ii
ABSTRAK
Judul Tesis : ANALISIS DATA MINING K-MEANS CLUSTER ANALYSIS UNTUK DATA BERJENIS BINER
(STUDI KASUS: PENGELOMPOKAN RUMAH TANGGA SASARAN (RTS) BANTUAN LANGSUNG TUNAI(BLT))
Subjek : 1. Data mining 2. Cluster Analysis
3. Non Hierarchical Clustering Method 4. K-Means Cluster Analysis
5. Metode Pengukuran Similaritas
Abstrak :
Pengelompokan (clustering) adalah salah satu proses dari data mining yang bertujuan untuk menemukan “pengetahuan” atau pola yang berharga dari data yang berukuran relatif besar yang umumnya dikelola sebagai data history dan disimpan baik sebagai database maupun datawarehouse. Metode pengelompokan digunakan terhadap data-data yang bersifat un-supervised learning, sehingga proses pengelompokan didalam konsep data mining termasuk dalam Un-supervised analysis.
Terdapat dua kelompok metode pengelompokan yang sudah dikenal yaitu metode cluster analysis hirarki (hierarchical clustering method) dan metode cluster analysis non hirarki (non hierarchical clustering method), Algoritma K-Means Cluster Analysis termasuk dalam kelompok metode cluster analysis non hirarki, dimana jumlah kelompok yang akan dibentuk sudah terlebih dahulu diketahui atau ditetapkan jumlahnya.
ii
ABSTRACT
Thesis : DATA MINING ANALYSIS WITH K-MEANS
CLUSTER ANALYSIS FOR BINARY DATA
(CASE STUDY : CLUSTERING FOR RUMAH TANGGA SASARAN (RTS) BANTUAN LANGSUNG TUNAI(BLT))
Subject : 1. Data mining 2. Cluster Analysis
3. Non Hierarchical Clustering Methods 4. K-Means Cluster Analysis
5. Similarity Methods
Abstract :
Clustering is one of data mining function, which aims to find knowledge or valuable pattern from relatively large dataset, which mostly managed as historical dataset and stored in databases or datawarehouse.
Clustering methodes used for un-supervised dataset, in data mining concepts called as un-supervised analysis. There are two groups of clustering, hierarchical clustering methods and non hierarchical clustering methods, K-Means Cluster Analysis within non hierarchical clustering methods with number of cluster is already set from the begining of the algorithm.
