Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Journal of Information System

Penerapan Algoritma K-Means untuk Clustering Pemodelan Pengetahuan Pengguna Menggunakan Rapidminer Yanuar, Khalid Alfa; Firmansyah, Hasbi
Journal of Information System & Business Management (ISBM) Vol. 3 No. 1 (2025)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam penelitian ini, algoritma K-Means diterapkan untuk clustering data pengguna menggunakan rapidminer dalam rangka pemodelan pengetahuan. Lima variabel utama digunakan dalam dataset yang digunakan: waktu belajar untuk tujuan tertentu (STG), jumlah pengulangan untuk tujuan tertentu (SCG), waktu belajar untuk materi terkait (STR), kinerja ujian pada materi terkait (LPR), dan kinerja ujian pada tujuan tertentu (PEG). Perangkat lunak RapidMiner digunakan untuk melakukan clustering pada data yang diperoleh dari UCI Repository. Hasilnya menunjukkan lima kelompok data yang menunjukkan pola belajar pengguna, dan indeks Davies-Bouldin digunakan untuk mengevaluasi kinerja clustering yang baik. Penelitian ini memberikan wawasan penting tentang hubungan antara waktu belajar, pengulangan materi, dan prestasi ujian. Selain itu, penelitian ini membantu dalam pembangunan sistem pembelajaran yang dapat disesuaikan dengan teknologi.
Studi Klasterisasi Data LSM dengan Algoritma K-Means Menggunakan RapidMiner Amiva, Adel Nayyan; Firmansyah, Hasbi
Journal of Information System & Business Management (ISBM) Vol. 3 No. 1 (2025)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini berfokus pada pengorganiz data dari Lembaga Swadaya Masyarakat (LSM) dengan menggunakan teknik pengelompokan K-Means, yang diimplementasikan melalui perangkat lunak RapidMiner. Metode ini berguna untuk menemukan pola dan hubungan dalam kumpulan data ekstensif yang tidak memiliki kategori yang ditetapkan. RapidMiner memungkinkan analisis data yang efisien tanpa memerlukan keterampilan pemrograman tingkat lanjut, sedangkan algoritma K-Means mengelompokkan data dengan mengidentifikasi kesamaan karakteristik menggunakan jarak Euclidean. Kualitas klaster yang terbentuk dievaluasi dengan Indeks Davies-Bouldin (DBI), yang mengukur efektivitas klaster. Temuan penelitian ini diharapkan dapat menawarkan wawasan berharga dalam mengelola LSM, bersama dengan menunjukkan penggunaan teknik pengelompokan yang berlaku di bidang lain.
Penerapan K-Means Clustering Untuk Segmentasi Dataset Ulasan wisata HolidayIQ Pralampitho, Yoga Adhi; Firmansyah, Hasbi; Damuri, Amat; Mulyana, Iwan
Journal of Information System & Business Management (ISBM) Vol. 3 No. 2 (2025): Volume 3 Nomor 2
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini mengeksplorasi penggunaan algoritma K-means untuk membagi data ulasan tentang pariwisata yang diambil dari platform HolidayIQ. Dataset ini mencakup informasi mengenai minat wisatawan dalam enam kategori berbeda: alam, budaya, relaksasi, petualangan, kehidupan malam, dan belanja. Tujuan utama dari penelitian ini adalah untuk mengelompokkan wisatawan yang memiliki ciri- ciri yang sama, sehingga pola preferensi mereka dapat dianalisis lebih mendalam. Proses pengelompokan dilakukan dengan menerapkan algoritma K-means, dengan penekanan pada identifikasi jumlah kluster yang ideal serta menganalisis karakteristik setiap kluster berdasarkan atribut yang relevan. Hasil penelitian diharapkan dapat memberikan wawasan yang lebih komprehensif bagi pihak pengelola destinasi wisata dalam merancang strategi pemasaran dan pengembangan layanan yang lebih tepat sasaran, serta menjadi acuan dalam pengambilan keputusan berbasis data.
Penerapan Algoritma K-Means untuk Clustering Pemodelan Pengetahuan Pengguna Menggunakan Rapidminer Yanuar, Khalid Alfa; Firmansyah, Hasbi
Journal of Information System & Business Management (ISBM) Vol. 3 No. 1 (2025)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24905/isbm.v3i1.64

Abstract

Dalam penelitian ini, algoritma K-Means diterapkan untuk clustering data pengguna menggunakan rapidminer dalam rangka pemodelan pengetahuan. Lima variabel utama digunakan dalam dataset yang digunakan: waktu belajar untuk tujuan tertentu (STG), jumlah pengulangan untuk tujuan tertentu (SCG), waktu belajar untuk materi terkait (STR), kinerja ujian pada materi terkait (LPR), dan kinerja ujian pada tujuan tertentu (PEG). Perangkat lunak RapidMiner digunakan untuk melakukan clustering pada data yang diperoleh dari UCI Repository. Hasilnya menunjukkan lima kelompok data yang menunjukkan pola belajar pengguna, dan indeks Davies-Bouldin digunakan untuk mengevaluasi kinerja clustering yang baik. Penelitian ini memberikan wawasan penting tentang hubungan antara waktu belajar, pengulangan materi, dan prestasi ujian. Selain itu, penelitian ini membantu dalam pembangunan sistem pembelajaran yang dapat disesuaikan dengan teknologi.
Studi Klasterisasi Data LSM dengan Algoritma K-Means Menggunakan RapidMiner Amiva, Adel Nayyan; Firmansyah, Hasbi
Journal of Information System & Business Management (ISBM) Vol. 3 No. 1 (2025)
Publisher : Universitas Pancasakti Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24905/isbm.v3i1.67

Abstract

Penelitian ini berfokus pada pengorganiz data dari Lembaga Swadaya Masyarakat (LSM) dengan menggunakan teknik pengelompokan K-Means, yang diimplementasikan melalui perangkat lunak RapidMiner. Metode ini berguna untuk menemukan pola dan hubungan dalam kumpulan data ekstensif yang tidak memiliki kategori yang ditetapkan. RapidMiner memungkinkan analisis data yang efisien tanpa memerlukan keterampilan pemrograman tingkat lanjut, sedangkan algoritma K-Means mengelompokkan data dengan mengidentifikasi kesamaan karakteristik menggunakan jarak Euclidean. Kualitas klaster yang terbentuk dievaluasi dengan Indeks Davies-Bouldin (DBI), yang mengukur efektivitas klaster. Temuan penelitian ini diharapkan dapat menawarkan wawasan berharga dalam mengelola LSM, bersama dengan menunjukkan penggunaan teknik pengelompokan yang berlaku di bidang lain.