Source Code Clustering Metode K-Means Codeigniter

Source Code Data Mining Clustering Metode K-Means berbasis web dengan CodeIgniter dan MySQL.

[latexpage]K-Means yaitu salah satu dari metode pengelompokan data nonhierarki (sekatan) yang dapat mempartisi data kedalam bentuk dua kelompok ataupun lebih. Metoda tersebut akan mempartisi data kedalam suatu kelompok dimana data yang berkarakteristik sama akan dimasukkan kedalam satu kelompok sama sedangkan data yang memiliki karakteristik yang berbeda akan dikelompokan kedalam kelompok lainnya. Tujuan dari pengelompokan yaitu untuk meminimalkan dari fungsi objektif yang diset dalam proses pengelompokan, pada umumnya akan berusaha meminimalkan variasi didalam suatu kelompok dan memaksimalkan variasi antar kelompok.

Algoritma K-Means merupakan salah satu dari algoritma yang banyak digunakan dalam pengelompokan karena kesederhanaan dan efisiensi dan diakui sebagai salah satu dari 10 algoritma data mining teratas oleh IEEE.

Proses Algoritma K-Means

Tentukan k sebagai jumlah cluster yang akan dibentuk, menggunakan metode elbow criterion dengan rumus sebagai berikut :

$SSE=\sum_{k=1}^{K}\sum_{x_i=S_k}\left | N_i-C_k \right |$
Tentukan k titik pusat cluster (centroid) awal yang dilakukan secara random. Penentuan pada centroid awal dilakukan secara acakatau random dari objek yang etrsedia sebanyak k cluster,untuk menghitung centroid cluster ke-i berikutnya, digunakan rumus sebagai berikut:

$v=\frac{\sum_{i=1}^{n}X_1}{a}$ : i=1,2,3,…n
Menghitung jarak dari setiap objek ke masing – masing centroid dari masing – masingcluster menggunakan Euclidean Distance, dengan rumus sebagai berikut:

$d(x,y)=\left | x-y \right |=\sqrt{\sum_{i=1}^{n}(X_i-Y_i)^2}$ : i=1, 2, 3, … n
Alokasikan dari masing – masing objek kedalam centroid paling dekat. Untuk pengalokasian objek kedalam masing – masing cluster pada saat iterasi secara umum dilakukan dengan cara hard k-means dimana secara tegas setiap objek dinyatakan sebagai anggota cluster dengan mengukur jarak kedekatan sifatnya terhadap titik pusat cluster tersebut.
Lakukan iterasi dan kemudian tentukan posisi centroid baru dengan menggunakan persamaan.
Ulangi langkah tiga jika posisi centroid baru tidak sama.

Detail Source Code

Nama	Source Code Data Mining Clustering K-Means CodeIgniter
Deskripsi	Source Code Data Mining Clustering Metode K-Means berbasis web dengan CodeIgniter dan MySQL.
Bahasa	PHP, Bootstrap 3.37, PHP, HTML, CSS, Java Script
Database	MySQL
Harga	Rp 750,000
Tokopedia	https://tokopedia.com/rumahsourcecode/source-code-data-mining-clustering-k-means-codeigniter

Fitur yang ada dalam source code ini antara lain:

Login, membatasi user yang bisa menggunakan aplikasi
Kriteria, mengisi atribut dari data yang ingin diklusterisasi
Alternatif, mengisi data yang akan diklusterisasi
Nilai Alternatif, mengisi nilai data berdasarkan atribut yang diinputkan
Perhitungan K-Means, melakukan proses perhitungan k-means. Inputan yang bisa dimasukkan adalah jumlah maksimal iterasi dan jumlah cluster yang ingin dihasilkan
Password, mengubah password user yang login

Screenshot K-Means Codeigniter

K Means CodeIgniter Alternatif

K Means CodeIgniter Bobot

K Means CodeIgniter Bobot Ubah

K Means CodeIgniter Kriteria

K Means CodeIgniter Kriteria Tambah

K Means CodeIgniter Login

K Means CodeIgniter Password

K Means CodeIgniter Perhitungan

K Means CodeIgniter Tambah

Pembelian Source Code

Untuk melakukan pembelian anda harus melakukan donasi sesuai harga yang ada di Daftar Harga Source Code Tugas Akhir. Anda juga bisa menghubungi kami melalui:

Email : herdikayan@gmail.com
WA / SMS : 085 737 058 375

Pembayaran Source Code

Untuk pembayaran source code yang sudah ada, silahkan transfer ke rekening kami. Kami akan mengirimkan source code langsung setelah pembayaran kami konfirmasi. Source code kami kirim melalui email.

BNI
0827432793
CIMB
7612 9066 4600
BCA
6110244663
BRI
4643-01-008473-53-8
a/n I Kayan Herdiana

Untuk pembuatan source code by request wajib untuk melakukan pembayaran DP sebesar 30% dari harga yang disepakati. Kami akan mengembalikan uang anda 100% jika kami tidak dapat menyelesaikan pekerjaan kami sampai batas waktu yang ditentukan.