NADIA , ATHIYAH PUTRI (2024) CLUSTERING METHOD OF DENSITY-BASED SPATIAL CLUSTERING OF APPLICATION WITH NOISE (DBSCAN) AND K-MEANS IN CLUSTERING PROVINCES BASED ON FACTORS THAT CAUSE STUNTING IN INDONESIA. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.
|
File PDF
ABSTRAK - Nadii Ptr.pdf Download (2672Kb) | Preview |
|
![[img]](http://digilib.unila.ac.id/style/images/fileicons/text.png) |
File PDF
SKRIPSI FULL - Nadii Ptr.pdf Restricted to Hanya staf Download (2672Kb) | Minta salinan |
|
|
File PDF
SKRIPSI TANPA BAB PEMBAHASAN - Nadii Ptr.pdf Download (2675Kb) | Preview |
Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)
Clustering is a technique used to group data with similar characteristics within each cluster. There are several clustering methods available, such as K-Means and DBSCAN. K-Means is a clustering algorithm that partitions data into several clusters, while DBSCAN builds clusters based on connected densities. This research will use K-Means and DBSCAN clustering methods to perform clustering with stunting causal factor data and simulated data as a consideration of the performance of both methods. The results obtained on the data of the factors that cause stunting, the K-Means method has better performance based on the SI value of 0.5253 and the CH value of 26.0940. While in simulation data where the data is normally distributed and does not contain outliers, the DBSCAN method has better performance based on the SI value of 0.6495 and the CH value of 328.0302. Kata kunci : Clustering, K-Means, DBSCAN, Stunting. ABSTRAK KLASTERISASI METODE DENSITY-BASED SPATIAL CLUSTERING OF APPLICATION WITH NOISE (DBSCAN) DAN K-MEANS DALAM PENGELOMPOKAN PROVINSI BERDASARKAN FAKTOR PENYEBAB STUNTING DI INDONESIA Oleh NADIA ATHIYAH PUTRI Clustering adalah teknik yang digunakan untuk mengelompokkan data dengan karakteristik yang sama dalam setiap cluster. Ada beberapa metode clustering yang tersedia, seperti K-Means dan DBSCAN. K-Means adalah algoritma clustering yang mempartisi data ke dalam beberapa cluster, sedangkan DBSCAN membangun cluster berdasarkan densitas yang terhubung. Penelitian ini akan menggunakan metode clustering K-Means dan DBSCAN untuk melakukan clustering dengan data faktor penyebab stunting dan data simulasi sebagai pertimbangan performa dari kedua metode. Hasil yang diperoleh pada data faktor penyebab stunting metode K-Means memiliki performa yang lebih baik berdasarkan nilai SI sebesar 0.5253 dan nilai CH sebesar 26.0940. Sedangkan pada data simulasi dimana data tersebut berdistribusi normal dan tidak mengandung pencilan metode DBSCAN memiliki performa yang lebih baik berdasarkan nilai SI sebesar 0,6495 dan nilai CH sebesar 328,0302. Kata kunci : Clustering, K-Means, DBSCAN, Stunting.
| Jenis Karya Akhir: | Skripsi |
|---|---|
| Subyek: | 500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika |
| Program Studi: | FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika |
| Pengguna Deposit: | UPT . Desi Zulfi Melasari |
| Date Deposited: | 08 May 2025 03:36 |
| Terakhir diubah: | 08 May 2025 03:36 |
| URI: | http://digilib.unila.ac.id/id/eprint/86808 |
Actions (login required)
 |
Lihat Karya Akhir |
