IMPLEMENTASI ALGORITMA PARTITIONING AROUND MEDOIDS DALAM PENGELOMPOKAN RESTORAN

Tito Bimantoro
Anindya Khrisna Wardhani

Abstract


Banyaknya data yang hanya sebatas memberikan grafik atau statistik mengenai data restoran dapat dimanfaatkan untuk penggalian data menggunakan teknik data mining. Informasi yang dapat digali dari data restoran adalah pengelompokan kategori restoran berdasarkan jumlah menu yang terdapat pada restoran tersebut. Penelitian ini menerapkan teknik data mining menggunakan metode clustering partitioning around medoids (k-medoids) untuk menghasilkan informasi mengenai pengelompokkan kategori restoran. Algoritma clustering Partitioning Around Medoids(PAM) atau disebut juga K-Medoids adalah algoritma untuk menemukan k cluster dalam n objek dengan pertama kali secara arbitrarily menemukan wakil dari objek (medoid) untuk tiap-tiap cluster. Pengelompokan dalam penelitian ini  adalah appetizer, soup, main course, dessert, minuman dan snack. Kemudian hasil tersebut dapat dijadikan bahan atau dasar dari konsumen untuk memilih restoran berdasarkan kategori apa yang ingin konsumen makan. Berdasarkan data yang diperoleh, dihasilkan cluster yang merepresentasikan appetizer (cluster_2) 17 item, soup (cluster_1) 7 item, main course (cluster_4) 51 item, dessert (cluster_3) 11 item, minuman (cluster_5) 6 item dan snack (cluster_0) 13 item.

 

Kata kunci: Data Mining, K- Medoids, Clustering


Keywords


Data Mining, K-medoids, clustering

Teks Lengkap:

PDF

Referensi


A. K. Wardhani, “Implementasi Algoritma K-Means untuk Pengelompokkan Penyakit Pasien pada Puskesmas Kajen Pekalongan,” J. Transform., vol. 14, no. 1, pp. 30–37, 2016.

T. Velmurugan, "Efficiency of k-Means and K-Medoids Algorithms for Clustering Arbitrary DataPoints," International Journal Computer Technology & Applications, vol. 3, 2012.

A. K. Wardhani, C. E. Widodo, J. E. Suseno, “Information System for Culinary Product Selection Using Clustering K-Means and Weighted Product Method,” Proc. Atlantis Press Vol.165, pp.18-22 , July 2018.

Raval, R. U., dan Chaita, J., Implementing and Improvisation of K-means Clustering Algorithm, International Journal of Computer Science and Mobile Computing, vol 5, hal 191-203, 2016.

Zhang, C., dan Fang, Z., An improved k-means clustering algorithm, Journal of Information and Computational Science, Vol 10, hal 193-199, 2013.

A. K. Wardhani, “Penerapan Algoritma Partitioning Around Medoids Untuk Menentukan Kelompok Penyakit Pasien(Studi Kasus : Puskesmas Kajen Pekalongan), Jurnal Kilat, Vol. 6, no 1, pp. 6-10, 2017.

Zheng Y., dan Qian Li., Density k-means: a new algorithm for centers initialization for k-means, IEEE, hal 958-961, 2015.

X. Wu, V. Kumar, J.R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G.J. Mclachlan, A. Ng, B. Liu, P.S. Yu, Z.Z. Michael, S. David, and J.H. Dan, "Top 10 algorithms in data mining," Knowledge and Information Systems, 2008.




DOI: https://doi.org/10.24176/ijtis.v2i1.5651

Article Metrics

Abstract views : 736| PDF views : 350

Refbacks

  • Saat ini tidak ada refbacks.




Indexed:

    

 

Creative Commons License
Anargya : Indonesian Journal of Technology, Informatics and Science (IJTIS) is licensed under a Creative Commons Attribution 4.0 International License.

Dedicated to: