Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini mengusulkan tiga algoritma meta-heuristik berbasis Fuzzy K-modes untuk clustering binary data set. Ada tiga metode metaheuristik diterapkan, yaitu Particle Swarm Optimization (PSO), Genetika Algoritma (GA), dan Artificial Bee Colony (ABC). Ketiga algoritma digabungkan dengan algoritma K-modes. Tujuannya adalah untuk memberikan modes awal yang lebih baik untuk K-modes. Jarak antara data ke modes dihitung dengan menggunakan koefisien Jaccard. Koefisien Jaccard diterapkan karena dataset mengandung banyak nilai nol . Dalam rangka untuk melakukan pengelompokan set data real tentang supplier otomotif di Taiwan, algoritma yang diusulkan diverifikasi menggunakan benchmark set data. Hasil penelitian menunjukkan bahwa PSO K-modes dan GA K-modes lebih baik dari ABC K-modes. Selain itu, dari hasil studi kasus, GA K-modes memberikan SSE terkecil dan juga memiliki waktu komputasi lebih cepat dari PSO K-modes dan ABC K-modes. ...... This study proposed three meta-heuristic based fuzzy K-modes algorithms for clustering binary dataset. There are three meta-heuristic methods applied, namely Particle Swarm Optimization (PSO) algorithm, Genetic Algorithm (GA) algorithm, and Artificial Bee Colony (ABC) algorithm. These three algorithms are combined with k-modes algorithm. Their aim is to give better initial modes for the k-modes. Herein, the similarity between two instances is calculated using jaccard coefficient. The Jaccard coefficient is applied since the dataset contains many zero values. In order to cluster a real data set about automobile suppliers in Taiwan, the proposed algorithms are verified using benchmark data set. The experiments results show that PSO K-modes and GA K-modes is better than ABC K-modes. Moreover, from case study results, GA fuzzy K-modes gives the smallest SSE and also has faster computational time than PSO fuzzy K-modes and ABC fuzzy K-modes.

Abstrak :
ABSTRAK Dalam mendukung pendidikan di Indonesia, pemerintah telah memberikan perhatian dengan cara mengalokasikan Anggaran Pendapatan dan Belanja Negara (APBN). Namun, masalah pendidikan pada jenjang Sekolah Menengah Atas (SMA) masih ditemukan, dimana salah satu akar permasalahannya adalah kurangnya fasilitas pendidikan. Jumlah SMA yang relatif banyak merupakan salah satu penghambat dalam penyaluran dana APBN tersebut. Dengan demikian, analisis pengelompokan SMA berdasarkan fasilitas pendidikan di Indonesia diharapkan dapat menjadi salah satu alternatif bagi pemerintah dalam memprioritaskan penyaluran dana APBN secara cepat dan tepat. Banyaknya observasi yang digunakan adalah 13.486 SMA dengan 9 variabel kategorik fasilitas pendidikan yang tercatat di website Kementerian Pendidikan dan Kebudayaan pada bulan Agustus tahun 2019. Adapun metode yang digunakan adalah Robust Clustering Using Link (ROCK) yang diyakini mempunyai tingkat akurasi yang baik dan mampu menangani data kategorik dalam jumlah yang besar. Untuk mendapatkan profil kelompok yang lebih jelas, metode ROCK dimodifikasi dengan melakukan Nested Clustering. Hasil dari penelitian ini menunjukkan bahwa terbentuk 14 kelompok SMA yang memiliki karakteristik masing-masing. Diperoleh kelompok 3 merupakan kelompok yang relatif baik dan kelompok 1a merupakan kelompok yang relatif kurang baik. Secara umum, SMA di Indonesia membentuk kelompok yang memiliki kebutuhan fasilitas pendidikan yang berbeda dan memerlukan perhatian dari pemerintah.

---

ABSTRACT The government has given attention to support education in Indonesia by allocating the state budget (APBN). However, the problem of education at the senior high school level is still found, which one of the root problems is the lack of educational facilities. The large number of senior high schools in Indonesia becomes one of the barriers to distributing APBN funds. Thus, the analysis of the grouping of senior high schools based on educational facilities in Indonesia is expected to be an alternative for the government in prioritizing the distribution of APBN funds quickly and accurately. The number of observations is 13,486 with nine categorical variables recorded on a website of the Ministry of Education and Culture in August 2019. The method used is Robust Clustering Using Link (ROCK), which is believed has good accuracy and good to handle many categorical data. To get clearer profile of cluster, ROCK method modified with do Nested Clustering. The results of this study indicate that 14 clusters were formed and have their profiles. Cluster 3 is relatively good cluster while cluster 1a is relatively poor cluster. In general, high schools in Indonesia consist of groups that have different educational facility needs and require attention from the government.