202310715065-ANANDA-DWI-PRASETYO/Proyek_Machine_Learning_F5A2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
202310715065 ANANDA DWI PRASETYO 2025-11-18 18:39:16 +07:00
parent e0e4eea496
commit 5acf0d0167
1 changed files with 15 additions and 3 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

18
README.md
View File

@ -3,9 +3,9 @@ Anggota:
1. Ananda Dwi Prasetyo
# Ketentuan Tugas
1. Cari dataset
2. Lakukan algoritma klasifikasi, regresi atau klastering (jenis)
3. Lakukan perbandingan dengan algoritma lain
1. menentukan dataset nasional yang terdapat pada https://data.go.id/
2. Tentukan algoritma (klasifikasi, regresi atau klastering) yang paling cocok
3. Cari perbandingan dengan algoritma lain
4. Lakukan evaluasi model
5. Lakukan cross validation
6. Laporan diletakkan di gitlab
@ -22,6 +22,18 @@ Pada tahun 2023, Indonesia mencatat jumlah pendidik pada jenjang SMA dan sederaj
# Analisis Dataset: K-Means Clustering
Algoritma yang paling cocok untuk mengolah dataset ini adalah Clustering
Algoritma yang disarankan:
1. K-Means Clustering
2. Hierarchical Clustering
3. DBSCAN
Alasan:
Dataset jumlah pendidik per wilayah sangat cocok untuk clustering karena:
1. Mengelompokkan wilayah berdasarkan kesamaan jumlah pendidik
2. Mengidentifikasi pola distribusi pendidik (wilayah surplus vs kekurangan)
3. Menemukan cluster wilayah dengan karakteristik serupa
4. Membantu pemerintah dalam perencanaan distribusi guru
Pada penelitian ini data dianalisis dengan metode analisis clusterya itu K-Means Clustering yang mana termasuk dalam metode non hirarki. K-Means menggunakan pendekatan yang berbeda dengan metode lain seperti Fuzzy C-Means, Agglomerative Hierarchical Clustering, dan K-Medoids. K-Means hanya memungkinkan suatu data menjadi bagian dari satu cluster, sedangkan metode lain seperti Fuzzy C-Means memungkinkan suatu data tidak hanya menjadi bagian dari satu cluster saja.
Clustering merupakan salah satu metode unsupervised learning, yang mana datasetakan dipartisi menjadi kelompok atau clusteryang berbeda berdasarkan ukuran kesamaan tertentu. Metode ini akan mengelompokkan objek-objek ke dalam cluster berdasarkan karakteristik yang memiliki tingkat kemiripan yang signifikan jika berada dalam satu kluster, dan memiliki perbedaan yang cukup besar jika objek berada dalam kluster yang berbeda.