MAKALAH
ANALISISA CLUSTERING
Oleh :
Fandi Pratama (14.01.53.0116)
Alfun Adam (14.01.53.0109)
Riva Ayu Gustavia (14.01.53.0104)
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS STIKUBANK (UNISBANK)
SEMARANG
2018
BAB I
PENDAHULUAN
Deskripsi Permasalahan
Analisis Clustering atau klasterisasi adalah metode pengelompokan data. Menurut Tan, 2006 clustering adalah sebuah proses untuk mengelompokan data ke dalam beberapa cluster atau kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum. Analisis cluster terbagi atas dua metode,yaitu hirarki dan non hirarki.Dalam metode hirarki terdapat 3 metode antara lain metode Complete Linkage, Average Linkage dan Ward'sLinkage.Tujuannya yaitu untuk mengetahui daerah mana saja yang memiliki kedekatan ataukemiripan. Untuk mengetahui setiap kelompok memiliki perbedaan yang signifikan, maka digunakan uji MANOVA untuk dapat membuktikan perbedaan setiap kelompok. Fokus dari analisis cluster adalah membandingkan objek berdasarkan set variabel, hal inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis dalam analisis cluster. Set variabel cluster adalah suatu set variabelyang mempresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada kelompok variabel. Dari uraian mengenai permasalahan diatas penulis mengambil sebuah studi berupa data showroom mobil yang kami ambil dari website kungfumas.wordprees.com sebagai bahan untuk di kelola lebih lanjut. Data tersebut akan penulis kelompokan ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat, yaitu berdasarkan type dan merk .
Ada pun salah satu jurnal yang dibuat oleh Tutik khotimah,2014. Dalam jurnalnya penulis melakukan pengelompokkan surat dalam Al-qur'an dengan algoritma K means Masing- masing surat memiliki jumlah ayat yang berbeda. Ayat-ayat tersebut ada yang panjang dan ada yang pendek. Banyak atau sedikit jumlah ayat dalam suatu surat, danpanjang atau pendek ayat memberi pengaruh terhadap lama waktu membaca suratsurat dalam Al Qur'an.Penelitian ini bertujuan untuk melakukan pengelompokan clustering) suratsurat dalam Al Qur'an berdasarkan jumlah ayat, jumlah ruku' dan lama waktu membaca surat.
Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan bergantung pada variabel-variaabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan variabel-variabel yang relevan dapat mempengaruhi substansi hasi analisisi cluster.Clustering juga dikenal sebagai data segmentasi karena clustering mempartisi banyak data set ke dalam banyak group berdasarkan kesamaannya. Proses klastering akan dilakukan menggunakan bahasa dan software aplikasi RGui . Selain itu clustering juga bisa sebagai outlier detection.
Rumusan Masalah
Berdasarkan uraian pada permasalahan yang penulis kemukakan diatas dapat dirumuskan permasalahannya yaitu :
Bagaimana kajian deduktif induktif metode Klastering Data dalam pembentukan klaster suatu data?
Bagaimana penerapan metode klastering data dalam pembentukan klaster pada show room mobil.
BAB II
TINJAUAN PUSTAKA
2.1 Kajian Deduktif
2.1.1 Definisi Analisi Cluster
Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Ada lima metode aglomerasi dalam pembentukan cluster, yatiu :
Pautan Tunggal (Single Linkage)
Metode ini didasarkan pada jarak minimum. Dimulai dengan dua objek yang dipisahkan dengan jarak paling pendek maka keduanya akan ditempatkan pada cluster pertama, dan seterusnya. Metode ini dikenal pula dengan nama pendekatan tetangga terdekat.
Pautan Lengkap (Complete Linkage)
Disebut juga pendekatan tetangga terjauh. Dasarnya adalah jarak maksimum.Dalam metode ini seluruh objek dalam suatu cluster dikaitkan satu sama lain pada suatu jarak maksimum atau dengan kesamaan minimum.
Metode Ward (Ward's Method)
Dalam metode ini jarak antara dua cluster adalah jumlah kuadrat antara duacluster untuk seluruh variabel. Metode ini cenderung digunakan untuk mengkombinasi cluster-cluster dengan jumlah kecil.
Pautan Rata-rata (Average Linkage)
Dasarnya adalah jarak rata-rata antar observasi. pengelompokan dimulai daritengan atau pasangan observasi dengan jarak paling mendekati jarak rata-rata.
Metode Centroid
Jarak antara dua cluster adalah jarak antar centroid cluster tersebut. Centroidcluster adalah nilai tengah observasi pada variabel dalam suatu set variabel cluster.
2.1.2 Bahasa R Pemrograman
R (juga dikenal sebagai GNU S) adalah bahasa pemrograman dan perangkat lunak untuk analisis statistika dan grafik. R dibuat oleh Ross Ihaka dan Robert Gentleman di Universitas Auckland, Selandia Baru, dan kini dikembangkan oleh R Development Core Team, di mana Chambers merupakan anggotanya. R dinamakan sebagian setelah nama dua pembuatnya (Robert Gentleman dan Ross Ihaka), dan sebagian sebagian dari permainan nama dari S.Bahasa R kini menjadi standar de facto di antara statistikawan untuk pengembangan perangkat lunak statistika, serta digunakan secara luas untuk Kode sumbernya tersedia secara bebas di bawah Lisensi Publik Umum GNU, dan versi biner prekompilasinya tersedia untuk berbagai sistem operasi. R menggunakan antarmuka baris perintah, meski beberapa antarmuka pengguna grafik juga tersedia.R menyediakan berbagai teknik statistika (permodelan linier dan nonlinier, uji statistik klasik, analisis deret waktu, klasifikasi, klasterisasi, dan sebagainya) serta grafik. R, sebagaimana S, dirancang sebagai bahasa komputer sebenarnya, dan mengizinkan penggunanya untuk menambah fungsi tambahan dengan mendefinisikan fungsi baru. Kekuatan besar dari R yang lain adalah fasilitas grafiknya, yang menghasilkan grafik dengan kualitas publikasi yang dapat memuat simbol matematika. R memiliki format dokumentasi seperti LaTeX, yang digunakan untuk menyediakan dokumentasi yang lengkap, baik secara daring (dalam berbagai format) maupun secara cetakan (definisi: Wikipedia).
2.2 Kajian Induktif
Menurut penelitian yang dilakukan oleh Tutik Khotimah(2014) yang berjudul "Pengelompokam surat dalam Al-Qur'an Menggunkan Algoritma K-means" menjelaskan bahwa, Kitab suci Al Qur'an terdiri dari 114 surat Masing - masing surat memiliki jumlah ayat yang berbeda. Ayat-ayat tersebut ada yang panjang dan ada yang pendek. Banyak atau sedikit jumlah ayat dalam suatu surat, dan panjang atau pendek ayat memberi pengaruh terhadap lama waktu membaca surat-surat dalam Al Qur'an. Penelitian ini bertujuan untuk melakukan pengelompokan (clustering) surat-surat dalam Al Qur'an berdasarkan jumlah ayat, jumlah ruku' dan lama waktu membaca surat. Algoritmaclusteringnyang digunakan adalah K-means.Dari percobaan yang dilakukan, nilai optimal diperoleh padaiterasi ke-14 dengan nilai k sebanyak 4 cluster.Cluster_0 terdiri dari 18 anggota dengan nilai centroid pada variabel ayat sebesar 106,389, variabel ruku' sebesar 9,778, dan variabel lama sebesar 1333,5.Cluster_1 terdiri dari 26 anggota dengan nilai Centroid pada variabel ayat sebesar 62,038, variabel ruku' sebesar 4,885, dan variabel lama sebesar 662,5.Cluster_2 memiliki 7 anggota dengan nilai Centroid pada variabel ayat sebesar 183,143, variabel ruku' sebesar 22,857 dan variabel lama sebesar 3310,571. Sedangkan cluster_3 memiliki 63 anggota dengan nilaiCentroid pada variabel ayat sebesar 22,635, variabel ruku' sebesar 1,508, dan variabel lama sebesar 145,635.
Menurut penelitian oleh Nur Afifah Amalia(2016) dalam jurnal penelitiannya yang berjudul "Analisis Clustering Perusahaan Sub Sektor Perbankan berdasarkan rasio Keuangan CAMELS tahun 2014 menggunakan metodeFuzzy C-Means" menyatakan bahwa Sub sektor perbankan merupakan salah satu sub sektor keuangan yang memiliki kontribusi cukup tinggi dalam hal penginvestasian saham. Kondisi saham yang tidak menentu setiap tahunnya, membuat para investor kesulitan untuk memilih saham mana yang akan dipilih. Hal ini menyebabkan setiap bank harus mampu memperlihatkan suatu kinerja yang baik dan maksimal dimata para investor saham.. Setelah didapatkan data rasio keuangan, seorang investor sebaiknya melakukan pengelompokkan perusahaan berdasarkan rasio keuangan tersebut agar investasi yang dilakukan memberikan keuntungan yang maksimal. Selama ini, metode pengelompokkan yang sering digunakan berupa metode hirarki. Oleh karena itu, peneliti tertarik untuk mengelompokkan rasio keuangan menggunakan metode non hirarki yaitu Fuzzy C-Meansdan Fuzzy Gustafson Kessel.Pada penelitian ini diperoleh kondisi optimum untuk kedua metode berdasarkan nilai Index XB sebanyak 2 cluster dengan metode terbaik adalah metode Fuzzy Gustafson Kessel berdasarkan nilai icdrate terkecil yaitu sebesar 0,7232 .Hasil karakteristik berupa statistika deskriptif menghasilkan bahwa ada perbedaan nilai median di setiap cluster pada masing-masing rasio keuangan dengan rata-rata nilai median tertinggi terjadi pada hasil pengelompokkan di clusterke 2 dan ukuran penyebaran data terbesar terjadi pada cluster ke 1. Berdasarkan jumlah cluster optimum dan metode terbaik, maka hasil pengujian MANOVA menghasilkan bahwa tidak ada perbedaan karakteristik antar clusterterhadap respon.
BAB III
METODE PENELITIAN
OBJEK PENELITIAN
Objek dari analisis Clustering data penjualan pada showroom mobile yang diambil dari website kungfumas.wordpress.com
METODE PENGUMPULAN DATA
Berikut adalah metode pengumpulan data dalam penelitian ini
Studi Literatur
Pengumpulan data dilakukan dengan cara mempelajari, meneliti dan menelaah berbagai literatur yang bersumber dari buku, situs internet, jurnal ilmiah, dan sumber – sumber lainnya yang berkaitan dengan penelitian yang dilakukan.
Pengumpulan Data Showroom Mobile
Pengumpulan dat showroom dilakukan dengan menggunakan sumber data primer yang diambil dari website kungfumas.wordpress.com
Observasi
Observasi yang dilakukan ialah mengamati data showroom yang akan di analisis yang bersinggungan dengan objek penelitian.
JENIS DATA
Jenis data yang digunakan dalam penelitian ini adalah data primer yaitu data pada showroom yang sudah tersaedia di website kungfumas.wordpress.com
ALUR PENELITIAN
Berikut adalah tahapan – tahapan dalam penelitianPenerapan metode algoritma
Penerapan metode algoritma
Penerapan metode algoritmaIdentifikasi dataPengujian tingkat akurasi
Penerapan metode algoritma
Identifikasi data
Pengujian tingkat akurasi
Gambar 3.1 Alur Analisis Sentimen
Berikut penjelasan dari alur analisis xtractio diatas :
Identifikasi Data
Identifikasi data showroom merupakan tahapan awal yang dilakukan pada penelitian ini. Pada tahap ini yang dilakukan adalah melakukan pengidentifikasiandata merk dan type mobile .
Penerapan Metode Algoritma Information Retrieval
Pada tahap ini data showroomt yang sudah diidentidikasi kemudian diterapkan algoritma information retrieval untuk mengetahui data mana yang mengandung xtractio dengan yang tidak, yang nantinya akan digunakan untuk perhitungan pada penerapan metode algoritma extraxtion
Penerapan Metode Algoritma Extraction
Pada tahap ini data yang sudah di-retreve kemudian diekstrak menggunakan algoritma xtraction berupa klasifikasi yang sudah ditentukan
Pengujian Tingkat Akurasi
Pada tahap ini data mobil yang sudah memiliki kelas masing – masing diuji menggunakan metode pengujian, agar diketahui tingkat akurasi hasil yang tepat
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengumpulan data
Analisis cluster merupakan suatu teknik yang lebih sederhana bukandalam asumsinya yang memusatkan jumlah kelompok-kelompok ataustruktur kelompok. Pengelompokkan setuju pada kesamaan dasar atau jarak (ketaksamaan). Masukan-masukan yang dibutuhkan merupakankesamaan ukuran atau data-data dari kesamaan-kesamaan yang dapat dihitung.Untuk menggambarkan sifat yang sulit dalam pendefinisian suatu pengelompokkan dasar, misalnya pengurutan 16 kartu dalam permainankartu biasa ke dalam cluster dari kesamaan objek-objek. Beberapa pengelompokkan digambarkan dalam gambar 12.1, ini dengan jelas bahwa maksud pembagian-pembagian tergantung pada pendefinisiankesamaan.
Untuk permainan kartu contohnya, terdapat satu cara membentuk suatu kelompok tunggal pada 16 kartu; terdapat 32.767 cara untuk membagi kartu ke dalam dua kelompok (bermacam-macam ukuran );terdapat 7.141.686 cara untuk mengurutkan kartu-kartu ke dalam tigakelompok (bermacam-macam ukuran) dan seterusnya.Dengan jelas, batasan waktu membuat ini tidak mungkin untuk menetukan pengelompokkan terbaik pada kesamaan objek-objek darisuatu daftar dari semua struktur yang mungkin. Meskipun komputer-komputer besar dengan mudah meliputi jumlah kasus yang besar. Jadisatu kasus menyelesaikan pencarian algoritma yang baik, tetapi tidak memenuhi yang terbaik dalam pengelompokkan. Kembali lagi, pertamaharus dikembangkan suatu ukuran kuantitatif untuk assosiasi (kesamaan) ukuran antara objek-objek.
Bagian 12.2 memberikan suatu pendiskusian pada kesamaanukuran. Setelah bagian 12.2 dideskripsikan sedikitnya dari beberapaalgoritma umum untuk pengurutan objek-objek ke dalam kelompok-kelompok. Meskipun tanpa notasi yang tepat pada suatu pengelompokkan biasa, sering digunakan objek cluster dalam dua atau tigadimensi scatter plot, memiliki keuntungan pada kemampuan pemikiran untuk mengelompokkan objek-objek yang sama dan untuk memilih pengamatan-pengamatan terpencil, langkah grafik secara umum baru-baruini dikembangkan untuk penggambaran dimensi tingkat tinggi pengamatan- pengamatan dalam dua dimensi. Beberapa dari teknik langkahnya diberikan dalam bagian 12.5 dan 12.6.
4.2 Pengolahan Data
Secara garis besar ada tiga hal yang harus terjawab dalam proses pengolahan data cluster, yaitu :
Bagaimana mengukur kesamaan ?
Ada tiga ukuran untuk mengukur kesamaaan antar objek, yaitu ukurankorelasi, ukuran jarak, dan ukuran asosiasi.
Bagaimana membentuk cluster ?
Prosedur yang diterapkan harus dapat mengelompokkan objek-objek yangmemiliki kesamaan yang tinggi ke dalam sutau cluster yang sama.
Berapa banyak cluster/kelompok yang akan dibentuk ?
Pada prinsipnya jika jumlah cluster berkurang maka homogenitas alamcluster secara otomatis akan menurun.
4.3 Proses Analisis Cluster
Sebagaimana teknik multivariat lain proses analisis cluster dapatdijelaskan dalam enam tahap sebagai berikut :
4.3.1 Tahap Pertama : Tujuan Analisi Cluster
Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.Dalam pembentukan kelompok/cluster dapat dicapai tiga tujuan, yaitu:
Deskripsi klasifikasi (taxonomy description)
Penerapan anallisis cluster secara tradisisonal bertujuan mengeksplorasi dan membentuk suatu klasisfikasi/taksonomi secara empiris. Karena kemampuan partisinya analisis cluster dapatditerapkan secara luas. Meskipun secara empiris merupakan teknik eksplorasi analisis cluster dapat pula digunakan untuk tujuan konfirmasi.
4.3.2 Tahap Kedua : Desain Penelitian dalam Analisis Cluster
Tiga hal penting dalam tahap ini adalah pendeteksian outlier,mengukur kesamaan, dan standarisasi data.
Pendeteksian Outlier
Outlier adlah suatu objek yang sangat berbeda dengan objek lainnya.Outlier dapat digambarkan sebagai observasi yang secara nyata kebiasaan, tidak mewakili populasi umum, dan adanya under sampling dapat pula memunculkan outlier. Outlier menyebabkan struktur yang tidak benar dan cluster yang terbentuk menjadi tidak representatif.
Mengukur Kesamaan antar Objek
Konsep kesamaan adalah hal yang fundamental dalam analisis cluster.Kesamaan antar objek merupakan ukuran korespondensi antar objek.Ada tiga metode yang dapat diterapkan, yaitu ukuran korelasi, ukuran jarak, dan ukuran asosiasi.
Standarisasi Data
Standarisasi Variabel
Bentuk paling umum dalam standarisasi variabel adalah konversisetiap variabel terhadap skor atandar (dikenal dengan Z score) dengan melakukan substraksi nilai tengan dan membaginya dengans tandar deviasi tiap variabel.
Standarisasi Data
Berbeda dengan standarisasi variabel, standarisasi ndata dilakukanterhadap observasi/objek yang akan dikelompokkan.
4.3.3 Tahap Ketiga : Asumsi-asumsi dalam Analisis Cluster
Seperti hal teknik analisis lain,analisis cluster juga menetapkanadanya suatu asumsi. Ada dua asumsi dalam analisis cluster, yaitu :
Kecukupan Sampel untuk merepresentasikan/mewakili Populasi
Biasanya suatu penelitian dilakukan terhadap populasi diwakili oleh ekelompok sampel. Sampel yang digunakan dalam analisis cluster harus dapat mewakili populasi yang ingin dijelaskan, karena analisisini baik jika sampel representatif. Jumlah sampel yang diambiltergantung penelitinya, seorang peneliti harus yakin bahwa sampilyang diambil representatif terhadap populasi.
Pengaruh Multukolinieritas
Ada atau tidaknya multikolinieritas antar variabel sangatdiperhatikan dalam analisis cluster karena hal itu berpengaruh,sehingga variabel-variabel yang bersifat multikolinieritas secaraeksplisit dipertimbangkan dengan lebih seksama.
Tahap Keempat : Proses Mendapatkan Cluster dan Menilai kelayakan secara
keseluruhanAda dua proses penting yaitu algoritma cluster dalam pembentukancluster dan menentukan jumlah cluster yang akan dibentuk. Keduanyamempunyai implikasi substansial tidak hanya pada hasil yang diperolehtetapi juga pada interpretasi yang akan dilakukan terhadap hasil tersebut.
Alternatif lain adalah dengan mengkombinasikan kedua metode ini. Pertama gunakan metode hirarkhi kemudian dilanjutkan dengan metode non hirarkhi
Metode Hirarkhi
Tipe dasar dalam metode ini adalah aglomerasi dan pemecahan. Dalam metode aglomerasi tiap observasi pada mulanya dianggap sebagai cluster tersendiri sehingga terdapat cluster sebanyak jumlah observasi. Kemudian dua cluster yang terdekat kesamaannyadigabung menjadi suatu cluster baru, sehingga jumlah cluster berkurang satu pada tiap tahap. Sebaliknya pada metode pemecahan dimulai dari satu cluster besar yang mengandung seluruh observasi,selanjutnya observasi-observasi yang paling tidak sama dipisah dan dibentuk cluster-cluster yang lebih kecil. Proses ini dilakukan hinggatiap observasi menjadi cluster sendiri-sendiri.Hal penting dalam metode hirarkhi adalah bahwa hasil padatahap sebelumnya selalu bersarang di dalam hasil pada tahap berikutnya, membentuk sebuah pohon.
Metode Non Hirarkhi
Masalah utama dalam metoda non hirarkhi adalah bagaimanamemilih bakal cluster. Harus disadari pengaruh pemilihan bakal cluster terhadap hasil akhir analisis cluster. Bakal cluster pertama adalahobservasi pertama dalam set data tanpa missing value. Bakal kedua adalahobservasi lengkap berikutnya (tanpa missing data) yang dipisahkan dari bakal pertama oleh jarak minimum khusus.
4.3.5 Tahap Kelima : Interpretasi terhadap Cluster
Tahap interpretasi meliputi pengujian tiap cluster dalam term untuk menamai dan menandai dengan suatu label yang secara akurat dapat menjelaskan kealamian cluster. Proes ini dimulai dengan suatu ukuran yang sering digunakan yaitu centroid cluster. Membuat profil dan interpretasi cluster tidak hanya tidak hanya untuk memperoleh suatu gambaran saja melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada cluster yang terbentuk,kedua, profil cluster memberikan araha bagi penilainan terhadap signifikansi praktis.
4.4 Source Code Klastering
library(inline)
library(pracma)
x <- mtcars["Honda Civic",]
y <- mtcars["Camaro Z28?,]
xy <-rbind(x,y)
dist(xy,method="euclidian")
dist(xy,method="maximum")
dist(xy,method="manhattan")
dist(xy,method="canberra")
dist(xy,method="binary")
dist(xy,method="minkowski")
d <-dist(as.matrix(mtcars))
hc <-hclust(d)
plot(hc)
hc <-hclust(d,method="single")
plot(hc)
hc <-hclust(d,method="average")
plot(hc)
hc <-hclust(d,method="ward.D")
plot(hc)
hc <-hclust(d,method="ward2.D")
plot(hc)
hc <-hclust(d,method="centroid")
plot(hc)
hc <-hclust(d,method="median")
plot(hc)
library(ggplot2)
ggplot(mtcars, aes(mpg, cyl, color = cyl)) + geom_point()
hasilk<-kmeans(mtcars,3)
hasilk$cluster
setwd("C://")
write.csv(hasilk$cluster, file = "hasilklaster.csv")
write.csv(hasilk$centers, file = "hasilpusat.csv")
Gambar 4.1 Cluster Dendogram ("complete")
Gambar 4.2 Cluster Dendogram ("single")
Gambar 4.3 Cluster Dendogram ("average")
Gambar 4.4 Cluster Dendogram("ward.D")
Gambar 4.5 Cluster Dendogram("centroid")
Gambar 4.6 Cluster Dendogram("median")
Gambar 4.7 Cluster Dendogram ("mpg")
BAB V
KESIMPULAN DAN REKOMENDASI
5.1 KESIMPULAN
Penelitian menggunakan metode clustering ini cukup efektif untuk mengetahui data yang sedang dibahas.
Pembahasan menggunakan metode Clustering ini menghasilkan grafik – grafik Dendogram yang menggambarkan grafik penjualan mobil berdasarkan merk, tipe, dan varian mobil.
5.2 REKOMENDASI
Untuk perusahaan / instansi / komunitas yang sedang mengidentifikasi data, dapat menggunakan metode klastering ini karena cukup efektif untuk mencari data yang di inginkan sesuai kebutuhan.
Untuk penelitian lanjutan dan pembahasan lanjutan dengan metode clustering ini diharapkan untuk terus melakukan penelitian dan pembaruan sistem dan pembaruan data – data yang di kerjakan dalam metode clustering ini.
DAFTAR PUSTAKA
Tutik Khotimah, F. T. (2014). Pengelompokam surat dalam Al-Qur'an Menggunkan Algoritma K-means .Kudus: Universitas Muria Kudus
http://www.batan.go.id/ppin/lokakarya/LKSTN_15/Entin.pdf (Unknown.Clustering.(Online) diakses pada tanggal 10 Januari 2018
Tutik Khotimah, F. T. (2014). Analisis Clustering Perusahaan Sub Sektor Perbankan berdasarkan rasio Keuangan CAMELS tahun 2014 menggunakan metodeFuzzy C-Means .Surabaya Institut Teknologi Sepuluh Nopember (ITS)
https://kungfumas.wordpress.com/2016/11/28/modul-klastering-2/
