Tampilkan di aplikasi

Buku Penamuda Media hanya dapat dibaca di aplikasi myedisi reader pada Android smartphone, tablet, iPhone dan iPad.

Clustering

1 Pembaca
Rp 55.000 15%
Rp 46.530

Patungan hingga 5 orang pembaca
Hemat beli buku bersama 2 atau dengan 4 teman lainnya. Pelajari pembelian patungan disini

3 Pembaca
Rp 139.590 13%
Rp 40.326 /orang
Rp 120.978

5 Pembaca
Rp 232.650 20%
Rp 37.224 /orang
Rp 186.120

Pembelian grup
Pembelian buku digital dilayani oleh penerbit untuk mendapatkan harga khusus.
Hubungi penerbit

Perpustakaan
Buku ini dapat dibeli sebagai koleksi perpustakaan digital. myedisi library

Clustering adalah teknik dalam analisis data yang digunakan untuk mengelompokkan objek-objek data menjadi kelompok-kelompok yang serupa berdasarkan kesamaan karakteristik atau atribut mereka. Tujuan utama clustering adalah menemukan pola atau struktur tersembunyi dalam data tanpa menggunakan label kelas sebelumnya.

Dalam buku ini, pembaca akan diperkenalkan pada konsep dasar clustering, metode-metode yang umum digunakan, dan algoritma-algoritma yang efektif untuk melakukan clustering. Buku ini juga membahas berbagai masalah dan tantangan yang dihadapi dalam clustering, seperti pemilihan jumlah kelompok yang optimal, menangani data yang tidak lengkap atau noisy, serta memilih metrik jarak yang sesuai.

Pembaca akan mempelajari tentang teknik-teknik clustering yang populer, seperti k-means, hierarchical clustering, DBSCAN, dan masih banyak lagi Buku ini juga akan membahas strategi evaluasi clustering yang dapat digu- nakan untuk mengukur kualitas dan keefektifan hasil clustering.

Dengan pemahaman yang mendalam tentang clustering, pembaca akan dapat mengaplikasikan teknik ini dalam berbagai bidang, seperti analisis data bisnis, pengelompokan konsumen, pengenalan pola dalam citra atau teks, dan banyak lagi. Buku ini juga akan memberikan contoh nyata dan studi kasus yang mengilustrasikan penggunaan clustering dalam berbagai konteks.

Penulis buku ini berharap bahwa pembaca akan mendapatkan pemahaman yang kuat tentang clustering dan mampu mengaplikasikan teknik ini dengan baik dalam analisis data mereka. Diharapkan buku ini akan menjadi panduan yang berharga dan bermanfaat bagi para peneliti, praktisi, dan mahasiswa yang tertarik dalam analisis data dan pengelompokan objek data.

Ikhtisar Lengkap   
Penulis: I Wayan Rangga Pinastawa / Jovian Dian Pratama / Ilham / Iqbal Sabilirrayad / Nurhafifah Matondang / Agung Triayudi / Sari Ningsih / Ari Wibowo / Loso Judijanto / Iqbal Sabilirrasyad / Hasnita / Yenny Desnelita / Gustientiedina

Penerbit: Penamuda Media
ISBN: 9786238892709
Terbit: Januari 2024 , 198 Halaman

BUKU SERUPA













Ikhtisar

Clustering adalah teknik dalam analisis data yang digunakan untuk mengelompokkan objek-objek data menjadi kelompok-kelompok yang serupa berdasarkan kesamaan karakteristik atau atribut mereka. Tujuan utama clustering adalah menemukan pola atau struktur tersembunyi dalam data tanpa menggunakan label kelas sebelumnya.

Dalam buku ini, pembaca akan diperkenalkan pada konsep dasar clustering, metode-metode yang umum digunakan, dan algoritma-algoritma yang efektif untuk melakukan clustering. Buku ini juga membahas berbagai masalah dan tantangan yang dihadapi dalam clustering, seperti pemilihan jumlah kelompok yang optimal, menangani data yang tidak lengkap atau noisy, serta memilih metrik jarak yang sesuai.

Pembaca akan mempelajari tentang teknik-teknik clustering yang populer, seperti k-means, hierarchical clustering, DBSCAN, dan masih banyak lagi Buku ini juga akan membahas strategi evaluasi clustering yang dapat digu- nakan untuk mengukur kualitas dan keefektifan hasil clustering.

Dengan pemahaman yang mendalam tentang clustering, pembaca akan dapat mengaplikasikan teknik ini dalam berbagai bidang, seperti analisis data bisnis, pengelompokan konsumen, pengenalan pola dalam citra atau teks, dan banyak lagi. Buku ini juga akan memberikan contoh nyata dan studi kasus yang mengilustrasikan penggunaan clustering dalam berbagai konteks.

Penulis buku ini berharap bahwa pembaca akan mendapatkan pemahaman yang kuat tentang clustering dan mampu mengaplikasikan teknik ini dengan baik dalam analisis data mereka. Diharapkan buku ini akan menjadi panduan yang berharga dan bermanfaat bagi para peneliti, praktisi, dan mahasiswa yang tertarik dalam analisis data dan pengelompokan objek data.

Pendahuluan / Prolog

Kata Pengantar
Sebelum membahas lebih lanjut tentang pengantar buku clustering, perlu ditekankan bahwa sebagai model bahasa AI, saya tidak memiliki akses ke buku tertentu atau dapat memberikan pengantar spesifik untuk buku yang tidak ada dalam pengetahuan saya yang terakhir pada Januari 2022.

Namun, secara umum, pengantar buku tentang clustering akan memberikan penjelasan tentang konsep dasar dan prinsip clustering. Clustering adalah teknik dalam analisis data yang bertujuan untuk mengelompokkan objek-objek serupa menjadi kelompok-kelompok yang saling berbeda. Pengantar buku mungkin akan membahas berbagai metode clustering, seperti kmeans, hierarchical clustering, dan metode clustering lainnya.

Selain itu, pengantar buku juga mungkin akan menjelaskan tentang aplikasi clustering dalam berbagai bidang, seperti pengelompokan dokumen, analisis citra, analisis biologi, dan lain-lain. Pembaca akan diperkenalkan dengan konsep-konsep penting, seperti ukuran jarak antara objek, evaluasi kualitas clustering, dan teknik pemrosesan data yang relevan.

Pengantar buku clustering juga dapat memberikan gambaran tentang perkembangan terbaru dalam domain ini, seperti clustering dengan metode pembelajaran mesin, penggabungan clustering dengan teknik lain seperti penggalian data, dan aplikasi clustering dalam big data dan analisis data real-time.

Namun, harap diingat bahwa ini adalah deskripsi umum dan dapat bervariasi tergantung pada buku yang spesifik. Jika Anda mencari pengantar khusus dalam buku tertentu, disarankan untuk merujuk pada pengantar yang disediakan di dalam buku tersebut.

Penulis

I Wayan Rangga Pinastawa - I Wayan Rangga Pinastawa merupakan lulusan Sarjana dan juga Magister pada bidang Komputer di Universitas AMIKOM Yogyakarta. Sempat memulai karir di Bank Danamon Serta menjadi SEO di Jawapos.com sekarang penulis berprofesi sebagai dosen Informatika di Fakultas Ilmu Komputer UPN Veteran jakarta. Penulis memiliki hoby membuat dan menulis blog. Serta memiliki fokus utama penelitian pada bidang Machine Learning, Data Mining, Decision Support System dan Search Engine Optimization.
Jovian Dian Pratama - Ia lulus S-1 dengan Predikat Cumlaude di Program Studi Matematika Fakultas Sains dan Matematika Universitas Diponegoro (UNDIP) tahun 2020 dan Lulus S-2 dengan Cumlaude dan IPK Sempurna serta Lulusan Terbaik di Program Studi Magister Matematika Fakultas Sains dan Matematika Universitas Diponegoro (UNDIP) pada tahun 2022.

Ia adalah pengajar tetap Departemen Matematika Fakultas Sains dan Matematika Universitas Diponegoro Semarang sejak 2022 hingga saat ini. Bidang keahliannya yaitu Matematika Terapan khususnya pada Analisis Numerik Terapan dan Komputasi.

Sebelum menjadi pengajar tetap di Departemen Matematika Fakultas Sains dan Matematika Universitas Diponegoro Semarang ia pernah menjadi asisten pengajar Departemen Matematika Universitas Diponegoro (UNDIP) untuk mata kuliah Teori Himpunan dan Relasi, Logika dan Teori Pembuktian, Kalkulus, Analisis Riil, Aljabar Linier, dan Struktur Aljabar.
Nurhafifah Matondang - Nurhafifah Matondang merupakan dosen tetap Program Studi D3 Sistem Informasi Fakultas Ilmu Komputer UPN Veteran Jakarta. Penulis mengampu mata kuliah Analisis Perancangan Sistem, Big Data Analytics, Sistem Basis Data, Struktur Data, Matematika Disktrit, Machine Learning dan Technopreneurship. Telah menempuh pendidikan S-1 Teknik Informatika di UPN Veteran Jakarta dan S-2 Manajemen di UPN Veteran Jakarta, S-2 Teknik Informatika di Universitas Bina Nusantara. Penulis juga aktif melakukan penelitian dibidang machine learning dan sistem informasi dan pengabdian pemasaran menggunakan media digital.
Agung Triayudi - Menyelesaikan pendidikan terakhir di doktoral information communication technology Asia e University. Saat ini bekerja sebagai dosen di fakultas teknologi komunikasi dan informatika Universitas Nasional. Jabatan fungsional terakhir Lektor Kepala Associate Professor, bidang penelitian di Educational Data Mining.
Sari Ningsih - Penulis merupakan dosen di Fakultas Teknologi Komunikasi dan Informatika Program Studi Sistem Informasi Universitas Nasional. Lulus Program S1 Matematika Komputasi Di FMIPA Universitas Indonesia dan Pasca Sarjana (S2) Ilmu Manajemen Keuangan Asuransi Universitas184 Gunadarma. Menjadi dosen sejak tahun 1991 sd sekarang.

Pengalaman bekerja sebagai Kaprodi Manajemen Informatika Universitas Nasional dan sekarang menjabat Ka Unit Penjaminan Mutu Fakultas Teknologi Komunikasi Dan Informatika Universitas Nasional dan aktif mengajar di beberapa kampus PTS di Jakarta antara lain Universitas Gunadarma, Universitas Pancasila dan beberapa PTS lainnya. Penulis memiliki keahlian mengajar dalam bidang: Matematika : Aljabar Linier, Kalkulus, Statistika Dan Probabilitas, Matematika Diskrit, Riset Operasional, Data Mining dan Metode Numerik.
Ari Wibowo - Pegawai Biro Perencanaan dan Keuangan, Sekretariat Jenderal Kementerian Keuangan, lulusan dari program Master of Science in Economics, the University of Illinois Urbana-Champaign (UIUC), Amerika Serikat, melalui beasiswa FETA Kementerian Keuangan. Ia lulus pada Desember 2022 dengan gelar Master of Science in Economics dari Department of Economics UIUC. Ia merupakan lulusan program beasiswa STAR-BPKP Fakultas Ekonomi Universitas Andalas tahun 2017 dengan gelar Sarjana Ekonomi. Sebelumnya, ia adalah lulusan DIII Akuntansi STAN tahun 2012. Minat studinya terutama dalam bidang ilmu ekonomi, kebijakan publik, administrasi publik, dan akuntansi. Ia dapat dihubungi melalui email ari_wibowo@kemenkeu.go.id.
Loso Judijanto - Peneliti yang bekerja pada lembaga penelitian IPOSS Jakarta. Penulis menamatkan pendidikan Master of Statistics di the University of New South Wales, Sydney, Australia pada tahun 1998 dengan dukungan beasiswa ADCOS (Australian Development Cooperation Scholarship) dari Australia. Sebelumnya penulis menyelesaikan Magister Manajemen di Universitas Indonesia pada tahun 1995 dengan dukungan beasiswa dari Bank Internasional Indonesia. Pendidikan sarjana diselesaikan di Institut Pertanian Bogor pada Jurusan Statistika – FMIPA pada tahun 1993 dengan dukungan beasiswa dari KPS-Pertamina.

Penulis menamatkan Pendidikan dasar hingga SMA di Maospati, Sepanjang karirnya, Penulis pernah ditugaskan untuk menjadi anggota Dewan Komisaris dan/atau Komite Audit pada beberapa perusahaan/lembaga yang bergerak di berbagai sektor antara lain pengelolaan pelabuhan laut, telekomunikasi seluler, perbankan, pengembangan infrastruktur, sekuritas, pembiayaan infrastruktur, perkebunan, pertambangan batu bara, properti dan rekreasi, dan pengelolaan dana perkebunan. Penulis memiliki minat dalam riset di bidang kebijakan publik, ekonomi, keuangan, human capital, dan corporate governance. Penulis dapat dihubungi melalui e-mail di: losojudijantobumn@gmail.co
Iqbal Sabilirrasyad - Penulis merupakan dosen tetap di Prodi Rekayasa Perangkat Lunak, Fakultas Sains Teknologi dan Industri – Institut Teknologi dan Sains Mandala. Mulai menjadi dosen pada tahun 2021 lulusan Magister Terapan Teknologi Informasi Komputer pada Politeknik Elektronika Negeri Surabaya tahun 2020. Penulis memiliki area of interest di bidang Artificial Intelligence, Data Science, Game Development.
Hasnita - Pendidikan terakhir Magister S-2 Statistika terapan di Institut Pertanian Bogor (2019). Tahun 2020 menjadi staf pengajar di Fakultas Ekonomi dan Bisnis Islam IAIN Palangka Raya. Minat penelitian di bidang data mining, publikasi dijurnal nasional terakreditasi dan jurnal internasional.
Yenny Desnelita - Dosen Institut Bisnis dan Teknologi Pelita Indonesia pada Fakultas Ilmu Komputer Program Studi Sistem Informasi sejak tahun 2006 sampai sekarang. Menyelesaikan Sarjana Komputer di Universitas Putra Indonesia YPTK Padang tahun 1993. Memperoleh Gelar Magister Komputer bidang Ilmu Komputer di Universitas Gajah Mada (UGM) Yogyakarta tahun 2004 dan gelar Doktor diperoleh pada Universitas Negeri Padang bidang Pendidikan Teknologi dan Kejuruan tahun 2020. Bidang187 penelitian penulis pada software engineering, artificial intelligence, decision support system, education technology.

Email penulis: yenny.desnelita@lecturer. pelitaindonesia.ac.id.
Gustientiedina - Dosen Institut Bisnis danTeknologi Pelita Indonesia pada Fakultas Ilmu Komputer Program Studi Teknik Informatika sejak tahun 2016 sampai sekarang. Menyelesaikan Sarjana Komputer di STMIKAmik Riau Pekanbaru tahun 2014. Memperoleh Gelar Magister Komputer bidang Ilmu Komputer di Universitas Putra Indonesia YPTK Padang tahun 2016 dan sekarang sedang menempuh pendidikan S3 pada Universitas Negeri Padang bidang Pendidikan Teknologi dan Kejuruan. Bidang penelitian penulis pada data mining, education technology, expert system, software engineering.

Email penulis:gustientiedina@lecturer.pelitaindonesia.ac.id.

Daftar Isi

Cover Depan
Balik Halaman Judul
Kolovon
Kata Pengantar
Daftar Isi
Bab 1 Definisi dan Istilah Clustering
     A. Manfaat Clustering
     B. Konsep Dasar Clustering
     C. Jenis-Jenis Algoritma Clustering
     D. Cara Kerja Clustering
     E. Pengaplikasian Clustering
     F. Tantangan dan Keterbatasan Clustering
Bab 2 Metode Clustering
     A. Dasar-Dasar Metode Clustering
     B. Jenis-Jenis Metode Clustering
Bab 3 Hierarchical Clustering
     A. Metode Agglomerative
     B. Metode Divisive
     C. Kriteria Penggabungan (Linkage Creteria)
     D. Representasi Visual dan Interpretasi Hierarki
Bab 4 Density-Based Clustering
     A. Klastering Berbasis Sel Kontak (Grid-Based Clustering: GBC)
     B. Kekuatan dan Batasan
     C. Contoh Penerapan Density-Based Clustering (DBSCAN)
     D. Implementasi Density-Based Clustering
Bab 5 Clustering in Unsupervised Learning
     A. Jaringan Saraf
     B. Jaringan Tertentu
     C. Perbandingan Jaringan
     D. Hebbion, Seni, Som
     E. Metode Probabilistik
     F. Pendekatan
     G. Metode Momen
     H. Pengelompokan dalam Pembelajaran Mesin Tanpa Pengawasan
     I. Analisis Pengelompokan
Bab 6 Clustering in Machine Learning
     A. Definisi Clustering
     B. Algoritma Clustering yang Umum Digunakan
     C. Metrik Evaluasi Clustering
     D. Tantangan Dalam Mengevaluasi Hasil Clustering
     E. Contoh Studi Kasus Evaluasi Clustering
     F. Aplikasi Clustering dalam Machine Learning
     G. Tantangan dan Inovasi Terkini
Bab 7 Data Sets Dalam Clustering Analysis
     A. Kesesuaian Data Set dengan Pilihan Algoritma Clustering
     B. Pra-Pengolahan Data Set
     C. Pemilahan Data Training, Testing, dan Validasi
     D. Proporsi Training Data dan Testing Data
Bab 8 Implementasi Clustering
Bab 9 Knowledge Kombination With Clustering
     A. Clustering
     B. Algoritma yang Digunakan Dalam Knowledge Combination With Clustering
     C. Perbedaan Antara Algoritma K-Means dan Algoritma Prototype dalam Knowledge Combination With Clustering
     D. Cara Mengaplikasikan Knowledge Combination WIth Clustering dalam Analisis Data
     E. Kelebihan dan Kekurangan dari Algoritma K-Means dan Algoritma Prototype dalam Knowledge Combination with Clustering
     F. Cara Menentukan Parameter yang Tepat Untuk Algoritma Prototype dalam Knowledge Combination with Clustering
     G. Parameter yang Perlu Diperhatikan dalam Algoritma Prototype dalam Knowledge Combination with Clustering
     H. Cara Menemukan Parameter yang Tepat Untuk Algoritma K-Means Dalam Knowledge Combination With Clustering
     I. Teknik yang Dapat Digunakan Untuk Menemukan Jumlah Kluster yang Tepat Dalam Algoritma K-Means Dalam Knowledge Combination with Clustering
     J. Terdapat Beberapa Hasil Penelitian yang Dapat Dikombinasikan Dengan Clustering
Bab 10 Big Data
     A. Pengenalan Big Data
     B. Sistem Penyimpangan Skala Besar
     C. Teknologi Pengolahan Data
     D. Teknik Analisis Data
     E. Visualisasi Big Data pada Metode Clustering
Bab 11 Partitional Clustering
     A. MacQueen's Method
     B. Forgy's Method
     C. Jancey's Method
Bab 12 Model Based Clustering
     A. Model Finite Mixture
     B. Model Finite Mixture Normal Multivariant
     C. Model Finite Mixture t Multivariant
     D. COBWEB: Pendekatan Statistik dan AI
Daftar Pustaka
Tentang Penulis
Cover Belakang