Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
APLIKASI DATA MINING PADA PENGELOMPOKAN USAHA PERDAGANGAN MENGGUNAKAN METODE DBSCAN
Fera Novianty (2014) | Skripsi | -
Bagikan
Ringkasan
Algoritma DBSCAN adalah sebuah algoritma clustering yang dikembangkan berdasarkan tingkat kerapatan data (density-based). Dimana algoritma ini menumbuhkan daerah yang memiliki kerapatan tinggi menjadi cluster-cluster, dan menemukan cluster-cluster tersebut pada bentuk bebas dalam sebuah ruang database dengan memanfaatkan noise. Noise dalam metode ini digunakan untuk mewakili daerah yang kurang padat yang digunakan untuk memisahkan antara cluster satu dengan cluster lainnya, pada objek dalam ruang data. Di Kabupaten Jember sendiri banyak terdapat berbagai usaha perdagangan disetiap kecamatan, banyaknya usaha perdagangan ini belum terdapat pengelompokan usaha perdagangan di setiap kecamatannya, algoritma DBSCAN yang paling cocok digunakan untuk metode pengelompokan tersebut. Dalam menentukan cluster, DBSCAN menggunakan sebuah kumpulan maksimal dari kerapatan titik-titik terhubung dengan menggunakan parameter Eps dan MinPts. Parameter Eps digunakan untuk menentukan radius (jarak maksimal) titik-titik anggota cluster dari pusat cluster. Dan parameter MinPts digunakan untuk memberikan batasan jumlah titik-titik yang menjadi anggota cluster dalam radius Eps tersebut.
Ringkasan Alternatif
DBSCAN algorithm is a clustering algorithm that is developed based on the level of data density ( density - based) . Growing regions where this algorithm which has a high density into clusters , and clusters are discovered in the form of free space in a database by utilizing noise . Noise in this method is used to represent a less dense area that used to separate between the clusters with other clusters , the objects in the data space . In Jember itself is widely available trafficking efforts in each sub-district , the number of trading business is not contained in the trading business grouping each sub-district , most suitable DBSCAN algorithm is used for the clustering method . In determining the cluster , DBSCAN uses a collection of maximal density of points connected by using parameters Eps and MinPts . Eps parameter is used to specify the radius ( maximum distance ) dots cluster members from the cluster center . And MinPts parameters used to provide limits on the number of points that are members of the cluster within a radius Eps .