Maysaroh, Siti (2015) Analisis kelompok dengan metode kernel K-means (studi kasus pengelompokan kabupaten/kota di Indonesia berdasarkan penduduk dengan faktor-faktor risiko penyebab penyakit hipertensi). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1313201711-Dissertation.pdf Download (5MB) | Preview |
Preview |
Text
1313201711-Paper-1313201711-makalah-paperpdf.pdf Download (1MB) | Preview |
Preview |
Text
1313201711-Presentation-1313201711-presentationpdf.pdf Download (1MB) | Preview |
Abstract
K-means clustering adalah salah satu metode pengelompokan nonhirarki
yang paling banyak digunakan karena algoritma K-means lebih sederhana dan
cepat prosesnya. Namun K-Means Clustering memiliki kelemahan di dalam
memproses data yang berdimensi banyak, yang sifatnya tidak dapat dipisahkan
secara linier. Dalam perkembangannya, fungsi kernel digunakan untuk mengatasi
pengelompokan data yang bersifat tidak linier. Metode pengelompokan yang
menggunakan fungsi kernel tersebut dikenal dengan Kernel K-Means Clustering.
Dalam penelitian ini akan dibahas mengenai konsep pengelompokkan dengan
metode Kernel K-Means, serta penerapannya pada data simulasi dan data riil.
Data simulasi yang digunakan berupa data yang bersifat linier dan non linier.
Sedangkan data riil yang digunakan adalah data persentase penduduk yang
memiliki faktor–faktor risiko penyebab penyakit hipertensi. Tujuan dari penelitian
ini adalah untuk mengkaji konsep metode kernel k-means clustering,
membandingkan pengelompokan pada data simulasi dan data riil, serta
melakukan pengelompokan kabupaten/kota di Indonesia berdasarkan faktor-faktor
resiko penyebab penyakit hipertensi pada kelompok usia produktif menggunakan
metode K-Means Clustering dan Kernel K-Means Clustering. Algoritma Kernel
K-Means pada prinsipnya hampir sama dengan metode K-Means, perbedaannya
terletak pada inputnya, yaitu pada Kernel K-Means data dipetakan pada dimensi
baru menggunakan fungsi kernel. Dari hasil studi simulasi dengan kriteria
kesesuaian plot, nilai clustering error dan nilai indeks validitas kelompok, metode
pengelompokan Kernel K-Means lebih baik daripada metode K-Means. Begitu
pula pada data riil hasil pengelompokan dengan metode Kernel K-Means lebih
baik daripada K-Means.
============================================================================================================
K-means clustering is a method of nonhierarchi grouping which is most
widely used due to its simple and quick process algorithm of K-means. The KMeans
Clustering had weakness in processing non-linier and multi dimensions
data. To overcome these problems, kernel function is used to make the grouping
process or better known as Kernel K-Means Clustering. In this study will be
discussed on the concept of grouping the Kernel K-Means method, and its
application to the simulation data and the real data. The simulation data was data
that linearly separable and non linearly separable. While the real data was data the
percentage of people who have these risk factors cause hypertension. The purpose
of this study is to assess the Kernel K-Means clustering, compare grouping the
simulated data and real data, as well as grouping districts / cities in Indonesia
based on risk factors for disease-causing hypertension in the productive age group
using the K-Means Clustering and Kernel K-Means Clustering. Kernel K-Means
algorithm on a principle similar to K-Means method, the difference lies in the
input, namely the Kernel K-Means mapped data on a high dimension using kernel
functions. Based on application to the simulation data and the real data , with the
criteria for grouping that is plotting, value of clustering error and validity index,
grouping method using Kernel K-Means is better than K-means.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.53 May a |
| Uncontrolled Keywords: | Analisis Kelompok, K-Means Clustering, Kernel K-Means Clustering,indeks S_Sbw |
| Subjects: | Q Science > QA Mathematics > QA278.55 Cluster analysis |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | - Taufiq Rahmanu |
| Date Deposited: | 21 Nov 2019 06:59 |
| Last Modified: | 21 Nov 2019 06:59 |
| URI: | http://repository.its.ac.id/id/eprint/71946 |
Actions (login required)
 |
View Item |