Aplikasi Data Mining Pengelompokan Tanaman Metode Clustering Algoritma K-Medoids
Selasa, 19 Januari 2021
Data mining adalah sebuah proses pencarian secara otomatis informasi yang berguna dalam tempat penyimpanan data berukuran besar. Istilah lain yang sering digunakan diantaranya knowledge discovery (mining) in databae (KDD), knowledge extraction, data atau pattern analysis, data archeology, data dredging, information harvesting, dan business intelligence. Teknik data mining digunakan untuk memeriksa basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan serbaguna.
Clustering merupakan suatu proses pengelompokan record, observasi, atau mengelompokkan kelas yang memiliki kesamaan objek. Perbedaan clustering dengan klasifikasi yaitu tidak adanya variabel target dalam melakukan pengelompokan pada proses clustering. Clustering sering dilakukan sebagai langkah awal dalam proses data mining. Metode clustering juga harus dapat mengukur kemampuannya sendiri dalam usaha untuk menemukan suatu pola tersembunyi pada data yang sedang diteliti. Terdapat berbagai metode yang dapat digunakan untuk mengukur nilai kesamaan antar objek-objek yang dibandingkan.
Algoritma k-medoids atau sering disebut juga dengan algoritma PAM (Partitioning Around Medoid) dikembangkan oleh Leonard Kaufman dan Peter J. Rousseeuw, dimana merupakan algoritma yang mirip dengan k-means karena kedua algoritma ini partitional yang memecah dataset menjadi kelompok–kelompok. Perbedaan dari algoritma k-means dengan algoritma k-medoids terletak pada penentuan pusat cluster, dimana algoritma k-means menggunakan nilai rata–rata (means) dari setiap cluster sebagai pusat cluster dan algoritma k-medoids menggunakan objek data sebagai perwakilan (medoids) sebagai pusat cluster.
Daftar Isi
Tentang Aplikasi
Aplikasi data mining pengelompokan tanaman metode clustering algoritma k-medoids merupakan sebuah aplikasi yang digunakan untuk mengelompokan data tanaman pada suatu wilayah tertentu, sehingga dapat menghasilkan informasi baru yang berguna untuk peningkatan produksi pada wilayah tertentu. Dengan adanya peningkatan tersebut maka dapat meningkatkan variabel kualitas produksi dan lain-lain serta mampu untuk bersaing di pasar bisnis.Spesifikasi Aplikasi
Spesifikasi yang ada pada aplikasi data mining pengelompokan tanaman metode clustering algoritma k-medoids dapat dilihat sebagai berikut :| PHP | |
| MySQLi | |
| Framework CodeIgniter | |
| JQuery | |
| AJAX | |
| Bootstrap | |
| Responsif | |
| K-Medoids |
Fitur Aplikasi
Fitur-fitur yang terdapat pada aplikasi data mining pengelompokan tanaman metode clustering algoritma k-medoids ini dapat dilihat sebagai berikut :| Admin | |
| Modul data siswa | |
| Modul data lokasi | |
| Modul data tanaman | |
| Modul data user | |
| Modul data admin | |
| Modul data grafik | |
| User | |
| Modul data tanaman | |
| Modul data pengelompokan | |
| Modul data pengujian | |
| Modul data grafik |
Tampilan Aplikasi
Tampilan dari aplikasi data mining pengelompokan tanaman metode clustering algoritma k-medoids dapat dilihat sebagai berikut :
Paket Pembelian Aplikasi
Jika membeli aplikasi data mining pengelompokan tanaman metode clustering algoritma k-medoids maka dalam paket pembelian aplikasi terdiri dari beberapa file yaitu :| File source code aplikasi | |
| File database aplikasi | |
| File panduan instalasi aplikasi |
