IMPLEMENTATION OF DATA ANALYSIS HOTEL RATING LEVELS IN BALI USING THE K-MEANS ALGORITHM AND DECISION TREE

Recent advances in computing, communications, digital storage technologies, and high-throughput data-acquisition technologies, make it possible to gather and store incredible volumes of data. It creates unprecedented opportunities for large-scale knowledge discovery from huge database. Data mining (DM) technology has emerged as a means of performing this discovery. There are countless researchers working on designing efficient data mining techniques, methods, and algorithms. Many data mining methods and algorithms have been developed and applied in a lot of application fields [1]. Unfortunately, most data mining researchers pay much attention to technique problems for developing data mining models and methods, while little to basic issues of data mining [2]. In this talk, some basic issues of data mining are addressed. What is data mining? What is the product of a data mining process? What are we doing in a data mining process? What is the rule we should obey in a data mining process? Through analyzing existing data mining methods, and domain-driven (or user-driven) data mining models [3-5], we find that we should take a data mining process as a process of knowledge transformation. Based on this understanding of data mining, a conceptual data mining model of domain-oriented data-driven data mining (3DM) is proposed [2]. The relationship between traditional domain-driven (or user-driven) data mining models and our proposed 3DM model is also analyzed. Some domain-oriented data-driven data mining algorithms for mining such knowledge as default rule [6], decision tree [7], and concept lattice [8] from database are proposed. The experiment results for these algorithms are also shown to illustrate the efficiency and performance of the knowledge acquired by our 3DM data mining algorithms.

Medical datasets hold huge number of records about the patients, the doctors and the diseases. The extraction of useful information which will provide knowledge in decision making process for the diagnosis and treatment of the diseases are becoming increasingly determinant. Knowledge Discovery and data mining make use of Artificial Intelligence (AI) algorithms which are applied to discover hidden patterns and relations in complex datasets using intelligent agents. The existing data mining algorithms and techniques are designed to solve the individual problems, such as classification or clustering. Up till now, no unifying theory is developed.Among the different algorithms in data mining for prediction, classification, interpretation and visualization, ‘k-means clustering’, ‘Decision Trees (C4.5)’, ‘Neural Network (NNs)’ and ‘Data Visualization (2D or 3D scattered graphs)’ algorithms are frequently utilized in data mining tools. The choice of the algorithm depends on the intended use of extracted knowledge.In this paper, the mentioned algorithms are unified into a tool, called Unified Medical Data Miner (UMDM) that will enable prediction, classification, interpretation and visualization on a diabetes dataset.KeywordsMedicineClusteringClassification & PredictionVisualizationAgent Data miningUnified Medical Data Miner

Indonesia sebagai negara kepulauan yang besar, memiliki perairan yang lebih luas dibandingkan dengan daratannya. Karena ukuran perairannya yang besar, Indonesia memiliki potensi yang besar dalam produksi budidaya perikanan, terutama untuk meningkatkan pertumbuhan jenis ikan unggulan. Penelitian ini bertujuan untuk menerapkan metode data mining dengan menggunakan algoritma K-Means clustering. Data produksi perikanan tahun 2020 akan digunakan sebagai sumber data untuk penelitian ini. Data diambil berasal dari Open Data Jabar (ODJ). Data mining diterapkan untuk menganalisis data produksi budidaya pembesaran dari masing-masing jenis ikan unggulan di Provinsi Jawa Barat. Metode yang digunakan dalam penelitian ini adalah Knowledge Discovery and Data Mining (KDD) yang merupakan salah satu metode yang paling populer dalam data mining. Langkah pertama dalam penelitian ini adalah pengumpulan dan persiapan data, data produksi perikanan budidaya pembesaran akan dikumpulkan dari sumber yang relevan. Dengan menggunakan algoritma K-Means, pengelompokkan produksi perikanan budidaya pembesaran jenis ikan unggulan dapat diidentifikasi. Misalnya, dibagi menjadi 5 cluster, cluster 1 (C1), cluster 2 (C2), cluster 3 (C3), cluster 4 (C4), dan cluster 5 (C5). Hasil penelitian ini yaitu cluster 0: 63 item, cluster 1: 9 item, cluster 2: 64 item, cluster 3: 93 item, cluster 4: 1 item.items. Klaster dengan pertumbuhan ikan sangat cepat berada di cluster 2 yaitu jenis ikan lele, patin, sepat siam, udang krosok, udang windu, udang danau, rumput laut, kepiting bakau sedangkan pertumbuhan ikan yang sangat lambat ada di cluster 1 yaitu jenis ikan tambakan.

K-means clustering has become an important tool for the analysis of gene expression data, which can also look for the expression of cluster with the same fluctuation from two directions of genes and conditions. But the K-means clustering is a multi-objective local search algorithm, which is easy to fall into local optimum when dealing with complex data of the gene. In order to improve the global search capability of the algorithm, this paper presents a semi supervised K clustering algorithm. Firstly, the K—means clustering algorithm is used to deal with gene data. Then the improved semi supervised K mean clustering is used for the greedy iteration to find the K mean clustering, so as to achieve better results. Through the simulation experiment, the results prove the global semi supervised K clustering algorithm has better optimization ability and better cluster effect compared with MDO algorithm.

Penelitian ini bertujuan untuk menganalisa dan menjelaskan pengaruh lingkungan kerja dan budaya perusahaan terhadap kualitas hasil kerja melalui supervision technical di PT Tirta Agung Plastik. Jenis penelitian ini adalah explanatory research dengan menggunakan pendekatan kuantitatif. Penelitian ini dilakukan dengan observasi langsung melalui penyebaran kuesioner kepada karyawan PT Tirta Agung Plastik. Dalam penelitian ini populasinya adalah seluruh karyawan PT Tirta Agung Plastik yang terbagi dalam beberapa divisi/bagian. Penentuan jumlah sampel dilakukan dengan cara perhitungan statistik yaitu dengan menggunakan desain sampling probabilitas, sehingga responden pada penelitian ini berjumlah 67 orang. Penelitian ini termasuk kedalam penelitian kuantitatif dengan menggunakan metode Partial Least Square (PLS) dengan bantuan software SmartPLS 3.0. Berdasarkan hasil analisis menunjukkan bahwa Lingkungan kerja berpengaruh terhadap Kualitas Hasil Kerja yang ditunjukkan dengan nilai t statistik sebesar > 1.998 dengan nilai P Value sebesar 0.029. Selanjutnya Lingkungan kerja terhadap Kualitas Hasil Kerja melalui Supervision Technical memiliki pengaruh yang dibuktikan dengan hasil pengujian nilai t statistik > 1.998 dan P Value sebesar 0.010, selain itu Budaya Perusahaan juga berpengaruh terhadap Kualitas Hasil Kerja dengan nilai t statistik sebesar > 1.998 dengan nilai P Value sebesar 0.026, kemudian Budaya Perusahaan berpengaruh terhadap kualitas hasil kerja melalui Supervision Technical yang ditunjukkan dengan nilai t statistik sebesar > 1.998 dengan nilai P Value sebesar 0.000, dan Supervision Technical berpengaruh terhadap Kualitas Hasil Kerja dengan nilai t statistik sebesar > 1.998 dengan nilai P Value sebesar 0.047.

Penggunaan teknologi citra satelit telah berkembang pesat dan banyak dimanfaatkan untuk penelitian, mencakup pegunungan, sungai, danau, dan lainnya. Dalam penelitian ini, digunakan dataset EuroSat yang memiliki 10 label yang mendeskripsikan perubahan bentuk lahan dan pemukiman di wilayah Eropa. Perubahan tersebut disebabkan oleh kerusakan akibat aktivitas manusia dan alam seperti pertanian, irigasi, dan bencana alam. Selain itu, kompleksitas dan variabilitas dataset EuroSat yang beragam memerlukan pendekatan yang mampu mengenali pola-pola halus dan berbeda pada setiap kategori. Oleh karena itu, penelitian ini bertujuan untuk mengkomparasikan kinerja beberapa algoritma dalam klasifikasi citra satelit. Dalam hal ini, digunakan tiga algoritma yaitu KNN, Decision Tree, dan Random Forest untuk dibandingkan kinerjanya dalam klasifikasi citra data EuroSat. Metode penelitian yang digunakan meliputi import data, normalisasi data, konversi label ke one-hot encoding, ekstraksi fitur, dan normalisasi fitur menggunakan model VGG16 yang ditraining terlebih dahulu untuk mendapatkan representasi fitur yang informatif. Fitur yang diekstraksi kemudian digunakan sebagai input untuk ketiga algoritma tersebut. Pengujian performa model dilakukan menggunakan K-Fold Cross Validation. Hasil yang diperoleh memperlihatkan bahwa Random Forest memiliki kinerja terbaik dengan accuracy 81,32%, recall 81,33%, precision 81,18%, dan f1 score 80,82%. Penelitian ini menunjukkan bahwa penggunaan algoritma Random Forest dapat meningkatkan akurasi dan performa dalam klasifikasi citra satelit.

Penelitian ini mendeskripsikan makna praanggapan yang terdapat pada sebuah tuturan antarpartisipan. Makna praanggapan adalah paparan-paparan asumsi atau dugaan dalam tuturan antarpartisipan. Program Brownis TransTV merupakan gelar wicara sejak 2017 yang memiliki topik bahasan yang sedang ramai diperbincangkan. Tuturan antarpartisipan Brownis mengandung praanggapan sebagai latar belakang suatu tindak tutur. Fokus masalah penelitian ini, yaitu mendeskripsikan makna praanggapan yang terdapat pada acara Brownis TransTV dan relevansinya dengan pembelajaran yakni mengidentifikasi informasi berupa kritik, sanggahan, dan pujian, sehingga cocok dimanfaatkan sebagai alternatif materi teks tanggapan kelas IX di SMP. Jenis penelitian ini adalah deskriptif. Rancangan penelitian ini menggunakan pendekatan pragmatik dengan cara kerja menggunakan teori praanggapan. Data berupa tuturan dan konteks antarpartisipan dalam acara Brownis di TransTV diindikasikan memiliki praanggapan. Sumber data penelitian ini adalah empat video Brownis di TransTV. Kriteria video yang ditetapkan bertema pendidikan dan dapat memotivasi pembaca dan siswa. Teknik pengumpulan data dalam penelitian ini teknik dokumentasi serta teknik simak bebas libat cakap dan teknik catat pengumpulan data. Teori analisis data yang digunakan dalam dalam penelitian ini ialah pragmatik dengan teori praanggapan. Pendekatan pragmatik digunakan untuk menangkap maksud dari tuturan partisipan dalam acara Brownis di Trans TV yang diindikasikan praanggapan. Hasil penelitian ini makna praanggapan yang terdapat pada acara Brownis TransTV yakni, paparan-paparan asumsi atau dugaan dalam tuturan antarpartisipan, meliputi makna: faktual, nonfaktual, leksikal, eksistensial, danstruktural serta pemanfaatannya sebagai materi pembelajaran teks tanggapan kelas IX. Dalam penelitian ini tidak ditemukan makna konterfaktual karena tidak terindikasi dalam tuturan antarpartisipan dalam acara Brownis di TransTV

Identification of potential injury risk factors and construction of prediction models for athletes using data mining algorithms involve analyzing various factors such as biomechanical, physiological, and environmental variables to determine their correlation with injury occurrences. Data mining techniques, such as decision trees, logistic regression, or neural networks, are then applied to identify patterns and relationships within the data. By integrating this information, predictive models can be developed to forecast the likelihood of athletes sustaining injuries based on their individual characteristics and training conditions. This paper introduces a novel approach for athlete injury risk prediction using the Noninvasive Data Mining Model with Multi-relational and Multi-dimensional Clustering (Ni-DMMMC) algorithm. By leveraging advanced data mining techniques, Ni-DMMMC aims to identify hidden relationships between various athlete characteristics, including biomechanical risk, training load, physiological markers, and environmental factors, to predict injury susceptibility accurately. Through multi-relational and multi-dimensional clustering, the algorithm effectively categorizes athletes into distinct clusters based on their unique risk profiles. These clusters provide valuable insights into the diverse injury risk profiles present within athlete populations, enabling targeted intervention strategies and personalized athlete management approaches. The proposed approach holds significant promise for enhancing injury prevention efforts, optimizing athlete performance, and improving overall well-being in sports medicine practice. athletes in Cluster 1 exhibit high biomechanical risk (0.85), moderate training load (0.60), low physiological markers (0.25), and moderate environmental risk (0.45), while athletes in Cluster 2 display moderate biomechanical risk (0.70), high training load (0.90), high physiological markers (0.80), and low environmental risk (0.30). These numerical values serve as indicators for assessing an athlete's injury risk profile comprehensively.

Jumlah penduduk di Indonesia secara konsisten, terjadi peningkatan dari satu tahun ke tahun berikutnya. Populasi terpadat di Indonesia terdapat pada Kabupaten Bogor. Kepadatan penduduk yang tinggi biasanya menunjukan bahwa suatu wilayah memiliki populasi yang besar dalam luas wilayah yang terbatas. Di era sekarang, salah satu masalah yang terkait dengan aspek kependudukan adalah disparitas distribusi populasi yang tidak merata. Tujuan penelitian ini adalah untuk mengelompokan jumlah penduduk menggunakan algoritma K-Means. Pada konteks penelitian ini, sumber data yang dipakai diperoleh dari Badan Pusat Statistika mencakup informasi jumlah penduduk Kabupaten/Kota di Indonesia Tahun 2020 sd. 2022. Metode penelitian ini menerapkan Algoritma K-Means dengan memanfaatkan pendekatan Knowledge Discovery and Data Mining (KDD) dan tahapan yang digunakan yaitu Selection data, Preprocessing data, Transformation, Data Mining dan Evaluation. Melalui analisis Data Mining, pengelompokan jumlah penduduk menghasilkan 4 cluster yaitu cluster jumlah peduduk sangat padat, padat, sedang, dan rendah. Hasil dari penelitian ini, Dari pengujian yang telah dilakukan dengan Davies Boulding Index didapatkan cluster yang optimal yaitu k=4 dengan nilai DBI 0.127. Cluster 0 dengan jumlah penduduk rendah sebanyak 360 Kabupaten/Kota, cluster 1 dengan jumlah penduduk sedang sebanyak 93 Kabupaten/Kota, Cluster 2 dengan jumlah penduduk sangat padat sebanyak 1 Kabupaten, dan cluster 3 dengan jumlah penduduk padat sebanyak 28 Kabupaten/Kota.

Objectives: Clustering algorithm is broadly used as spectral algorithm in social media, where a reference of contact is used and mined further for various combinations of suggested friends and lookups. This paper Identifies key lead generation techniques to be used in customer relationship management for sales marketing to decide data gathering. Also to define key merits and demerits of these techniques and to prepare a Matrix of comparison of these techniques to justify the data source and data set. M-Cluster algorithm is used for lead qualification i.e. training set preparation and data evaluation. Methods: Todefine a training set based on various attributes/fields in the data given for classification. This training set is used to run the data process and to produce expected result. This is assessed and accepted for definite data set processing or additional run for interim training data set preparation. Findings: This study is taken to customize clustering algorithm for data mining process in a customer relationship management field as the space of data is more and variant. Also proving the usability of customized clustering algorithm in data mining and the efficiency in processing mechanism compared to other methods used in current situation of data mining in customer relationship management is the part of this study. The customized algorithm developed as part of this study considers the two major areas of data mining using clusters. Applications: The results produced tremendous trends that the clustered algorithm suits to any data mining process when scaling and data classification are diversified and less in control.Keywords: Classification, Clustering Algorithm, Data Mining, K-Means, Lead Generation, M-Clustering Algorithm

Penelitian ini bertujuan untuk mengungkap praktik sosial individu pada usia dewasa awal dalam mengonsumsi dan terlibat dengan berita media digital dalam keseharian. Konsep yang digunakan dalam penelitian ini adalah media habit dan penelitian ini dilakukan dengan menggunakan metode kualitatif dengan pendekatan studi etnometodologi dan teknik pengumpulan data berupa wawancara mendalam. Lokasi penelitian dilakukan di Jakarta, dengan memilih informan yang berasal dari berbagai latar belakang dan profesi. Hasil penelitian menunjukkan bahwa kebiasaan konsumsi berita pada usia dewasa awal di platform digital dipengaruhi oleh beberapa faktor, seperti kebutuhan informasi, kebiasaan, preferensi, dan lingkungan sosial. Selain itu, penelitian ini juga menunjukkan bahwa terdapat perbedaan dalam pola konsumsi berita antara media digital dengan media tradisional. Dalam kesimpulannya, penelitian ini memberikan gambaran yang lebih jelas tentang kebiasaan konsumsi berita pada usia dewasa awal di platform digital, serta faktor-faktor yang mempengaruhinya. Penelitian ini juga memberikan saran untuk penelitian lanjutan yang dapat memperluas cakupan lokasi penelitian dan memperhatikan faktor-faktor lain yang mempengaruhi kebiasaan konsumsi berita pada usia dewasa muda. Kata Kunci : Online, Berita, Habit, Konsumsi, Media

Penelitian ini bertujuan untuk mengetahui, menganalisa, menguji kebenaran hipotesis dan mengungkap pengaruh antara Keasertifan terhadap Kepuasan Kerja Guru, Pengaruh Iklim Kerja terhadap Kepuasan Kerja Guru dan Pengaruh Keasertifan terhadap Iklim Kerja. Hipotesis dalam penelitian ini adalah: 1) Terdapat pengaruh langsung antara Keasertifan terhadap Kepuasan Kerja Guru . 2) Terdapat pengaruh langsung Iklim Kerja terhadap Kepuasan Kerja Guru dan 3) Terdapat pengaruh langsung Keasertifan terhadap Iklim Kerja. Penelitian ini dilakukan di Sekolah Menengah Atas Negeri Kota Tangerang Selatan, Proivinsi Banten. Penelitian ini dilakukan dengan menggunakan metode survey kausal dengan teknik analisis jalur. Penelitian ini mengkaji tiga variable yang terdiri dari variable terikat, yakni Kepuasan Kerja Guru (X3) dan dua variable bebas yaitu Keasertifan (X1) dan Iklim Kerja (X2). Populasi penelitian ini adalah guru-guru SMA Negeri se Kota Tangerang Selatan sebanyak 547 (lima ratus empat puluh tujuh) orang yang tersebar di 11 SMA Negeri se Kota Tangerang Selatan. Sampel penelitian ini adalah guru-guru di SMA Negeri se Kota Tangerang Selatan sebanyak 77 (tujuh puluh tujuh) orang yang dipilih secara acak sederhana dengan menggunakan teknik Simple Random Sampling dari populasi terjangkau berjumlah 337 orang. Ada tiga data yang dijaring dalam penelitian ini, yaitu data Keasertifan, Iklim Kerja dan Kepuasan Kerja. Untuk memperoleh data variabel Keasertifan, Iklim Kerja dan Kepuasan Kerja digunakan kuesioner yang disusun menurut Scala Likert dengan memberi bobot pada setiap jawaban yang menunjukkan bagaimana interaksi reaksi guru terhadap sejumlah pernyataan yang diberikan. Jawaban-jawaban yang diperoleh dijumlahkan dan dibandingkan satu sama lain sebagai jumlah skor yang menyebar sepanjang kontinum deskriminasi dari skor tertinggi ke skor yang terendah. Penelitian ini dilakukan pada situasi nyata, sesuai dengan penilaian responden tentang apa yang dialami dan dirasakan dan bukan apa yang diinginkan. Instrumen penelitian digunakan untuk mengumpulkan data. Hasil penelitian membuktikan bahwa; 1) terdapat pengaruh langsung Keasertifan terhadap Kekuasan Kerja Guru; 2). terdapat pengaruh langsung Iklim Kerja terhadap Kepuasan Kerja Guru; 3) terdapat pengaruh langsung Keasertifan terhadap Iklim Kerja. Dengan demikian, Kepuasan Kerja Guru dapat ditingkatkan dengan adanya peningkatan Keasertifan dan Iklim Kerja Guru.

Penelitian ini bertujuan untuk menganalisis bagaimana pengaruh kompensasi terhadap kinerja karyawan pada Hotel XYZ, pengaruh kompensasi terhadap motivasi karyawan pada Hotel XYZ, pengaruh motivasi terhadap kinerja karyawan pada Hotel XYZ, pengaruh kompensasi terhadap kinerja karyawan pada Hotel XYZ dengan motivasi sebagai mediasinya. Penelitian ini menggunakan desain kausal yaitu untuk melihat bagaimanakah sebab akibat antara dua variable atau lebih yaitu variable independen terhadap variable dependen. Dalam penelitian ini variable independen adalah kompensasi, sedangkan variabel dependen adalah kinerja karyawan. Dan motivasi sebagai variabel mediasinya pada karyawan Hotel XYZ. Jenis data yang digunakan pada penelitian ini merupakan data kuantitatif. Penelitian ini menggunakan data primer yang diperoleh dengan menyebar kuesioner kepada karyawan kontrak Hotel XYZ. Pengambizan sampel dilakukan dengan menggunakan metode sensus. Penelitian ini dilakukan terhadap karyawan kontrak Hotel XYZ sebagai objek penelitian. Yang terdiri dari 100 orang. Dalam penelitian ini penulis mengunakan teknik analisis PLS – SEM melalui lima proses dimana setiap tahapan akan berpengaruh terhadap tahapan selanjutnya, yaitu (a) konseptualisasi model, (b) menentukan metoda analisis algorithm,(c) menentukan metodaresampling, (d) menggambar diagram jalur dan (e) evaluasi model Hasil penelitian menunjukan bahwa kompensasi berpengaruh positif terhadap kinerja karyawan kontrak Hotel XYZ, baik secara langsung maupun tidak langsung. Kinerja karyawan kontrak Hotel XYZ 72,1% dipengaruhi oleh kompensasi dan motivasi, dan sisanya dipengaruhi oleh variable – variable lainnya yang tidak diteliti dalam penelitian ini.

ObjectivesThe interpretation of clinical data for the diagnosis of coronary heart disease can be done using algorithms in data mining. Most clinical data interpretation systems for diagnosis developed using data mining algorithms with a black-box approach cannot recognize examination attribute relationships with the incidence of coronary heart disease.MethodsThis study proposes a system to interpretation clinical examination results for the diagnosis of coronary heart disease based the decision tree algorithm. This system comprises several stages. First, oversampling is carried out by a combination of the synthetic minority oversampling technique (SMOTE), feature selection, and the C4.5 classification algorithm. System testing is done using k-fold cross-validation. The performance parameters are sensitivity, specificity, positive prediction value (PPV), negative prediction value (NPV) and the area under the curve (AUC).ResultsThe results showed that the performance of the system has a sensitivity of 74.7%, a specificity of 93.7%, a PPV of 74.2%, an NPV of 93.7%, and an AUC of 84.2%.ConclusionsThis study demonstrated that, by using C4.5 algorithms, data can be interpreted in the form of a decision tree, to aid the understanding of the clinician. In addition, the proposed system can provide better performance by category.

Electronic payments is something that is currently in high demand by investors today, but transactions are often constrained due to various problems, especially from third parties. For this reason, cryptocurrency emerged, which is one of the solutions for conducting electronic payment transactions. Some types of cryptocurrency that are most in demand by investors are bitcoin, ethereum, and ripple. The fluctuation value of cryptocurrency is very difficult to predict so that investors often experience losses when making transactions. This study aims to predict cryptocurrency prices such as bitcoin, ethereum and ripple using data mining algorithms. The data mining algorithm used in this prediction process is K-NN, Neural Network, SVM, Linear Regression, Random Forest and Decision Tree. Data mining modeling is done by dividing the dataset into each type of commodity and then analyzed using each algorithm. The results of this study indicate that the accuracy value obtained from some data mining algorithms is good enough to predict cryptocurrency prices