Analisis Kinerja Metode Dbscan (Density-Based Spatial Clustering of Applications with Noise) dan K-Means Dalam Sistem Pendukung Keputusan
Teks penuh
Dokumen terkait
Density Based Spatial Clustering Application with Noise (DBSCAN) adalah salah satu algoritma Clustering yang menggunakan kepadatan atribut data, untuk
Pada penelitian ini menggunakan ketiga parameter dari ST- DBSCAN yaitu parameter jarak spasial (Eps1), parameter jarak temporal (Eps2), dan jumlah minimal anggota
Density Based Spatial Clustering Application with Noise (DBSCAN) adalah salah satu algoritma Clustering yang menggunakan kepadatan atribut data, untuk
Pengelompokan tingkat kesejahteraan kabupaten dan kota di Provinsi Jawa Timur menggunakan metode K-Means dengan jarak Euclidean dan Manhattan menghasilkan 2 klaster berdasarkan
Sedangkan dengan menggunakan metode DBSCAN diperoleh 2 cluster, dimana cluster 1 terdiri dari 30 provinsi, cluster 2 terdiri dari 2 provinsi yang terdiri dari provinsi
Dari data IPM di Pulau Jawa dengan rentang tahun 2014-2016 dilakukan proses clustering menggunakan K-means dengan menggunakan yang sama dimasukkan oleh algoritma
Berdasarkan hasil dan pembahasan yang telah dilakukan yaitu dengan mengelompokkan (clustering) data nasabah yang memiliki fasilitas kredit menggunakan metode DBSCAN
KESIMPULAN Berdasarkan penelitian dan pengujian model daripada DBSCAN dengan parameter epsilon dan MinPts yang berbeda, maka dapat diambil kesimpulan bahwa DBSCAN dapat dipakai untuk