Data hasil RISKEDAS JAWA TIMUR merupakan data yang tidak teratur. Hal ini disebabkan karena data tersebut merupakan data riil atau data nyata yang didapatkan dari dari survei lapangan secara langsung. Salah satu metode pengolahan data dengan cara pengelompokan (Clustering) adalah SOM (Self Organizing Map). Sedangkan penggunaan Cluster validation dalam SOM bertujuan untuk meningkatkan akurasi hasil analisa data. Cluster Validation terdiri dari IDB dan Index DUNN. Pada proses awal akan dilakukan Clustering menggunakan SOM untuk menentukan Cluster-Cluster dari data yang sudah ada. Kemudian dilanjutkan dengan proses Validation menggunakan IDB dan I-DUNN. Hasil yang dicapai pada penelitian ini sesuai uji coba yang telah dilakukan pada modul data penyakit mata dengan record kabupaten di jawa timur di hasilkan nilai IDB dengan hasil nilai terbesar ada pada tiga Cluster dengan nilai 32,8657368103193, dan nilai terkecil ada pada sepuluh cluster dengan Nilai 9,85972104309579 sedangkan nilai I-DUNN nya dengan hasil terkecil ada pada tiga Cluster dengan nilai 0,666666666666667 dan nilai terbesar terdapat pada sepuluh Cluster dengan nilai 0,9. Sehingga dapat disimpulkan bahwa metode Cluster SOM mengunakan Cluster validation IDB semakin kecil nilai yang dihasilkan maka semakin bagus hasilnya sedangkan mengunakan Cluster validation I-DUNN semakin besar nilai yang dihasilkan maka semakin bagus hasil yang di dapat.


Deskripsi Lain

EAST JAVA RISKEDAS outcome data is data that is not regular. This is because the data is real data or real data obtained from a survey of the field directly. One method of processing data by grouping (clustering) is the SOM (Self Organizing Map). While the use of cluster validation in SOM aims to improve the accuracy of the data analysis. Cluster Validation Index is composed of the IDB and DUNN. At the beginning of the process will be done Clustering using SOM to determine the Cluster-Cluster of existing data. Validation process is done using the IDB and the I-DUNN. The results achieved in this study according trials that have been performed on the data module to record eye disease districts in eastern Java in the results produced by the IDB values ​​greatest value is in the three clusters with a value of 32.8657368103193, and the smallest value is in the ten clusters with Value 9.85972104309579 while the I-DUNN her with the smallest existing results on three clusters with a value of 0.666666666666667 and largest values ​​contained in the ten clusters with a value of 0.9. It can be concluded that the method of cluster validation using the SOM Cluster IDB produced the smaller the value, the better the result while using the Cluster Validation I-DUNN greater the value, the better the results generated in the can.

• RANCANG BANGUN APLIKASI PEMILIHAN TEKNIK REKAYASA KEBUTUHAN MENGGUNAKAN METODE SELF ORGANIZING MAP BERBASIS EUCLIDEAN DISTANCE DAN CANBERRA DISTANCE MATRIX
• RANCANG BANGUN APLIKASI SEARCH ENGINE DAN SISTEM PENDETEKSI PLAGIARISME MENGGUNAKAN METODE LSA-SOM
• PENGELOMPOKAN LAHAN MENGGUNAKAN METODE HYBRID K-MEANS CLUSTERING DENGAN DAVIES BOULDIN INDEX (DBI)
• PENGELOMPOKAN KECAMATAN BERDASARKAN INDIKATOR PEMERATAAN PENDIDIKAN MENGGUNAKAN PARTITION AROUND MEDOIDS (PAM)
• Pengelompokan Kecamatan Di Pulau Madura Berdasarkan Indikator Pemerataan Pendidikan Menggunakan Metode K-Means Clustering Berbasis Smarter (Simple Multy Attribute Rating Technique Exploiting Ranks Method)