Publication Search

The large number of theses will certainly make it difficult to find categories on thesis topics that have been written by students at a university. One of the uses of the Text Mining method is being able to group thesis objects into the number of clusters formed by the clustering algorithm. This study aims to compare 2 clustering algorithms, namely the K-Means and K-Medoids algorithms to obtain an accurate evaluation of the performance and computational time in the case of thesis clustering, so that relevant topics can be grouped and have better clustering accuracy. The evaluation parameter used is the Davies Bouldin Index (DBI) which is one of the testing techniques on clustering results, with the distribution of training data and testing data using cross validation using a repetition parameter of 10 folds iteration. From the results of the study with the Term Weighting condition used is Term Occurrences and using the N-Grams value is 2, it can be concluded that the K-Means algorithm has a better DBI value of -0.426. Meanwhile, the range of DBI values owned by K-Medoids with the same conditions has a DBI value of -1,631. However, from the visualization results using t-SNE with the same supporting parameters, there are options that can be used, namely the number of clusters is 6, and the DBI value is -1.110. For testing the computational time in the clustering process of 50 thesis documents, the K-Means algorithm has an average time of 2.5 seconds while the K-Medoids algorithm has an average time of 261.5 seconds. The computer specifications used are Asus ZenBook UX425EA.312 with the processor used is 11th Gen Intel® Core™ i5-1135G7 @ 2.40GHz @ 2.40GHz, the graphics card is Intel® Iris® Xe Graphics, the RAM used is 8GB, with storage of 512GB SSD.

Kinerja pegawai menjadi rangkuman dalam hal kualitas, kuantitas, jam kerja dan juga kerja sama untuk mencapai suatu tujuan yang telah ditetapkan oleh instansi atau perusahaan, namun dalam Sekretariat DPRD Provinsi Sulawesi Utara belum adanya metode untuk menentukan pengelompokkan kinerja pegawai. Untuk mengatasi permasalahan ini, diperlukan adanya pengelompokan kinerja pegawai di Sekretariat DPRD Provinsi Sulawesi Utara, sehingga bisa menentukan kinerja pegawai yang berkualitas. Tujuan dari penelitian ini dengan melakukan perbandingan metode-metode clustering untuk mendapatkan metode yang lebih baik dalam pengelompokkan cluster terhadap kinerja pegawai di Sekretariat DPRD Provinsi Sulawesi Utara. Metode pengelompokkan data kinerja pegawai yang dibuat menggunakan metode clustering k-means, k-medoids, x-means dengan menggunakan lima atribut, yaitu: orientasi pelayanan, integritas, komitmen, disiplin, dan kerjasama, kemudian diolah dengan bantuan rapidminer, sehingga membagi data menjadi dua cluster yang dikategorikan sebagai nilai tinggi dan rendah. Pada tahap berikutnya mencari nilai davies bouldin index memakai bantuan rapidminer pada setiap metode yang dipakai untuk melakukan perbandingan serta menentukan metode yang lebih optimal dalam clustering. Hasil nilai yang diperoleh dari metode davies bouldin index di setiap algoritma, yaitu: k-means sebesar -0.377, k-medoids sebesar -0.930, dan x-means sebesar -0.497, maka algoritma terbaik untuk pengelompokkan data kinerja pegawai dalam penelitian ini adalah algoritma k-means, karena memiliki nilai DBI yang terkecil.

Buah-buahan merupakan salah satu komoditas hortikultura yang memegang peranan penting bagi pembangunan pertanian di Indonesia. Secara garis besar, produksi buah-buahan di Provinsi Sumatera Utara selama periode 2018-2020 mengalami penurunan. Penurunan jumlah produksi buah-buahan dapat mengakibatkan harga buah menjadi mahal, dan stok buah-buahan menjadi langkah. Penelitian ini bertujuan untuk mengetahui hasil dari pengelompokkan tanaman buah-buahan menggunakan metode K-Medoids yang merupakan bagian dari Data Mining. Metode K-Medoids ini  merupakan metode clustering yang dapat memecahkan dataset menjadi beberapa kelompok. Pada penelitian ini data yang digunakan bersumber dari Badan Pusat Statistik pada tahun 2017-2021. Hasil dari penelitian ini diperoleh sebanyak 21 komoditas yang tergolong cluster rendah dan 2 komoditas yang tergolong dalam cluster tinggi. Penelitian ini diharapkan dapat Membantu Pihak Dinas Pertanian Provinsi Sumatera Utara dalam mengupayakan meningkatkan hasil produksi tanaman buah-buahan yang ada di Provinsi Sumatera Utara.