LAPORAN KLUSTERING PADA TWITTER MENGGUNAKAN BAHASA PEMROGRAMAN “R”
LAPORAN
KLUSTERING PADA TWITTER
MENGGUNAKAN BAHASA PEMROGRAMAN “R”
Disusun Oleh :
|
Lisa Okta Katelia
|
16.01.63.0024
|
|
Pipit Fitriana Nugrahaeni
|
16.01.63.0026
|
|
Danang Dwi Kristianto
|
13.01.53.0082
|
UNIVERSITAS STIKUBANK SEMARANG
FALKUTAS TEKNOLOGI INFORMASI
TEKNIK
INFORMATIKA
2017
BAB
I
PENDAHULUAN
1.1 Deskripsi
Permasalahan
Pada era teknologi informasi saat
ini bermacam sarana telekomunikasi berkembang dengan sangat pesat dan dengan
mudah kita dapatkan melalui telepon kabel, telepon seluler hingga satelit
sehingga dengan mudah bisa dinikmati, perkembangan teknologi telekomunikasi
memungkinkan orang mengirim dan menerima informasi dari segala pejuru dunia.
Melalui jaringan internet segala informasi dapat diperoleh dengan mudah, salah
- satu teknologi yang paling sering digunakan yaitu media sosial yang
memungkinkan seseorang mengirim data dari tempat yang jauh dan biaya yang
relative murah, tidak seperti pengiriman surat dari pos yang dapat memakan
waktu sehari – hari dan biaya pengiriman yang mahal.
Media sosial adalah sebuah media daring, dengan para
penggunanya bisa dengan mudah berpartisipasi, berbagi, dan menciptakan isi
meliputi blog, jejaring
sosial, wiki, forum dan dunia virtual. Blog,
jejaring sosial dan wiki merupakan bentuk media sosial yang paling umum
digunakan oleh masyarakat di seluruh dunia. Andreas Kaplan dan Michael Haenlein mendefinisikan
media sosial sebagai "sebuah kelompok aplikasi berbasis internet yang
membangun di atas dasar ideologi dan teknologi Web 2.0 , dan yang memungkinkan
penciptaan dan pertukaran user-generated content"
K-Means adalah suatu metode penganalisaan data atau
metode Data Mining yang melakukan proses pemodelan tanpa supervisi
(unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan
data dengan sistem partisi. Metode k-means berusaha mengelompokkan data yang
ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai
karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang
berbeda dengan data yang ada di dalam kelompok yang lain. Dengan kata lain,
metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam
suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster
lainnya.
R adalah suatu free software untuk analisis data dan
grafik yang didasarkan pada bahasa pemrograman S yang dikembangkan oleh Rick
Becker, John Chambers, dan Allan Wilks dari AT&T Bell Laboratories (1976) .
R merupakan bahasa tingkat tinggi (high level language) . R ditulis oleh Ross
Ihaka dan Robert Gentleman di Universitas Auckland, Selandia Baru. Banyak
kelompok orang telah berkontribusi pada R dengan mengirimkan kode dan
melaporkan bug. Sejak pertengahan tahun 1997, telah ada grup inti R (“R
Development Core Team”) yang dapat memodifikasi arsip kode sumber R
Clustering adalah metode penganalisaan data, yang
sering dimasukkan sebagai salah satu metode Data Mining, yang
tujuannya adalah untuk mengelompokkan data dengan karakteristik yang sama ke
suatu ‘wilayah’ yang sama dan data dengan karakteristik yang berbeda ke
‘wilayah’ yang lain. Ada beberapa pendekatan yang digunakan dalam mengembangkan
metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan
partisi dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan
partisi atau sering disebut dengan partition-based clustering mengelompokkan
data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang
ada. Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical
clustering mengelompokkan data dengan membuat suatu hirarki berupa
dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan
dan yang tidak pada hirarki yang berjauhan. Di samping kedua pendekatan
tersebut, ada juga clustering dengan pendekatan automatic mapping (Self-Organising
Map/SOM).
Twitter
merupakan situs jejaring sosial yang keberadaannya masih diminiati oleh
masyarkat sampai saat ini. Twitter adalah jejaring sosial berupa blog ukuran
kecil yang didirikan oleh Jack Dorsey pada bulan Maret 2006. Melalui Twitter
pengguna dapat mengirim dan membaca pesan, berbagi informasi, menjalin relasi
bisnis, menuangkan isi hati dan pikiran dalam bentuk tulisan (sering disebut
tweet), dengan kapasitas kata yang bisa diunggah dan ditampilkan pada timeline
penggunatwitter mencapai 140 karakter. Sama halnya dengan situs jejaring sosial
lain dalam Twitter disediakan suatu mesin pencarian (search engine) yang
berguna untuk mempermudah pengguna dalam menemukan informasi menggunakan kata
kunci. Melalui search engine pengguna dapat menemukan lebih banyak informasi yang
dibutuhkan terkait topik yang ingin dicari, yaitu lebih dari satu akun yang ada
di twitter.
1.2
Rumusan Masalah
Berdasarkan latar belakang di atas
maka rumusan masalahnya adalah bagaimana penjelasan mengenai Klustering K-means dan implementasinya menggunakan bahasa
“R”.
BAB
II
TINJAUAN
PUSTAKA
Pada bagian ini akan dipaparkan penjelasan tentang
tinjauan pustaka yang dipakai dalam penjelasan mengenai
Klustering K-means,
implementasinya menggunakan bahasa R.
1.1
Kajian
Deduktif
Clustering atau
klasterisasi adalah metode pengelompokan data. Menurut Tan, 2006 clusteringadalah
sebuah proses untuk mengelompokan data ke dalam beberapa cluster atau
kelompok sehingga data dalam satu cluster memiliki tingkat
kemiripan yang maksimum dan data antarcluster memiliki kemiripan
yang minimum. Clustering merupakan proses partisi satu set objek
data ke dalam himpunan bagian yang disebut dengan cluster. Objek
yang di dalam cluster memiliki kemiripan karakteristik antar
satu sama lainnya dan berbeda dengan cluster yang lain.
Partisi tidak dilakukan secara manual melainkan dengan suatu algoritma clustering.
Oleh karena itu, clustering sangat berguna dan bisa
menemukan group atau kelompokyang tidak dikenal dalam
data. Clustering banyak digunakan dalam berbagai aplikasi
seperti misalnya pada business inteligence, pengenalan pola
citra, web search, bidang ilmu biologi, dan untuk keamanan (security).
Di dalam business inteligence, clusteringbisa mengatur
banyak customer ke dalam banyaknya kelompok. Contohnya
mengelompokan customer ke dalam beberapa cluster dengan
kesamaan karakteristik yang kuat. Clustering juga dikenal
sebagai data segmentasi karena clustering mempartisi banyak
data set ke dalam banyak group berdasarkan kesamaannya. Selain
itu clustering juga bisa sebagai outlier detection.
Manfaat Clustering :
1. Clustering merupakan
metode segmentasi data yang sangat berguna dalam prediksi dan analisa masalah
bisnis tertentu. Misalnya Segmentasi pasar, marketing dan pemetaan zonasi
wilayah.
Dalam clustering dikenal
empat tipe data. Keempat tipe data pada tersebut ialah:
1. Variabel
berskala interval
2. Variabel
biner
3. Variabel
nominal, ordinal, dan rasio
4. Variabel
dengan tipe lainnya.
Metode clustering juga
harus dapat mengukur kemampuannya sendiri dalam usaha untuk menemukan suatu
pola tersembunyi pada data yang sedang diteliti. Terdapat berbagai metode yang
dapat digunakan untuk mengukur nilai kesamaan antar objek-objek yang
dibandingkan. Salah satunya ialah dengan weighted Euclidean Distance.
Euclidean distance menghitung jarak dua buah point dengan mengetahui nilai dari
masing-masing atribut pada kedua poin tersebut. Berikut formula yang digunakan
untuk menghitung jarak dengan Euclidean distance:
Keterangan:
N = Jumlah record data
K= Urutan field data
r= 2
µk= Bobot field yang diberikan user
Data clustering menggunakan metode K-Means
ini secara umum dilakukan dengan algoritma dasar sebagai berikut (Yudi Agusta,
2007) :
1.
Tentukan jumlah cluster
2.
Alokasikan data ke dalam cluster secara random
3.
Hitung centroid atau rata-rata dari data yang ada di
masing- masing cluster
4.
Alokasikan masing-masing data ke centroid/
rata-rata terdekat
5.
Kembali ke Step 3, apabila masih ada data yang
berpindah cluster atau apabila perubahan
nilai centroid, ada yang di
atas nilai threshold yang ditentukan atau
apabila perubahan nilai pada objective function yang digunakan di atas nilai
threshold yang ditentukan.
Beberapa alternatif penerapan K-Means dengan
beberapa pengembangan teori-teori penghitungan terkait telah diusulkan. Hal ini
termasuk pemilihan:
1. Distance space untuk menghitung
jarak di antara suatu data dan centroid.
2. Metode pengalokasian data kembali ke dalam setiap cluster.
Beberapa permasalahan yang sering muncul pada
saat menggunakan metode K-Means untuk melakukan pengelompokan data adalah:
1. Ditemukannya beberapa model
clustering yang berbeda
2. Pemilihan jumlah cluster
yang paling tepat
3. Kegagalan untuk converge
4. Pendeteksian outliers
5. Bentuk masing-masing
cluster
6. Masalah overlapping
Keenam permasalahan ini
adalah beberapa hal yang perlu diperhatikan pada saat menggunakan K-Means dalam
mengelompokkan data. Permasalahan 1 umumnya disebabkan oleh perbedaan proses
inisialisasi anggota masing-masing cluster. Proses initialisasi yang sering
digunakan adalah proses inisialisasi secara random. Dalam suatu studi
perbandingan, proses inisialisasi secara random mempunyai kecenderungan untuk
memberikan hasil yang lebih baik dan independent,
walaupun dari segi kecepatan untuk converge lebih lambat. Permasalahan 2 merupakan masalah laten dalam metode K- Means. Beberapa
pendekatan telah digunakan dalam menentukan jumlah cluster yang paling tepat
untuk suatu dataset yang dianalisa termasuk di antaranya Partition Entropy (PE)
dan GAP Statistics. Satu hal yang patut diperhatikan mengenai metode-metode ini
adalah pendekatan yang digunakan dalam mengembangkan metode-metode tersebut
tidak sama dengan pendekatan yang digunakan oleh K-Means dalam mempartisi data
item ke masing- masing cluster. Permasalahan kegagalan untuk converge, secara
teori memungkinkan untuk terjadi dalam kedua metode K-Means. Kemungkinan ini
akan semakin besar terjadi untuk metode Hard K- Means, karena setiap data di
dalam dataset dialokasikan secara tegas (hard) untuk menjadi bagian dari suatu
cluster tertentu. Perpindahan suatu data ke suatu cluster tertentu dapat
mengubah karakteristik model clustering yang dapat menyebabkan data yang telah
dipindahkan tersebut lebih sesuai untuk berada di cluster semula sebelum data
tersebut dipindahkan dan demikian juga dengan keadaan sebaliknya. Kejadian
seperti ini tentu akan mengakibatkan pemodelan tidak akan berhenti dan kegagalan untuk converge akan terjadi. Untuk
Fuzzy K-Means walaupun ada, kemungkinan permasalahan ini untuk terjadi
sangatlah kecil, karena setiap data diperlengkapi dengan membership function
(Fuzzy K- Means) untuk menjadi anggota cluster yang ditemukan.
Permasalahan 4 merupakan
permasalahan umum yang terjadi hampir di setiap metode yang melakukan pemodelan
terhadap data. Khusus untuk metode K-Means hal ini memang menjadi permasalahan
yang cukup menentukan. Beberapa hal yang perlu diperhatikan dalam melakukan
pendeteksian outliers dalam proses pengelompokan data termasuk bagaimana
menentukan apakah suatu data item merupakan outliers dari suatu cluster
tertentu dan apakah data dalam jumlah
kecil yang membentuk suatu cluster tersendiri dapat dianggap sebagai outliers.
Proses ini memerlukan suatu pendekatan khusus yang berbeda dengan proses
pendeteksian outliers di dalam suatu dataset yang hanya terdiri dari satu
populasi yang homogen.
Permasalahan kelima adalah
menyangkut bentuk cluster yang ditemukan. Tidak seperti metode data clustering
lainnya termasuk Mixture Modelling, K-Means umumnya tidak mengindahkan bentuk
dari masing-masing cluster yang mendasari model yang terbentuk, walaupun secara
alamiah masing-masing cluster umumnya berbentuk bundar. Untuk dataset yang
diperkirakan mempunyai bentuk yang tidak biasa, beberapa pendekatan perlu untuk
diterapkan.
Masalah overlapping sebagai
permasalahan terakhir sering sekali diabaikan karena umumnya masalah ini sulit
terdeteksi. Hal ini terjadi untuk metode Hard K-Means dan Fuzzy K-Means, karena
secara teori metode ini tidak diperlengkapi feature untuk mendeteksi apakah di
dalam suatu cluster ada cluster lain yang kemungkinan tersembunyi.
K-Means merupakan metode
data clustering yang digolongkan sebagai metode pengklasifikasian yang bersifat
unsupervised (tanpa arahan). Pengkategorian metodemetode pengklasifikasian data
antara supervised dan unsupervised classification didasarkan pada adanya
dataset yang data itemnya sudah sejak awal mempunyai label kelas dan dataset
yang data itemnya tidak mempunyai label kelas.
Untuk data yang sudah mempunyai label kelas,
metode pengklasifikasian yang digunakan merupakan metode supervised
classification dan untuk data yang belum mempunyai label kelas, metode
pengklasifikasian yang digunakan adalah metode unsupervised classification.
1.2
Kajian
Induktif
Tinjauan Pustaka
tersebut adalah hasil penelitian terdahulu tentang informasi hasil penelitian yang telah dilakukan sebelumnya dan
menghubungkan dengan masalah yang sedang diteliti.
Menurut Imam Adiyana, Fajriya Hakim (2015) dalam jurnal dengan judul Implementasi
text nining pada mesin pencarian twitter untuk menganalisis topik-topik terkait
“KPK dan JOKOWI” dari hasil pembahasan
mengenai aplikasi teks mining untuk penanganan data besar hasil pencarian
topik-topik terkait pada search engine twitter dengan studi kasus topik KPK dan
Jokowi maka dapat ditarik kesimpulan yang menghasilkan sebuah informasi bahwa:
1.
Terdapat kesamaan topik utama yang digunakan pada tweet-tweet
ketika pengguna twitter mencari informasi seputar topik KPK dan Jokowi pada
search engine twitter yaitu topik utama KPK dan Polri.
2.
Berdasarkan ukuran asosiasi kata dengan nilai
korelasi tidak kurang dari 0.30, kata-kata yang berasosiasi dengan kata KPK
adalah kata Polri dan Lapor. Sedangkan kata-kata yang berasosiasi dengan Jokowi
dimana nilai korelasi tidak kurang dari 0.30 adalah kata Widodo, Menghadiri,
Izin, Pintu, Satu, Investor, Urus,
Presiden, Nilai, Aktif, Bahaya, Manuver, Menang, Mulai, Relawan, dan Sejumlah.
Hasil pengelompokan kata berdasarkan tingkat keseringan kata-kata muncul
bersamaan didapatkan 10 kelompok untuk kedua topik (KPK dan Jokowi).
3.
Terdapat kesamaan topik yang dibahas pada
pengelompokan tweet untuk topik KPK dan Jokowi yaitu tweet yang membahas mengenai topik "kpk,
polri, dan jokowi”. Kesamaan-kesamaan penggunaan kata pada tweet untuk dua
topik yang berbeda menunjukan adanya hubungan dari kedua topik tersebut, dimana
ditunjukan dari hasil analisis mengenai data tweet topik KPK dan data tweet
topik Jokowi yang memiliki keseringan dan kesamaan penggunaan kata pada tweet.
Keyword : Teks Mining, Twitter, Mesin Pencarian
Menurut Mohammad Zoqi
Sarwani, Wayan Firdaus Mahmudy (2015) dalam jurnal dengan judul Analisis
Twitter Untuk Mengetahui Karakter Seseorang Menggunakan Algoritma Naïve Bayes
Classifier, maka dapat ditarik kesimpulan yang menghasilkan sebuah informasi
bahwa twitter dapat digunakan sebagai salah satu media untuk mengetahui
kepribadian seseorang melakui posting atau tweets mereka. Selain itu, proses
pengklasifikasian twitter menggunakan metode Naïve Bayess Classificaation juga
mampu memberikan tingkat akurasi yang baik dengan membandingkan hasil
klasifikasi dari sistem dengan hasil dari pakar.
BAB
III
METODE PENELITIAN
Penelitian
ini menggunakan data-data teks pada media sosial twitter yang berkaitan dengan
kata kunci “banjir”. Tujuan akhir penelitian ini adalah dapat mendeskripsikan
topik utama dan kata - kata yang melekat
pada “banjir”, serta mengelompokkan topik - topik lain yang saling berkaitan.
Populasi dari penelitian ini adalah berita/dokumen (teks) pada sosial media
twitter yang termasuk dalam kategori microblogging tentang“banjir”. Tweet-tweet
pengguna pada twitter dapat dijadikan sebagai topik-topik pada media online.
Sampel dan Teknik Pengambilan Sampel Sampel yang diambil adalah teks dari
twitter yang diambil dengan permintaan kepada sistem sebanyak 250 tweet pada periode waktu
tertentu.
Sumber
Data dan Metode Pengumpulan Data Data yang digunakan adalah data primer yang
dikumpulkan dari media sosial twitter. Data diambil dengan cara mendownload dan
mengumpulkan data tweet mengenai banjir
dari
hasil pencarian search engine twitter (mesin pencarian twitter) dan
menyimpannya menggunakan suatu program dengan software “R”. Tahapan Analisis
Data Secara umum, tahapan melakukan analisis text mining dapat digambarkan
dalam diagram alir berikut :
Gambar 3.1 Diagram
alir
BAB
IV
HASIL DAN PEMBAHASAN
Term of Frequency “banjir” berikut ini merupakan gambar term of
frequency topik-topik terkait “banjir”.
tweets <-
userTimeline("banjir", n = 250)
show(tweets)
n.tweet <- length(tweets)
# convert tweets to a data
frame
tweets.df <-
twListToDF(tweets)
myCorpus <-
Corpus(VectorSource(tweets.df$text))
# convert to lower case
myCorpus <-
tm_map(myCorpus, content_transformer(tolower))
# remove URLs
removeURL <- function(x)
gsub("http[^[:space:]]*", "", x)
myCorpus <-
tm_map(myCorpus, content_transformer(removeURL))
# remove anything other than
English letters or space
removeNumPunct <-
function(x) gsub("[^[:alpha:][:space:]]*", "", x)
myCorpus <-
tm_map(myCorpus, content_transformer(removeNumPunct))
# remove stopwords
myStopwords <-
c(setdiff(stopwords('english'), c("r",
"big")),"use", "see", "used",
"via", "amp")
myCorpus <-
tm_map(myCorpus, removeWords, myStopwords)
# remove extra whitespace
myCorpus <-
tm_map(myCorpus, stripWhitespace)
# keep a copy for stem
completion later
myCorpusCopy <- myCorpus
term.freq <-
rowSums(as.matrix(tdm))
tdm <-
TermDocumentMatrix(myCorpus)
term.freq <-
subset(term.freq, term.freq >= 10)
df <- data.frame(term =
names(term.freq), freq = term.freq)
ggplot(df, aes(x=term,
y=freq)) + geom_bar(stat="identity") +
xlab("Terms") +
ylab("Count") + coord_flip() +
theme(axis.text=element_text(size=7))
Gambar 4.1. Barchart yang menunjukan kata-kata yang menjadi
topik utama dan
sering muncul pada “banjir”
Berdasarkan barchart (diagram batang) pada gambar diatas dapat diketahui term of frequency dari kata-kata (topik) lain yang sering muncul bersamaan dengan kata banjir. Term of frequency adalah kata-kata
yang
sering
muncul dari data
teks yang dianalisis, yang ditampilkan dalam bentuk diagram
batang dimana topik utama terkait kata kunci ditampilkan dengan gambar batang yang lebih panjang dibanding lainnya.
Gambar 4.1. barchart
menunjukan kata-kata yang menjadi topik utama dan sering muncul saat pengguna twitter
mencari informasi terkait banjir
pada search engine twitter adalah kata
okezone,dan,online,republika,warga.
#k-means clustering
d <- dist(term.freq,
method="euclidian")
carsCluster <-
kmeans(term.freq, 3)
clusplot(as.matrix(d),
carsCluster$cluster, color=T, shade=T, labels=3, lines=0)
Gambar 4.2. Hasil
klasifikasi tweets berdasarkan plotcluster
Berdasarkan plot diatas, data dapat mengelompok dengan baik sesuai
dengan kesamaan karakteristiknya, cluster 1 ditunjukkan dengan plot berwarna merah,
cluster 2 warna biru, dan cluster 3 berwarna merah muda.
m <- as.matrix(tdm)
# calculate the frequency of
words and sort it by frequency
word.freq <-
sort(rowSums(m), decreasing = T)
# colors
pal <- brewer.pal(9,
"BuGn")[-(1:4)]
# plot word cloud
wordcloud(words =
names(word.freq), freq = word.freq, min.freq = 3,
random.order = F, colors = pal)
Gambar 4.3. Wordcloud
Dari Gambar 4.3, terlihat bahwa Word cloud (awan
kata) adalah kumpulan kata-kata yang paling banyak muncul dalam data teks yang
dianalisis. Kata-kata tersebut
terkumpul seperti sebuah gumpalan awan yang berisi kata-kata
sehingga disebut awan kata. Intensitas keseringan kata yang digunakan,
ditunjukan dengan ukuran huruf pada kata. Semakin besar huruf dari kata yang
terdapat di awan kata menunjukkan semakin sering kata tersebut muncul. Tampilan
awan kata ini lebih menarik serta cepat untuk menemukan kata-kata yang sering
muncul, akan tetapi awan kata memiliki kekurangan yaitu tidak dapat menunjukkan frekuensi kata-kata
muncul dalam suatu teks yang dianalisis.
Berdasarkan gambar 4.3. dapat diketahui kata (topik)
yang sering muncul dalam word cloud bersamaan dengan kata banjir
adalah kata yang menjadi topik utama dan sering muncul saat pengguna twitter
mencari informasi terkait banjir
pada search engine twitter adalah kata
okezone,dan,online,republika,warga.
BAB
V
KESIMPULAN DAN REKOMENDASI
Klustering adalah
mengelompokkan variabel ke dalam kelompok berdasarkan kesamaan tertentu. Sedangkan R adalah suatu perangkat
lunak yang digunakan untuk manipulasi data, perhitungan, simulasi, penayangan
grafik, dan sekaligus sebagai bahasa pemograman yang bersifat interpreter R. Dari hasil pembahasan diatas
mengenai aplikasi teks mining untuk penanganan data besar hasil pencarian
topik-topik terkait pada search engine twitter dengan studi kasus topik banjir maka dapat ditarik
kesimpulan yang menghasilkan sebuah informasi atau pemberitaan yang sedang hangat dibicarakan dan
diberitakan oleh media mengenai
banjir bahwa
terdapat
topik utama yang digunakan pada tweet-tweet ketika pengguna twitter mencari
informasi seputar topik banjir
pada
search engine dapat
diketahui kata (topik) yang sering muncul dalam word cloud bersamaan dengan
kata banjir adalah kata yang
menjadi topik utama dan sering
muncul saat pengguna twitter mencari informasi terkait banjir pada earch engine twitter adalah
kata okezone,dan,online,republika,warga merupakan
topik menarik lain yang cukup sering digunakan terkait pencarian topik banjir.
DAFTAR PUSTAKA
Adiyana Imam dan Fajriya Hakim, 2015 Implementasi text nining pada mesin
pencarian twitter untuk menganalisis topik-topik terkait KPK dan JOKOWI,
Jurnal Prosiding Pendidikan Matematika UMS
Agusta Yudi, 2007. K-Means – Penerapan Permasalahan dan Metode Terkait, Jurnal Sistem dan Informatika Vol. 3 (Pebruari
2007), 47-60.
Zhao,
Yanchang 2011. R and Data Mining:
Examples and Case Studies. Elsevier.
sumber: http:// http://www.rdatamining.com/examples/kmeans-clustering
(29 November 2017)
Irwansyah, Edi. Clustering.
sumber: https://socs.binus.ac.id/2017/03/09/clustering/
(2 Desember 2017)
Komentar
Posting Komentar