Perbandingan Distance Space Manhattan Dengan Euclidean Pada K-Means Clustering Dalam Menentukan Promosi

Rahma Isparani Fajriah, Herlan Sutisna, Bambang Kelana Simpony

Sari


Abstrak

Dinamika pola pendidikan yang begitu cepat dan silih berganti menjadikan persaingan antar sekolah semakin ketat dan atraktif , Dengan adanya  persaingan ini  strategi pemasaran yang tepat untuk lembaga pendidikan mutlak diperlukan, tak terkecuali untuk SMK Muhammadiyah Cimanggu. Untuk memperoleh strategi pemasaran yang efektif, maka  penulisan ini dilakukan dengan cara mengolahan data history dengan tujuan mengetahui pola, sehingga dapat mengambil informasi yang tersembunyi dari data-data tersebut. Metode pengolahan data seperti ini sering disebut sebagai data mining. K-Means merupakan salah satu metode data clustering non hirarki yang sederhana. Pada penulisan ini, membandingan dua distance space yaitu antara Manhattan (City Block) dan Euclidean. Dari hasil penulisan dapat dilihat bahwa jumlah kluster terbaik pada data siswa SMK Muhammadiyah Cimanggu yaitu 3 kluster, hal ini dapat dilihat dari hasil selisih nilai Sum Square Error (SSE), nilai selesih terbesar pada metode Euclidean distance space  yaitu sebesar  5.882 berada dititik kluster 3 dan  nilai selesih terbesar pada metode Manhattan  distance space  yaitu sebesar  5.758 berada dititik kluster 3, Hal ini menunjukan bahwa  jumlah cluster optimal untuk data siswa SMK Muhammadiyah Cimanggu yaitu sebanyak tiga cluster. dilihat dari Average within Centroid distance,  Euclidean lebih kecil dibandingkan  dengan manhattaan yaitu 15.115 < 15.398 , oleh karna itu  Distance measure paling optimal untuk digunakan dalam  kasus  pengclusteran data siswa SMK Muhammadiyah Cimanggu adalah  Euclidean distance.

Kata kunci: k means, manhattan, euclidean, strategi promosi.

 

Abstract

The dynamics of educational patterns that are so fast and successe make competition between schools more stringent and attracte. , With this competition the right marketing strategy for educational institutions is absolutely necessary, no exception for Muhammadiyah Cimanggu vocational high School. To find out an effecte strategy, this research is done by processing history data with the aim, can provide different information from these data. Data processing methods like this are often referred to as data mining. K-Means is a simple non-hierarchical data clustering method. In this study, comparing two distance spaces is between Manhattan (City Block) and Euclideanth.The result  of  the Research of the writing it can be seen that the best number of clusters in the data of students of Cimanggu Muhammadiyah vocational high School are 3 clusters, this can be seen from the results of the difference in Sum Square Error (SSE), the biggest gap in the Euclidean distance space method is 5.882 located at the point of cluster 3 and the biggest score on the Manhattan distance space method is 5,758 located in cluster 3, this shows that the optimal number of clusters for students of Muhammadiyah Cimanggu is three clusters. seen from Average within Centroid distance, Euclidean is smaller than manhattaan which is 15,115 <15,398, therefore the optimal distance measure to be used in the case of clustering data of Muhammadiyah Cimanggu vocational high School is Euclidean distance.

Key Word: k means, manhattan, euclidean, promotion strategy.

Teks Lengkap:

PDF

Referensi


Anggara, M., Sujiani, H., & Helfi, N. (2016). Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness. Jurnal Sistem Dan Teknologi Informasi, 1(1), 1–6.

Burhanuddin, A., Utami, E., & Pramono, E. (2017). Perbandingan Metode Single Linkage dan Fuzzy C Means Untuk Pengelompokkan Trafik Internet, XII, 1–6.

Chasanah, T. T., & Widiyono. (2017). Penentuan Strategi Promosi Penerimaan Mahasiswa Baru dengan Algoritma Clustering K-Means. IC-Tech, XII(1), 39–44.

Eka Merliana, N. P., Ernawati, & Santoso, A. J. (2015). Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-Means. Prosiding Seminar Nasional Multi Disiplin Ilmu&Call for Papers Unisbank (Sendi_U), 978–979.

Hedynata, M. L., & E.D.Radianto, W. (2016). Strategi Promosi Dalam Meningkatkan Penjualan Luscious Chocolate Potato Snack. Jurnal Manajemen, 1(1), 87–96. Retrieved from

Hendrawan, B. (2015). Artikel Skripsi Unersitas Nusantara PGRI Kediri. Implementasi Sms Geteway Untuk Layanan Informasi Absensi Siwa, 01(11), 1–16. https://doi.org/10.1.03.03.0022

Ong, J. O. (2013). Implementasi Algotritma K-means clustering untuk menentukan strategi marketing president unersity. Jurnal Ilmiah Teknik Industri, vol.12, no(juni), 10–20.

Sulastri, H., & Gufroni, A. I. (2017). Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia. Jurnal Teknologi Dan Sistem Informasi, 3(2), 299.

Yoga Religia. (2016). Metode Manhattan , Euclidean Dan Chebyshev Pada Algoritma K-Means Untuk Pengelompokan Status Desa.

Yudi Agusta. (2007). NIMH report presents latest data on inpatient psychiatric services for patients 65 and over. News & Notes, 3(11), 47–60.




ISSN2579-3500
Statistik Pengunjung Jurnal IJCIT
 

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika PSDKU Kota Tasikmalaya

Jl. Tanuwijaya No.4, Empangsari, Kec. Tawang, Tasikmalaya, Jawa Barat 46113, Telp : (0265) 323846
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License