Skripsi

Studi empiris perbandingan kinerja lima algoritma klastering saat digunakan dalam klasifikasi / Yunia Milatina Putri

Abstrak
Ketersediaan data yang melimpah akibat perkembangan teknologi informasi mendorong kebutuhan untuk menganalisis data menjadi informasi yang bermanfaat sehingga melahirkan data mining. Salah satu teknik yang umum digunakan dalam data mining adalah klastering. Teknik klastering dapat diimplementasikan dalam melakukan klasifikasi data dengan membandingkan hasil klaster yang diperoleh dengan klasifikasi awal pada dataset yang digunakan. Penelitian ini dilakukan untuk mengetahui kinerja klasifikasi dari lima algoritma klastering K-Means K-Medoids Density-Based Spatial Clustering of Applications with Noise (DBSCAN) Expectation Maximization (EM) dan Support Vector Clustering (SVC) serta mengetahui secara empiris hubungan perbandingan evaluasi kinerja algoritma. Hasil yang diperoleh melalui perhitungan akurasi presisi recall f-measure dan AUC menunjukkan kelima algoritma memiliki performa yang cukup optimal dalam klasifikasi. Berdasarkan mean hasil evaluasi diperoleh algoritma SVC memiliki nilai akurasi dan presisi tertinggi sebesar 0 820184 dan 0 814771 sedangkan algoritma DBSCAN memiliki nilai recall f-measure dan AUC tertinggi sebesar 0 746065733 0 75781437 dan 0 727884. Selain itu hasil studi empiris menggunakan Uji-T Berpasangan menunjukkan hubungan perbandingan evaluasi kinerja pada penggunaan input dataset normalisasi dan tidak normalisasi adalah signifikan serta disimpulkan hubungan perbandingan evaluasi kinerja antar algoritma yang digunakan dalam penelitian tidak signifikan.

Informasi Detail

DDC

Rs 005.1 PUT s

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2021.

Deskripsi Fisik

xvi, 93 lembar : il. ; 30 cm.

Bahasa

Indonesia

No Reg

02412/KI/22

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2021

Subjek

1. ALGORITMA KOMPUTER
2. COMPUTER ALGORITHM

Pembimbing

1. Utomo Pujianto ; 2. Aji Prasetya Wibawa

Lampiran Berkas