1.

Windha Mega Pradnya Dhuhita dalam jurnalnya berjudul “ CLUSTERING MENGGUNAKAN

METODE K-MEANS UNTUK MENENTUKAN STATUS GIZI BALITA “ menyatakan :

a. Data yang digunakan :

- Type data : Data Matriks Balita
- Atribut data : Balita Ke-, Tinggi Badan, Berat Badan.
- Type atribut : Nominal, Numerik
- Dimensi : 3

b. Preprocessing yang digunakan :

- Memperkecil besaran angka antar variable dengan melakukan
normalisasi angka-angka yang ada di variable tinggi badan dan berat
badan.

c. Task Mining yang dilakukan :

- Mengemlompokkan Data Balita dengan menggunakan Algoritma K-
Means
- Membandingkan pengelompokkan data dengan Algoritma K-Means lalu
di bandingkan dengan pengelompokan data yang dilakukan Bidan Desa
Karang Songo menggunakan table Growth Chart untuk melihat Status
Gizi Balita

d. Hasil yang diperoleh

Dengan membandingkan tabel pengelompokan status gizi balita
menggunakan Growth Chart dan pengelompokan dengan
algoritma KMeans didapatkan hasil sebagai berikut :
a. Terdapat 17 balita dengan hasil pengelompokan yang sama
yaitu balita ke5,6,12,13,15,16,19,20,23,27,36,40,41,4 4, 46 dan
balita ke-48
b. 33 balita lainnya terdapat perbedaan dalam penentuan
kelompok atau cluster nya. Dari hasil tersebut dapat disimpulkan
bahwa kebenaran algoritma K-Means dalam mengelompokkan
status gizi balita memiliki nilai akurasi sebesar 34%

e. Tools yang digunakan : WEKA, Growth Chart.

2. Femi Dwi Astuti dalam jurnalnya yang berjudul “ PENERAPAN DATA MINING UNTUK
CLUSTERING DATA PEMDUDUK MISKIN MENGGUNAKAN ALGORITMA HARD C-
MEANS “ menyatakan :
a. Data yang digunakan :
- Type Data : Data Penduduk Miskin
- Atribut Data : Nama, Sandang, Pangan, Papan, Penghasilan, Kesehatan,
Pendidikan, Kekayaan 1, Kekayaan 2, Air Bersih, Listrik, Jumlah Jiwa,
Skor
- Tipe Atribut : Nominal, Numerik.
- Dimensi : 13

b. Preprocessing yang dilakukan :

- Mengumpulkan data penduduk miskin dari BKKBN lalu dimasukkan
kedalam sebuah database.

c. Task Mining yang dilakukan :

- Melakukan proses clustering menggunakan algoritma Hard C-Means
dengan Jumlah Cluster = 3, Maksimum Iterasi = 100 dan Nilai error
terkecil = 0.00001.

d. Hasil yang diperoleh :

jika dilihat dari table disamping, hasil yang
di peroleh adalah ada 3 kelompok cluster
dengan kriteria pemenuhan aspek pada
cluster pertama yakni aspek sandang,
kesehatan, Pendidikan, kekayaan 1,
kekayaan 2 masih rendah.
Pada cluster kedua pemenuhan aspek
Pangan, papan, penghasilan, air bersih,
listrik, dan jumlah jiwa masih rendah.
Pada cluster ketiga pemenuhan aspek Pendidikan, jumlah jiwa, kekayaan 2 masih
rendah. Keluarga yang masuk dalam cluster pertama sebanyak 253 keluarga, cluster
kedua sebanyak 763 dan anggota cluster ketiga sebanyak 297 keluarga.

e. Tools yang digunakan : WEKA.

3. Relita Buaton dan Fitri Nurhayati dalam tulisannya yang berjudul “ CLUSTERING
PELANGGARAN BERKENDARAAN MENGGUNAKAN ALGORITMA K-MEANS PADA
POLRES BINJAI “ menyatakan :

a. Data yang digunakan

- Type data : Dokumen data tilang (integer,string)
- Atribut data : Data tilang pelanggaran kendaraan NOV,DES,JAN,FEB.
- Type atribut : Numerik interval, kategoris ordinal
- Dimensi : 5

b. Preprosessing yang digunakan

- Studi Pustaka
- Penilitian Lapangan
- Memastikan input data tilang sesuai variable yang akan diuji
- Implementasi atau Integration data.

c. Task Mining yang dilakukan

- Metode K-Means ini mempartisi data kedalam kelompok sehingga data
berkarakteristik sama dimasukan kedalam satu kelompok yang sama dan
data yang berkarakteristik berbeda dikelompokkan kedalam kelompok
yang lain. Adapun tujuan dari pengelompokan data ini adalah untuk
meminimalkan fungsi objektif yang diset dalam proses pengelompokan,
yang pada umumnya berusaha meminimalkan variasi didalam suatu
kelompok dan memaksimalkan variasi antar kelompok.

d. Hasil yang diperoleh

Dari hasil yang diperoleh dapat disimpulkan bahwa terdapat 3

cluster group dimana pada Cluster :
- 2.6842 1.3684 2.3158 Dapat diketahui bahwasanya pada cluster
1 Kelompok pelanggar berkendaraan pada grup usia adalah usia
17–37 Tahun, dan untuk kelompok jenis pelanggaran yang
dilanggar oleh pelanggar dalam berkendaraan adalah sefty belt
(Sabuk Keselamatan), dengan menggunakan kelompok jenis
kendaraan mobil.
- 2.1250 7.4000 1.6000 Dapat diketahui bahwasanya pada
cluster 2. Kelompok pelanggar berkendaraan pada grup usia adalah usia 17–37 Tahun,
dan untuk kelompok jenis pelanggaran yang dilanggar oleh pelanggar dalam
berkendaraan adalah tidak memiliki SIM, dengan menggunakan kelompok jenis
kendaraan sepeda motor.
- 1.9024 3.3171 1.4390 Dapat diketahui bahwasanya pada cluster 3. Kelompok pelanggar
berkendaraan pada grup usia adalah usia 13–16 Tahun, dan untuk 9 kelompok jenis
pelanggaran yang dilanggar oleh pelanggar dalam berkendaraan adalah kelebihan
muatan, dengan kelompok jenis kendaraan sepeda motor dan hamper mendekati
pengguna mobil.
e. Tools yang digunakan : Matlab, Adobe Dreamweaver, Ms Word, Ms Excel.
4. Ginanjar Abdurrahman dalam jurnalnya berjudul “ CLUSTERING DATA UJIAN TENGAH
SEMESTER (UTS) DATA MINING MENGGUNAKAN ALGORITMA K-MEANS “
menyatakan :

a. Data yang digunakan :

- Type Data : Data Nilai Mahasiswa
- Atribut Data : Data UTS seluruh mahasiswa
- Type Atribut : interval
- Dimensi : 2

b. Preprocessing yang dilakukan

- Identifikasi
- Studi Literatur
- Penyusunan Dataset 103 nilai mahasiswa

c. Task Mining yang dilakukan

- Melakukan Clustering dengan menggunakan metode Hard C-Means
sehingga membentuk 3 Cluster. Nilai rendah, Nilai sedang, Nilai tinggi.

d. Hasil yang diperoleh

Terbentuk 3 Cluster dengan
menggunakan algoritma C-Means dengan
aplikasi WEKA, dari output aplikasi
weka 3.6 menunjukkan sebanyak 5 (10%)
nilai UTS termasuk dalam cluster nilai
rendah, sebanyak 17 (33%) nilai UTS
mahasiswa termasuk dalam cluster nilai
sedang, dan sebanyak 30 (58%) nilai UTS
mahasiswa termasuk dalam cluster nilai
tinggi.

e. Tools yang digunakan : WEKA 3.6

5. Koko handoko dalam jurnalnya yang berjudul “ PENERAPAN DATA MINING DALAM
PENERAPAN DATA MINING DALAM MENINGKATKAN MUTU PEMBELAJARAN
PADA MENINGKATKAN MUTU PEMBELAJARAN PADA INSTANSI PERGURUAN
TINGGI MENGGUNAKAN METODE K-MEANS CLUSTERING CLUSTERING
CLUSTERING (STUDI KASUS DI (STUDI KASUS DI PROGRAM STUDI TKJ AKADEMI
KOMUNITAS SOLOKSELATAN) SELATAN) “ menyatakan :

a. Data yang digunakan :

- Type data : Data Tabel Mutu Pembelajaran
- Atribut data : nama, ipm, jarak tempuh, jumlah kehadiran, penghasilan
orang tua.
- Type atribut : nominal, ordinal, numerik.
- Dimensi : 5

b. Preprocessing yang dilakukan :

- Memasukkan data kedalam database
- Import database kedalam rapid miner
- Menentukan Jumlah Cluster
- Menentukan Centroid

c. Task Mining yang dilakukan :

- Mengelompokkan data dengan clustering menggunakan metode C-
Means
- Mengecek kembali clustering menggunakan aplikasi Rapidminer

d. Hasil yang di peroleh

Data mutu pembelajaran Mahasiswa Program
Studi TKJ Akademi Komunitas Solok Selatan bisa
kita lihat dari cluster yaitu IP mahasiswa
tergolong sedang, karena IP mahasiswa dari C1
ini lebih banya nilainya berkisar 2,50 s/d 3,00.
Jarak tempuh mahasiswa tergolong jauh, karena
jarak dari C2 tempat tinggal mahasiswa dengan
kampus banyak yang 5 KM ke atas. Jumlah
kehadiran tergolong sedang, karena jumlah
kehadiran dari C3 berjumlah 85 - 90 kehadiran baik yang alfa maupun izin. Penghasilan
orang tua tergolong rendah karena penghasilan orang tua dari C4 berkisar RP 0 s/d RP
1.500.000.

e. Tools yang digunakan : Rapidminer, Ms Excel.

Daftar Pustakan :
1. Winda Mega PD.2015. Clustering Menggunakan Metode K-Means Untuk Menentukan Status
Gizi Balita.Jurnal Informatika.15(2):160-174.
2. Femi Dwi Astuti.2017. Penerapan Data Mining Untuk Clustering Data Penduduk Miskin
Menggunakan Algoritma Hard C-Means.Jurnal Ilmiah Data Manajemen Dan Teknologi
Informasi.18(1):64-69.
3. Buaton,Relita dan Fitri Nurhayati.2014. Clustering pelanggaran berkendaraan menggunakan
algoritma k-means pada polres binjai.Kapuutama:STMIK KAPUTAMA.
4. Ginanjar Abdurrahman.2016. Clustering Data Ujian Tengah Semester (UTS) Data Mining
Menggunakan Algoritma K-Means. Jurnal Sistem & Teknologi Informasi Indonesia.1(2):71-79
5. Koko Handoko.2016. Penerapan Data Mining Dalam Meningkatkan Mutu Pembelajaran Pada
Meningkatkan Mutu Pembelajaran Pada Instansi Perguruan Tinggi Menggunakan Metode K-
Means Clustering Clustering Clustering (Studi Kasus Di (Studi Kasus Di Program Studi Tkj
Akademi Komunitas Solokselatan) Selatan).Teknosi.2(3):31-40.