Penerapan Metode K-Medoids untuk Pengelompokkan Data Toko di PT Sumber Alfaria Trijaya

(1)

1

PENERAPAN METODE K-MEDOIDS CLUSTERING UNTUK PENGELOMPOKAN DATA TOKO DI

PT SUMBER ALFARIA TRIJAYA TBK

Mohamad Yogi Sukma Pradana

^1,

Maxsi Ary, S.Si., S.Kom., M.Kom

²

Program Studi Sistem Informatika, Univeristas BSI Bandung Jl. Sekolah International No. 1-6, Antapani, Cicadas, Bandung Email : [email protected]

¹

, [email protected]

²

Abstrak

Kebutuhan data toko yang akurat dan realtime merupakan kebutuhan yang pokok untuk divisi bagian kerja lokasi di PT. Sumber Alfaria Trijaya Tbk terutama di cabang bandung 2. Ketersediaan data toko tersebut harus di kelola dengan baik karena dapat menentukan data sewa toko termasuk dari penjualan. Clustering merupakan salah satu metode dalam data mining yang dapat digunakan sebagai alat bantu untuk mempermudah pekerjaan bagian lokasi pada PT Sumber Alfaria Trijaya Tbk dalam proses bisnis, baik perpanjangan sewa toko kepada pemilik dan penentuan lokasi toko baru. Metode yang digunakan pada penelitian ini adalah metode K-Medoid yang merupakan suatu metode klasterisasi dalam data mining. Terdapat 247 data toko dan akan dibagi 3 cluster dengan perhitungan algoritma manhattan. Penelitian ini di dukung dengan software Rapidminer untuk pengolahan data toko dengan menggunakan metode K-Medoid. Hasil dari penelitian ini adalah data yang dihasilkan dapat dipergunakan untuk kebijakan bisnis di PT. Sumber Alfaria Trijaya Tbk.

Abstract

An accurate and realtime store data is a basic requirement for locations section at PT. Sumber Alfaria Trijaya Tbk, especially in the Bandung branch 2. Availability of store data must be managed properly because it can determine the rental data including the sale of the store. Clustering is one of the methods in data mining that can be used as a tool to facilitate the work of the location section at PT Sumber Alfaria Trijaya Tbk in business processes, both extending store leases to owners and determining the location of new stores. The method that we used in this study is K-Medoid method, which is a clustering method in data mining. There are 247 data stores and will be divided into 3 clusters with manhattan algorithm calculations. This research was supported by Rapidminer software for store data processing using the K-Medoid method. The results of this study are the data generated can be used for business policy at PT. Sumber Alfaria Trijaya Tbk.

Keyword : Data Mining, K-Medoids, Clustering

1. Pendahuluan

Setiap perusahaan mengharapkan semua aktifitas perusahaannya dapat berjalan dengan lancar. Oleh karena itu pimpinan berusaha menetapkan kebijakan-kebijakan yang dapat menunjang kelancaran aktifitas perusahaan diantaranya adalah menentukan jenis toko yang produktif dan yang tidak produktif. Tujuan pengelompokan data tersebut akan mempermudah dalam menentukan masa sewa lahan toko kepada pemilik lahan. Kegiatan usaha yang dilakukan PT.

Sumber Alfaria Trijaya Tbk banyak sekali rekanan yang mengajukan kerja sama dengan perusahaan untuk sewa lahan yang di peruntukan pembukaan toko, franchise, sewa tenant, dan lain sebagainya (Kanjaya & Susilo, 2010).

Pada saat ini di PT. Sumber Alfaria Trijaya Tbk masih belum adanya pengelompokan data toko yang mana hal tersebut sangat membantu untuk kebijakan bisnis yang akan tercipta.

Pengelompokan data toko tersebut akan membantu menentukan lokasi pembukaan toko baru, untuk pengurusan perpanjangan masa sewa toko dan dalam hal bisnis lainya. Lokasi bertanggung jawab atas berlakunya proses perpanjangan sewa dan pengajuan lahan sewa toko baru di PT. Sumber Alfaria Trijaya Tbk . Untuk pengerjaan nya, bagian lokasi masih melakukan nya dengan cara memilah secara manual mana toko yang layak di perpanjang masa sewanya dan mana yang tidak layak untuk di perpanjang yang mana proses tersebut akan memakan waktu cukup lama. Oleh karena proses

(2)

2

tersebut belum berjalan efektif dan efisien, maka dibutuhkan satu metode yang dapat mengelompokan data toko mana saja yang produktif dan tidak produktif yang dapat mempercepat proses memilah data toko tersebut.

Algoritma K-medoids merupakan metode clustering yang memecah dataset menjadi beberapa kelompok. Algoritma ini berusaha untuk meminimakan jarak antara titik-titik yang ditandai yang berada pada sebuah cluster dan sebuah titik yang ditunjuk sebagai pusat cluster. K-Medoids memilah titik data sebagai pusat (medoids) serta menggunakan matrik jarak antara titik data (Al- shammari, Shamshirband, & Petkovi, 2016). Hasil perbandingan dataset menunjukan bahwa algortima K-Medoids leboh baik dalam semua aspek seperti waktu eksekusi, titik sensitif terhadap outlier, dan pengurangan noise (Arora, Deepali, & Varshney, 2016).

2. Metode Penelitian & Pembahasan

Pada bagian ini akan dilakukan pengerjaan proses secara keseluruhan yang didasarkan kepada CRISP-DM (Cross-Industry Standard Proccess Model for Data Mining).

Gambar 1.CRISP-DM

Sumber : Irwan Budiman

2.1 Bussines Understanding

Pemahaman bisnis atau bussines understanding adalah untuk meningkatkan kinerja para pegawai dibagian lokasi dalam mempertimbangkan potensi toko untuk diperpanjang masa sewa atau tidak.

Parameter suksesnya peningkatan kinerja petugas lokasi adalah memperluas jumlah toko Alfamart yang berpotensi di area pangsa pasar yang baik guna untuk bersaing secara global.

1. Determine Bussines Objectives

Tahap menentukan tujuan bisnis dan mengungkap faktor-faktor penting yang terlibat dalam penelitian yang direncanakan dan untuk memastikan bahwa penelitian tidak menghasilkan jawaban yang benar untuk pertanyaan yang salah. Tujuan bisnis bukan merupakan tujuan langsung penelitian, namun sebagai tujuan jangka panjang dalam dunia

nyata. Hasil dari data mining mendeskripsikan sebuah pengetahuan yang akan menjadi tolak ukur institusi terkait dalam membuat kebijakan dimasa yang akan datang. Tujuan bisnis berdasarkan penjelasan pada zaman sekarang yaitu meningkatkan kinerja staff lokasi dalam melaksanakan pemilahan toko yang produktif dan yang belum bahkan tidak. Parameter produktif atau tidaknya adalah toko tersebut memiliki penjualan yang bagus, lokasi yang memadai bagi konsumen serta keseimbangan penjualan dalam area tersebut.

2. Asses the situation

a) Sistem sudah berjalan sesuai petunjuk pada pedoman evaluasi, namun masih diperlukan sosialisasi yang lebih mendalam.

b) User masih beradaptasi dalam memilah toko yang memiliki kualitas penilaian baik dengan penentuan secara cepat dan tepat.

c) Data yang dikerjakan staff lokasi masih menggunakan sistem stand alone atau tidak terintegrasi dalam jaringan computer.

d) Aturan validasi (validation rules) pada data yang dikerjakan staff lokasi kurang baik, sehingga data tidak konsisten.

e) Hasil data mining terhadap database user karyawan Alfamart tidak menggambarkan pola pelaksanaan secara umum, namun hasil data mining menggambarkan pola proporsi user secara detail dalam pencarian data dengan berbagai aspek.

3. Determine the Data Mining Goals

Tahap mengubah pengetahuan pada domain bisnis menjadi sebuah definisi masalah data mining dan menentukan tujuan data mining (penelitian).

Tujuan data mining atau tujuan penelitian ini adalah menggali pengetahuan (discovering knowledge) tentang pola (pattern) proporsi pelaksanaan karyawan sehingga dapat diketahui tingkat produktivitas, komposisi serta keseimbangan dalam pelaksanaan user.

2.2 Data Understanding

Pemahaman data dimulai dari mengumpulkan data toko PT. Sumber Alfaria Trijaya Tbk Cabang Bandung 2 yang berjumlah 247 toko. Berusaha untuk memahami data dan mengeksplorasi data tersebut dengan mewawancarai staff lokasi secara detail.

Dalam pemahaman data mengacu pada data database yang user miliki. Tahap memahami format data secara permukaan dan lebih mendalam.

1. Collect the Initial Data.

Tahap mengumpulkan data kompilasi hasil laporan dataset toko di PT. Sumber Alfaria

(3)

3

Trijaya Tbk didapat dari data toko di cabang Bandung 2 pada tahun 2019.

2. Describe the Data

Tahap memahami data yang tampak pada permukaan seperti nama toko, area, tipe toko dan data struk transaksi. Dataset toko yang nantinya akan dipergunakan oleh staff lokasi, pada tahap ini adalah tahap membiasakan diri dengan data-data yang sudah dikumpulkan dan berusaha menemukan wawasan awal mengenai informasi apa saja yang bisa didapatkan.

2.3 Data Preparation

Setelah mendapatkan data dari pihak lokasi di PT. Sumber Alfaria Trijaya Tbk Cabang Bandung 2 penulis mulai merancang format dari data mentah tersebut untuk dijadikan dataset yang akan digunakan untuk pemodelan data mining K-medoid.

Data yang dipilih pada database adalah data yang diperlukan untuk perhitungan metode K- Medoid. Setiap data dilengkapi dengan atribut masing-masing yang berisi kode toko, nama toko, area, tipe toko, dan data transaksi struk.

2.4 Modelling

Tahapan awal pemodelan atau modelling bermaksud untuk menggali pengetahuan tentang pola pelaksanaan perhitungan K-Medoid yang akan dihitung dengan metode Manhattan, sebagai berikut

:

Gambar .2 Flowchart K-Medoids

1. Menentukan Pusat Cluster

Pada tahap awal dilakukan penentuan pusat cluster secara acak atau arbitrary sesuai dengan sifat metode K-Medoids yang melakukan random sampling dari dataset sewa toko yang terdiri dari 247 data toko.

Tabel.1 Data Toko

NO KODE

TOKO NAMA TOKO AREA TIPE TOK O

DATA TRANSAK SI STRUK

1 N049

ABDURACHMA N SALEH [N_ARHS]

Kota Bandun

g 36 9617

2 N357 AMIR MACHMUD [ARMD]

Kota

Cimahi 36 14872

3 N693

APART.

CIUMBULEUIT 1 [APCT]

Kota Bandun

g 27 3850

4 N676

APART.

PARAHYANGAN [ATPN]

Kota Bandun

g 27 4975

5 B864

ASTANA ANYAR [ASAR]

Kota Bandun

g 45 25978

6 B866

ASTANA ANYAR 3 [ATA3]

Kota Bandun

g 36 11488

7 B859

ASTANA ANYAR 4 [ATA4]

Kota Bandun

g 45 16550

8 N618 ASTON [ATON]

Kota Bandun

g 9 4834

9 N719

BABAKAN CINTA [BBCN]

Kab.

Bandun

g Barat 45 7171

10 N005

BABAKAN CIPARAY [N_BBC]

Kota Bandun

g 36 10041

….. ….. ….. ….. ….. …..

24 7 N649

WARUNG PANJANG [WRO]

Kab.

Bandun

g Barat 45 10791

2. Iterasi

Iterasi dapat diartikan sebagai suatu proses atau metode yang digunakan secara berulang-ulang (pengulangan) dalam menyelesaikan suatu permasalahan matematik.

A. Iterasi 1

Penulis memilih pusat cluster secara acak atau arbitrary sesuai dengan sifat dari K-Medoid sendiri, jadi penulis mengambil random sampling dari data toko untuk menjadi medoids yang nantinya akan diperlukan ketika proses iterasi 1. Pusat cluster akan ditampilkan pada Tabel.IV.2 medoids Awal.

Sebagai berikut:

(4)

4

Tabel.2 Medoids Awal

Pada tabel diatas menjelaskan data medoids untuk masing-masing toko adalah:

C1 : (Kota Bandung, 45, 25978) C2 : (Kota Bandung, 36, 9486) C3 : (Kota Cimahi, 9, 6833) 1. Menghitung Jarak Kelas

Setelah ditentukan medoid awal, maka tahap berikutnya adalah menghitung jarak dari masing- masing cluster dengan menggunakan algoritma Manhattan sebagai berikut:

( ) ∑ ( )

Pada proses perhitungan ini dilakukan inisialisasi untuk data cluster. Jika angka atau data adalam perhitungan tersebut sama, maka akan diberi nilai 0, dan jika berbeda maka nilai nya 1.

Seperti perhitungan tersebut : Perhitungan Medoids 1 :

X1, C1 = (X1,1,C1,1)+ (X1,2,C1,2)+

(X1,3,C1,3)

= (Kota Bandung, Kota Bandung)+

(36, 45)+ (9617, 25976) = 0 + 1 + 1

= 2

Perhitungan Medoids 2 :

X1, C2 = (X1,1,C2,1)+ (X1,2,C2,2)+

(X1,3,C2,3)

= (Kota Bandung Kota Bandung)+

(36 36)+ (9617 9486) = 0 + 0 + 1

= 1

Perhitungan Medoids 3 :

X1, C3 = (X1,1,C3,1)+ (X1,2,C3,2)+

(X1,3,C3,3)

= (Kota Bandung Kota Cimahi)+

(36 9)+ (9617 6833) = 1 + 1 + 1

= 3

2. Menentukan Nilai Jarak Minimum

Setelah di iterasi semua data, maka didapat hasil jarak masing-masing cluster. Maka ditentukan jarak minimum pada setiap data yang akan diikuti.

Selanjutnya di tentukan nilai awal fungsi objektif 950, dan nilai fungsi objektif didapati dari hasil penjumlahan nominal real cluster. Hasil dari perhitungan tersebut akan menghasilkan nilai peubah fungsi objektif.

95 37 713

Hasil dari perhitungan objektif dihasilkan 713, nilai tersebut masih jauh dari 0 maka dilakukan perhitungan iterasi selanjutnya hingga nilai mendekati 0. Di perhitungan iterasi k-1 sudah terbagi 3 cluster dengan nilai jarak masing-masing.

Dari 3 cluster yang sudah terbentuk dihasilkan medoid baru yang akan dilibatkan untuk perhitungan iterasi selanjutnya.

B. Iterasi 2

Tabel.3 Medoids Kedua

Dari perhitungan di iterasi ke-1 didapatkan medoid baru yaitu :

C1 : (Kab. Bandung Barat, 45, 9402) C2 : (Kota Bandung, 36, 10820) C3 : (Kota Cimahi, 9, 10191) 1. Menghitung Jarak Kelas Perhitungan Medoid 1 :

X1, C1 = (X1,1,C1,1)+ (X1,2,C1,2)+

(X1,3,C1,3)

= (Kota Bandung, Kab. Bandung Barat)+ (36, 45)+ (9617, 9402) = 1+ 1 + 1

= 3

Perhitungan Medoid 2 :

X1, C2 = (X1,1,C2,1)+ (X1,2,C2,2)+

(X1,3,C2,3) N

o

Kode Toko

Nama Toko

Area Tipe Toko

Data Transak si Struk 5 B864 ASTANA

ANYAR [ASAR]

Kota Bandung

45 25978

95 N328 GUNUNG BATU RAYA [GBRA]

Kota Bandung

36 9486

22 5

N687 STASIUN CIMAHI [SNCI]

Kota Cimahi

9 6833

Area Tipe Toko Data Transaksi Struk Kab. Bandung

Barat

45 9402

Kota Bandung 36 10820

Kota Cimahi 9 10191

(5)

5

(36, 36)+ (9617, 10820)

= 0 + 0 + 1

= 1 Perhitungan Medoid 3 :

X1, C3 = (X1,1,C3,1)+ (X1,2,C3,2)+

(X1,3,C3,3)

= (Kota Bandung, Kota Cimahi)+

(36, 9)+ (9617, 10191)

= 1 + 1 + 1

= 3

Selanjutnya di dapati nilai peubah fungsi objektif dari iterasi ke -1 yaitu 713, dan nilai fungsi objektif didapati dari hasil penjumlahan nominal real cluster. Hasil dari perhitungan tersebut akan menghasilkan nilai peubah fungsi objektif.

713 56 457

Hasil dari perhitungan objektif dihasilkan 457, nilai tersebut masih jauh dari 0 maka dilakukan perhitungan iterasi selanjutnya hingga nilai mendekati 0. Dari 3 cluster yang sudah terbentuk di iterasi ke-2 dihasilkan medoid baru yang akan dilibatkan untuk perhitungan iterasi selanjutnya.

C. Iterasi 3

Tabel.4 Medoids Ketiga

Tabel diatas menjelaskan data medoid untuk masing-masing toko pada iterasi ke-2 adalah:

C1 : (Kab. Bandung Barat 45, 8734) C2 : (Kota Bandung, 36, 11518) C3 : (Kota Cimahi, 45, 10313) 1. Menghitung Jarak Kelas Perhitungan Medoid 1 :

X1, C1 = (X1,1,C1,1)+ (X1,2,C1,2)+

(X1,3,C1,3)

= (Kota Bandung, Kab. Bandung Barat)+ (36, 45)+ (9617, 8734)

= 1 + 1 + 1

X1, C2 = (X1,1,C2,1)+ (X1,2,C2,2)+

(X1,3,C2,3)

(36, 36)+ (9617, 11518) = 0 + 0 + 1

= 1

X1, C3 = (X1,1,C3,1)+ (X1,2,C3,2)+

(X1,3,C3,3)

(36, 45)+ (9617, 10313) = 1 + 1 + 1

= 3

457 58 199

Hasil dari perhitungan objektif dihasilkan 199, nilai tersebut masih jauh dari 0 maka dilakukan perhitungan iterasi selanjutnya hingga nilai mendekati 0. Dari 3 cluster yang sudah terbentuk di iterasi ke-3 dihasilkan medoid baru yang akan dilibatkan untuk perhitungan iterasi selanjutnya.

D. Iterasi 4

Tabel.5 Medoids Keempat

Pada tabel diatas menjelaskan data medoid untuk masing-masing toko adalah:

C1 : (Kab. Bandung Barat 45, 8205) C2 : (Kota Bandung, 36, 11050)

Area Tipe

Toko

Data Transaksi Struk Kab.Bandung

Barat

45 8734

Kota Bandung 36 11518

Kota Cimahi 45 10313 Area Tipe

Toko

Data Transaksi Struk Kab.Bandung

Barat

45 8205

Kota Bandung

36 11050

Kota Cimahi 45 11122

(6)

6

C3 : (Kota Cimahi, 45, 11122) 1. Menghitung Jarak Kelas

X1, C1 = (X1,1,C1,1)+ (X1,2,C1,2)+

(X1,3,C1,3)

= (Kota Bandung, Kab. Bandung Barat)+ (36, 45)+ (9617, 8205) = 1 + 1 + 1

X1, C2 = (X1,1,C2,1)+ (X1,2,C2,2)+

(X1,3,C2,3)

(36, 36)+ (9617, 11050) = 0 + 0 + 1

X1, C3 = (X1,1,C3,1)+ (X1,2,C3,2)+

(X1,3,C3,3)

(36, 45)+ (9617, 11122) = 1 + 1 + 1

= 3

199 16 17

Hasil dari perhitungan objektif dihasilkan -17, nilai tersebut nilai terdekat dari 0 maka perhitungan iterasi dihentikan pada iterasi ke-4. Dari 3 cluster yang sudah terbentuk di iterasi ke-4 yang merupakan final dari perhitungan iterasi didapati nilai cluster 0 = 59, cluster 1 =160, cluster 2 = 28.

E. Purity Measure

Dengan menggunakan persamaan pengujian purity measure yang telah disebutkan pada sebelumnya, maka penulis akan menerapkan pengujian tersebut demi mengetahui kualitas cluster

yang sudah terbentuk, dengan perhitungan seperti berikut:

Dimana :

N = Jumlah Objek (titik data) K = Jumlah Cluster

ci = Sebuah Cluster di C

tj = Klasifikasi yang memiliki jumlah maksimum untuk cluster. Maka didapatkan sebagai berikut : Purity =

41749853 349

Dari perhitungan tersebut jika dibulatkan didapati hasilnya dari purity measure adalah 0.42 yang mana hasil tersebut cukup baik untuk kualitas cluster yang dihasilkan pada dataset toko yang telah di proses.

2.5 Evaluation

Tahap ini menilai sejauh mana hasil pemodelan data mining memenuhi tujuan data mining yang ditentukan pada tahap business understanding.

Pengelompokan data toko dengan metode K- Medoids mempermudah petugas lokasi dalam mengolah data, serta data tersebut juga bisa dijadikan landasan kebijakan bisnis didalam proses bisnis PT.Sumber Alfaria Trijaya Tbk terutama di Cabang Bandung 2.

2.6 Deployment

Deployment merupakan tahapan membuat laporan hasil kegiatan data mining. Laporan akhir mengenai pengetahuan yang didapat atau pengenalan pola pada data dalam proses data mining dan disusun dalam laporan skripsi dan dipresentasikan dalam powerpoint agar mudah dipahami.

4.3 Hasil Penelitian

Gambar 3 Diagram Hasil Cluster

(7)

7

Dari hasil perhitungan manual yang dibantu dengan algoritma Manhattan dan dibuktikan dengan proses di Rapidminer, hasil cluster yang dihasilkan dari tiga cluster yaitu Cluster 0 = 59, Cluster 1 = 160, Cluster 2 = 28. Angka tersebut menunjukan hasil yang sama, baik dari perhitungan manual di Microsoft excel maupun hasil dari rapidminer. Dimana hasil tersebut memiliki karakter dari masing – masing cluster yaitu : 1. Cluster 0 menunjukan bahwa toko tersebut

dapat di perpanjang sewa, karena dilihat dari karakter toko yang memiliki data transaksi yang baik.

2. Cluster 1 menunjukan bahwa toko tersebut dapat penambahan sewa tenant di halaman parkir karena dilihat dari karakter toko yang memiliki tipe toko paling luas.

3. Cluster 2 menunjukan bahwa toko tersebut dapat memperluas dari pembukaan toko baru karena dilihat dari karakter toko yang memiliki data transaksi yang baik, tipe toko yang luas dan jumlah cluster yang sedikit.

Menimbang dari hasil berikut, metode K- Medoids ini dapat membantu staff lokasi dalam pengelompokan data, yang mana pengelompokan data tersebut akan sangat membantu guna untuk kebijakan bisnis dalam dunia retail di PT. Sumber Alfaria Trijaya Tbk baik dalam menentukan perpanjangan sewa toko, pembukaan toko baru, penambahan tenant di kawasan toko.

5.1. Kesimpulan

Dari pembahasan proses data mining tersebut, metode k-medoids sangat berpengaruh dalam perkembangan bisnis di PT. Sumber Alfaria Trijaya Tbk. Secara garis besar penulis dapat menyimpulkan beberapa hal sebagai berikut.

1. Pengelompokan data dengan metode data mining K-Medoids clustering membantu mengelompokan data toko dengan baik di PT.Sumber Alfaria Trijaya Tbk.

2. Data yang dihasilkan dari metode terbagi menjadi 3 cluster, yakni cluster 0 = 59, cluster 1 = 160, cluster 2 = 28.

3. Cluster yang dihasilkan diuji kemurnian dengan purity measure yang mana hasilnya jika dibulatkan adalah 0.42 yang mana hasil cukup baik.

4. Data yang dihasilkan dari metode tersebut sangat berpengaruh untuk kebijakan bisnis di PT.Sumber Alfaria Trijaya Tbk. Dan data ini dapat menjadi awal pertimbangan kebijakan manajemen untuk memperpanjang sewa toko, membuka toko baru, dan untuk menambah tenant di lingkungan toko.

5.2. Saran-saran

Dari kesimpulan diatas, penulis memberikan saran-saran dengan harapan dapat bermanfaat, penulis menyarankan kepada PT. Sumber Alfaria Trijaya Tbk. antara lain :

1. Mengembangkan metode tersebut agar bisa lebih bermanfaat untuk seluruh karyawan di PT. Sumber Alfaria Trijaya Tbk terutama untuk divisi lokasi yang berada di ruang lingkup pada karakteristik toko tersebut.

2. Dibuatkan program yang terkomputerisasi agar lebih memudahkan karyawan khususnya staff lokasi dalam pengerjaan tersebut.

3. Pada saat pembuatan program yang harus diperhatikan adalah pada saat pembuatan coding dan script program. Karena, satu coding atau script yang salah maka program itu tidak akan berjalan mulus.

Referensi

Turban, E. 2005. Decision Support Systems and Intelligent Systems edisi Bahasa Indonesia. Yogyakarta:

Larose, Daniel T.. 2005. Discovering Knowledge in Data : An Introduction to Data Mining.

John Willey & Sons, Inc.

Zayuka, H., Nasution, S. M., Purwanto, Y., Elektro, F. T., & Telkom, U. (2017), Perancangan Dan Analisis Clustering Data Menggunakan Metode K-Medoids Untuk Berita Berbahasa Inggris Design and Analysis of Data Clustering Using K- Medoids Method, 4(2), 2182-2190.

Suyanto. 2019. Data Mining Untuk Klasifikasi Dan Klasterisasi Data. Bandung: Informatika Bandung.

Hammond, Richard. 2007. Sukses Berbisnis Ritel. Jakarta: Erlangga.

Rofiqi, A. Y. (2017). CLUSTERING BERITA

OLAH RAGA BERBAHASA

INDONESIA MENGGUNAKAN

METODE K-MEDOID, 6(1)

Defiyanti, S., & Jajuli, M. (2017). Optimalisasi K- Medoid Dalam Pengklasteran Mahasiswa Pelamar Beasiswa Dengan Cubic Clustering Criterion, 03(01),218.

Patel, A., & Singh, P. (2013). New Approach for K- Mean and K-Medoids Algorithm, International Journal of Computer Applications Technology and Research, 2(1), 1-5 Retrieved from www.ijcat.com Al-Shammari, E, T ., Shamshirband, S ., & Petkovi,

D. (2016), Comparative study of clustering methods for wake effect analysis in wind

farm, 95,

https://doi.org/10.1016/),energy,2015.11.0 64

(8)

8

Rohmawati, W., Defiyanti, S ., & Jajuli M. (2015)

IMPLEMENTASI ALGORITMA K-

MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA, 3(1)

Vulandari, T, R. 2017. Data Mining Teori dan Aplikasi Rapidminer. Yogyakarta:Gava Media.

Wicaksana, I, W., Baskoro D, A., Ambarwati, L., Aprilla, C, D. 2013. Belajar Data Mining Dengan Rapidminer. Jakarta: Remi Sanjaya

Sangga, P. (2018). Perbandingan ALgoritma K- Means dan Algoritma K-Medoids Dalam Pengelompokan Komoditas Peternakan di Provinsi Jawa Tengah Tahun 2015, 20.02 Falila, Furqon, & Dewi, 2017. Implementasi

Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot), 726.3.