Sistem Pakar Metode Naive Bayes

Metode Naive bayes adalah metode yang digunakan untuk melakukan perhitungan dalam penyelesaian kasus kepakaran. Konsep yang digunakan adalah menghitung nilai probabilitas kemunculan setiap varibel yang di pilih dalam perhitungannya dan selanjutnya   mengklasifikasinya berdasarkan variabel yang di masukkan.

Sistem pakar banyak sekali menggunakan pilihan metode, beberapa konsep dalam sistem pakar misalnya clustering dan probabilitas. Berkut ini sistem pakar yang saya kembangkan menggunakan metode Naive Bayes. Kasus yang kita ambil adalah untuk mendeteksi kasus perkembangan anak.

Untuk data yang diperlukan yaitu data gangguan serta data gejala terhadap gangguan permasalahan anak. Simak terus artikel ini.

Langkah-Langkah sistem pakar metode Naïve Bayes

Langkah-Langkah sistem pakar metode Naïve Bayes

Langkah-Langkah sistem pakar metode Naïve Bayes

Aplikasi Sistem Pakar Naïve Bayes

Pada analisis kali ini user interaface atau stakeholder yang terkait dengan aplikasi terdapat 2 user. User tersebut yaitu Admin dan member. Untuk masing-masing fungsi dan fiturnya yaitu:

  1. Admin, Merupakan user yang berperan dalam hal mengontrol jalannya aplikasi secara keseluruhan.
  2. Member, Merupakan user dengan fungsi menggunakan aplikasi dengan hanya beberapa fitur saja sesuai levelnya.

 

Nah untuk fitur dan detail masing-masing user level di atas yaitu:

#Admin

Login

Login pakar naive bayes

Login pakar naive bayes

Login, Sebelum menggunakan aplikasi pakar teorema bayes ini admin harus melakukan login kedalam aplikasi. Data login adalah data yang terdaftar pada menu user aplikasi. Admin login atau masuk aplikasi dengan menggunakan username dan password. Jika username dan password yang di masukkan salah, maka admin tidak bisa login.

User

User sistem pakar naive bayes

User sistem pakar naive bayes

User, merupakan menu yang berada pada data master. Data master merupakan data utama yang mempunyai fungsi untuk keperluan proses pada menu berikutnya. Untuk data master bisa terdapat lebih dari 1 menu atau bisa terdapat banyak menu. Oke, menu user  ini digunakan untuk mengelola user yang menggunakan aplikasi. Prosesnya diantaranya yaitu menambah user, mengedit user, dan menghapus user.

Gangguan

Gangguan sistem pakar naive bayes

Gangguan sistem pakar naive bayes

Gangguan, merupakan menu data master yang digunakan untuk mengelola data gangguan. Jika disamakan dengan konsep sistem pakar lain menu gangguan ini mungkin bisa kita namakan penyakit, namun jika pada kasus ini namanya gangguna. Proses detailnya yaitu menambah gangguan, mengedit gangguan, dan menghapus gangguan.

Gejala

Gejala sistem pakar naive bayes

Gejala sistem pakar naive bayes

Gejala, merupakan menu data master yang digunakan untuk mengelola gejala yang yang ada. Gejala adalah bagian yang terlibat terhadap gangguan. Untuk prosesnya meliputi menambah gejala, mengedit gejala, menghapus gejala.

Relasi

Relasi sistem pakar naive bayes

Relasi sistem pakar naive bayes

Relasi, merupakan menu data master yang digunakan untuk mengelola relasi antara gejala dengan gangguan. Relasi adalah hubungan yang mengindikasikan gangguan berdasarkan gejala. Untuk prosesnya mengedit relasi antara gejala terhadap gangguan.

Konsultasi

Konsultasi sistem pakar naive bayes

Konsultasi sistem pakar naive bayes

Konsultasi, merupakan menu yang digunakan untuk melihat data konsultasi yang diakukan. Pada user interface admin, admin dapat melihat user yang melakukan konsultasi,  termasuk admin sendiri. Detail informasi konsultasi seperti waktu konsultasi serta hasil perhitungan konsultasi kepada aplikasi pakar ini. Proses yang ada yaitu melakukan konsultasi.

Logout

Logout, merupakan menu yang digunakan untuk keluar dari aplikasi.

#Member

Register

Register sistem pakar naive bayes

Register sistem pakar naive bayes

Register, merupakan form untuk melakukan pendaftaran yang di lakukan member. Pada aplikasi atau sistem ini member daftar mendaftar untuk menggunakan aplikasi

Login

Login sistem pakar naive bayes

Login sistem pakar naive bayes

Login, merupakan form yang di gunakan untuk masuk aplikasi oleh member

Profil

Profil sistem pakar naive bayes

Profil sistem pakar naive bayes

Profil, merupakan menu yang digunakan untuk mengelola data member. Proses yang ada yaitu mengedit data profil atau data member.

Konsultasi

Konsultasi memberl sistem pakar naive bayes

Konsultasi memberl sistem pakar naive bayes

Konsultasi, merupakan menu yang digunakan untuk melihat data konsultasi yang pernah di lakukan. Bedanya dengan menu konsultasi pada halaman admin yaitu disini member hanya bisa melihat hasil konsultasinya dia sendiri dan tidak dengan hasil konsultasi user lain. Proses yang ada yaitu menu konsultasi lagi.

Logout

Logout, merupakan menu yang digunakan untuk keluar aplikasi sama seperti admin.

 

Terimakasih sudah membaca artikel ini. Jika kamu membutuhkan jasa sistemphp.com untuk mengembangkan aplikasi pakar dengan kasus yang berbeda ataupun mengkombinasikannya dengan metode lain kami siap membantu Kamu. Untuk pengembangan di lakukan menggunakan aplikasi berbasis web dan database mysql. Untuk info lebih lanjut bisa kontak kami langsung.

PHP – Perkalian Value Pada Looping

Beberapa hari yang lalu saya sedang mengerjakan sebuah projek tentang aplikasi sistem pakar menggunakan metode naive bayes. Pada pengerjaanya saya membutuhkan sebuah potongan kode atau script php yang mana fungsinya adalah untuk mengalikan sebuah nilai yang ada dalam loping tersebut.

Untuk perkalian looping fix dan sudah saya temukan caranya. Namun ada yang belum bisa terselesaikan yaitu mengalikan dengan bilangan berkoma yang banyak angkany  atau panjang angkanya. Dan sampai sekarang masalah ini belum terpecahkan. Output yang di hasilkan dari masalah ini adalah jika kita mengalikan angka dengan pecahan angka yang sangat panjang maka akan muncul perhitungan yang tidak terhingga dan muncul huru E pada bagian belangka angka tersebut.

Nah kembali lagi ke topik utama kita tadi, kita akang mengalikan sebuah value atau nilai yang ada pada looping. Untuk pembahasanny akan kita uraikan kedalam beberapa contoh berikut ini:

Perkalian Value Pada Looping

#Contoh 1

Berikut ini contoh yang sedikit simpel. Kita akan mengalikan angka yang akan kita gunakan untuk looping itu sendiri:

$kali=1;

for($i=1;$i<3;$i++){

$kali*=$i;

}

echo $kali;

//output: 6

#Contoh 2

Untuk konsep pada contoh kedua ini kita akan menggunakan sebuah array yang value arranya akan kita kalikan menggunakan fungsi loop. Oia untuk loopnya sendiri kamu bisa pakai apa saja misalnya for, while dan juga foreach terserah kamu

$nilai=array(1,2,3);

$kali=1;

for($i=1;$i<3;$i++){

$kali*=$nilai[$i];

}

echo $kali;

//output: 6

#Contoh 3

Nah untuk contoh yang kali ini kita akan menggunakan atau menjadikan logika pengalian tadi kedalam sebuah fungsi yang nantinya bisa kita gunakan kapan saja atau tinggal kita panggil saja, caranya:

function perkalian($data=array()){

$kali=1;

for($i=1;$i<3;$i++){

$kali*=$data[$i];

}

return $kali;

}

$data=array(1,2,3);

echo perkalian();

//output: 6

 

 

Demikian tutorial singkat yang dapat saya bagian, semoga bisa membantu dan bermanfaat untuk teman-teman semua yang sedang mengerjakan projek perkalian pada looping. Untuk kegunaanya itu nanti bergantung dengan projek yang sedang teman-teman kerjakan.

Metode Intrinsic Information Content (IIC)

Metode Intrinsic Information Content (IIC) adalah metode yang digunakan untuk mengenali dan menghitung data informasi yang terdapat pada pasangan kata. Pasangan kata ini juga dapat di ambil dari sebuah rangkaian kalimat atau paragraf.

Intrinsic Inforamation merupakan bagian yang tersembunyi dari sebuah pasangan kata baik itu kata yang terkait maupun kata yang mempunya makana sama persis atau sinonim. Pada implementasinya metode ini sering digunakan untuk sebuah konsep penelitian Natural Language Processing (NLP).  Sebuah pemrosesan tingkat tinggi menggunakan konsep penalaran manusia.

Contoh sederhananya kita ingin mengetahui sebuah makna yang terkait dengan pasangan kata antara kata “mobil” dan “bensin”. Meskinpun kata tersebut berbeda dan juga bukan sinonim namun antar kedua kata tersebut masih memiliki keterkaitan.

 

Model-model Penyelesaian dalam Metode Intrinsic Information Content (IIC)

Rumus dasar untuk semua model

Rumus dasar semua model

Rumus dasar semua model

1.Resnik

Model Resnik adalah  sebuah pengukuran kesamaan semantik yang sederhana menggunakan metode informasi konten. Formula kesamaan semantik antar 2 synset adalah,

Rumus model resnik

Rumus model resnik

2.Lin

Model Lin merupakan pengukuran kesamaan semantik yang bertujuan untuk mengatasi kesamaan antar 2 konsep, dan juga perbedaannya, yang keduanya diukur dalam term IC. Nilai kesamaan maksimum dicapai ketika kedua konsep identik. Pengukuran kesamaan tersebut dapat kita lihat dengan persamaan atau rumus bi bawah ini:

Rumus model lin

Rumus model lin

3.Jiang dan conrath

Model Jiang dan Concrath merupakan metode yang menggabungkan struktur taksonomi leksikal dengan informasi statistik corpus sehingga jarak semantik antara node di ruang semantik yang dibangun oleh taksonomi dapat lebih baik diukur dengan bukti komputasi berasal dari analisis distribusi data korpus. Rumusnya sebagai berikut;

Rumus model jiang dan concrath

Rumus model jiang dan concrath

Rumus model jiang dan concrath

Rumus model jiang dan concrath

4.Seco, Veale, dan Hayes

Model Seco, Veale, dan Hayes adalah merupakan metode pengukuran dengan menggunakan konsep tolak ukur alternatif dari IC yang disebut “IC Intrinsik”, yang dikalkulasi semata-mata hanya berdasarkan
taksonomi. Pada formula ini, penggunaan korpus dihilangkan. Sebuah konsep yang memiliki lebih banyak hiponim mengekspresikan informasi yang lebih sedikit daripada konsep yang yang memiliki lebih sedikit hiponim. Rumusnya;

Rumus model Seco, Veale, dan Hayes

Rumus model Seco, Veale, dan Hayes

5.Meng

Model Meng adalah Sebuah konsep yang memiliki lebih banyak hiponim memiliki nilai IC
yang lebih sedikit daripada sebuah konsep yang memiliki lebih sedikit hiponim. Semakin dalam suatu konssep pada suatu taksonomi, semakin besar nilai IC pada konsep tersebut.

Rumus model meng

Rumus model meng

 

Data yang digunakan Metode Intrinsic Information Content (IIC)

Untuk data yang bisa digunakan sebagai data set misalnya simlex-999 dan juga wordsim.

1.Simlex

SimLex-999 adalah sebuah sebuah data set yang bisa digunakan untuk mengevaluasi suatu model yang mempelajari makna suatu kata dan konsep. SimLex-999 lebih dikhususkan untuk dataset yang menguji nilai kesamaan semantik daripada keterkaitan semantik atau asosiasi.

 

2.Wordsim

WordSim-353 adalah dataset yang digunakan sebagai pengujian untuk mengukur nilai kesamaan atau keterkaitan antar kata. Data yang terdapat pada wordsim tersebut berupa pasangan kata bahasa inggris yang terdiri dari beberapa kata benda.

 

Hal-hal yang terkait dengan metode ini

1. Semantic Similarity
Perhitungan semantic similarity adalah merupakan proses yang memerlukan keterlibatan
beberapa disiplin ilmu, seperti bahasa, komputer, matematika logik dan domain yang bersangkutan.

 

2.WordNet
WordNet adalah database kata yang dapat digunakan untuk mengecek kata serta persamaan kata atau kata yang terkait pada sebuah database network semantik untuk bahasa Inggris yang dikembangkan
di Princenton University (http://wordnet.princeton.edu/).  Beberapa versi dalam bahasa lain juga telah dikembangkan seperti EuroNet.

 

3. Latent Semantic
Latent Semantic Analysis (LSA) adalah sebuah teori dan metode untuk mengekstrak dan merepresentasikan konteks yang digunakan sebagai sebuah arti kata dengan memanfaatkan
komputasi statistik untuk sejumlah corpus yang besar dari teks.

 

Untuk jasa pembuatan dengan aplikasi ini kami siap membantu Anda. Pemrograman di buat menggunakan bahasa pemrograman berbasis web php dan juga menggunakan database mysql Untuk info lebih lanjut silahkan kontak kami langsung pada kontak yang ada pada bagian bawah web ini.

Metode Association Rule, Rumus dan Penjelasannya

Metode Association Rule merupakan metode yang sering di pakai untuk menyelesaikan permasalahan dalam kasus pendukung keputusan atau SPK. Cara kerja metode ini secara umum seperti konsep SPK lainya, yaitu menggunakan kriteria sebagai dasar untuk melakukan penilaian terhadap kasus yang akan di selesaikan.

Contoh kasus yang bisa kita jelaskan tentang implementasi metode ini misalnya kasus pemelihan dosen pembimbing, pemilihan asesor penelitian, penentuan pemberian bantuan dan masih banyak lagi. Untuk masing-masing kasus yang kita contohkan tadi, masing-masing mempunyai kriteria atau variabel sebagai dasar untuk menentukan penilaiannya. Nah berikut akan kita ulas mengenai metode Association Rule ini.

Mungkin sebagian kita masih bingung, metode association rule pun belum banyak yang tau. Metode ini sering kita kenal juga dengan algoritma apriori.

Analisi asosiasi atau association rule merupakan penerapan data mining yang  implementasinya untuk menemukan aturan asosiasi antara kombinasi item yang ada. Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antat item dalam suatu data set dan menampilkan dalam bentuk association rule seperti yang di jelaskan pada (Budhi dkk,2007). Association rule(aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu.Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.

 

Penyelesaian Association rule

Metode association menentukan dua output yaitu support dan confidence. Penting tidaknya suatu asosiasi dapat diketahui dari dua hal yang menjadi tolak ukur dari kedua tersebuta antara support dan confidence. Support ( nilai penunjang) adalah presentase kombinasi item tersebut dalam database, sedangkan confidence ( nilai kepastian ) adalah kuatnya hubungan antar-item dalam aturan asosiasi (Pane, Dewi kartika. 2013)

Rumus Mencari Support

Rumus support metode association rule

Rumus support metode association rule

Rumus Mencari Confidence

Rumus mencari confidence metode association rule

Rumus mencari confidence metode association rule

Contoh dalam kasus penjualan di minimarket dengan di jelaskan pada tabel transaksi:

Tabel data minim penjualan produk minimarket

Tabel data minim penjualan produk minimarket

Selanjutnya menentukan nilai support dengan menghitung jumlah transaksi yang mengandung
item A dibagi dengan jumlah transaksi yang ada, maka didapat :

Hasil perhitungan support associationr rule

Hasil perhitungan support associationr rule

Setelah mendapat nilai support maka langkah selanjutnya adalah mencari nilai confidence
dengan mencari banyaknya kemunculan item A dan B pada satu nota, maka didapat :

Tabel perhitungan confidence association rule

Tabel perhitungan confidence association rule

Setelah mendapat nilai support dan confidence maka langkah terakhir adalah menentukan nilai
final role atau strong rule association dengan cara mengkalikan nilai support dan confidence yang didapat dari proses sebelumnya.

Hasil akhir atau output association rule

Hasil akhir atau output association rule

Jadi kesimpulannya,,,,

Jika user memasukkan nilai minimal adalah 10% maka kombinasi yang memenuhi adalah
kombinasi gula, kopi, dan gula susu. Atau hasil perhitungan diatas dapat diartikan 15% orang
yang membeli gula juga akan membeli kopi, 10% orang membeli gula juga akan membeli susu.

Contoh diatas di kutip dari sebuah penelitian tentang association rule yang di teliti oleh Muhammat Maarifatul Huda dan Wijisetyaningsih dengan Judul sistem pendukung keputusan dalam penentuan bundling penjualan barang dengan metode apriori atau association rule. Pada Universitas Kanjuruhan.

Terimakasih semoga bermanfaat.

 

Flowchart Metode K-Means

Flowchart Metode K-Means

Flowchart Metode K-Means

Metode K-means tergolong salah satu metode yang sedikit kompleks dan rumit untuk di teliti. Dalam konsepnya metode ini adalah metode yang digunakan untuk mengelompokkan atau culstering suatu keputusan dari data yang telah disediakan.

Bagi teman-teman yang masih bingung bagaimana proses ataupun langkah metode flowchart dapat digunakan untuk menyelesaikan suatu kasus, sistemphp kali ini akan mengulas mengenai flowchart yang digunakan pada pemrosesan metode k-means tersebut.

Penjelasan flowchart ini juga terkait degan penjelasan yang sudah saya bahas sebelumnya yang saya kumpulkan pada tag pembahasan metode k-means. Pada tag tersebut saya bahas mengenai kasus-kasus apa saja yang bisa  diterapkan dan bagaimana contoh implementasinya. Dan untuk perhitungan manual serta bagaimana cara menyelesaikan kasus dalam metode k-means akan kita posting di postingan selanjutnya.

Flowchart K-means

Seperti yang kita lihat pada gambar diatas, terdapat beberapa langkah proses pada metode k-means dalam menyelesaikan suatu kasus.

Pada gambar diatas merupakan flowchart metode bukan flowchart aplikasi, untuk flowchart aplikasi terdapat user interface yang berperan pada alur datanya. Dan ini berbeda-beda flowchartnya tergantung pada aplikasi yan di bangun, namun untuk secara umum, flowchart untuk metode ini di jelaskan sebagai berikut:

#Input

Merupakan inputan yang berperan dalam perhitungan metode K-means, Input ini adalah data mining yang tersimpan terlebih dahulu pada sistem atau aplikasi. Jika melihat pada contoh kasus, data input ini misalnya pada contoh clustering penjualan produk, maka data input berupa data penjualan produk. Pada kasus daerah rawan kriminial, maka data input sebagai data mining adalah data kriminal dan seterusnya.

Input ini dalam kaitannya dengan perhitungan metode, membutuhkan sebuah kategori data yang nantinya akan berujung pada cluster yang di hasilkan. Kategori data berperan sebagai penentuan titik pusat cluster terhadap data mining yang ada. Jika kategori tidak ada maka data di anggap sebagai cluster sama atau bahkan tidak bisa kita ketahui titik pusat datanya.

#Proses

Proses k-means merupakan tahapan bagaimana cluster keputusan dihasilkan. Setelah kita mengetahui komponen data input yang diperlukan Proses k-means dilakukan dengan menghitung titik pusat data pada setiap kategori, seperti yang sudah di singgung diatas. Dari titik pusat cluster selanjutnya akan di hitung proses lanjutannya yaitu mecari jarak antara setiap data pada kategori dengan titik pusatnya. Dari jarak tersebu maka proses akan menghasilkan sebuah nilai dari setiap cluster yang telah di tentukan sendiri oleh user sebelumnya.

Cara menentukan clustering untuk metode k-means dapat dilakukan dengan melihat penelitian sebelumya yang sejalan dengan penelitian yang dilakukan ataupun juga dapat mewawancarai langsung kepada dimana kita mengambil kasus penelitian yang dilakukan.

#Output

Dari hasil perhitungan K-means maka kita akan mengetahui sebuah nilai- cluster setiap data yang dihasilkan. Dari Cluster ini user dapat menyimpulkan data yang ada dan menganalisanya sebagai ouput atau keputusan akhir dari penyelesaian kasus menggunakan metode k-means.

 

Secara umum gambaran penyelesaian metode k-means dengan melihat pada flowchart seperti penjelasan diatas. Kada sebagian teman-teman kita masih bingung mencari data untuk suatu penelitian. Perlu diketahui data ini didapat dimana kita melakukan penelitian, misalkan pada kasus clustering penjualan produk diatas, kita dapat mewawancarai toko atau supermarket dimana kita meneliti sekaligus clustering yang akan di hasilkan dari output akhir metode ini. Untuk Analisis lainya seperti konteks diagram, dfd, erd dan aplikasinya dapat juga menggunakan jasa kami. GARANSI REVISI

Contoh Kasus Metode K-Means Terbaru

Contoh Kasus Metode K-Means Terbaru

Contoh Kasus Metode K-Means Terbaru

K-means adalah sebuah metode yang digunakan untuk mengelompokkan atau mengklaster berdasarkan kelas yang telah kita tentukan. Pengelompokkan yang dilakukan biasanya berdasarkan kategori yang ada, dari kategori ini kita akan mengetahui data yang terususun dengan konsep seperti halnya data mining.

Data mining digunakan sebagai datawarehouse kecil yang berfungsi sebagai gudang data yang selanjutnya digunakan untuk mengolah keputusan sehingga menghasilkan sebuah cluster. Nah dalam kehidupan kita sehari-hari banyak sekali kasus-kasus atau permasalahan yang dapat di selesaikan dengan metode K-means ini.

Kenapa metode ini sangat mudah untuk di implementasikan pada kasus-dalam kehidupan sehari-hari?, karena memang metode ini adalah metode dengan konsep seperti metode pengambilan keputusan, letak bedanya adalah pada perhitungan metode K-means membutuhkan data mining sebagai data olahannya.

Contoh kasus penerapan metode k-means

1.Kasus penjualan produk

Pada kasus ini misalkan kita akan mengetahui sebuah produk yang ada pada sebuah toko dari tingkat penjualan. Pada contoh ini data yang akan diolah yaitu data produk beserta data penjualannya. Selanjutnya kategori yang digunakan yaitu makanan, minuman, kebutuhan harian. Dari kategori yang diketahui akan mengetahui cluster yang telah kita tentukan dari tingkat penjualannya misalnya cluster yang kita tentukan yaitu sedikit, sedang dan banyak. Nah untuk ouput akhirnya makan akan diketahui produk mana dengan cluster penjualan tertinggi, sedang dan terendah.

2. Kasus penjurusan SMA

Pada kasus penjurusan SMA data yang kita gunakan yaitu data siswa, data nilai setiap mata peajaran serta data jurusan yang ada, misalkan saja jurusan yang ada yaitu IPA dan IPS maka kedua jurusan inilah yang nantinya akan menjadi cluster dalam keputusan penentuan jurusan SMA tersebut. Untuk data nilai yang di olah misalkan data nilai setiap pelajaran. Hampir sama dengan konsep seperti kasus no 1 kita memerlukan kategori sebagai penentuan titik pusat cluster nantinya, jika melihat pada kasus ini kategori yang digunakan yaitu mata pelajaran yang ada misalkan mtk, bahasa indonesia dan sebagainya.

3.Penentuan penerima beasiswa

Pada kasus penerima beasiswa data mining yang diolah tidak begitu baganyak pada setiap alternatifnya. Misalkan untuk memberikan beasiswa kategori yang digunakan yaitu penghasilan orang tua, jumlah tanggungan, pengeluaran perbulan. Dari contoh kategori ini, kita bisa asumsikan cluster yang akan  digunakan yaitu layak atau tidak layak. Layak atau tidak layak adalah sebuah ouput dari data yang diolah dengan metode K-means.

4.Penentuan tingkat kejahatan

Pada kasus untuk mengetahui tingkat kejahatan, variabel atau kriteria yang digunakan misalkan pembnh*n, curanmor, dan nark*ba dan sebagainya. Data kategori kita gunakan untuk menghitung titik pusat cluster. Dengan cluster yang akan kita tentukan yaitu tinggi dan rendah.

5.Penentuan tingkat penggunaan obat pada rumah sakit

Pada kasus ini data yang diolah yaitu data pemberian obat yang diberikan pada pasien, dari data tersebut dapat kita kategori dalam beberapa kategori yaitu misalnya cair, kaplet, tablet dan juga kapsul Nah untuk cluster yang dapat kita gunakan misalnya tinggi, sedang dan rendah.

 

Secara konsep penggunaan dan implementasi metode ini dapat kita lihat seperti beberapa contoh diatas adalah sama. Yang perlu diketahui adalah data mining yang akan diolah, penentuan kategori dari data yang diolah sebagai penentuan pusat cluster nantinya dan juga cluster yang akan di gunakan sebagai ouput akhir dari perhitungan k-means.

Bagi teman-teman yang mengalami kesulita dalam mencari kasus dalam implementasi metode k-means ini dapat berkonsultasi dengan saya melalu wa atau bbm, silahkan kontak lebih lanjut. Kami juga membuka jasa pembuatan aplikasinya.