Ketepatan Klasifikasi Penerima Beasiswa STMIK STIKOM Bali dengan Hybrid Self Organizing Maps dan Algoritma K-Mean

  • Ni Putu Nanik Hendayanti STMIK STIKOM Bali
  • Gusti Ayu Made Arna Putri STMIK STIKOM Bali
  • Maulida Nurhidayati STMIK STIKOM Bali
Keywords: Data Mining, SOM, Algoritma K-Means, hybrid SOM dan K-means

Abstract

Data Mining adalah penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Salah satu teknik yang dikenal dalam Data Mining yaitu clustering. Pengertian clustering dalam Data Mining adalah pengelompokan sejumlah data atau objek ke dalam cluster (group) sehingga setiap di lama cluster tersebut akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lain. Salah satu metode klasifiaksi atau clustering adalah Self Organizing Maps (SOM). SOM merupakan metode artificial neural network yang digunakan untuk mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data. Metode pengelompokan yang menggunakan konsep jarak dan memiliki karakteristik yang hampir sama dengan SOM yaitu metode K-means. Penelitian ini bertujuan untuk mengembangkan suatu metode yang merupakan hybrid dari SOM dan K-means yang digunakan untuk menentukan ketepatan suatu klasifikasi. Sebelum diujikan pada data asli, metode hybrid SOM dan K-Means diujikan lebih dulu pada data benchmark sehingga dapat diketahui berapa persen ketepan yang dihasilkan. Kemudian dilanjutkan dengan penerapan metode hybrid SOM dan K-means pada data penerimaan beasiswa di STMIK STIKOM Bali. Penelitian ini bertujuan untuk menentukan ketepatan klasifikasi penerima beasiswa STMIK STIKOM Bali dengan metode hybrid SOM dan K-means. Hasil penelitian menunjukkan bahwa metode Kmeans dan SOM memberikan hasil yang sama yang akibatnya metode SOM-Kmeans juga memberikan hasil yang sama. Alasannya, metode SOM-Kmeans menggunakan nilai centroid dari hasil SOM, dan hasil yang diperoleh pada metode Kmean memiliki hasil yang sama dengan SOM akibatnya metode SOM-Kmeans menghasilkan hasil yang sama dengan kedua metode sebelumnya.

References

[1] Santosa, B. (2007). Data Mining Teknik Pemanfaatan Data untuk keperluan Bisnis. Grahallmu.Yogyakarta
[2] Kohonen, T., (2001). Self Organizing maps. 3 penyunt. Berlin Heidelberg: Springer-Verlag.
[3] Vesanto, J., (1999). SOM-based data Visualization Methods. In Intelligent Data Analysis,3(2), pp. 111-126
[4] Annas, S., kanai, T. & S, K., (2007). Principal Component Analysis (PCA) and Self Organizing Map (SOM) for Visualizing and Classifying Fire Riks in Forest Region. Agricultural Information Research, 16(2), pp. 44-51
[5] Pandit, Y. P., Badhe, Y. P. & Sharma, B., (2011). Classification of Indian Power Coals using K-means Clustering and Selft Organizing Map Neural Network. Fuel, (90), pp. 339-347
[6] Prasetyo, E. (2012). Data Mining: Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: ANDI Yogyakarta.
[7] Johnson, R.A & Wichern, D.W. (2007). Applied Multivariate Analysis, 6th edition. New Jersey: Pearson Prentice Hall.
Published
2018-10-26
How to Cite
[1]
N. P. Hendayanti, G. A. M. A. Putri, and M. Nurhidayati, “Ketepatan Klasifikasi Penerima Beasiswa STMIK STIKOM Bali dengan Hybrid Self Organizing Maps dan Algoritma K-Mean”, Jurnal Varian, vol. 2, no. 1, pp. 1-7, Oct. 2018.
Section
Articles