TUGAS LATAR BELAKANG PENULISAN PROPOSAL Tugas Ini Dibuat Untuk Memenuhi UTS Mata Kuliah (Nama Matakuliah) (Logo) Dosen Pembimbing: (Nama Dosen) Disusun Oleh : (Nama Mahasiswa) PROGRAM STUDI : (NAMA PRODI) FAKULTAS (NAMA FAKULTAS) (NAMA UNIVERSITAS) (alamat universitas) 2020/2021 DAFTAR ISI DAFTAR ISI.............................................................................................................................. 2 BAB I PENDAHULUAN .......................................................................................................... 3 1.1. Latar Belakang Masalah .......................................................................................... 3 DAFTAR PUSTAKA ................................................................................................................ 5 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Bidang interdisipliner baru dari ilmu komputer adalah data mining. Ini adalah proses menemukan pola data secara otomatis dari database yang besar (Sharma et al., 2013). Kebutuhan data mining meningkat dari hari ke hari sejak sepuluh atau lima belas tahun sebelumnya dan sekarang saat ini di pasar persaingan yang sangat menantang untuk efisiensi informasi dan informasi dengan cepat memainkan peran penting untuk mengetahui keputusan rencana dan menyediakan penawaran besar informasi di industri, masyarakat dan semuanya. Di dunia nyata, sejumlah besar data tersedia di mana sulit untuk mengambil informasi yang berguna. Karena kepentingan praktisnya, penting untuk mengambil kembali struktur data dalam anggaran waktu yang diberikan. Data mining menyediakan cara untuk menghilangkan noise yang tidak perlu dari data. Ini membantu berhenti memberikan informasi yang diperlukan dari kumpulan data besar dan menyajikannya dalam bentuk yang tepat bila diperlukan untuk tugas tertentu. Sangat membantu untuk menganalisis tren pasar, mencari teknologi baru, kontrol produksi berdasarkan permintaan pelanggan dan sebagainya. Singkatnya, data mining mengambil pengetahuan dari sejumlah besar data. Kami dapat memprediksi jenis atau perilaku pola apa pun menggunakan data mining. Evaluasi klaster data (cluster data evaluation) merupakan tugas penting dalam penemuan pengetahuan dan penggalian data. Pembentukan cluster adalah proses pembuatan kelompok data berdasarkan kemiripan data dari dataset besar. Proses clustering dilakukan dengan cara supervised, semi-supervised atau unsupervised (Singh & Bhatia, 2011). Algoritme pengelompokan adalah alat pembelajaran meta yang kuat untuk menganalisis data yang dihasilkan oleh aplikasi modern. Tujuan clustering adalah untuk mengklasifikasikan data ke dalam kelompok-kelompok menurut kesamaan, sifat, dan perilaku data (Ajin & Kumar, 2016). Banyak algoritma pengelompokan telah diusulkan untuk klasifikasi data. Sebagian besar algoritme ini didasarkan pada asumsi bahwa jumlah cluster dalam data yang besar sudah diperbaiki. Masalah dengan asumsi ini adalah jika jumlah cluster yang diasumsikan kecil maka ada peluang lebih tinggi untuk menambahkan item yang berbeda ke dalam grup yang sama. . Di sisi lain, jika jumlah cluster besar, maka ada kemungkinan lebih tinggi untuk menambahkan data serupa ditempatkan ke dalam kelompok yang berbeda (Ahamed & Hareesha, 2012). Selain itu, dalam situasi nyata, sulit untuk mengetahui jumlah cluster terlebih dahulu. Dalam makalah ini, kami mengembangkan algoritma clustering K-Means dinamis. Algoritma ini terlebih dahulu menghitung nilai ambang berdasarkan kumpulan data dan kemudian mengelompokkan kumpulan data tanpa menetapkan jumlah cluster (K). Dalam algoritma yang diusulkan menganalisis kumpulan data berdasarkan nilai ambang batas dan akhirnya kumpulan data tersebut adalah cluster. Nilai ambang adalah kunci untuk metode yang diusulkan ini. Nilai ambang menentukan data menjadi grup yang sama atau membuat grup baru. DAFTAR PUSTAKA Ahamed, S. B. M., & Hareesha, K. S. (2012). Dynamic Clustering of Data with Modified KMeans Algorithm. International Conference on Information and Computer Networks (ICICN 2012), 27(February 2012), 221–225. https://doi.org/10.13140/2.1.4972.3840 Ajin, V. W., & Kumar, L. D. (2016). Big data and clustering algorithms. International Conference on Research Advances in Integrated Navigation Systems, RAINS 2016. https://doi.org/10.1109/RAINS.2016.7764405 Sharma, S., Agrawal, J., Agarwal, S., & Sharma, S. (2013). Machine learning techniques for data mining: A survey. 2013 IEEE International Conference on Computational Intelligence and Computing Research, IEEE ICCIC 2013, December. https://doi.org/10.1109/ICCIC.2013.6724149 Singh, R. V., & Bhatia, M. P. S. (2011). Data clustering with modified K-means algorithm. International Conference on Recent Trends in Information Technology, ICRTIT 2011, 717–721. https://doi.org/10.1109/ICRTIT.2011.5972376