Azmi, Alifian (2019) IMPLEMENTASI METODE CLUSTERING DENGAN ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK MEMETAKAN POTENSI PRODUKSI PADI DAN PALAWIJA KABUPATEN/KOTA DI PROVINSI JAWA BARAT. Tugas Akhir (S1) - thesis, UNIVERSITAS BAKRIE.

Preview	Text (Cover) 00. Cover.pdf - Submitted Version Download (1MB) | Preview
	Text (BAB I-III) 01. BAB I-III.pdf - Submitted Version Restricted to Registered users only Download (1MB)
	Text (BAB IV) 02. BAB IV.pdf - Submitted Version Restricted to Registered users only Download (4MB)
	Text (BAB V) 03. BAB V.pdf - Submitted Version Restricted to Registered users only Download (244kB)
Preview	Text (DAFTAR PUSTAKA) 04. DAFTAR PUSTAKA.pdf - Submitted Version Download (213kB) | Preview
	Text (Lampiran) 05. Lampiran.pdf - Submitted Version Restricted to Registered users only Download (2MB)

Abstract

Pada metode cluster non-hirarki terdapat beberapa algoritma clustering data, di antaranya adalah metode K-Means dan metode K-Medoids. Pada proses pengelompokkan (clustering), dalam metode K-Means suatu objek hanya akan menjadi anggota satu cluster dengan menghitung rata-rata dari sedangkan pada metode K-Medoids suatu objek hanya akan menjadi anggota satu cluster dengan mengambil sampel acak dari suatu objek. Algoritma K-Medoids digunakkan karena pada metode K-Medoids kemungkinan kegagalan untuk konvergen lebih kecil dibandingkan metode K-means. Tujuan penelitian ini adalah untuk membandingkan metode K-Means dan metode K-Medoids (PAM) secara teoritis serta mengetahui aplikasinya. Langkah awal dalam penelitian ini adalah membandingkan antara metode K-Means dan metode K-Medoids secara teoritis kemudian mengaplikasikannya pada data Palawija BPS Jawa Barat. Dan pada akhir penelitian ini diperoleh kesimpulan bahwa K-Means dan K-Medoids (PAM) merupakan metode clustering data yang di golongkan sebagai metode pengklasifikasian yang bersifat unsupervised (tanpa arahan). Pengalokasian ulang data ke dalam masing-masing cluster, metode K-Means menggunakan metode pengalokasian yang bersifat mencari rata-rata(means). Sedangkan untuk metode K-Medoids mengelompokkan data dengan menggunakan clustering bersifat tegas (hard) yang memungkinkan kegagalan untuk konvergen lebih kecil dibandingkan metode K-means. Dengan pendekatan pengklasteran K-Means dan K-Medoids, peneliti berupaya melakukan pembagian kelompok daerah dapat dilakukan berdasarkan kabupaten/kota, luas panen (Ha), produksi(ton) dan tahun panen. Pada penelitian ini dilakukan pengklasteran daerah potensial penghasil palawija menggunakan algoritma K-Means dan K-Medoids.

Actions (login required)

View Item