Peningkatan Kualitas Hasi Clustering Menggunakan Algoritma Hierarchical Agglomerative Clustering Dan Enhanced K- Means (Studi Kasus: Strategi Promosi Universitas)

Hermawati, Maya (2017) Peningkatan Kualitas Hasi Clustering Menggunakan Algoritma Hierarchical Agglomerative Clustering Dan Enhanced K- Means (Studi Kasus: Strategi Promosi Universitas). Diploma thesis, Universitas Komputer Indonesia.

Full text not available from this repository.
Official URL: http://elib.unikom.ac.id/gdl.php?mod=browse&op=rea...

Abstract

Dalam membuat strategi promosi universitas yang tepat sasaran, pihak marketing dapat menggunakan teknik clustering dengan memanfaatkan data lulusan mahasiswa untuk mengetahui jurusan apa yang paling diminati di setiap wilayah dan seperti apa potensi calon mahasiswa yang dimiliki di setiap wilayah. Terdapat dua macam algoritma yang dapat digunakan untuk menyelesaikan clustering yaitu algoritma clustering berbasis hierarki dan partisi. Keduanya memiliki keunggulan dan kelemahannya masing-masing. Terdapat beberapa algoritma yang berusaha memperbaiki kelemahan algoritma clustering, diantaranya adalah gabungan algoritma Hierarchical Agglomerative Clustering dan K-Means (HA-KM) untuk mencari jumlah cluster terbaik. Selain itu ada juga algoritma yang berusaha memperbaiki kekurangan algoritma partisi K-Means yaitu Enhanced K-Means yang mampu menentukan pusat cluster awal secara otomatis dan memasukkan data ke dalam cluster yang tepat. Kedua algoritma memiliki keunggulan dan kelemahan berbeda, sehingga penelitian ini menggabungkan algoritma Hierarchical Agglomerative Clustering dan Enahnced K-Means (HA-EKM) untuk dapat mencari jumlah cluster terbaik sekaligus menentukan pusat cluster awal secara otomatis. Algoritma ini diimplementasikan pada data model untuk mengetahui karakteristik algoritma dan data kasus untuk mengetahui algoritma terbaik untuk menyelesaikan kasus. Di penelitian ini terlihat bahwa algoritma HA-EKM memiliki kinerja yang lebih unggul dari algoritma HA-KM pada dataset yang memiliki jumlah atribut kurang dari atau sama dengan 4 untuk jumlah data di atas atau sama dengan 768 berdasarkan evaluasi Davies-Bouldin Index (DBI). Hal ini terbukti saat diimplementasikan pada kasus clustering untuk strategi promosi universitas, algoritma HA-EKM juga menghasilkan hasil clustering dengan nilai DBI terbaik.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: clustering, Enhanced K-Means, Hierarchical Agglomerative Clustering, strategi promosi universitas.
Subjects: ?? UNIK1473 ??
Divisions: Universitas Komputer Indonesia > Perpustakaan UNIKOM
Date Deposited: 10 Nov 2017 03:32
Last Modified: 10 Nov 2017 03:32
URI: http://repository.unikom.ac.id/id/eprint/53286

Actions (login required)

View Item View Item