DAFTAR ISI Halaman
KATA PENGANTAR i
ABSTRAK iv
ABSTRACT v
DAFTAR ISI vi
BAB I PENDAHULUAN
1
1.1 Latar Belakang
1 1.2
Perumusan Masalah 2
1.3 Ruang Lingkup Penulisan
2 1.4
Batasan Masalah 3
1.5 Tujuan Penelitian
3
BAB II TINJAUAN PUSTAKA
4
2.1 Penambangan Data Data Mining
4 2.2
Klastering 7
2.3 Dokumen Klastering
8 2.4
Support Vektor Clustering SVC 12
2.5 Algoritma Support Vektor Clustering
14 2.6
Algoritma K-Medoids 15
2.7 Riset-Riset Terkait
16 2.8
Kontribuasi Riset 17
2.9 Analisa dan Interpretasi
17
BAB III METODE PENELITIAN
18
3.1. Pendahuluan
18 3.2
Lokasi dan Waktu Penelitian 18
3.3 Rancangan Penelitian
20 3.4
Flowchart Metodologi Penelitian 21
3.5 Perancangan Proses Klastering
23
BAB IV HASIL DAN PEMBAHASAN
24
4.1 Komunitas Rapidminer
24
Universitas Sumatera Utara
4.2 Sampel Data Yang Bersumber Dari Berbagai
Bidang Pendidikan AMIK Tunas Bangsa Pematangsiantar
25 4.3
Proses Support Vector Clustering 25
4.4 Hasil Proses Support Vector Clustering
31 4.5
Proses K-Medoids 38
BAB V PENUTUP
53
5.1. Kesimpulan
53 5.2. Saran
53 DAFTAR PUSTAKA
LAMPIRAN
Universitas Sumatera Utara
ABSTRAK
Data dengan jumlah yang begitu besar berpotensi menghasilkan kesalahan dalam penyajian informasi. Pengolahan data dokumen juga menjadi isu penting pada saat
ini. Seiring dengan meningkatkan jumlah data yang dikumpulkan dan disimpan dalam suatu database meningkat secara drastis. Data ini dapat berasal dari
berbagai macam sumber seperti aplikasi financial, Enterprise Resource Management ERM, Customer Relationship Management CRM, dan lain-lain.
Data-data tersebut jika di olah dapat digunakan untuk menunjang proses pengambilan keputusan.
Penelitian ini difokuskan kepada isu aplikasi metode data mining pada kasus pengelompokkan data Clustering. Dengan terdapatnya jumlah data yang
cukup besar memungkinkan peranan metode data mining dalam hal proses segmentasi melalui klastering yang dapat mengelompokkan data ke dalam
beberapa kelompok Klaster yang diinginkan. Adapun metode data mining yang digunakan Support Vector Clustering SVC dan algoritma K-Medoids. Pengujian
nya dilakukan dengan software Rapidminer. Hasilnya didapat untuk SVC berkisar 11:21 Menit dan K-Medoids berkisar 3:21 Menit.
Kata Kunci : Algoritma Clustering, Support Vector Clustering,Algoritma K-Medoids.
Universitas Sumatera Utara
ABSTRACT
Data with such a large number of potentially result in errors in the presentation of information. Data processing documents also become an important issue at this
time. Along with the increasing amount of data collected and stored in a database increases drastically. This data can come from a variety of sources such as
financial applications, Enterprise Resource Management ERM, Customer Relationship Management CRM, and others. These data if if can be used to
support the decision-making process. This study focused on the issue of application of data mining methods in
the case of data classification clustering. With the presence of a considerable amount of data possible role of data mining methods in the process of
segmentation via clustering that can classify the data into groups clusters are desired. The data mining method used Support Vector Clustering SVC and
K-Medoids algorithm. Her test is done with the software RapidMiner. The result obtained for 11:21 Minutes SVC ranges and K-Medoids range 3:21 Minutes.
Keywords : Clustering Algorithm, Support Vector Clustering, K-Medoids algorithm.
Universitas Sumatera Utara
BAB I PENDAHULUAN
Kategori