Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ

Penulis

  • Dian Eka Ratnawati PTIIK Universitas Brawijaya
  • Marji .
  • Lailil Muflikhah

DOI:

https://doi.org/10.25126/jtiik.20141197

Abstrak

Abstrak

Pada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. Untuk  akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.

Kata kunci: klasifikasi, pengelompokan, K-Means, LVQ

Abstract

This research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.

Keywords: classification, grouping, K-Means, LVQ

Downloads

Download data is not yet available.

Biografi Penulis

  • Dian Eka Ratnawati, PTIIK Universitas Brawijaya
    Dosen PTIIK UB

Referensi

AGUSTA, Y. 2007. K-means – penerapan, permasalahan dan metode terkait. Jurnal Sistem dan Informatika, 3, 47-60. http://yudiagusta.files.wordpress.com/2008/03/k-means.pdf, , tanggal akses 20 Pebruari 2012.

BARAKBHAH, A. R. 2006. Optimasi titik pusat k-means dengan algoritma genetik. Workshop on Soft Computing, PENS-ITS, http://lecturer.eepis-its.edu/.../Optimasi%20Titik%20Pusat%20K-, tanggal Akses 25 Maret 2012.

FAYYAD, U. dkk., 1996. From Data Mining to Knowledge Discovery in Databases. American Association for Artificial Intelligence.

FAUSETT, L. 1994, Fundamentals of Neural Network, Architecture, Algorithms and Applications. Prentice Hall, New Jersey.

IRAWAN, M. I.; SATRIYANTO, E. 2008. Virtual pointer untuk identifikasi isyarat tangan sebagai pengendali gerakan robot secara real-time. Jurnal Informatika, 9(1) Mei, 78 – 85.

KANTARDZIC, M. 2003. Data Mining: Concepts, Models, Methods and Algorithm. John Wiley & Sons, New York.

KUSNAWI. 2007. Pengantar Solusi Data Mining. http://p3m.amikom.ac.id/p3m/56-PENGANTAR-SOLUSI-DATAMINING .pdf, tanggal akses : 18 Maret 2012.

LAROSE, D. T . 2005. Discovering Knowledge in Data : An Introduction to Data mining. Wiley-Interscience A John Wiley & Sons,Inc Publication.

LABORATORIUM DATA MINING. Modul Klasifikasi Decsion Tree. Jurusan teknik industri Fakultas Teknologi Industri Universitas Islam Indonesia, www.trigunadharma.ac.id/.../Modul%20Klasifikasi%20Decission%20, tanggal akses 25 Maret 2012.

MARJI. 2012. Optimasi anggota kelas dengan menggunakan metode Clustering K Means. Laporan Penelitian DPP SPP, Universitas Brawijaya, Malang.

MARTINEZ-CABEZA-DE-VACA-ALAJARIN, J., TOMAS-BALIBRA, L. M. 1999. Marble Slabs Quality Classification System using Texture Recognitiona nd Neural Network Methodology, ESANN Proceeding.

MOERTINI, V. S. 2002. Data Mining Sebagai Solusi Bisnis. http://home.unpar.ac.id/ ~integral/Volume7/Integral7No1/idatamining_ok. pdf, tanggal akses: 19 Maret 2012.

Unduhan

Diterbitkan

12-07-2014

Terbitan

Bagian

Teknologi Informasi

Cara Mengutip

Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ. (2014). Jurnal Teknologi Informasi Dan Ilmu Komputer, 1(1), 1-4. https://doi.org/10.25126/jtiik.20141197