Integrasi Algoritma Klusterisasi K-means dan Klasifikasi Naive Bayes pada Pengelompokkan Jumlah Sekolah, Murid, dan Guru di Provinsi Jawa Barat

Shavira Zhalsabilla, 1817031058 (2022) Integrasi Algoritma Klusterisasi K-means dan Klasifikasi Naive Bayes pada Pengelompokkan Jumlah Sekolah, Murid, dan Guru di Provinsi Jawa Barat. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung.

[img]
Preview
 Text
ABSTRAK.pdf
Download (1MB) | Preview
[img] Text
SKRIPSI FULL.pdf
Restricted to Repository staff only
Download (1MB)
[img]
Preview
 Text
SKRIPSI TANPA BAB PEMBAHASAN.pdf
Download (1MB) | Preview

Abstract

Data Mining adalah proses mengekstraksi pola dan informasi yang berguna dari sebuah kumpulan data. Namun, seiring berkembangnya teknologi, sebagian besar pengumpulan data terhambat karena ketidaklengkapan label yang ada dalam data. Untuk mendapatkan label ini dibutuhkan sumber daya yang besar, sehingga untuk mengatasinya diterapkan penggabungan atau integrasi teknik klusterisasi dan klasifikasi pada data mining. Klusterisasi ini memberikan keuntungan atas teknik klasifikasi yaitu membantu mengidentifikasi kelompok data yang memiliki kesamaan karakteristik, dan juga meningkatkan akurasi pada model klasifikasi. Pada penelitian ini dilakukan penggabungan algoritma klusterisasi K-means dan klasifikasi Naive Bayes pada pengelompokkan jumlah sekolah, murid, dan guru di Provinsi Jawa Barat tahun 2016-2020. Penelitian ini bertujuan untuk mengelompokkan kota/kabupaten di Provinsi Jawa Barat menjadi beberapa kluster menggunakan algoritma klusterisasi K-means dan mengklasifikasikannya menggunakan algoritma klasifikasi Naive Bayes. Berdasarkan hasil pengujian yang dilakukan, didapat jumlah kluster yang optimal sebanyak 4 kluster dan menghasilkan akurasi tertinggi sebesar 97.50% dan error rate 0.025.

Item Type: Other
Subjects: ?? 000 ??
Divisions: Fakultas MIPA > Prodi Matematika
Depositing User: 2208196325 . Digilib
Date Deposited: 19 Aug 2022 07:33
Last Modified: 19 Aug 2022 07:33
URI: http://digilib.unila.ac.id/id/eprint/65189

Actions (login required)

View Item View Item