Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI BERBASIS MEAN SHIFT CLUSTERING UNTUK PENETAPAN CALON PESERTA DIKLAT Wahid RS Nurwidodo1), Mochamad Hariadi 2) Jurusan Teknik Elektro – FTI, ITS, Surabaya Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur
[email protected]),
[email protected]) ABSTRAK Proses penetapan calon peserta diklat secara maksimal belum menggunakan database yang ada dan selama ini dinas pendidikan mengirim calon peserta diklat dengan mengambil tenaga pendidik yang dekat dengan lingkungan dinas pendidikan, mempunyai hubungan baik dan atau mempunyai hubungan kerabat dengan pejabat di dinas pendidikan. Penelitian ini bertujuan membangun sistem klasifikasi mean shift clustering, membangun sistem pendukung keputusan multidimensi berbasis klasifikasi dan mengimplementasikannya untuk penetapan calon peserta diklat. Sistem pendukung keputusan yang berbasis komputer mendukung pengambilan keputusan dalam penetapan calon peserta diklat yang menggunakan proses pemilahan berbagai alternatif untuk memenuhi satu atau beberapa sasaran. Proses pengolahan database dalam penelitian ini menggunakan metode Mean Shift Clustering yang merupakan teknik untuk analisis data tanpa pengawasan kuat dari jumlah kluster dan tidak membatasi bentuk kluster. Pengolahan data dengan metode tersebut menghasilkan beberapa data sebagai sasaran 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 the existing database and during this education office sends candidates by take the employee of educators that are close to the education office, had strong links and relatives or have links with officials in the education office. This study aims to establish a classification system mean shift clustering, construct multidimensional decision support system for based classification and implement it for determination of potential participants training. Decision support system which computer-based supports decision making in the determination of potential training participants who use the process of sorting the various alternatives to meet one or multiple targets. The processing of the database in this study using Mean Shift Clustering method which is a technique for data analysis without strong oversight of the number of clusters and does not restrict the form of clusters. Data processing method produces some data as a target to assist decision making in determining the prospective participant training. Keywords: training participants, decision support systems, the mean shift clustering
ISBN : 978-602-97491-4-4 C-15-1
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
PENDAHULUAN Studi Literatur Sistem Pendukung Keputusan Multidimensi Sistem merupakan kumpulan elemen yang saling berkaitan yang bertanggung jawab memproses masukan (input) sehingga menghasilkan keluaran (output). Keputusan merupakan kegiatan memilih suatu strategi atau tindakan dalam pemecahan suatu masalah. Sistem Pendukung Keputusan (Decision Support System) merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data yang digunakan untuk membantu pengambilan keputusan dalam situasi yang semistruktur dan situasi yang yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat (Kusrini, 2007). Multidimensi adalah mempunyai berbagai dimensi yang dalam hal ini diterapkan pada parameter penelitian. Sistem Pendukung Keputusan Multidimensi merupakan sistem pendukung keputusan yang menggunakan keputusan semistruktur dan tidak terstruktur untuk menentukan suatu ketetapan. Keputusan semistruktur adalah keputusan yang sebagaian bisa dibantu oleh komputer dan yang lain tetap harus dilakukan oleh pengambil keputusan, sedangkan keputusan tidak terstruktur adalah keputusan yang penanganannya rumit karena tidak terjadi berulang-ulang atau tidak selalu terjadi sehingga hal ini menuntut pengalaman dan berbagai sumber yang bersifat eksternal. Klasifikasi Mean Shift Clustering Data Mining Data mining merupakan proses pencarian pola data. Cara kerja data mining adalah dengan membentuk model dari data yang tersedia, tujuannya agar pola dan korelasi dalam data dapat lebih mudah dimengerti. Metode data mining dapat berbentuk struktur konsep umum. Keluaran (output) dalam data mining antara lain tree, rule (aturan), jaringan, dan persamaan matematika. Struktur tree dan roduksi rule merupakan struktur yang paling mudah dimengerti dan diterjemahkan oleh manusia. Data mining terdapat fungsi umum, yaitu klasifikasi, estimasi (Estimation), prediksi (Predictions), pengelompokan (Unsupervised clustering), Affinity Grouping dan Deskripsi (Description). Clustering Clustering adalah proses pengelompokan sejumlah data/obyek kedalam kelompokkelompok data (klaster) sehingga setiap klaster akan berisi data yang saling mirip. Clustering adalah salah satu teknik unsupervised learning dengan kita tidak perlu melatih metode tersebut atau dengan kata lain, tidak ada fase learning. Tujuan dari metode clustering adalah untuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akan terisi data yang semirip mungkin (Budi Santosa, 2007). Analisa klaster memegang peran penting dalam pengklasifikasian obyek. Bergantung pada aplikasinya, obyek bisa berupa sinyal, pelanggan, pasien, tanaman, berita dan lain-lain. Teknik klastering adalah teknik nonparametrik yang sangat banyak diaplikasikan dalam kasus sehari-hari. Teknik klaster bisa dikelompokkan ke dalam 2 kelas besar yaitu partitioning cluster dan hierarcichal cluster. Ada dua macam teknik klaster yang cukup sering dipakai. Yang pertama adalah k-means (termasuk partitioning cluster) dan yang berikutnya adalah hierarcichal clustering. Dalam banyak kasus, juga tersedia dalam kasus-kasus informasi data sebelumnya pada domain masalah. Sebagai contoh, pelabelan parsial dari data dapat diperoleh dari proses
ISBN : 978-602-97491-4-4 C-15-2
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
sekunder (misalnya, detektor wajah untuk mengklasifikasikan adegan) atau melalui kontrol pengguna yang sederhana (misalnya, operator manusia untuk segmentasi awal tumor) . Klasifikasi mean shift clustering merupakan pengelompokan suatu data atau obyek melalui program computer dengan metode mean shift clustering. Clustering merupakan metode pengelompokkan sejumlah data atau obyek ke dalam cluster (group) sehingga dalam cluster akan berisi data yang mirip atau hampir sama. Clustering adalah salah satu teknik unsupervised learning dimana tidak perlu melatih metode tersebut atau dengan kata lain tidak ada fase learning (Santosa, 2007). Banyak algoritma clustering diperlakukan sebagai sarana untuk mengoptimalkan langkah-langkah tertentu tentang partisi. Misalnya, k-means algoritma bertujuan untuk meminimalkan jumlah dalam-kelompok kesalahan kuadrat, dan entropi maksimum algoritma clustering adalah memaksimalkan entropi sedangkan dengan dalam jumlah kelompok kesalahan squared tetap konstan. Kadang-kadang, itu adalah algoritma sendiri yang ditekankan, misalnya dalam kasus k-means. Pusat-pusat klaster awal, secara acak atau strategis yang dipilih, dan tidak ada jaminan bahwa setiap pelaksanaan algoritma akan mencapai minimum global. Setelah pelaksanaan algoritma, semua orang dapat katakan adalah bahwa minimum lokal tercapai, dan tujuan optimasi menjadi menyesatkan. Konsep Jarak Terpendek Perhitungan jarak terpendek dirasakan banyak diperlukan dalam berbagai bidang di antaranya pada tehnik clustering atau pengelompokan yang digunakan pada sistem jaringan saraf (neural network), fuzzy logic dan pengolahan citra (image processing) untuk bidang kedokteran, pengolahan sumber bumi khususnya dan sistem informasi geografi umumnya dan lain-lain. Adapun analisis pengelompokan yang sifatnya deterministik dapat digunakan metoda statistik, akan tetapi untuk teknik pengelompokan yang bersifat stochastik dapat digunakan fuzzy logic sebagai suatu pendekatan fungsi. Dalam analisis berikut ini akan digunakan beberapa interpretasi geometrik dari vektor-vektor yang mungkin dapat membantu dalam perhitungan jarak terpendek (shortest distance) ini, dan selanjutnya dapat diperluas untuk ruang berdimensi n atau ruang-n. Salah satu keunggulan interpretasi geomerik dari vektor-vektor adalah situasi untuk ruang berdimensi dua atau berdimensi tiga secara analog dapat diperluas menjadi ruang-n. Interpretasi vektor secara geometrik dalam ruang-n dapat dipandang sebagai suatu titik dalam ruang koordinat-n dan dapat diartikan pula sebagai suatu segmen 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 kontribusi yang sama. Algoritma K-Means Clustering Langkah dasar K-Means Clustering adalah membagi jumlah cluster K (jumlah kelompok yang dikehendaki) dan mengasumsikan/menentukan centroid atau pertengahan cluster. Objek diambil k data pertama sebagai centroid pertama. Dengan algoritma K-means dilakukan langkah berikut hingga ditemukan hasil iterasi yang stabil : a. Menentukan data centroid, pada sistem ini, ditentukan bahwa centroid pertama adalah n ISBN : 978-602-97491-4-4 C-15-3
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
data pertama dari data-data yang akan di-cluster b. 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 Belakang UU RI nomor 20 tahun 2003 tentang Sistem Pendidikan Nasional pasal 1 ayat 1 menyatakan bahwa Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana belajar dan proses pembelajaran agar peserta didik secara aktif mengembangkan potensi dirinya untuk memiliki kekuatan spiritual keagamaan, pengendalian diri, kepribadian, kecerdasan, akhlak mulia, serta keterampilan yang diperlukan dirinya, masyarakat, bangsa dan negara. Dan pasal 26 ayat 4 menyatakan bahwa satuan pendidikan nonformal terdiri atas lembaga kursus, lembaga pelatihan, kelompok belajar, pusat kegiatan belajar masyarakat, dan majelis taklim, serta satuan pendidikan yang sejenis. Dengan terlaksananya pendidikan dan pelatihan (diklat) pendidik dan tenaga kependidikan (PTK) diharapkan akan berdampak pada meningkatnya mutu pembelajaran dan pendidikan secara berkelanjutan. Peningkatan mutu pendidikan diiringi pula dengan meningkatnya kualitas sumber daya pendidikan diantaranya pendidik dan tenaga kependidikan. Mereka ditingkatkan mutunya melalui peningkatan tingkat pendidikan dan pelatihan secara bertahap. Hal ini dapat dilihat dan ditentukan melalui database pendidik dan tenaga kependidikan yang ada dan terupdate. Database pendidik dan tenaga kependidikan merupakan kumpulan informasi pendidik dan tenaga kependidikan yang disimpan di dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut, 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 digunakan sebagai penetapan calon peserta diklat sehingga dapat diperoleh peserta diklat sesuai dengan materi yang diselenggarakan. Persyaratan peserta diklat teknis & fungsional dalam kementerian pendidikan dan kebudayaan secara umum adalah PNS yang memenuhi syarat sebagai berikut: 1) Pangkat/ Golongan disesuaikan dengan jenis diklat teknis ISBN : 978-602-97491-4-4 C-15-4
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
2) 3) 4) 5) 6) 7)
Pendidikan minimal SLTA Sehari-hari bertugas sesuai dengan bidang tugasnya. Usia maksimal 50 tahun. DP3 dua tahun terakhir rata-rata baik dengan nilai terendah baik Ditugaskan oleh atasan langsung yang bersangkutan. Kesehatan baik yang dinyatakan oleh dokter. Adapun usulan calon peserta diklat dilakukan oleh pejabat yang berwenang di instansi masing-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 daerah kabupaten/kota melalui dinas pendidikan setempat. Lembaga pelatihan mengirim surat kepada bupati/walikota melalui dinas pendidikan kab/kota untuk meminta calon peserta diklat. Calon peserta diklat yang dikirim tidak diadministrasikan dengan baik dan tidak menggunakan database yang ada. Dinas pendidikan mengirim calon peserta diklat dengan cara mengambil dari tenaga pendidik yang dekat dengan lingkungan dinas pendidikan, mempunyai hubungan baik dengan dinas pendidikan dan atau mempunyai hubungan kerabat dengan pejabat di dinas pendidikan. Dari pengiriman calon peserta diklat tersebut diperoleh: 1. Penetapan calon peserta diklat yang dikirim tidak sesuai dengan persyaratan yang ditentukan 2. Penetapan calon peserta diklat dengan cara kedekatan dan kebijakan pejabat berwenang 3. Frekuensi penetapan calon peserta diklat yang dikirim tidak merata. Melihat permasalahan tersebut, penelitian ini disusun untuk memberikan usulan alternatif dalam mendukung pemilahan penetapan calon peserta diklat sesuai yang diharapkan dan dapat bermanfaat untuk membantu dinas pendidikan kab/kota dalam menentukan keputusan calon peserta diklat yang sesuai dengan persyaratan dan ketentuan dalam pedoman. Sistem pendukung keputusan (decision support systems) adalah bagian dari sistem informasi yang berbasis komputer yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Sistem tersebut sangat berperan dalam penetapan calon peserta diklat yang menggunakan proses pemilihan di berbagai alternatif yang bertujuan untuk memenuhi satu atau beberapa sasaran. Dari database yang ada diolah melalui program komputer untuk mendapatkan informasi yang diperlukan dalam menentukan keputusan. Database PTK dapat sebagai alternatif untuk membantu memberikan keputusan penetapan calon peserta diklat. Proses pengolahan database tersebut dalam penelitian ini menggunakan program 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 dan pemahaman fitur optimasi. Pada saat ini, prosedur mean shift juga digunakan untuk mengubah media yang diperlukan untuk berbagai aplikasi visi komputer seperti pelacakan visual, gambar smoothing dan segmentasi dan menggunakan informasi fusi. Mean shift clustering merupakan metode algoritma yang digunakan dalam pengolahan data dan program komputer. Penerapan mean shift clustering dapat meningkatkan efisiensi teknik pencarian dalam menganalisis data ekspresi (Danny dan Dorin, 2004) dan ISBN : 978-602-97491-4-4 C-15-5
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
merepresentasi multiresolusi data yang mengandung kesamaan dan spesifisitas yang menjadi dasar dalam penemuan hukum dan akuisisi pengetahuan (Yizong Cheng, 1995). Prosedur mean shift adalah modul komputasi yang berharga yang fleksibilitas dapat membantu komponen penting setiap toolbox visi computer (Dorin Comaniciu dan Meer Peter, 2002). Dari penelitian yang telah dilakukan, metode mean shift clustering diterapkan dalam pengolahan data dalam bentuk citra dan gambar, sedangkan pada peneltian ini akan menerapkan metode mean shift clustering dalam program untuk mengolah database PTK dalam bentuk data diri yang meliputi usia, masa kerja, golongan dan pendidikan terakhir. Dari hasil pengolahan itu akan didapatkan informasi yang diharapkan dapat membantu dalam pengambilan keputusan. Dengan sistem pendukung keputusan melalui program komputer yang menggunakan metode mean shift clustering akan diperoleh penetapan calon peserta diklat sesuai dengan pedoman yang ditentukan sehingga permasalahan yang dihadapi selama ini bisa terselesaikan. Rumusan Masalah Pada penelitian ini permasalahan yang akan dibahas adalah 1. 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 Penelitian Adapun tujuan dalam penelitian ini adalah: 1. Membangun Sistem Klasifikasi Mean Shift Clustering 2. Membangun Sistem Pendukung Keputusan Multidimensi berbasis klasifikasi 3. Mengimplementasikan Sistem Pendukung Keputusan Multidimensi berbasis Klasifikasi Mean Shift Clustering untuk Penetapan Calon Peserta Diklat. Manfaat Diharapkan penelitian ini dapat memberi kontribusi pada dinas pendidikan dan lembag diklat dalam mengambil keputusan yang rasional sesuai dengan jenis keputusan yang diperlukan pada proses penetapan calon peserta diklat dan mampu meminimalisir permasalahan yang terjadi. METODE Pengiriman calon peserta diklat yang selama ini ditetapkan oleh bupati/walikota melalui dinas pendidikan setempat kurang merata dan tidak sesuai dengan kriteria yang diharapkan. Hal ini berarti calon peserta diklat mempunyai frekuensi kesempatan mengikuti diklat yang tidak merata sehingga menimbulkan komplain dari berbagai pihak. Penelitian ini memberikan usulan solusi tentang masalah tersebut dengan topik bagaimana menemukan pola hubungan informasi yang tersembunyi dalam database tenaga pendidik melalui metode mean ISBN : 978-602-97491-4-4 C-15-6
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
shift clustering untuk mengambil keputusan penetapan calon peserta diklat. Dari sistem tersebut diharapkan calon peserta diklat mendapat kesempatan mengikuti diklat secara merata dan mempunyai frekuensinya yang tidak jauh berbeda. Metode yang akan diterapkan dalam penelitian ini menggunakan program komputer berupa matlab yang berbasis Mean Shift Clustering. Program tersebut diharapkan mampu menggali informasi tersembunyi dalam tumpukan database yang diintegrasikan dengan penggunaan algoritma. Database yang digunakan dalam penelitian ini adalah database Nomor Unik Pendidik dan Tenaga Kependidikan (NUPTK) Provinsi Jawa Timur yang dikelola oleh LPMP Jawa Timur. Database NUPTK adalah data yang berisi sejumlah variabel yang mendeskripsikan tentang data diri PTK dan sekolah. Data diri PTK meliputi nomor registrasi, nama, nomor unik, status pegawai, kualifikasi, jurusan, usia, portofolio/PLPG, mata pelajaran yang diampu, matapelajaran yang disertifikasi, jumlah jam per minggu, dan pengembangan profesi. Data sekolah terkait dengan nama sekolah, alamat sekolah, jenjang sekolah, status sekolah, dan status akreditasi sekolah. Database yang diolah dalam program matlab hanya tertuju pada data diri pendidik. Diagram alur penelitian ini sebagai berikut: Preprosesing data
Mean Shift Clustering
Analisa
Calon Peserta Diklat Gambar 2 Bagan diagram alur penelitian
Pada diagram tersebut dapat dijelaskan alur penelitian, dari input data yang berupa database data diri tenaga pendidik yang terdiri atas usia, masa kerja, golongan dan pendidikan terakhir. Program matlab mengambil data tersebut untuk diolah sesuai aplikasi mean shift clustering. Tahap berikutnya program matlab muncul gambar diagram dari hasil database tersebut. Hasil gambar diagram itulah yang perlu dianalisa dan ditafsirkan untuk mengambil keputusan yang kemudian ditetapkan calon peserta diklat. HASIL DAN PEMBAHASAN Klasterisasi pada penelitian ini menggunakan metode klastering k-means, k menunjukkan jumlah klaster. Data masukan berupa matriks dengan dimensi yang beragam tergantung jumlah PTK dan parameter pendukungnya. Parameter pendukung sebagai kolom matriks dan jumlah data PTK sebagai baris. ISBN : 978-602-97491-4-4 C-15-7
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
Sampel data pengujian dan analisa klasterisasi data PTK untuk jenjang pendidikan dasar dan menengah berikut menggunakan database NUPTK kota Kediri dengan pembentukan klaster menggunakan variable-variabel data identitas PTK (usia, golongan, masa kerja dan pendidikan terakhir) untuk jenjang pendidikan yang berbeda. KESIMPULAN DAN SARAN Kesimpulan Adapun kesimpulan dalam penelitian ini adalah a. Sistem Mean Shift Clustering dapat dibangun melalui metode clustering dengan algoritma K-Means Clustering. b. Klasifikasi hasil K-Means Clustering dapat dijadikan pendukung sebuah keputusan c. Proses sistem pendukung keputusan dapat dilakukan dengan pengolahan Database PTK metode mean shift clustering sebagai alternatif untuk menentukan calon peserta diklat. Saran Adapun saran untuk penelitian berikutnya adalah a. 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 (CSB 2004). Comaniciu, Dorin dan Peter, Meer. 2002. Mean Shift a Robust Approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5. Cheng, Yizong. 1995. Mean Shift, Mode Seeking, and Clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 17, no. 8. Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: CV Andi Offset. 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, Teori dan Aplikasi. Yogyakarta: Graha Ilmu.
ISBN : 978-602-97491-4-4 C-15-8