MODEL KLASTERISASI DAN ANALISIS SISTEM REKOMENDASI KEPADA PENGGUNA PERPUSTAKAAN UNIVERSITAS 17 AGUSTUS 1945 SURABAYA MENGGUNAKAN K-MEANS
DOI:
https://doi.org/10.70248/jrsit.v2i2.1306Keywords:
K-Means, Clustering, PerpustakaanAbstract
Dalam situasi ini, analisis data menjadi alat yang sangat penting untuk memahami minat membaca pengguna dan mengukur minat mereka terhadap sistem rekomendasi perpustakaan. Untuk menganalisis minat membaca pengguna, algoritma pembelajaran mesin K-means dapat digunakan untuk memberikan informasi yang lebih mendalam dan efektif. Tujuan penelitian ini adalah mengembangkan model clustering menggunakan K-Means untuk menganalisis dan mengklasterkan sistem rekomendasi bagi pengguna perpustakaan melalui top 3 buku pada setiap prodi dengan mengelompokkannya berdasarkan 3 digit pertama NIM (Nomor Induk Mahasiswa). K-Means adalah algoritma clustering yang umum dan mudah dipahami. K-Means clustering adalah algoritma partisi data mining yang populer dan mudah digunakan untuk mengelompokkan data yang tidak berlabel ke dalam kelompok (cluster) berdasarkan kesamaan. Algoritma K-Means bekerja dengan mengelompokkan data berdasarkan jarak ke centroid dan menghitung ulang centroid berdasarkan cluster yang telah terbentuk. Hasil yang didapat dari pengujian yang telah dilakukan dengan metode K-Means adalah didapatkan 16 jumlah cluster berdasarkan pengelompokkan NIM (Nomor Induk Mahasiswa), dari pengelompokan NIM (Nomor Induk Mahasiswa) tersebut menghasilkan rekomendasi buku berupa 3 judul buku dengan frekuensi peminjaman pada setiap pengelompokannya atau clusternya.
References
N. R. Fitradhi, M. Firman Hidayat, T. W. Saputro, M. G. Alifian, and A. P. Sari, “LAPORAN FINAL PROJECT MACHINE LEARNING REKOMENDASI MUSIK SPOTIFY MENGGUNAKAN METODE K-MEANS,” 2023.
H. Tommy Argo Simanjuntak, P. Ephraim Prabowo Silaban, J. Koko Sarasi Manurung, and V. Handayani Sormin, “KLASTERISASI BERITA BAHASA INDONESIA DENGAN MENGGUNAKAN K-MEANS DAN WORD EMBEDDING,” vol. 10, no. 3, pp. 641–652, 2023, doi: 10.25126/jtiik.2023106468.
R. Anjariansyah and A. Triayudi, “Clustering Kebutuhan Makanan untuk Meminimasi Standar Deviasi Angka Kebutuhan Gizi Menggunakan Algoritma K-Means dan K-Medoids,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, p. 597, Jan. 2022, doi: 10.30865/mib.v6i1.3522.
D. A. Fakhri, S. Defit, and Sumijan, “Optimalisasi Pelayanan Perpustakaan terhadap Minat Baca Menggunakan Metode K-Means Clustering,” Jurnal Informasi dan Teknologi, pp. 160–166, Sep. 2021, doi: 10.37034/jidt.v3i3.137.
H. Mutiasari, T. W. Purboyo, and R. A. Nugrahaeni, “SISTEM REKOMENDASI FILM MENGGUNAKAN METODE K-MEANS CLUSTERING (MOVIE RECOMMENDATION SYSTEM USING K-MEANS CLUSTERING METHOD).”
U. Laili Musyarofah, S. Nur Alima, and D. K. Satria Yudha, “Prosiding Seminar Nasional Teknologi dan Sistem Informasi (SITASI) 2022 CLUSTERING METHOD.” [Online]. Available: http://sitasi.upnjatim.ac.id/
N. N. Hasanah and A. S. Purnomo, “Implementasi Data Mining Untuk Pengelompokan Buku Menggunakan Algoritma K-Means Clustering (Studi Kasus : Perpustakaan Politeknik LPP Yogyakarta),” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 4, no. 2, pp. 300–311, Jul. 2022, doi: 10.47233/jteksis.v4i2.499.
D. Siburian, S. Retno Andani, I. Purnama Sari, and G. Artikel, “Implementasi Algoritma K-Means untuk Pengelompokkan Peminjaman Buku Pada Perpustakaan Sekolah Implementation of K-Means Algorithm for Clustering Books Borrowing in School Libraries,” JOMLAI: Journal of Machine Learning and Artificial Intelligence, vol. 1, no. 2, pp. 2828–9099, 2022, doi: 10.55123/jomlai.v1i2.725.
A. Febrianto, S. Achmadi, and A. P. Sasmito, “PENERAPAN METODE K-MEANS UNTUK CLUSTERING PENGUNJUNG PERPUSTAKAAN ITN MALANG,” 2021.
“Implementasi Data Mining Untuk Pengelempokan Buku Di Perpustakaan Yayasan Nurul Islam Indonesia Baru Dengan Metode K-Means Clustering Haryani * , Dicky Nofriansyah ** , Ita Mariami ** * Program Studi Sistem Informasi, STMIK Triguna Dharma ** Program Studi Sistem Informasi, STMIK Triguna Dharma,” 2021, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jct/index
