Penelitian
ini dilakukan untuk mempelajari dan mengimplementasikan metode algoritma
K-Means. Permasalahan yang terjadi pada Dinas Pengelola Keuangan dan Aset
(DPKA) yaitu sulitnya pengelompokkan data Anggaran Pendapatan Belanja Daerah
(APBD) pertahun, sehingga sulit untuk memprediksi Anggaran Pendapatan Belanja
Daerah pada tahun yang akan datang. Oleh karena itu digunakan algoritma K-Means
untuk mengelompokkan data-data Anggaran Pendapatan Belanja Daerah (APBD).
Algoritma K-Means adalah salah satu algoritma yang paling sederhana untuk
menyelesaikan permasalahan clustering dengan baik. Algoritma K-Means sangat
populer untuk menemukan cluster dalam dataset dalam perhitungan perulangan.
Metode algoritma K-Means dapat menggunakan software Tanagra. Agar hasil yang
diharapkan pada sistem ini
dapat
memberikan prediksi untuk Anggaran Pendapatan Belanja Daerah (APBD) pada tahun
mendatang
Kata Kunci :
Data Mining, Clustering, K-Means, APBD
1.
Pendahuluan
Pada
setiap instansi atau lembaga yang mengelola keuangan daerah terdapat begitu
banyak data, sehingga menimbulkan kesulitan dalam hal pengelompokan data.
Penatausahaan anggaran pendapatan belanja daerah pada Pemerintah Kota
Payakumbuh belum efektif dilaksanakan disebabkan banyaknya kendala dalam
penatausahaan tersebut, di antaranya keterbatasan sumber daya manusia.
Data
mining adalah
teknik untuk menggali nilai tambah
dari suatu kumpulan data dari suatu pengetahuan yang belum diketahui secara
manual. Data mining sering melibatkan
analisis dari data yang tersimpan dalam
data warehouse. Data mining merupakan proses pencarian pola dan relasi-relasi yang
tersembunyi dalam sejumlah data yang besar dengan tujuan untuk melakukan
klasifikasi, estimasi,
forecasting,
asosiasi rule, sequential pattern, clustering, regression, deskripsi dan visualisasi [1].
Data Anggaran Pendapatan Belanja
Daerah (APBD) merupakan suatu rencana keuangan tahunan pemerintah daerah yang
disetujui oleh Dewan Perwakilan Rakyat Daerah, yang dikelola oleh Dinas
Pengelola Keuangan dan Aset (DPKA) pada suatu kota tertentu.
Kendala yang dihadapi oleh
lembaga keuangan pemerintah di daerah Kota Payakumbuh adalah bagaimana
mengelola dan mengidentifikasi data APBD yang begitu banyak. Namun seiring
dengan perkembangan Teknologi Informasi (TI) muncul berbagai cara dan solusi
untuk mengatasi dan meminimalisir kesulitan dalam mengidentifikasi masalah
tersebut. Berdasarkan permasalahan diatas
algoritma K-Means akan diterapkan untuk memprediksi
data anggaran pendapatan belanja daerah sehingga dari hasil penelitian ini akan
terbangun clusterisasi data APBK kota
Payakumbuh sebagai tempat objek
penelitian. Selanjutnya dari hasil penelitian ini juga dapat ditentukan jumlah cluster yang paling tepat dan akurat
terhadap data APBD, dapat mengelompokkan dan menentukan jumlah cluster yang paling tepat dan akurat
terhadap data APBD serta mampu
menganalisa hasilnya untuk menentukan parameter-parameter batasan berdasarkan
karakteristik masing-masing.
2.
Landasan
Teori
2.1 Knowledge Discovery in Databases (KDD)
Knowledge
Discovery in Databases merupakan sekumpulan proses untuk menemukan
pengetahuan yang bermanfaat dari data. KDD terdiri dari serangkaian langkah
perubahan, termasuk data preprocessing dan
juga post processing. Data propecessing merupakan langkah untuk
mengubah data mentah menjadi format
yang sesuai untuk tahap analisis berikutnya. Selain itu data preprocessing juga digunakan untuk
membantu dalam pengenalan atribut dan data segmen yang relevan dengan task Data Mining.
Istilah Data Mining dan Knowledge
Discovery in Databases (KDD)
sering kali digunakan secara bergantian
untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis
data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang
berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam
keseluruhan proses KDD adalah Data Mining.
Proses Knowledge Discovery in Databases (KDD) secara garis besar dapat
dijelaskan sebagai berikut [5] :
Gambar 1. Tahapan Knowledge Discovery in
Databases
(KDD)
1. Data
Selection
Pemilihan (seleksi) data dari
sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi
dalam knowledge data discovery dimulai. Data hasil seleksi
yang akan digunakan untuk proses Data Mining, disimpan dalam suatu
berkas, terpisah dari basis data operasional.
2.
Pre-processing atau cleaning
Sebelum proses Data Mining dapat dilaksanakan, perlu
dilakukan proses cleaning pada data
yang menjadi fokus knowledge data discovery. Proses cleaning mencakup antara lain
membuang duplikasi data, memeriksa data yang inkosisten, dan memperbaiki
kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses
enrichment, yaitu proses memperkaya
data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan
KDD, seperti data atau informasi eksternal.
3. Transformation
Coding adalah proses tranformasi pada data yang telah dipilih, sehingga data
tersebut sesuai untuk proses Data Mining.
Proses coding dalam KDD merupakan
proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan
dicari dalam basis data.
4. Data
Mining
Data
Mining adalah
proses mencari pola atau informasi
menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
Teknik, metode, atau algoritma dalam Data
Mining sangat bervariasi. Pemilihan
metode atau algoritma yang tepat
sangat bergantung pada tujuan dan proses KDD secara keseluruhan.
5.
Interpretation atau Evaluation
Pola informasi yang dihasilkan
dari proses Data Mining perlu ditampilkan dalam bentuk yang
mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup
pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta
atau hipotesis yang ada sebelumnya.
2.2 Data mining
Data
Mining adalah
suatu istilah yang digunakan untuk
menguraikan penemuan pengetahuan dalam database. Data Mining adalah proses yang menggunakan teknik variabel, matematika,
kecerdasan buatan dan machine learning
untuk mengektraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai database
besar [8].
Menurut Gartner Group Data Mining adalah suatu proses
menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam
sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan
teknik pengenalan pola seperti teknik 74 variabel dan matematika [6].
2.2.1 Pengelompokan Data Mining
Data
Mining dibagi
menjadi beberapa kelompok berdasarkan
tugas yang dapat dilakukan, yaitu [7] :
1.
Deskripsi
Deskripsi adalah menggambarkan
pola dan kecenderungan yang terdapat dalam data yang memungkinkan memberikan
penjelasan dari suatu pola atau kecenderungan tersebut.
2.
Estimasi
Estimasi hampir sama dengan
klasifikasi, kecuali variabel target estimasi lebih 74kearah
numerik daripada kearah kategori.
Model dibangun menggunakan record
lengkap yang menyediakan nilai variabel target sebagai nilai prediksi.
3.
Prediksi
Prediksi hamper sama dengan
klasifikasi dan estimasi, akan tetapi dalam prediksi nilai dari hasil akan
datang ada di masa mendatang.
4.
Klasifikasi
Klasifikasi adalah proses untuk menemukan model
atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan
tujuan memprediksikan kelas untuk data yang tidak diketahui kelasnya.
5.
Pengklusteran
Pengklusteran merupakan
pengelompokkan record, pengamatan,
atau memperhatikan dan membentuk
kelas objek-objek yang memiliki kemiripan. Cluster
adalah kumpulan record yang memilki
kemiripan satu dengan yang lainnya dan memiliki kemiripan dengan record-record dalam cluster lain.
6.
Asosiasi
Asosiasi dalam Data Mining adalah menemukan atribut
yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis
keranjang belanja.
2.2.2 Proses Data
Mining
Tahapan proses dalam Data Mining adalah sebagai berikut :
1.
Pembersihan
data yang merupakan fase semua data yang tidak relevan akan dihapus.
2.
Integrasi
data yaitu tahapan mengkombinasi data yang bersifat heterogen dari sumber data
yang sama.
3.
Seleksi
data yaitu data yang relevan dengan analisis diambil dari proses pengumpulan
data.
4.
Trasformasi
data yaitu fase di mana data yang akan dipilih berubah bentuk sesuai kebutuhan
dalam proses Data Mining.
5.
Evaluasi
pola yang merupakan kegiatan menarik pola yang mewakili pengidentifikasian
pengetahuan berdasarkan langkah-langkah yang diberikan.
6.
Persentasi
pengetahuan merupakan tahap akhir di mana pengetahuan ditemukan secara visual
yang ditampilkan pada pengguna atau tahap ini merupakan tahap teknik
visualisasi untuk
membantu pengguna memahami dan menginterpretasikan
hasil Data Mining.
2.3 Clustering
Clustering
adalah salah satu teknik Data Mining untuk menemukan kumpulan
objek hingga objek-objek dalam satu kelompok yang sama (punya hubungan) dengan
yang lain dan berbeda (tidak berhubungan) dengan objek-objek dalam kelompok
lain. Tujuan dari analisa cluster
adalah meminimalkan jarak di dalam cluster
dan memaksimalkan jarak antar cluster.
2.3.1. K-Means
Algoritma
K-Means merupakan algoritma pengelompokan iterative
yang melakukan partisi set
data ke dalam sejumlah K cluster yang telah ditetapkan di awal. Algoritma K-Means sederhana
untuk
diimplementasikan dan dijalankan, relatif cepat,
mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means
menjadi salah satu algoritma yang paling penting dalam bidang Data Mining
[7].
Secara historis, bentuk esensial K-Means
ditemukan oleh sejumlah peneliti dari lintas disiplin ilmu. Yang paling
berpengaruh adalah Lloyd (1982), Forgey (1965), Friedman dan Rubin (1967), dan
McQueen (1967). Algoritma K-Means berkembang hingga menjadi konteks yang lebih
besar sebagai algoritma hill-climbing, seperti yang disampaikan oleh Gray dan
Nuhoff (1998).
Dasar algoritma K-Means sebagai berikut [7] :
1.
Inisialisasi
: tentukan nilai K sebagai jumlah cluster
yang diinginkan dan metrik ketidakmiripan (jarak) yang diinginkan. Jika perlu,
tetapkan ambang batas perubahan fungsi objektif dan ambang batas perubahan
posisi centroid.
2.
Pilih K
data dari set data X sebagai centroid.
3.
Alokasikan
semua data ke centroid terdekat dengan jarak metrik jarak yang sudah ditetapkan
.
=1 − 1 2 +
1 − 1 2
4.
Hitung
kembali centoid C berdasarkan data yang mengikuti cluster masing-masing.
|
=
|
1
|
|
|
|
||
|
|
|
|
|
|
|
5.
Ulangi
langkah 3 dan 4 hingga kondisi konvergen tercapai, yaitu :
a.
Perubahan
fungsi objektif sudah di bawah ambang batas yang diinginkan.
b.
Tidak ada
data yang berpindah cluster.
c.
Perubahan
posisi centroid sudah di bawah ambang batas yang ditetapkan.
1.
Metodologi
Penelitian
Metodologi penelitian ini dimulai
dari mempelajari beberapa literatur yang berhubungan dengan topik penelitian
yang sedang dilakukan, dilanjutkan dengan mengumpulkan data-data yang
berhubungan dan merumuskan masalah penelitian sebagai langkah awal terhadap
proses yang dilakukan. Tahapan selanjutnya menganalisa proses data mining
dengan metode K-Means dan mengimplementasikan metode K-Means tersebut dengan
menggunakan tools Tanagra. Tahapan terakhir adalah pengujian terhadap sistem
untuk mengetahui tingkat validitas dari sistem yang dibangun. Tahapan lengkap
penelitian sebagaimana
yang dijabarkan diatas terdapat dalam gambar 1
dibawah.
Gambar 2.
Metodologi Penelitian
4.
Analisis
Sistem
4.1 Analisis Clustering dengan Algoritma K-Means
K-Means termasuk dalam metode Data Mining partitioning clustering yaitu setiap data harus masuk dalam cluster tertentu memungkinkan bagi setiap data yang termasuk dalam cluster terntuntu pada suatu tahapan
proses, pada tahapan berikutnya berpindah ke cluster lain. K-Means memisahkan
data ke K daerah bagian yang terpisah, di mana K
adalah bilangan integer positif.
Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk
mengklasifikasi data besar dan outlier
dengan sangat cepat.
Tabel 1.
List jenis pendapatan
|
Data
|
Jenis
|
M
|
Jumlah
|
Jumlah
|
|
|
ke-
|
Pendapatan
|
ke-
|
Pendapatan
|
Instansi
|
|
|
1
|
Pajak Daerah
|
1
|
49
|
18
|
|
|
2
|
Retribusi
|
2
|
7
|
18
|
|
|
|
daerah
|
|
|
|
|
|
3
|
Hasil
|
|
3
|
3
|
10
|
|
|
Pengelolaan
|
|
|
|
|
|
|
kekayaan
|
|
|
|
|
|
|
daerah
|
yang
|
|
|
|
|
|
Dipisahkan
|
|
|
|
|
|
4
|
Lain-lain
|
4
|
12
|
12
|
|
|
|
PAD
|
yang
|
|
|
|
|
|
sah
|
|
|
|
|
|
5
|
Dana
|
Bagi
|
5
|
74
|
18
|
|
|
hasil
|
Pajak/
|
|
|
|
|
|
Bagi
|
hasil
|
|
|
|
|
|
bukan
pajak
|
|
|
|
|
|
6
|
Dana Alokasi
|
6
|
191
|
15
|
|
|
|
Umum
|
|
|
|
|
|
7
|
Dana Alokasi
|
7
|
21
|
5
|
|
|
|
Khusus
|
|
|
|
|
|
8
|
Hibah
|
8
|
2
|
18
|
|
|
9
|
Dana Darurat
|
9
|
638
|
18
|
|
|
10
|
Dana
|
Bagi
|
10
|
11
|
18
|
|
|
Hasil
|
Pajak
|
|
|
|
|
|
dari
|
Provinsi
|
|
|
|
|
|
dan
|
Pemda
|
|
|
|
|
|
Lainnya
|
|
|
|
|
|
11
|
Dana
|
|
11
|
20
|
18
|
|
|
Penyesuaian
|
|
|
|
|
|
|
dan
|
Otonomi
|
|
|
|
|
|
Khusus
|
|
|
|
|
|
12
|
Bantuan
|
12
|
3
|
10
|
|
|
|
Keuangan
|
|
|
|
|
|
|
dari
|
Provinsi
|
|
|
|
|
|
atau
|
Pemda
|
|
|
|
|
|
Lainnya
|
|
|
|
|
|
13
|
Lain-lain
|
13
|
3
|
5
|
|
Tabel 2.
Pengelompokan cluster 1
|
Data
|
Jenis
|
M
|
Jumlah
|
Jumlah
|
|
ke-
|
Pendapatan
|
ke-
|
Pendapatan
|
Instansi
|
|
1
|
Dana Darurat
|
9
|
638
|
18
|
Tabel 3.
Pengelompokan cluster 2
|
Data
|
Jenis
|
M
|
Jumlah
|
Jumlah
|
|
|
ke-
|
Pendapatan
|
ke-
|
Pendapatan
|
Instansi
|
|
|
1
|
Pajak Daerah
|
1
|
49
|
18
|
|
|
2
|
Retribusi
|
2
|
7
|
18
|
|
|
|
daerah
|
|
|
|
|
|
3
|
Hasil
|
|
3
|
3
|
10
|
|
|
Pengelolaan
|
|
|
|
|
|
|
kekayaan
|
|
|
|
|
|
|
daerah yang
|
|
|
|
|
|
|
Dipisahkan
|
|
|
|
|
|
4
|
Lain-lain
|
4
|
12
|
12
|
|
|
|
PAD
|
yang
|
|
|
|
|
|
sah
|
|
|
|
|
|
5
|
Dana
|
Bagi
|
5
|
74
|
18
|
|
|
hasil
|
Pajak/
|
|
|
|
|
|
Bagi
|
hasil
|
|
|
|
|
|
bukan
pajak
|
|
|
|
|
|
6
|
Dana Alokasi
|
6
|
191
|
15
|
|
|
|
Umum
|
|
|
|
|
|
7
|
Dana Alokasi
|
7
|
21
|
5
|
|
|
|
Khusus
|
|
|
|
|
|
8
|
Hibah
|
8
|
2
|
18
|
|
|
9
|
Dana
|
Bagi
|
10
|
11
|
18
|
|
|
Hasil
|
Pajak
|
|
|
|
|
|
dari
|
Provinsi
|
|
|
|
|
|
dan
|
Pemda
|
|
|
|
|
|
Lainnya
|
|
|
|
|
|
10
|
Dana
|
|
11
|
20
|
18
|
|
|
Penyesuaian
|
|
|
|
|
|
|
dan
|
Otonomi
|
|
|
|
|
|
Khusus
|
|
|
|
|
|
11
|
Bantuan
|
12
|
3
|
10
|
|
|
|
Keuangan
|
|
|
|
|
|
|
dari
|
Provinsi
|
|
|
|
|
|
atau
|
Pemda
|
|
|
|
|
|
Lainnya
|
|
|
|
|
|
12
|
Lain-lain
|
13
|
3
|
5
|
|
Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik
untuk menggambarkan isi cluster tersebut.
Dari kedua cluster yang terbentuk
kita dapat mengklasifikasikan sebagai
berikut :
1.
Cluster pertama :
dari 13 data pendapatan didapat 1 pendapatan
yang besar.
2.
Cluster kedua :
dari 13 data pendapatan didapat 12 pendapatan
tidak besar.
Tabel 4.
List jenis belanja
|
Data
|
Jenis Belanja
|
M
|
Jumlah
|
Jumlah
|
|
|
ke-
|
|
|
ke-
|
Belanja
|
Instansi
|
|
1
|
Belanja Pegawai
|
1
|
200
|
18
|
|
|
2
|
Belanja Bunga
|
2
|
200
|
18
|
|
|
3
|
Belanja Subsidi
|
3
|
250
|
18
|
|
|
4
|
Belanja Hibah
|
4
|
20
|
8
|
|
|
5
|
Belanja
|
Bantuan
|
5
|
25
|
10
|
|
|
Sosial
|
|
|
|
|
|
6
|
Belanja Bagi Hasil
|
6
|
20
|
18
|
|
|
|
kepada
|
|
|
|
|
|
|
Prop/Kab/Kota
|
|
|
|
|
|
|
dan
Pemdas
|
|
|
|
|
|
7
|
Belanja
|
Bantuan
|
7
|
20
|
8
|
|
|
Keuangan
|
kepada
|
|
|
|
|
|
Prop/Kab/Kota
|
|
|
|
|
|
|
dan
Pemdas
|
|
|
|
|
|
8
|
Belanja
|
Tidak
|
8
|
10
|
18
|
|
|
terduga
|
|
|
|
|
|
9
|
Belanja
|
Barang
|
9
|
80
|
18
|
|
|
dan Jasa
|
|
|
|
|
|
10
|
Belanja Modal
|
10
|
120
|
18
|
|
Tabel 5.
Pengelompokan cluster 1
|
Data
|
Jenis Belanja
|
M
|
Jumlah
|
Jumlah
|
|
|
ke-
|
|
|
ke-
|
Belanja
|
Instansi
|
|
1
|
Belanja Hibah
|
4
|
20
|
8
|
|
|
2
|
Belanja
|
Bantuan
|
5
|
25
|
10
|
|
|
Sosial
|
|
|
|
|
|
3
|
Belanja
|
Bagi
|
6
|
20
|
18
|
|
|
Hasil
|
kepada
|
|
|
|
|
|
Prop/Kab/Kota
|
|
|
|
|
|
|
dan Pemdas
|
|
|
|
|
|
4
|
Belanja
|
Bantuan
|
7
|
20
|
8
|
|
|
Keuangan
|
|
|
|
|
|
|
kepada
|
|
|
|
|
|
|
Prop/Kab/Kota
|
|
|
|
|
|
|
dan Pemdas
|
|
|
|
|
|
5
|
Belanja
|
Tidak
|
8
|
10
|
18
|
|
|
terduga
|
|
|
|
|
|
6
|
Belanja
|
Barang
|
9
|
80
|
18
|
|
|
dan Jasa
|
|
|
|
|
Tabel 6.
Pengelompokan cluster 2
|
Data
|
Jenis
|
M
|
Jumlah
|
Jumlah
|
|
ke-
|
Belanja
|
ke-
|
Belanja
|
Instansi
|
|
1
|
Belanja
|
1
|
200
|
18
|
|
|
Pegawai
|
|
|
|
|
2
|
Belanja
|
2
|
200
|
18
|
|
|
Bunga
|
|
|
|
|
3
|
Belanja
|
3
|
250
|
18
|
|
|
Subsidi
|
|
|
|
|
4
|
Belanja
|
10
|
120
|
18
|
|
|
Modal
|
|
|
|
Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik
untuk menggambarkan isi cluster tersebut.
Dari kedua cluster yang terbentuk
kita dapat mengklasifikasikan sebagai
berikut :
1.
Cluster pertama :
dari 10 jenis belanja didapat 6 belanja
yang besar.
2.
Cluster kedua :
dari 10 jenis belanja didapat 4 belanja
yang tidak besar.
5. Implementasi Dan Hasil
Hasil yang didapat seteleh melakukan pengujian
dengan software Tanagra adalah sebagai berikut :
Gambar 3. Cluster yang terbentuk melalui software tanagra
Dari kedua cluster yang terbentuk dengan
menggunakan software
tanagra kita dapat mengklasifikasikan sebagai berikut :
1. Cluster pertama : dari 13 data pendapatan didapat 1 pendapatan yang besar.
2. Cluster kedua : dari 13 data pendapatan didapat 12 pendapatan tidak besar.
6.
Kesimpulan
dan Saran
6.1 Kesimpulan
Berdasarkan uraian pada bab-bab yang sudah dibahas
sebelumnya maka dapat diambil kesimpulan:
1.
Penelitian ini
menganalisis data Anggaran
PendapatanBelanjaDaerah(APBD)
menggunakan clustering
dengan algoritma K-Means.
2.
Sistem clustering data
Anggaran Pendapatan
Belanja Daerah (APBD) menggunakan algoritma K-Means
dapat mengelompokan dan memprediksi data pada tahun berikutnya.
6.2 Saran
Berdasarkan hasil penelitian yang
telah dilakukan maka diharapkan penelitian selanjutnya :
1.
Menggunakan
data historis yang lebih banyak untuk menemukan pola yang lebih baik.
2.
Diuji
kembali dengan menggunakan algoritma clustering
lainnya.
3.
Proses
penyimpanan data diharapkan menggunakan sistem komputerisasi sehingga data bisa
tersimpan lebih baik, sehingga ketika dibutuhkan dapat diolah lebih cepat,
apabila nanti adanya pengembangan sistem.
4.
Pengembangan
sistem sebaiknya dilakukan untuk menutupi kekurangan dari sistem yang telah ada
saat ini.
Referensi
[1] Narendra Sharma, Aman Bajpai, Mr. Ratnesh
Litoriya
(2012). “Comparison the various
clustering algorithms of weka tools”,
India.
[2] Hemlata Sahu,
Shalini Shrma, Seema
Gondhalakar
(2012). “A Brief Overview on Data Mining Survey”,
India.
[3]
Minky Jindal, Nisha Kharb (2013).
“K-means Clustering Technique on Search Engine
Dataset using Data Mining Tool”, India.
[4] Athanasia
O. P. Dewi, Wiranto H. Utomo, Sri Yulianto
J.P (2013). “Identification
of Potential Student Academic Ability
Using Comparison Algorithm K-Means and Farthest First”, Indonesia.
[5]
Kusrini, Emha Taufiq Luthfi
(2009). “Algoritma Data Mining”, STMIK AMIKOM Yogyakarta.
[6] Larose,
Daniel T (2005). “Discovering Knowledge
in
Data : An Introduction to Data Mining”.
[7]
Eko Prasetyo (2014). “Data Mining
Mengolah Data Menjadi Informasi menggunakan matlab”, Yogyakarta.
[8]
Turban, E, dkk (2005), “Decesion Support System and Intelligent Systems”, Yogyakarta.
[9]
http://jurnal.stmik-amik-riau.ac.id/index.php/satin/article/view/109/pdf
Nama : Dhinda Afsaryna Awanys
NPM : 1B117093
Kelas : 4KA44
Tidak ada komentar:
Posting Komentar