Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Peningkatan Kualitas Hasi Clustering Menggunakan Algoritma Hierarchical Agglomerative Clustering Dan Enhanced K- Means (Studi Kasus: Strategi Promosi Universitas)
Maya Hermawati NIM. (2017) | Tesis | Sistem Informasi
Bagikan
Ringkasan
Dalam membuat strategi promosi universitas yang tepat sasaran, pihak marketing dapat menggunakan teknik clustering dengan memanfaatkan data lulusan mahasiswa untuk mengetahui jurusan apa yang paling diminati di setiap wilayah dan seperti apa potensi calon mahasiswa yang dimiliki di setiap wilayah. Terdapat dua macam algoritma yang dapat digunakan untuk menyelesaikan clustering yaitu algoritma clustering berbasis hierarki dan partisi. Keduanya memiliki keunggulan dan kelemahannya masing-masing. Terdapat beberapa algoritma yang berusaha memperbaiki kelemahan algoritma clustering, diantaranya adalah gabungan algoritma Hierarchical Agglomerative Clustering dan K-Means (HA-KM) untuk mencari jumlah cluster terbaik. Selain itu ada juga algoritma yang berusaha memperbaiki kekurangan algoritma partisi K-Means yaitu Enhanced K-Means yang mampu menentukan pusat cluster awal secara otomatis dan memasukkan data ke dalam cluster yang tepat. Kedua algoritma memiliki keunggulan dan kelemahan berbeda, sehingga penelitian ini menggabungkan algoritma Hierarchical Agglomerative Clustering dan Enahnced K-Means (HA-EKM) untuk dapat mencari jumlah cluster terbaik sekaligus menentukan pusat cluster awal secara otomatis. Algoritma ini diimplementasikan pada data model untuk mengetahui karakteristik algoritma dan data kasus untuk mengetahui algoritma terbaik untuk menyelesaikan kasus. Di penelitian ini terlihat bahwa algoritma HA-EKM memiliki kinerja yang lebih unggul dari algoritma HA-KM pada dataset yang memiliki jumlah atribut kurang dari atau sama dengan 4 untuk jumlah data di atas atau sama dengan 768 berdasarkan evaluasi Davies-Bouldin Index (DBI). Hal ini terbukti saat diimplementasikan pada kasus clustering untuk strategi promosi universitas, algoritma HA-EKM juga menghasilkan hasil clustering dengan nilai DBI terbaik.
Ringkasan Alternatif
In making an appropriate university promotion strategy, marketing department need to know which majors are most interested by student in each region and what potential prospects they have in each region. This can be done through the clustering method by utilizing data of graduate student. Hierarchical and partition clustering are types of clustering algorithm that can be implemented in that case. Each algorithm has the advantages and the drawbacks. There are several algorithms which made by researchers for improving clustering algorithm. One of them is a combination of Hierarchical Agglomerative Clustering and K-Means (HA-KM) algorithm to detect the best number of cluster from dataset. Another algorithm is Enhanced K-Means, the method for finding initial centroid and assigning dataset to proper cluster. Each algorithm has the advantages and the drawbacks, so author proposed to combine Hierarchical Agglomerative Clustering and Enhanced K-Means (HA-EKM) algorithm to determine both the best number of cluster and initial centroid for improving quality of clustering result. This algorithm is implemented on model dataset to find out the algorithm characteristics and then it is implemented on study case to find out the best algorithm to solve the case. In this research, it can be seen that based on Davies-Bouldin Index (DBI), HA-EKM algorithm has better performance than HA-KM algorithm on dataset with the number of attributes less than or equal to 4 and has more than or equal to 768 instances. In case of clustering for university promotion strategy, HA-EKM also produce clustering result which has the best DBI. Moreover, HA-EKM algorithm generates the clustering result which has better precision than HAKMÃâs algorithm.