DSpace Repository

PERBANDINGAN METODE MANHATTAN DAN EUCLIDEAN DALAM ANALISIS DATA RASIO GINI SUMATERA UTARA MENGGUNAKAN ALGORITMA K-MEANS

Show simple item record

dc.contributor.author MHD HASAN, PASARIBU
dc.date.accessioned 2024-06-26T10:12:54Z
dc.date.available 2024-06-26T10:12:54Z
dc.date.issued 2024-05-07
dc.identifier.uri http://repository.umsu.ac.id/handle/123456789/24196
dc.description.abstract Metode jarak Manhattan dan Euclidean adalah dua metode jarak yang memiliki kemampuan yang luar biasa dan cukup populer dikalangan peneliti, kedua metode ini cendrung digunakan oleh peneliti untuk memperoleh hasil pengklasteran dari data yang diolah dengan tujuan agar mengetahui pola tertentu dan dapat menghasilkan penafsiran-penafsiran tertentu, namun dari dua metode tersebut perlu dicari tahu metode yang mana yang paling baik performanya. Pada penelitian ini, peneliti akan melakukan pengujian metode jarak Manhattan dan Euclidean dengan menggunakan algoritma K-means Clustering terhadap data rasio Gini di Sumatera Utara mulai dari tahun 2000-2023 dengan menggunakan library Pandas, Matplotlib, dan Seaborn. Dalam proses penelitian ini, peneliti melakukan perhitungan hasil nilai performa yang terdiri dari Dunn Index dan jumlah iterasi pada dataset rasio gini pada setiap metode jarak. Berdasarkan hasil pengujian, didapatkan performa pada metode K-Means Clustering yang menggunakan Manhattan Distance bernilai Dunn Index sebesar 0.2860941592407533 dengan jumlah iterasi sebanyak 3 iterasi, sedangkan pada metode K-Means Clustering yang menggunakan Euclidean Distance bernilai Dunn Index sebesar 0.28572673870340515 dengan jumlah iterasi sebanyak 3 iterasi. Performa metode jarak dalam proses K-means Clustering terbaik pada dataset rasio Gini yaitu metode Manhattan Distance. en_US
dc.subject K-means; en_US
dc.subject Euclidean Distance; en_US
dc.subject Manhattan Distance en_US
dc.subject Rasio Gini en_US
dc.title PERBANDINGAN METODE MANHATTAN DAN EUCLIDEAN DALAM ANALISIS DATA RASIO GINI SUMATERA UTARA MENGGUNAKAN ALGORITMA K-MEANS en_US
dc.type Thesis en_US


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account