Penerapan Data Mining Untuk Koperasi Se-Jawa Barat Menggunakan Metode Clustering pada Kementerian Koperasi dan UKM

Lena Magdalena, Rifqi Fahrudin

Abstract


Penelitian ini bertujuan untuk menegelompokan data koperasi di Jawa Barat.Metode kalster yang digunakan dalam penelitian ini adalah K-Means, dalam klaster K-Means memiliki tingkat akurasi yang baik.Penelitian ini mengkaji bagaimana penggunaan metode K-means dalam studi kasus koperasi di Jawa Barat. Dari hasil pengelompokan menggunakan metode K-Means berdasarkan nilai Modal Sendiri, Modal Luar dan Volume Usaha, maka dihasilkan 3 klaster dengan nilai klaster tinggi, sedang dan rendah. Berdasarkan hasil tersebut menunjukan bahwa metode K-Means dapat digunakan untuk pengendalian atau pemantauan koperasi yang harus dipertahankan usahanya dan koperasi yang harus lebih ditingkatkan usahanya untuk membantu perekonomian nasional.Hasil dari klaster metode K-Means dapat dijadikan masukan bagi Kementrian Koperasi dan UKM sebagai bentuk pemetaan terhadap koperasi di Jawa Barat

Kata kunci:Koperasi, Klaster, K-Means

Full Text:

PDF

References


Tan, P. N. 2018. Introduction to data mining.Pearson Education India.

Anderberg, M. R.(201). Cluster analysis for applications: probability and mathematical statistics: a series of monographs and textbooks. Academic press, 19(1), pp. 1-10

Ross, A. J., Samushia, L., Howlett, C., Percival, W. J., Burden, A., & Manera, M. 2015. The clustering of the SDSS DR7 main Galaxy sample–I. A 4 per cent distance measure at z= 0.15. Monthly Notices of the Royal Astronomical Society, 449(1), pp.835-847.

Huang, A. 2008. Similarity measures for text document clustering. In Proceedings of the sixth new zealand computer science research student conference (NZCSRSC2008), Christchurch, New Zealand, 4, pp. 9-56.

Jain, A. K. 2010. Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), pp.651-666.

Antonopoulos, P., Nikolaidis, N., & Pitas, I. 2007. Hierarchical face clustering using sift image features. In 2007 IEEE Symposium on Computational Intelligence in Image and Signal Processing (pp. 325-329).IEEE.

Gil-García, R., & Pons-Porrata, A. 2010. Dynamic hierarchical algorithms for document clustering. Pattern Recognition Letters, 31(6), pp. 469-477.

Nanda, S. J., & Panda, G. 2014. A survey on nature inspired metaheuristic algorithms for partitional clustering. Swarm and Evolutionary computation, 16, pp.1-18.

Zhu, A., Wang, G., & Dong, Y. 2015. Detecting natural scenes text via auto image partition, twostage grouping and two-layer classification.Pattern Recognition Letters, 67, pp.153-162.

Ghosh, S., & Dubey, S. K. 2013. Comparative analysis of k-means and fuzzy c-means algorithms. International Journal of Advanced Computer Science and Applications, 4(4), pp. 3 -10

Windarto, A. P. 2017. Penerapan Datamining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means Clustering Method. Techno.Com, 16(4), pp.348-357.




DOI: https://doi.org/10.51920/jd.v9i2.120

Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Jurnal Digit



Alamat Redaksi :
LPPM Universitas Catur Insan Cendekia (UCIC)
Jl. Kesambi 202, Kota Cirebon 45133, Prov. Jawa Barat, Indonesia
Telp.(0231) 220 250 / 220 260 / 200 418
Fax.(0231) 242 112, E-mail:lppm@cic.ac.id
Website: http://jurnaldigit.org		 
P ISSN : 2088-589X
E ISSN : 2720-9636

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.