Aghisna, R. Nisfiani (2022) Analisis penentuan jumlah cluster terbaik pada Algoritma K-Means dan K-Medoids. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (155kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (184kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (229kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (217kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy |
|
|
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (194kB) | Request a copy |
|
|
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy |
|
|
Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf Restricted to Registered users only Download (184kB) | Request a copy |
Abstract
Perkembangan teknologi telah menciptakan era dimana setiap sektor kehidupan menyimpan data dalam bentuk digital. Sebagian besar data tersebut disimpan dalam bentuk teks yang tidak terstruktur. Algoritma clustering K-Means dan K-Medoids merupakan salah satu metode yang dapat digunakan untuk mengatasi permasalahan ini. Pada penelitian ini digunakan algoritma clustering K-Means dan K-Medoids yang dipadukan dengan dua proximity measure yaitu cosine distance dan euclidean distance. Salah satu masalah utama yang harus diperhatikan dalam proses clustering adalah dimensi ruang fitur yang tinggi. Reduksi dimensi dapat dijadikan sebagai salah satu langkah optimasi pada algoritma clustering untuk mengurangi jumlah fitur (dimensi). Pada penelitian ini akan digunakan metode Principal Component Analysis (PCA) untuk mereduksi fitur-fitur yang kurang berpengaruh dan redudant tanpa mengurangi karakteristik data tersebut secara signifikan. Selanjutnya dilakukan perbandingan hasil clustering pada data terjemahan hadis yang berjumlah 2175 hadis menggunakan algoritma K-Means dan K-Medoids dengan masing-masing kombinasi proximity measure tanpa reduksi dan menggunakan reduksi PCA untuk mengetahui hasil clustering yang terbaik pada algoritma tersebut. Hasil clustering diperoleh dengan melakukan evaluasi menggunakan nilai Silhouette Coefficient (SC).
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | K-Means; K-Medoids; Proximity Measure; Principal Component Analysis; Elbow Method; Silhouette Coefficient; |
| Subjects: | Applied mathematics Applied mathematics > Statistical Mathematics Applied mathematics > Programming Mathematics Applied mathematics > Special Topics of Applied Mathematics |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Matematika |
| Depositing User: | Raden Nisfiani Aghisna |
| Date Deposited: | 26 Jun 2023 04:12 |
| Last Modified: | 26 Jun 2023 04:12 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/8031 |
Actions (login required)
 |
View Item |
