Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-1

SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI BERBASISMEAN SHIFT CLUSTERING UNTUK PENETAPAN

CALON PESERTA DIKLAT

Wahid RS Nurwidodo1), Mochamad Hariadi 2)

Jurusan Teknik Elektro – FTI, ITS, SurabayaKampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur

wrs.nurwidodo@gmail.com1), mochar@ee.its.ac.id2)

ABSTRAK

Proses penetapan calon peserta diklat secara maksimal belum menggunakan database yangada dan selama ini dinas pendidikan mengirim calon peserta diklat dengan mengambil tenagapendidik yang dekat dengan lingkungan dinas pendidikan, mempunyai hubungan baik danatau mempunyai hubungan kerabat dengan pejabat di dinas pendidikan. Penelitian inibertujuan membangun sistem klasifikasi mean shift clustering, membangun sistem pendukungkeputusan multidimensi berbasis klasifikasi dan mengimplementasikannya untuk penetapancalon peserta diklat. Sistem pendukung keputusan yang berbasis komputer mendukungpengambilan keputusan dalam penetapan calon peserta diklat yang menggunakan prosespemilahan berbagai alternatif untuk memenuhi satu atau beberapa sasaran. Proses pengolahandatabase dalam penelitian ini menggunakan metode Mean Shift Clustering yang merupakanteknik untuk analisis data tanpa pengawasan kuat dari jumlah kluster dan tidak membatasibentuk kluster. Pengolahan data dengan metode tersebut menghasilkan beberapa data sebagaisasaran untuk membantu pengambilan keputusan dalam menetapkan calon perserta diklat.

Kata kunci : peserta diklat, sistem pendukung keputusan, mean shift clustering.

ABSTRACT

The process of determining the maximum potential training participants have not used theexisting database and during this education office sends candidates by take the employee ofeducators that are close to the education office, had strong links and relatives or have linkswith officials in the education office. This study aims to establish a classification system meanshift clustering, construct multidimensional decision support system for based classificationand implement it for determination of potential participants training. Decision support systemwhich computer-based supports decision making in the determination of potential trainingparticipants who use the process of sorting the various alternatives to meet one or multipletargets. The processing of the database in this study using Mean Shift Clustering methodwhich is a technique for data analysis without strong oversight of the number of clusters anddoes not restrict the form of clusters. Data processing method produces some data as a targetto assist decision making in determining the prospective participant training.

Keywords: training participants, decision support systems, the mean shift clustering

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-2

PENDAHULUAN

Studi Literatur

Sistem Pendukung Keputusan MultidimensiSistem merupakan kumpulan elemen yang saling berkaitan yang bertanggung jawab

memproses masukan (input) sehingga menghasilkan keluaran (output). Keputusan merupakankegiatan memilih suatu strategi atau tindakan dalam pemecahan suatu masalah. SistemPendukung Keputusan (Decision Support System) merupakan sistem informasi interaktif yangmenyediakan informasi, pemodelan, dan pemanipulasian data yang digunakan untukmembantu pengambilan keputusan dalam situasi yang semistruktur dan situasi yang yangtidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnyadibuat (Kusrini, 2007).

Multidimensi adalah mempunyai berbagai dimensi yang dalam hal ini diterapkan padaparameter penelitian. Sistem Pendukung Keputusan Multidimensi merupakan sistempendukung keputusan yang menggunakan keputusan semistruktur dan tidak terstruktur untukmenentukan suatu ketetapan. Keputusan semistruktur adalah keputusan yang sebagaian bisadibantu oleh komputer dan yang lain tetap harus dilakukan oleh pengambil keputusan,sedangkan keputusan tidak terstruktur adalah keputusan yang penanganannya rumit karenatidak terjadi berulang-ulang atau tidak selalu terjadi sehingga hal ini menuntut pengalamandan berbagai sumber yang bersifat eksternal.

Klasifikasi Mean Shift Clustering

Data MiningData mining merupakan proses pencarian pola data. Cara kerja data mining adalah

dengan membentuk model dari data yang tersedia, tujuannya agar pola dan korelasi dalamdata dapat lebih mudah dimengerti. Metode data mining dapat berbentuk struktur konsepumum. Keluaran (output) dalam data mining antara lain tree, rule (aturan), jaringan, danpersamaan matematika. Struktur tree dan roduksi rule merupakan struktur yang paling mudahdimengerti dan diterjemahkan oleh manusia. Data mining terdapat fungsi umum, yaituklasifikasi, estimasi (Estimation), prediksi (Predictions), pengelompokan (Unsupervisedclustering), Affinity Grouping dan Deskripsi (Description).

ClusteringClustering adalah proses pengelompokan sejumlah data/obyek kedalam kelompok-

kelompok data (klaster) sehingga setiap klaster akan berisi data yang saling mirip. Clusteringadalah salah satu teknik unsupervised learning dengan kita tidak perlu melatih metodetersebut atau dengan kata lain, tidak ada fase learning. Tujuan dari metode clustering adalahuntuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akanterisi data yang semirip mungkin (Budi Santosa, 2007).

Analisa klaster memegang peran penting dalam pengklasifikasian obyek. Bergantungpada aplikasinya, obyek bisa berupa sinyal, pelanggan, pasien, tanaman, berita dan lain-lain.Teknik klastering adalah teknik nonparametrik yang sangat banyak diaplikasikan dalam kasussehari-hari. Teknik klaster bisa dikelompokkan ke dalam 2 kelas besar yaitu partitioningcluster dan hierarcichal cluster. Ada dua macam teknik klaster yang cukup sering dipakai.Yang pertama adalah k-means (termasuk partitioning cluster) dan yang berikutnya adalahhierarcichal clustering.

Dalam banyak kasus, juga tersedia dalam kasus-kasus informasi data sebelumnya padadomain masalah. Sebagai contoh, pelabelan parsial dari data dapat diperoleh dari proses

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-3

sekunder (misalnya, detektor wajah untuk mengklasifikasikan adegan) atau melalui kontrolpengguna yang sederhana (misalnya, operator manusia untuk segmentasi awal tumor) .

Klasifikasi mean shift clustering merupakan pengelompokan suatu data atau obyekmelalui program computer dengan metode mean shift clustering. Clustering merupakanmetode pengelompokkan sejumlah data atau obyek ke dalam cluster (group) sehingga dalamcluster akan berisi data yang mirip atau hampir sama. Clustering adalah salah satu teknikunsupervised learning dimana tidak perlu melatih metode tersebut atau dengan kata lain tidakada fase learning (Santosa, 2007). Banyak algoritma clustering diperlakukan sebagai saranauntuk mengoptimalkan langkah-langkah tertentu tentang partisi. Misalnya, k-means algoritmabertujuan untuk meminimalkan jumlah dalam-kelompok kesalahan kuadrat, dan entropimaksimum algoritma clustering adalah memaksimalkan entropi sedangkan dengan dalamjumlah kelompok kesalahan squared tetap konstan. Kadang-kadang, itu adalah algoritmasendiri yang ditekankan, misalnya dalam kasus k-means. Pusat-pusat klaster awal, secara acakatau strategis yang dipilih, dan tidak ada jaminan bahwa setiap pelaksanaan algoritma akanmencapai minimum global. Setelah pelaksanaan algoritma, semua orang dapat katakan adalahbahwa minimum lokal tercapai, dan tujuan optimasi menjadi menyesatkan.

Konsep Jarak TerpendekPerhitungan jarak terpendek dirasakan banyak diperlukan dalam berbagai bidang di

antaranya pada tehnik clustering atau pengelompokan yang digunakan pada sistem jaringansaraf (neural network), fuzzy logic dan pengolahan citra (image processing) untuk bidangkedokteran, pengolahan sumber bumi khususnya dan sistem informasi geografi umumnya danlain-lain. Adapun analisis pengelompokan yang sifatnya deterministik dapat digunakanmetoda statistik, akan tetapi untuk teknik pengelompokan yang bersifat stochastik dapatdigunakan fuzzy logic sebagai suatu pendekatan fungsi. Dalam analisis berikut ini akandigunakan beberapa interpretasi geometrik dari vektor-vektor yang mungkin dapat membantudalam perhitungan jarak terpendek (shortest distance) ini, dan selanjutnya dapat diperluasuntuk ruang berdimensi n atau ruang-n. Salah satu keunggulan interpretasi geomerik darivektor-vektor adalah situasi untuk ruang berdimensi dua atau berdimensi tiga secara analogdapat diperluas menjadi ruang-n. Interpretasi vektor secara geometrik dalam ruang-n dapatdipandang sebagai suatu titik dalam ruang koordinat-n dan dapat diartikan pula sebagai suatusegmen garis dari titik pusat ke titik tertentu yang direpresentasikan sebagai vektor.

Jarak antara dua titik (vektor ) a dan b dalam ruang Euclidean-n didefinisikan sebagai:

Misalnya jarak antara titik P(x1,x2) dan titik Q(y1,y2) adalah:

Sifat jarak Euclidean adalah cukup sederhana dan setiap titik dianggap mempunyai kontribusiyang sama.

Algoritma K-Means ClusteringLangkah dasar K-Means Clustering adalah membagi jumlah cluster K (jumlah

kelompok yang dikehendaki) dan mengasumsikan/menentukan centroid atau pertengahancluster. Objek diambil k data pertama sebagai centroid pertama. Dengan algoritma K-meansdilakukan langkah berikut hingga ditemukan hasiliterasi yang stabil :a. Menentukan data centroid, pada sistem ini, ditentukan bahwa centroid pertama adalah n

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-4

data pertama dari data-data yang akan di-clusterb. Menghitung jarak antara centroid dengan masing-masing data.c. Mengelompokkan data berdasarkan jarak minimum.d. Jika penempatan data sudah sama dengan sebelumnya, maka stop. Jika tidak, kembali

Gambar 1 Flow diagram algortitma K-Means Clustering

Latar BelakangUU RI nomor 20 tahun 2003 tentang Sistem Pendidikan Nasional pasal 1 ayat 1

menyatakan bahwa Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasanabelajar dan proses pembelajaran agar peserta didik secara aktif mengembangkan potensidirinya untuk memiliki kekuatan spiritual keagamaan, pengendalian diri, kepribadian,kecerdasan, akhlak mulia, serta keterampilan yang diperlukan dirinya, masyarakat, bangsa dannegara. Dan pasal 26 ayat 4 menyatakan bahwa satuan pendidikan nonformal terdiri ataslembaga kursus, lembaga pelatihan, kelompok belajar, pusat kegiatan belajar masyarakat, danmajelis taklim, serta satuan pendidikan yang sejenis. Dengan terlaksananya pendidikan danpelatihan (diklat) pendidik dan tenaga kependidikan (PTK) diharapkan akan berdampak padameningkatnya mutu pembelajaran dan pendidikan secara berkelanjutan.

Peningkatan mutu pendidikan diiringi pula dengan meningkatnya kualitas sumberdaya pendidikan diantaranya pendidik dan tenaga kependidikan. Mereka ditingkatkanmutunya melalui peningkatan tingkat pendidikan dan pelatihan secara bertahap. Hal ini dapatdilihat dan ditentukan melalui database pendidik dan tenaga kependidikan yang ada dan ter-update. Database pendidik dan tenaga kependidikan merupakan kumpulan informasi pendidikdan tenaga kependidikan yang disimpan di dalam komputer secara sistematik sehingga dapatdiperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis datatersebut, diantaranya berupa data status keaktifan dan kepegawaian, kualifikasi pendidikan,bidang studi yang diajarkan, tingkat sekolah, masa kerja, usia, pangkat/golongan, beban kerja,tugas tambahan dan prestasi kerja. Database tersebut dapat juga diproses dan digunakansebagai penetapan calon peserta diklat sehingga dapat diperoleh peserta diklat sesuai denganmateri yang diselenggarakan.

Persyaratan peserta diklat teknis & fungsional dalam kementerian pendidikan dankebudayaan secara umum adalah PNS yang memenuhi syarat sebagai berikut:1) Pangkat/ Golongan disesuaikan dengan jenis diklat teknis

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-5

2) Pendidikan minimal SLTA3) Sehari-hari bertugas sesuai dengan bidang tugasnya.4) Usia maksimal 50 tahun.5) DP3 dua tahun terakhir rata-rata baik dengan nilai terendah baik6) Ditugaskan oleh atasan langsung yang bersangkutan.7) Kesehatan baik yang dinyatakan oleh dokter.

Adapun usulan calon peserta diklat dilakukan oleh pejabat yang berwenang di instansimasing-masing yaitu :- Calon peserta dari instansi pusat diajukan oleh pejabat pimpinan yang bersangkutan.- Calon peserta dari perguruan tinggi diajukan oleh Rektor/Direktur/BAUK /Pejabat yang

ditunjuk.- Calon peserta dari dinas kabupaten dan kota diajukan/ditugaskan oleh pimpinan yang

besangkutan.Proses penetapan calon peserta diklat di LPMP Provinsi Jawa Timur selama ini secara

maksimal belum menggunakan database yang ada dan diserahkan kepada daerahkabupaten/kota melalui dinas pendidikan setempat. Lembaga pelatihan mengirim surat kepadabupati/walikota melalui dinas pendidikan kab/kota untuk meminta calon peserta diklat. Calonpeserta diklat yang dikirim tidak diadministrasikan dengan baik dan tidak menggunakandatabase yang ada. Dinas pendidikan mengirim calon peserta diklat dengan cara mengambildari tenaga pendidik yang dekat dengan lingkungan dinas pendidikan, mempunyai hubunganbaik dengan dinas pendidikan dan atau mempunyai hubungan kerabat dengan pejabat di dinaspendidikan. Dari pengiriman calon peserta diklat tersebut diperoleh:1. Penetapan calon peserta diklat yang dikirim tidak sesuai dengan persyaratan yang

ditentukan2. Penetapan calon peserta diklat dengan cara kedekatan dan kebijakan pejabat

berwenang3. Frekuensi penetapan calon peserta diklat yang dikirim tidak merata.

Melihat permasalahan tersebut, penelitian ini disusun untuk memberikan usulanalternatif dalam mendukung pemilahan penetapan calon peserta diklat sesuai yang diharapkandan dapat bermanfaat untuk membantu dinas pendidikan kab/kota dalam menentukankeputusan calon peserta diklat yang sesuai dengan persyaratan dan ketentuan dalam pedoman.

Sistem pendukung keputusan (decision support systems) adalah bagian dari sisteminformasi yang berbasis komputer yang dipakai untuk mendukung pengambilan keputusandalam suatu organisasi atau perusahaan. Sistem tersebut sangat berperan dalam penetapancalon peserta diklat yang menggunakan proses pemilihan di berbagai alternatif yang bertujuanuntuk memenuhi satu atau beberapa sasaran. Dari database yang ada diolah melalui programkomputer untuk mendapatkan informasi yang diperlukan dalam menentukan keputusan.Database PTK dapat sebagai alternatif untuk membantu memberikan keputusan penetapancalon peserta diklat. Proses pengolahan database tersebut dalam penelitian ini menggunakanprogram matlab dengan metode Mean Shift Clustering.

Mean shift adalah metode iteratif untuk menemukan titik tetap dari fungsi kepadatan,diwakili oleh satu set sampel. Meskipun prosedur awalnya digambarkan dekade yang lalu,belum populer di mata masyarakat sampai menggunakan potensinya untuk analisis spasial danpemahaman fitur optimasi. Pada saat ini, prosedur mean shift juga digunakan untuk mengubahmedia yang diperlukan untuk berbagai aplikasi visi komputer seperti pelacakan visual, gambarsmoothing dan segmentasi dan menggunakan informasi fusi.

Mean shift clustering merupakan metode algoritma yang digunakan dalam pengolahandata dan program komputer. Penerapan mean shift clustering dapat meningkatkan efisiensiteknik pencarian dalam menganalisis data ekspresi (Danny dan Dorin, 2004) dan

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-6

merepresentasi multiresolusi data yang mengandung kesamaan dan spesifisitas yang menjadidasar dalam penemuan hukum dan akuisisi pengetahuan (Yizong Cheng, 1995). Prosedurmean shift adalah modul komputasi yang berharga yang fleksibilitas dapat membantukomponen penting setiap toolbox visi computer (Dorin Comaniciu dan Meer Peter, 2002).

Dari penelitian yang telah dilakukan, metode mean shift clustering diterapkan dalampengolahan data dalam bentuk citra dan gambar, sedangkan pada peneltian ini akanmenerapkan metode mean shift clustering dalam program untuk mengolah database PTKdalam bentuk data diri yang meliputi usia, masa kerja, golongan dan pendidikan terakhir.Dari hasil pengolahan itu akan didapatkan informasi yang diharapkan dapat membantu dalampengambilan keputusan. Dengan sistem pendukung keputusan melalui program komputeryang menggunakan metode mean shift clustering akan diperoleh penetapan calon pesertadiklat sesuai dengan pedoman yang ditentukan sehingga permasalahan yang dihadapi selamaini bisa terselesaikan.

Rumusan MasalahPada penelitian ini permasalahan yang akan dibahas adalah1. Bagaimana membangun Sistem Klasifikasi Mean Shift Clustering?2. Bagaimana membangun Sistem Pendukung Keputusan Multidimensi berbasis klasifikasi?3. Bagaimana mengimplementasikan Sistem Pendukung Keputusan Multidimensi berbasis

Klasifikasi Mean Shift Clustering untuk Penetapan Calon Peserta Diklat?.

Batasan Masalah- Sampel data menggunakan database PTK di kota Kediri pada jenjang pendidikan dasar

dan menengah.- Parameter yang diukur dalam penetapan calon peserta diklat yaitu usia, masa kerja,

golongan dan pendidikan terakhir.- Penggunaan metode clustering untuk mengelompokkan calon peserta diklat menggunakan

algoritma k-means.- Simulasi data pada penelitian ini menggunakan software MATLAB.

Tujuan PenelitianAdapun tujuan dalam penelitian ini adalah:1. Membangun Sistem Klasifikasi Mean Shift Clustering2. Membangun Sistem Pendukung Keputusan Multidimensi berbasis klasifikasi3. Mengimplementasikan Sistem Pendukung Keputusan Multidimensi berbasis Klasifikasi

Mean Shift Clustering untuk Penetapan Calon Peserta Diklat.

ManfaatDiharapkan penelitian ini dapat memberi kontribusi pada dinas pendidikan dan lembag

diklat dalam mengambil keputusan yang rasional sesuai dengan jenis keputusan yangdiperlukan pada proses penetapan calon peserta diklat dan mampu meminimalisirpermasalahan yang terjadi.

METODE

Pengiriman calon peserta diklat yang selama ini ditetapkan oleh bupati/walikotamelalui dinas pendidikan setempat kurang merata dan tidak sesuai dengan kriteria yangdiharapkan. Hal ini berarti calon peserta diklat mempunyai frekuensi kesempatan mengikutidiklat yang tidak merata sehingga menimbulkan komplain dari berbagai pihak. Penelitian inimemberikan usulan solusi tentang masalah tersebut dengan topik bagaimana menemukan polahubungan informasi yang tersembunyi dalam database tenaga pendidik melalui metode mean

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-7

shift clustering untuk mengambil keputusan penetapan calon peserta diklat. Dari sistemtersebut diharapkan calon peserta diklat mendapat kesempatan mengikuti diklat secara meratadan mempunyai frekuensinya yang tidak jauh berbeda.

Metode yang akan diterapkan dalam penelitian ini menggunakan program komputerberupa matlab yang berbasis Mean Shift Clustering. Program tersebut diharapkan mampumenggali informasi tersembunyi dalam tumpukan database yang diintegrasikan denganpenggunaan algoritma. Database yang digunakan dalam penelitian ini adalah database NomorUnik Pendidik dan Tenaga Kependidikan (NUPTK) Provinsi Jawa Timur yang dikelola olehLPMP Jawa Timur. Database NUPTK adalah data yang berisi sejumlah variabel yangmendeskripsikan tentang data diri PTK dan sekolah. Data diri PTK meliputi nomor registrasi,nama, nomor unik, status pegawai, kualifikasi, jurusan, usia, portofolio/PLPG, matapelajaran yang diampu, matapelajaran yang disertifikasi, jumlah jam per minggu, danpengembangan profesi. Data sekolah terkait dengan nama sekolah, alamat sekolah, jenjangsekolah, status sekolah, dan status akreditasi sekolah. Database yang diolah dalam programmatlab hanya tertuju pada data diri pendidik.

Diagram alur penelitian ini sebagai berikut:

Gambar 2 Bagan diagram alur penelitian

Pada diagram tersebut dapat dijelaskan alur penelitian, dari input data yang berupadatabase data diri tenaga pendidik yang terdiri atas usia, masa kerja, golongan dan pendidikanterakhir. Program matlab mengambil data tersebut untuk diolah sesuai aplikasi mean shiftclustering. Tahap berikutnya program matlab muncul gambar diagram dari hasil databasetersebut. Hasil gambar diagram itulah yang perlu dianalisa dan ditafsirkan untuk mengambilkeputusan yang kemudian ditetapkan calon peserta diklat.

HASIL DAN PEMBAHASAN

Klasterisasi pada penelitian ini menggunakan metode klastering k-means, kmenunjukkan jumlah klaster. Data masukan berupa matriks dengan dimensi yang beragamtergantung jumlah PTK dan parameter pendukungnya. Parameter pendukung sebagai kolommatriks dan jumlah data PTK sebagai baris.

Analisa

Calon Peserta Diklat

Mean Shift Clustering

Preprosesing data

Prosiding Seminar Nasional Manajemen Teknologi XVProgram Studi MMT-ITS, Surabaya 4 Pebruari 2012

ISBN : 978-602-97491-4-4C-15-8

Sampel data pengujian dan analisa klasterisasi data PTK untuk jenjang pendidikandasar dan menengah berikut menggunakan database NUPTK kota Kediri denganpembentukan klaster menggunakan variable-variabel data identitas PTK (usia, golongan, masakerja dan pendidikan terakhir) untuk jenjang pendidikan yang berbeda.

KESIMPULAN DAN SARAN

KesimpulanAdapun kesimpulan dalam penelitian ini adalaha. Sistem Mean Shift Clustering dapat dibangun melalui metode clustering dengan algoritma

K-Means Clustering.b. Klasifikasi hasil K-Means Clustering dapat dijadikan pendukung sebuah keputusanc. Proses sistem pendukung keputusan dapat dilakukan dengan pengolahan Database PTK

metode mean shift clustering sebagai alternatif untuk menentukan calon peserta diklat.

SaranAdapun saran untuk penelitian berikutnya adalaha. Parameter dalam penelitian ini dapat dikembangkan dalam metode lainnya.b. Hasil dari penelitian ini bisa dijadikan sebagai acuan dalam proses pengembangan

pendukung keputusan oleh pihak-pihak terkait.

DAFTAR PUSTAKA

Barash, Dannydan Comani, Dorin. 2004. Meanshift Clustering for DNA Microarray Analysis.Proceedings of the 2004 IEEE Computational Systems Bioinformatics Conference (CSB2004).

Comaniciu, Dorin dan Peter, Meer. 2002. Mean Shift a Robust Approach toward featurespace analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no.5.

Cheng, Yizong. 1995. Mean Shift, Mode Seeking, and Clustering. IEEE Transactions onPattern Analysis and Machine Intelligence, vol. 17, no. 8.

Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: CV AndiOffset.

Kusumadewi, Sri dan Purnomo, Hari. 2010. Aplikasi Logika Fuzzy. Edisi 2. Yogyakarta:Graha Ilmu.

Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Teoridan Aplikasi. Yogyakarta: Graha Ilmu.