OPTIMALISASI KLASIFIKASI STUNTING DENGAN METODE CLUSTERING DAN RULE BASE TIME SERIES (RBT)

OPTIMALISASI KLASIFIKASI STUNTING DENGAN METODE CLUSTERING DAN RULE BASE TIME SERIES (RBT)

Penulis;

Muhammad Zarlis

Tanty Oktavia

Ferda Ernawan

Relita Buaton

Kevin Andrian

Jumlah halaman: 90

Ukuran Buku: A5 (14,8×21)

Versi Cetak: Tersedia

Versi E-Book: Tersedia

Berat; 0 Kg

Harga; Rp. 70.000

yang sangat penting. Data berkaitan dengan berbagai hal yang diproses dan berujung pada terciptanya sebuah informasi. Fenomena ketersediaan data yang banyak dan melimpah, hampir dimiliki oleh semua bidang pekerjaan, seperti data transaksi, data barang, data penjualan, data yang menggambarkan spesifikasi makhluk hidup, data dari sebuah eksperimen dll. Data tersebut kemudian dianalisa, diproses untuk selanjutnya menjadi informasi yang bermanfaat bagi penggunanya. Salah satu aktifitas analisis data adalah klasifikasi atau pengelompokkan data ke dalam beberapa kategori/clustering. Data-data yang dikelompokkan ke dalam suatu kategori memiliki ciri yang sama berdasarkan kriteria tertentu. Sebagai salah satu teknik dalam data mining, clustering telah digunakan untuk berbagai hal dalam berbagai aktivitas manusia, seperti mengidentifikasi daerah-daerah yang padat penduduk, mengetahui segementasi pasar, mengidentifikasi pola distribusi barang, pencarian dokumen pada mesin pencari di internet, pola pengguna social media, hingga identifikasi penerimaan mahasiswa baru dalam dunia pendidikan perguruan tinggi. Pada dasarnya, permasalahan dalam penggunaan clustering yang hingga kini belum terpecahkan adalah menentukan jumlah cluster yang paling optimal dari sebuah group data. Penerapan cluster diberbagai kasus, umumnya berhenti pada proses pembentukan cluster tanpa memperhatikan apakah jumlah cluster yang terbentuk dari hasil training tersebut merupakan yang paling optimal. Dalam berbagai algoritma clustering, titik pusat cluster dapat ditentukan secara bebas. Pengelompokan data didasarkan pada nilai kedekatan yang terbentuk dengan titik pusat cluster sehingga pada lebih dari satu iterasi sebuah training data akan memperlihatkan pengelompokkan dengan jumlah cluster yang berbeda. Hal ini dapat memunculkan keraguan dalam penggunaan informasi yang dihasilkan bagi pengguna.