formula dari metode tersebut. Dari hasil beberapa uji coba dengan dataset yang data berbeda maka diperoleh rata-rata bahwa metode Canopy K-Means Clustering memiliki nilai kesalahan lebih sedikit sejumlah 0,0264% dibandingkan metode K-Means Clustering dengan Euclidean distance dan rata-rata keberhasilan 85% sesuai kelompok.

Membandingkan Analisa Kesalahan Metode K-Means Clustering dan Canopy K-Means Clustering Dengan Data Gambar Terfilter Hayati, Ariadi Retno; Imama, Wilda; Kirana, Puspa; Zuraida, Vit
CESS (Journal of Computer Engineering, System and Science) Vol. 9 No. 1 (2024): January 2024
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v9i1.50978

Pada penelitian ini menganalisa kesalahan yang diperoleh pada data pembelajaran pada data gambar dengan membandingkan metode K-Means Clustering dan metode Canopy K-Means Clustering. Data yang digunakan adalah data gambar yang diujikan pada aplikasi yang dibangun dan menelaah nilai kesalahan pada setiap iterasi. Analisa kesalahan dengan memahami karakteristik formula pada metode K-Means Clustering dan Canopy K-Means Clustering dan menganalisa angka kesalahan berdasarkan formula kedua metode dengan demikian maka karakteristik perolehan error pada metode Canopy K-Means Clustering diperoleh berdasarkan karakteristik formula dari metode tersebut. Dari hasil beberapa uji coba dengan dataset yang data berbeda maka diperoleh rata-rata bahwa metode Canopy K-Means Clustering memiliki nilai kesalahan lebih sedikit sejumlah 0,0264% dibandingkan metode K-Means Clustering dengan Euclidean distance dan rata-rata keberhasilan 85% sesuai kelompok.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search