Data Mining Penentuan Jurusan Siswa Menggunakan Metode Agglomerative Hierarchical Clustering (AHC)
Rima Tamara Aldisa1,2
1Doktor Sistem Informasi, Sekolah Pascasarjana, Universitas Diponegoro, Semarang, Indonesia
2Informatika, Fakultas Teknologi Komunikasi dan Informatika, Universitas Nasional, Jakarta, Indonesia Email: [email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Terdapat berbagai siswa yang mengalami kendala saat proses belajar karena jurusan yang dipilih tidak sesuai kemampuannya dikarenakan memilih jurusan hanya terpengaruh orang lain sehingga tidak sesuai dengan kemampuannya dan seorang guru juga sulit untuk menyesuaikan kemampuan satu siswa dengan siswa yang lain. Agar siswa tersebut dikelompokkan dengan siswa yang memiliki tingkat pengetahuan yang sama maka dilakukan sebuah pengelompokkan menggunakan teknik data mining agar memperoleh informasi baru dalam sebuah database yang memiliki ukuran besar atau data yang jumlahnya banyak sehingga memudahkan user memperoleh informasi tersebut. Metode yang digunakan yaitu AHC yang dimanfaatkan sebagai pembuatan kelompok (clustering) dengan metode single link (single lingkage method), metode single link dinilai lebih efektif dibandingkan metode lain karena permasalahan sangatlah sesuai dimana proses pengelompokkan dilakukan berdasarkan setiap kriteria dari jarak tersekat semua alternative. Adapun kriteria yang digunakan sebanyak tiga kriteria (Nilai IPA, Nilai IPS, Nilai TPA) dengan jumlah siswa sebanyak 121 orang. Penerapan metode AHC dilakukan dengan memanfaatkan rapidminer agar hasil yang diperoleh lebih efesien dan efektif. Adapun hasil yang dapat digunakan oleh pihak sekolah yaitu cluster 0 berjumlah 93 siswa, cluster 1 berjumlah 10 siswa, cluster 2 berjumlah 10 siswa dan cluster 3 berjumlah 8 siswa.
Kata Kunci: Data Mining; Metode AHC; Jurusan Siswa
Abstract−There are various students who experience problems during the learning process because the chosen major does not match their abilities because choosing a major is only influenced by other people so that it is not in accordance with their abilities and a teacher is also difficult to adjust the abilities of one student to other students. In order for these students to be grouped with students who have the same level of knowledge, a grouping is carried out using data mining techniques in order to obtain new information in a database that has a large size or large amount of data to make it easier for users to obtain t his information. The method used is AHC which is utilized as clustering with the single linkage method, the single link method is considered more effective than other methods because the problem is very suitable where the grouping process is carried out based on each criterion of the distance between all alternatives. The criteria used were three criteria (Science Score, IPS Score, TPA Score) with a total of 121 students. The application of the AHC method is carried out by utilizing rapidminer so that the results obtained are more efficient and effective. The results that can be used by the school are cluster 0 totaling 93 students, cluster 1 totaling 10 students, cluster 2 totaling 10 students and cluster 3 totaling 8 students.
Keywords: Data Mining; AHC Method; Student Majors
1. PENDAHULUAN
Sebuah sekolah terdapat berbagai jurusan yang akan dihuni oleh siswa yang memiliki kesesuain dengan jurusan tersebut, sehingga pihak sekolah membuat sebuah cara untuk menempatkan siswa tersebut sesuai dengan kemampun masing-masing siswa. Pengelompokkan ini dilakukan karena permasalahan sebelumnya bahwa ada banyak siswa yang mengalami kendala saat proses belajar karena jurusan tersebut hanya terpengaruh orang lain sehingga tidak sesuai dengan kemampuannya dan seorang guru juga sulit untuk menyesuaikan kemampuan satu siswa dengan siswa yang lain. Agar siswa tersebut dikelompokkan dengan siswa yang memiliki tingkat pengetahuan yang sama maka dilakukan sebuah pengelompokkan menggunakan teknik data mining. Data mining adalah proses memperoleh informasi baru dalam sebuah database yang memiliki ukuran besar atau data yang jumlahnya banyak sehingga memudahkan user memperoleh informasi tersebut. Data ming juga disebut sebagai Knowledge Discovery Database dikarenakan data mining menggunakan computer untuk menggali informasi yang ada di sebuah database yang tentunya memiliki data banyak guna untuk memperoleh pengetahuan baru[1][2]. Ada banyak metode atau algoritma yang dapat digunakan dalam data mining diantaranya metode Rough Set, Regresi linear sederhana, algoritram apriori, algoritma C4.5, algoritma K-Means, algoritma K-Mediods, algoritma Fp- Growth, algoritma AHC, PAM dan lainnya[3][4][5].
Pada penelitian ini, algoritma yang digunakan yaitu Agglomerative Hierarchical Clustering (AHC), peneliti menggunakan algoritma AHC karena algoritma ini sesuai dengan permasalahan yang dialami yakni menentukan jurusan siswa dengan proses penyelesaian membentuk kelompok (cluster) yang akan digunakan oleh sebuah instansi, pengelompokkan tersebut dibuat agar siswa yang mendaftar sesuai dengan bidang pembelajaran yang diminati berdasarkan matapelajaran yang dijadikan sebagai ruler penilaian.
Ada beberapa peneliti yang telah melakukan penelitian dengan topic pembahasan yang sama yaitu penentuan jurusan berdasarkan nilai dan minat siswa tersebut, penelitian yang dilakukan oleh Vista Anestiviya dan A. Ferico Octaviansyah Pasaribu pada tahun 2021 dengan menggunakan metode C4.5 sebagai metode untuk menentukan pola minat siswa yang mendaftar di sekolah tertentu, minat tersebut disesuiakn dengan nilai Bahasa inggris, Indonesiaa, IPA, matematika serta minat siswa tersebut memilih jurusan IPA atau IPS. Pola ini dibuat agar
memudahkan proses belajar mengajar didalam kelas yang sesuai dengan jurusan dari awal hingga akhir proses pembelajaran. Hasil pada penelitian ini memperoleh nilai tingkat akurasi 100% untuk data a dan 80% untuk data b[6]. Penelitian selanjutnya dilakukan untuk menentukan jurusan siswa dengan menggunakan metode AHP yang dilakukan oleh Ariani Susanti pada tahun 2021 dan Friska Agustina. Dkk pada tahun 2021. Kelebihan metode ini dapat digunakan berbagai tujuan dan kriteria dalam hierarki, metode ini berfokus pada pengambilan keputusan sehingga hasil akhirnya berbentuk ranking dan juga metode ini dinilai tidaklah efektif karena penentuan skala perbandingan kepentingan satu elemen dengan elemen lain berdasarkan persepsi orang lain (para ahli), sehingga mempersulit dalam membuat sebuah keputusan[7][8]. Penelitian selanjutnya dilihat berdasarkan metode yang digunakan dalam penyelesain permasalahan yaitu metode yang sama dengan penelitian ini, metode AHC. Metode AHC dianggap lebih tepat digunakan dalam penentuan jurusan karena dalam sebuah kelas atau kelompok ditentukan berdasarkan nilai tengahnya sehingga siswa yang mempuyai skala yang sama atau berdekatan maka dapat dibuat satu kelompok sedangkan AHP hanya memperoleh tingkat perangkingan saja. Penelitian itu membahas pemebentukan literature mahasiswa di dinas kearsipana dan perpustakaan menggunakan metode AHC dengan peneliti Annisa Nur Fadhilah dan Arief Jananto pada tahun 2021, hasil akhir setelah diterapkan metode AHC yaitu cluster 1 terdapat 1840 data, cluster 2 sebanyak 34 data dan nada 16 data yang dikelompokkan kedalam cluster 3. Hasil ini digunakan metode single linkage dengan total data berjumlah 1890 data[9].
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian merupakan langkah-langkah yang akan dilakukan dalam penyelesaian penelitian ini, tahapan dibuat agar penelitian ini terstruktur sehingga mudah dipahami oleh pembaca. Berikut tahapan penelitian yang diterapkan:
Gambar 1. Tahapan Penelitian
Berdasarkan gambar 1, dapat dijelaskan tahapan-tahapan yang dilakukan dalam penyelesaian penelitian ini diantaranya sebagai berikut:
a. Studi Literatur
Studi literatur merupakan sebuah tahapan yang dimana mewajibkan peneliti untuk menemukan informasi dengan memanfaatkan berbagai buku yang ada diperpustakaan ataupun artikel yang dapat menunjang kinerja penelitian yang berkaitan dengan topik yang sedang diteliti
b. Analisa Masalah
Analisa masalah dilakukan untuk mengetahua permasalahan yang dialami dan juga solusi yang akan dilakukan berikutnya.
c. Penerapan Algoritma AHC
Setelah melakukan analisa selanjutnya peneliti melakukan penerapan algoritma. Dimana data-data yang ada diolah dengan menerapkan algoritma yang ada. Algoritma yang digunakan pada penyelesaian masalah dalam penelitian ini adalah metode AHC.
d. Pengujian Algoritma AHC
Setelah melakukan penerapan algoritma AHC, maka tahapan selanjutnya yang perlu dilakukan ialah melakukan pengujian terhadap algoritma. Pengujian algoritma dilakukan dengan menggunakan rapidminer, jika hasil yang didapatkan pada pengujian tersebut sama dengan hasil penerapannya, maka pengujian dianggap berhasil.
e. Kesimpulan
Langkah terakhir yaitu membuat sebuah kesimpulan, setelah dilakukannya pengujian dan juga tahapan yang lain maka diperolehlah kesimpulan dari seluruh tahapan.
2.2 Data Mining
Data mining merupakan proses teknik matematika, teknik statistic, machine learning dan juga kecerdasan buatan yang dapat menguraikan pengetahuan baru yang ada didalam basis data serta mengidentifikasikan informasi bermanfaat yang memiliki keterkaitan dengan basis data yang besar[10]. Data Mining adalah teknik yang memanfaatkan data dalam jumlah yang besar untuk memperoleh informasi berharga yang sebelumnya tidak diketahui dan dapat dimanfaatkan untuk pengambilan keputusan penting[11].
Gambar 2. Irisan Disiplin Dari Data Mining
Ada beberapa kelompok data mining yang dapat digunakan sebagai penyelesaian masalah berdasarkan kegunakan masing-masing kelopok data mining tersebut yaitu[12][13][14]:
a. Estimasi
Estimasi merupakan kelompok data mining dengan penyelesaian masalah menggunakan perkiraan ataupun pendapat, variabel tujuan yang digunakan bersifat numeric. Contoh estimasi yaitu menentukan tekanan darah seseorang berdasarkan berat badan, level sodium darah, umur dan juga jenis kelamin. Metode yang dapat digunakan yaitu metode Regresi Linear sederhana
b. Prediksi
Prediksi memiliki kemiripan dengan estimasi dan klasifikasi. Prediksi hasilnya menunjukkan sesuatu yang belum terjadi (mungkin terjadi dimasa depan). Metode yang dapat diterapkan adalah metode Rough Set.
c. Klasifikasi
Dalam klasifikasi variabel, tujuan bersifat kategorik. Misalnya, kita akan mengklasifikasikan pendapatan dalam 3 kelas, yaitu pendapatan tinggi, pendapatan sedang dan pendapatan rendah. Algoritma yang dapat diterapkan yaitu algoritma C4.5, algoritma K-Nearest Neighbor, Algoritma Naïve Bayesian Clasifier dan lainnya
d. Clustering
Clustering merupakan kelompok data mining yang digunakan sebagai pengelompokkan suatu objek yang memilik kemiripan antara satu dengan yang lain, pengelompokkan ini dilakukan dengan mengamati dan juga membagi objek-objek tersebut kedalam cluster-cluster yang telah ditentukan. Jika objek tidak memiliki kemiripan maka dikelompokkan kedalam cluster berikutnya. Algoritma yang dapat diterapkan adalah algoritma K-Means, AHC, K-Medoids
e. Asosiasi
Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada satu waktu. Algoritma yang dapat digunakan adalah algoritma apriori dan algoritma Fp-Growth
2.3 Agglomerative Hierarchical Clustering (AHC)
Agglomerative Hierarchical Clustering atau disingkat menjadi AHC adalah salah satu metode yang digunakan data mining dalam membentuk kelompok (clustering). Proses pembentukan cluster pada AHC dimulai dengan menyatakan setiap objek sebagai atomic cluster (cluster tersendiri) kemudian menggabungkan cluster tersebut dengan cluster yang lain sehingga terbentuk cluster baru yang lebih besar dan begitu juga seterusnya sehingga proses berhenti jika telah sampai pada batasan kondisi tertentu[15]. Menggabungkan dua objek (atomic cluster) berdasarkan ukuran jarak yang disebut sebagai Ecluidean Distance[16][17]. Berikut persamaanyang dapat digunakan untuk menghitung jarak objek yang akan digabungkan:
𝑑(𝑥, 𝑦) = √(𝑥1− 𝑦1)2+ (𝑥2− 𝑦2)2+ ⋯ + (𝑥𝑛− 𝑦𝑛)2 (1) Metode agglomerative dapat digunakan (dihitung) untuk membentuk cluster berdasarkan proses pengklasteran berikut ini[18][19][20]:
a. Single Linkage Method atau dikenal dengan single link merupakan metode AHC yang digunakan untuk membentuk cluster berdasarkan jarak terdekat antar objek satu dengan yang lainnya.
b. Complete Linkage Method (complete link) merupakan salah satu metode AHC yang digunakan untuk membentuk cluster berdasarkan jarak terjauh antar objek satu dengan objek yang lain.
c. Average Linkage Method (average link) merupakan metode AHC yang digunakan sebagai pengclusteran objek satu dengan yang lain berdasarkan jarak rata-rata antar objek.
Berdasarkan enam metode diatas, pada umumnya hanya tiga metode yang sering digunakan untuk penentuan jarak cluster pada metode agglomerative, berikut dapat dilihat berdasarkan gambar tersebut[21].
Gambar 3. Perbedaan Single Linkage, Complate Linkage dan Average Linkage
3. HASIL DAN PEMBAHASAN
Penelitian ini dilakukan untuk menentukan jurusan siswa yang sesuai dengan kemampuan siswa tersebut, penentuan jurusan dilakukan berdasarkan clustering yang digunakan metode AHC dalam data mining, data tersebut dikelompokkan dengan membentuk empat cluster dari tiga kriteria yairu nilai IPA, nilai IPS dan Nilai TPA. Dari ketiga krirteria tersebut disesuaikan berdasarkan data masing-masing alternative (121 siswa). Seluruh siswa dikatakan sebagai cluster sehingga perlu dihitung jarak antara siswa tersebut. Berikut data nilai siswa disesuaikan kriteria yang ditentukan.
Tabel 1. Data nilai siswa
No Nama Siswa Nilai IPA Nilai IPS Nilai TPA
1 Aldi Abdullah 77 88 80
2 Cleo 79 81 80
3 Kei Fortune 88 70 95
4 Moci ci 86 75 72
5 Lolly 88 80 78
6 Pije 91 92 80
7 Moley 75 75 80
8 Lucy Ratih Setyowati 80 75 91
9 Poppy Sukma 77 86 90
10 Diky 91 92 80
11 Nugroho 87 91 88
12 Rima Aldisa 86 75 72
13 Pipau Risky Jelita 79 78 80
14 Puspa Ayu 88 82 70
15 Naufal 80 80 80
16 Shaka Putra 86 75 72
17 Tamara 73 93 76
18 Dindin S 86 75 72
19 Tina 86 75 72
20 Mahmud 75 75 80
… ….. … … …
… ….. … … …
120 Agnes 77 88 80
121 Yeni 76 83 80
3.1 Penerapan Metode AHC
Penentuan jurusan siswa menerapkan metode AHC dengan proses penyelesaian menggunakan software rapidminer. Penggunaan rapidminer agar hasil yang diperoleh lebih efektif dan efesien sehingga tingkat kesalahan proses perhitungan tidak ada. Berikut proses inputan file data yang akan dicluster menggunkan rapidminer.
Gambar 4. Proses dataset inputan file
Berdasarkan gambar 4, proses penggunaan rapidminer diawali dengan memasukkan (input) file data yang akan diproses, kemudian memilih tools select atributs yang berguna untuk memilih atribut yang digunakan dalam sebuah file inputan tersebut. Penggunaan select atribut tidaklah terlalu penting jika data awal yang diproses telah ditentukan kriteria yang digunakan, jadi select atribut hanya digunakan jika didalam sebuah dile tersebut terdapat banyak informasi yang tidak diperlukan sehingga prosesnya tidak valid. Tools clustering yang digunakan adalah agglomerative untuk proses pengclusteran dan yang tarakhir ada flatten clustering yang digunakan sebagai penentu jumlah cluster yang diinginkan oleh pengguna. Dalam penenlitian ini, jumlah cluster yang dibentuk ada 4 cluster.
Ketika semua inputan telah dimasukkan dan telah disesuaikan dengan ketentuan yang diinginkan, pada penelitian metode yang digunakan adalah single linked metode dengan penghitung jarak antara data terdekat sehingga diperoleh jarak terkecil data tersebut, perhitungan jarak tersebut dilakukan dengan cara hierarchy sehingga proses perhitungannya berdasarkan jarak setiap kriteria antara alternative satu dengan alternative yang lain. Berikut nilai setiap kriteria yang akan dikelompokkan berdasarkan range nilai minimal dan maksimal setiap kriteria.
Gambar 5. Nilai Minimal dan Maksimal setiap kriteria (atribut)
Berdasarkan gambar 5 terlihat bahwa atribut Nilai IPA memiliki ketentuan nilai statistic antara 70 hingga 91 dengan rata-rata keseluruan berdasarkan semua alternative sebesar 81,826, kemudian nilai IPS dengan nilai statistic 70-93 dengan nilai rata-rata 82,413 dan nilai TPA dengan nilai statistic 70-95 dengan rata-rata 80,074.
Berikut root set tree yang diperoleh berdasarkan cluster.
Gambar 6. Rootset tree
Berdasarkan gambar 6, terlihat bahwa cluster 0 merupakn cluster dengan jumlah siswa terbanyak sedangkan cluster 1,2 dan 3 jumlahnya hamper sama, untuk mengetahui jumlah setiap cluster dapat di lihat pada gambar berikut.
Gambar 7. Data cluster model
Berdasarkan gambar 7, terlihat bahwa alternative yang dikelompokkan kedalam cluster 0 sebanyak 93 items (alternatif), kemudian di cluster 1 terdapat 10 items, cluster 2 terdapat 10 items dan cluster ke 4 terdapat 8 items.
Untuk detail pengelompokkan dapat dilihat pada tabel berikut:
Tabel 2. Cluster setiap alternatif
No Nama Nilai IPA Nilai IPS Nilai TPA Cluster
1 Aldi Nugroho 77 88 80 0
No Nama Nilai IPA Nilai IPS Nilai TPA Cluster
2 Cleo 79 81 80 0
3 Kei Fortune 88 70 95 3
4 Moci ci 86 75 72 0
5 Lolly 88 80 78 0
6 Pije 91 92 80 0
7 Moley 75 75 80 0
8 Lucy Ratih Setyowati 80 75 91 0
9 Poppy Sukma 77 86 90 0
10 Diky 91 92 80 0
11 Nugroho 87 91 88 0
12 Rima Aldisa 86 75 72 0
13 Pipau Risky Jelita 79 78 80 0
14 Puspa Ayu 88 82 70 2
15 Naufal 80 80 80 0
16 Shaka Putra 86 75 72 0
17 Tamara 73 93 76 1
18 Dindin S 86 75 72 0
19 Tina 86 75 72 0
20 Mahmud 75 75 80 0
… … … …
… … … …
120 Agnes 77 88 80 0
121 Yeni 76 83 80 0
Berdasarkan tabel 2 terlihat bahwa alternative yang dikelompokkan kedalam masing-masing cluster berdasarkan nilai jarak antara setiap alternative. Alternative ke-1 dikelompokkan kedalam cluster 0, alternative ke-3 dikelompokkan kedalam cluster 3, alternative 14 dikelompokkan kedalam cluster 2, alternative 17 dikelompokkan kedalam cluster 1 dan juga begitu seterusnya hingga alternative ke-21 dikelompokkan kedalam cluster 0. Berikut range setiap kriteria terhadap jumlah setiap alternative dapat dilihat pada gambar 8.
Gambar 8. Histogram clustering Berdasarkan gambar 8 terlihat bahwa nilai IPA dengan :
range 70 hingga 72,3 sebanyak 4 siswa, 72,3-74,5 hanya ada 10 siswa, 74,5-76,8 sebanyak 12 siswa, 76,8-79,1 sebanyak 19 siswa, 79,1-81,4 sebanyak 16 siswa, 81,4-83,6 sebanyak 5 siswa, 83,6-85,9 sebanyak 5 siswa, 85,9- 88,2 sebanyak 39 siswa, 88,2-90,4 sebanyak 5 siswa dan range 90,4-92,7 sebanyak 6 siswa. Nilai IPS dengan range 70 hingga 72,3 sebanyak 9 siswa, 72,3-74,5 hanya ada 1 siswa, 74,5-76,8 sebanyak 25 siswa, 76,8-79,1 sebanyak 6 siswa, 79,1-81,4 sebanyak 16 siswa, 81,4-83,6 sebanyak 12 siswa, 83,6-85,9 sebanyak 5 siswa, 85,9-88,2 sebanyak 21 siswa, 88,2-90,4 sebanyak 2 siswa, 90,4-92,7 sebanyak 13 siswa dan 92,7-95 sebanyak 11 siswa.
Nilai TPA dengan range 70 hingga 72,3 sebanyak 24 siswa, 72,3-74,5 hanya ada 1 siswa, 74,5-76,8 sebanyak 12 siswa, 76,8-79,1 sebanyak 11 siswa, 79,1-81,4 sebanyak 42 siswa, 81,4-83,6 sebanyak 3 siswa, 83,6-85,9 sebanyak 5 siswa, 85,9-88,2 sebanyak 5 siswa, 88,2-90,4 sebanyak 3 siswa, 90,4-92,7 sebanyak 5 siswa dan 92,7-95 sebanyak 10 siswa. Untuk persentase setiap cluster dapat dilihat pada gambar 9 berikut.
Gambar 9. Visualisasi Cluster
Berdasarkan gambar 9, terlihat bahwa bagian yang lebih besar adalah bagian warna biru dengan mengisi tiga perempat lingkaran atau 76,8%, warna hijau (cluster 2) dan warna orang (cluster 1) besar penempatannya sama yaitu 8,3% , sedangkan warna hitam (cluster 3) hanya menempati 6,6% lingkaran.
4. KESIMPULAN
Berdasarkan penelitian ini, penulis dapat membuat kesimpulan bahwa teknik data mining dengan menerapkan metode AHC dianggap dapat membantu peneliti dalam membentuk kelompok (cluster) pada permasahan yang dihadapi yaitu terdapat berbagai siswa yang mengalami kendala saat proses belajar karena jurusan yang dipilih tidak sesuai kemampuannya dikarenakan memilih jurusan hanya terpengaruh orang lain sehingga tidak sesuai dengan kemampuannya dan seorang guru juga sulit untuk menyesuaikan kemampuan satu siswa dengan siswa yang lain. Atribut yang digunakan sebagai pengukur untuk membentuk 4 cluster tersebut diantaranya nilai IPA, nilai IPS dan nilai TPA. Metode AHC tersebut diterapkan dengan menggunakan metode single link dengan mengelompokkan alternative berdasarkan jarak terdekat (nilai tersekat) antara alternative satu dengan alternative lainnya dengan bentuk pohon keputusan (hierarky). Clustering AHC memanfaatkan rapidminer sebagai proses pengelompokkan dengan menghasilkan cluster 0 berjumlah 93 siswa (cluster ini dapat dibentuk lagi cluster yang baru unruk menyesuaikan jumlah maksimal dalam satu kelas pada sebuah jurusan), cluster 1 berjumlah 10 siswa, cluster 2 berjumlah 10 siswa dan juga cluster 3 berjumlah 8 siswa.
REFERENCES
[1] Y. Andini, J. T. Hardinata, Y. P. Purba, “Penerapan Data Mining pada Tata Letak Buku Di Perpustakaan Sintong Bingei Pematangsiantar dengan Metode Apriori”, Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika), vol. 7, no. 1, pp. 13–18, 2022.
[2] I. Zulfa, R. Rayuwati, K. Koko, “Implementasi data mining untuk menentukan strategi penjualan buku bekas dengan pola pembelian konsumen menggunakan metode apriori”, Teknika: Jurnal Sains dan Teknologi, vol. 16, no. 1, pp. 69–82, 2020.
[3] S. Handoko, F. Fauziah, E. T. E. Handayani, “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering”, Jurnal Ilmiah Teknologi dan Rekayasa, vol. 25, no. 1, pp.
76–88, 2020.
[4] B. Wira, A. E. Budianto, A. S. Wiguna, “Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang”, Rainstek: Jurnal Terapan Sains &
Teknologi, vol. 1, no. 3, pp. 53–68, 2019.
[5] A. Setiawan, I. G. Anugrah, “Penentuan pola pembelian konsumen pada indomaret gkb gresik dengan metode fp-growth”, Jurnal Nasional Komputasi Dan Teknologi Informasi (JNKTI), vol. 2, no. 2, pp. 115–125, 2019.
[6] A. F. O. Pasaribu, “Analisis Pola Menggunakan Metode C4. 5 Untuk Peminatan Jurusan Siswa Berdasarkan Kurikulum (Studi Kasus: Sman 1 Natar)”, Jurnal Teknologi Dan Sistem Informasi, vol. 2, no. 1, pp. 80–85, 2021.
[7] A. Susanti, “Perancangan sistem pendukung keputusan penentuan jurusan siswa SMA Negeri 2 Kutacane berbasis web dengan menggunakan metode Analytical Hierarchy Process (AHP)”, Jurnal Multimedia dan Teknologi Informasi (Jatilima), vol. 3, no. 02, pp. 68–74, 2021.
[8] F. Agustina, A. T. Sumpala, A. Arysespajayadi, “SPK Pemilihan Jurusan Siswa Baru Menggunakan Metode AHP dan MOORA Pada SMKN 1 Kolaka”, Jurnal Sains Dan Informatika, vol. 7, no. 1, pp. 87–96, 2021.
[9] A. N. Fadhilah, A. Jananto, “KLASTERISASI LITERATUR MAHASISWA MENGGUNAKAN METODE AHC DI DINAS KEARSIPAN DAN PERPUSTAKAAN PROVINSI JAWA TENGAH”2021.
[10] G. Gunadi, D. I. Sensuse, “Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) :”, Telematika, vol. 4, no.
1, pp. 118–132, 2012.
[11] S. S. S et al., “SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN PEMBERIAN PINJAMAN”vol. 3, pp. 25–30, 2020, doi:10.37600/tekinkom.v3i1.131.
[12] S. Al Syahdan, A. Sindar, “Data Mining Penjualan Produk Dengan Metode Apriori Pada Indomaret Galang Kota”, Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 1, no. 2, 2018, doi:10.32672/jnkti.v1i2.771.
[13] A. Wanto et al., Data Mining: Algoritma dan Implementasi, Yayasan kita menulis, 2020.
[14] N. L. W. S. R. Ginantra et al., Data mining dan penerapan algoritma, Yayasan Kita Menulis, 2021.
[15] Marjiyono, “Penerapan Algoritma Ahc Algorithm Dalam Aplikasi Ppembagian Kelas Siswa Baru”, Seminar Nasional Teknologi Informasi dan Multimedia 2015, pp. 6–8, 2015.
[16] B. Harli Trimulya Suandi As, L. Zahrotun, “PENERAPAN DATA MINING DALAM MENGELOMPOKKAN DATA RIWAYAT AKADEMIK SEBELUM KULIAH DAN DATA KELULUSAN MAHASISWA MENGGUNAKAN METODE AGGLOMERATIVE HIERARCHICAL CLUSTERING (Implementation Of Data Mining In Grouping Academic History Data Before Students And Stud”, Jurnal Teknologi Informasi, Komputer dan Aplikasinya, vol. 3, no.
1, pp. 62–71, 2021.
[17] R. A. Setyawan, R. M. Fadilla, “Klasterisasi media pembelajaran daring di era pandemi COVID-19 menggunakan metode Agglomerative”, Informasi Interaktif, vol. 5, no. 3, 2020.
[18] P. Govender, V. Sivakumar, “Application of k-means and hierarchical clustering techniques for analysis of air pollution:
A review (1980–2019)”, Atmospheric pollution research, vol. 11, no. 1, pp. 40–56, 2020.
[19] C. Briggs, Z. Fan, P. Andras, “Federated learning with hierarchical clustering of local updates to improve training on non-IID data”, 2020 International Joint Conference on Neural Networks (IJCNN), pp. 1–9, 2020.
[20] K. Zeng et al., “Hierarchical clustering with hard-batch triplet loss for person re-identification”, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 13657–13665, 2020.
[21] N. K. Zuhal, “Study Comparison K-Means Clustering dengan Algoritma Hierarchical Clustering”, Prosiding Seminar Nasional Teknologi dan Sains, vol. 1, pp. 200–205, 2022.
