Clustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means 1)
Ginanjar Abdurrahman 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No. 49 Jember Kode Pos 68121 1) Email:
[email protected] ABSTRAK Ilmu pengetahuan dan teknologi akan mempermudah pekerjaan manusia. Namun, disisi lain akan meningkatkan persaingan. Dalam menghadapi ketatnya persaingan, perlu dipersiapkan sumber daya manusia yang kompeten. Mahasiswa diharapkan siap secara akademik, berupa kesiapan pengetahuan maupun keterampilan untuk menghadapi persaingan yang semakin ketat. Salah satu cara untuk melihat kompetensi mahasiswa adalah dengan melihat hasil belajar yang dapat direpresentasikan dengan nilai ujian yang ditempuh. Ujian tengah semester (UTS) merupakan salah satu bentuk ujian yang menjadi komponen penilaian. Dengan mengetahui nilai UTS, dosen mengetahui sebaran mahasiswa dalam hal kompetensi akademik. Untuk itulah, diperlukan pengelompokan (clustering) menggunakan algoritma k-means sebagai pertimbangan dosen dalam membentuk kelompok belajar mahasiswa berdasarkan cluster nilai UTS. Kata kunci: UTS, Kompetensi, Clustering, K-means
1. PENDAHULUAN Di satu sisi, perkembangan ilmu pengetahuan dan teknologi akan mempermudah pekerjaan manusia. Namun, di lain sisi hal ini akan meningkatkan persaingan baik itu persaingan lokal maupun global. Untuk menghadapi persaingan, perlu dipersiapkan sumber daya manusia. Dalam hal ini mahasiswa yang kompeten dalam bidang akademik berupa pengetahuan dan keterampilan. Salah satu cara untuk mengukur kompetensi akademik adalah dengan nilai mata kuliah. Permendikbud nomor 66 tahun 2013 tentang Standar Penilaian Pendidikan menyebutkan bahwa penilaian adalah proses pengumpulan dan pengolahan informasi untuk mengukur pencapaian hasil belajar peserta didik, dalam hal ini adalah mahasiswa. Sedangkan untuk mengetahui tingkat kompetensi akademik, diperlukan suatu prosedur penilaian yakni
71
tes/ujian (Gronlud, 1977:1). Ada beberapa komponen penilaian dalam menentukan nilai akhir mata kuliah di tingkat pendidikan tinggi, yang salah satunya adalah nilai Ujian Tengah Semester (UTS). Dengan mengetahui nilai UTS, dosen dapat mengetahui sebaran mahasiswa dalam hal kompetensi akademik. Dengan pertimbangan tersebut, maka perlu diadakan pengelompokan mahasiswa berdasarkan nilai UTS agar dosen dapat menerapkan metode pembelajaran yang tepat dan menjadi bahan pertimbangan untuk pembentukan kelompok belajar sesuai dengan sebaran kemampuan akademik mahasiswa. Salah satu metode untuk pengelompokan adalah metode clustering dengan algoritma k-means. Algoritma k-means dipilih karena sederhana dan dimulai dengan deskripsi dasar algoritma (Tan, Steinbech, & Kumar, 2006:497). Selain itu, k-means juga dapat digunakan untuk
Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79
data berukuran besar dan sangat efisien (Tan, Steinbech, & Kumar, 2006:510). Pada Penelitian ini, dataset berupa hasil UTS mata kuliah Data Mining yang akan dikelompokkan dengan metode clustering menggunakan algoritma k-means dengan bantuan program aplikasi WEKA 3.6. 2. TINJAUAN PUSTAKA 2.1 Data Mining Data mining merupakan proses dalam menemukan hubungan yang berarti, pola dan tren dengan memeriksa data berukuran besar dalam suatu penyimpanan dengan menggunakan teknologi pengenalan pola, misalnya statistik dan matematika. Hal ini sesuai dengan definisi yang dikemukakan oleh Gartner Group dalam Larose (2005:2) yaitu “Data mining is the process of discovering meaningful new correlations, patterns and trends by sifting through large amounts of data stored in repositories, using pattern recognition technologies as well as statistical and mathematical techniques”. Data mining juga dapat diartikan sebagai proses menemukan pola dalam data. Hal ini dikemukakan oleh Witten, Frank, & Hall (2011:5) yaitu “Data mining is defined as the process of discovering patterns in data”. Sedangkan menurut Hand et al dalam (Larose, 2005:2) yaitu “Data mining is the analysis of (often large) data sets to find unsuspected relationships and to summarize the data that are both understandable and useful”. Hal ini berarti bahwa data mining merupakan analisis dari data berukuran besar untuk menemukan hubungan tak terduga dan meringkas data agar dapat dipahami dan dapat digunakan. Menurut Pramudiono (Kusrini & Luthfi, 2009: 3) Data Mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang
selama ini tidak diketahui secara manual. Masih menurut Pramudiono (Kusrini & Luthfi, 2009:6) menyatakan bahwa Data Mining diidentikkan dengan knowledge discovery in database (KDD) yang mempunyai definisi proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Dari beberapa pengertian di atas, dapat disimpulkan bahwa Data Mining merupakan serangkaian proses dalam pencarian pola, hubungan, penggalian nilai tambah dari data dan informasi yang berukuran besar berupa pengetahuan dengan tujuan menemukan hubungan dan menyederhanakan data agar diperoleh informasi yang dapat dipahami dan bermanfaat dengan bantuan ilmu statistik dan matematika. Secara garis besar tahap-tahap Data Mining terdiri dari selection, preprocessing, transformation, data mining, interpretation/evaluation (Fayyad dalam Kusrini & Luthfi, 2009: 3). Dalam Data Mining, umumnya metode penelitian berkaitan dengan klasifikasi, clustering, dan Asosiasi. Metode klasifikasi adalah metode yang melibatkan variabel kategori (Larose, 2005:14) yang artinya suatu objek dinyatakan ke salah satu kategori atau kategori yang lain. Metode dalam Data Mining yang merupakan klasifikasi diantaranya adalah C.4.5, Nearest Neighbor, Naïve bayesian, back propagation. Metode clustering merupakan metode pengelompokan data, observasi, atau kasus menjadi kelas objek-objek yang serupa. Sedangkan cluster didefinisikan sebagai kumpulan data yang sama satu sama lain, dan tidak sama dengan data di lain cluster. Metode clustering mencari segmen keseluruhan data menjadi subgrup-subgrup yang relatif homogen atau biasa disebut sebagai cluster (Larose, 2005: 16). Menurut Wu & Kumar (2009:33) algoritma
72
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016
clustering menempatkan data-data yang sama pada satu kelompok (cluster), sedangkan data yang tidak sama pada kelompok (cluster) yang lain. Contoh metode clustering ini adalah algoritma Kmeans, algoritma Agglomerative Hierarchical Clustering, Divisive Hierarchical Clustering. Sedangkan asosiasi sering disebut sebagai analisis keranjang belanja (market basket analysis) merupakan metode dalam Data Mining untuk menemukan aturan untuk mengukur hubungan antara dua atau lebih atribut. Aturan asosiasi biasanya dinyatakan dalam bentuk jika anteseden, maka konsekuen, bersama dengan besarnya nilai support dan confidence yang berasosiasi dengan aturannya (Larose, 2005:17). Contoh metode ini adalah algoritma FP-Growth, algoritma Apriori. 2.2 Algoritma K-means Algoritma K-means merupakan salah satu algoritma clustering (pengelompokan). K-means clustering merupakan metode clustering non-hirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokkan dalam satu cluster/kelompok dan data yang memiliki karakteristik yang berbeda dikelompokkan dengan cluster/kelompok yang lain, sehingga data yang berada dalam satu cluster/kelompok memiliki tingkat variasi kecil (Agusta, 2007). Sedangkan menurut Wu & Kumar (2009:33) K-means adalah algoritma clustering yang mempartisi himpunan D menjadi k cluster data. Algoritma K-means mengklaster semua titik data pada D sedemikian sehingga titik data xi menjadi satu-satunya k partisi. Dengan kata lain, satu titik data hanya masuk ke dalam satu cluster.
73
Adapun langkah-langkah dari algoritma K-means adalah sebagai berikut (Tan, Steinbech, & Kumar, 2006:497). 1. Tentukan K data sebagai centroid, K adalah jumlah cluster yang diinginkan (ditentukan oleh peneliti). 2. Tiap titik (data) kemudian dicari centroid terdekatnya. 3. Setiap himpunan titik (data) yang menjadi centroid disebut cluster. 4. Hitung kembali centroid dari setiap cluster. 5. Ulangi langkah 1-4 sampai centroid tidak berubah. Metode clustering menggunakan Algoritma K-means, ukuran kedekatan data dihitung menggunakan jarak Euclidean. Algoritma K-means bertujuan untuk meminimumkan jarak total Euclidean diantara setiap titik xi, dan cluster terdekat yakni cj (Wu & Kumar, 2009:23). Jarak Euclidean ditentukan dengan menggunakan persamaan 2.1 berikut ini (Agusta, 2007).
dij
n
2
xik x jk
…. (2.1)
k 1
Keterangan: dij = jarak antara data ke-i dan data kej n = dimensi data xik = koordinat data ke-i pada dimensi k xjk = koordinat data ke-j pada dimensi k Sedangkan menurut Hans & Kamber (2016) algoritma k-means membagi data ke dalam k-buah cluster yang telah ditentukan. Ada beberapa cara yang dapat digunakan untuk menghitung jarak yaitu antara lain dengan menggunakan Euclidean distance, Manhattan distance, dan Chebisev distance. Masing-masing
Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79
cara perhitungan jarak tersebut dijelaskan sebagai berikut ini. 1. Euclidean Distance Formula untuk menghitung jarak antar dengan Euclidean Distance untuk dua titik dalam satu, dua dan tiga dimensi secara berurutan ditunjukan pada persamaan (2.2), (2.3), dan (2.4) sebagai berikut. ( x y )2 | x y |
d ( p, q)
d ( p, q )
.... (2.2)
( p1 q1 )2 ( p2 q2 )2 ...(2.3) ( p1 q1 )2 ( p2 q2 ) 2 ( p3 q3 )2
...(2.4)
2. Manhattan Distance (Taxicab distance) d1( p, q) p q 1
n
i 1
pi qi ...(2.5)
3. Chebisev Distance (Maximum Metric) Untuk menentukan jarak dengan menggunakan Chebisev Distance dilakukan dengan cara mengambil nilai maksimum dari setiap koordinat dimensinya. Jika dinyatakan dalam persamaan matematika, maka Chebisev Distance dapat dilihat pada persamaan (2.6)
Dcheb ( p, q) max pi qi ....(2.6) Dalam penelitian ini, formula yang akan digunakan untuk menentukan jarak adalah formula Euclidean Distance pada persamaan (2.2), (2.3), dan (2.4) 2.3 Ujian/Tes Tes digunakan untuk mengukur tingkat keberhasilan prosedur pembelajaran (Gronlund, 1977:1). Ebel & Frisbie (1991:30) menyatakan bahwa tes
memberikan informasi yang terbaik bagi guru dan siswa untuk bisa mendapatkan informasi tentang keberhasilan upaya mereka setelah mengajar dan belajar. Ebel & Frisbie (1986: 20-21) menambahkan bahwa fungsi utama dari tes adalah untuk mengukur prestasi siswa dan kontribusinya terhadap evaluasi dan pencapaian proses pendidikan, tes juga membantu guru dalam menentukan nilai yang valid dan level yang reliabel bagi siswa. Nitko & Brookhart (2011:5) menyatakan “test is defined as an instrument or systematic procedure for observing and describing one or more characteristics of a student using either a numerical scale or a classification scheme.” Hal ini berarti tes merupakan suatu instrumen atau prosedur sistematik untuk mengobservasi atau mendeskripsikan satu atau lebih karakteristik siswa dengan menggunakan skala numerik atau skala pengklasifikasian. Menurut Muijs & Reynolds (2005: 232) tes prestasi mengukur kinerja siswa dalam satu mata pelajaran dalam waktu tertentu. Berdasarkan Permendiknas nomor 66 tahun 2013 tentang Standar Penilaian Pendidikan disebutkan bahwa penilaian adalah proses pengumpulan dan pengolahan informasi untuk mengukur pencapaian hasil belajar siswa. Prestasi belajar siswa akan diketahui melalui penilaian yang dilakukan guru melalui suatu evaluasi belajar yang biasanya berupa tes tertulis. Menurut Miller, Linn, & Gronlund (2009:140-142) pemberian tes dapat dilakukan berdasarkan tujuan pembelajaran dan penilaian yang berbeda-beda, antara lain : (a) sebelum pengujian, diawal suatu pembelajaran bertujuan untuk menentukan apakah siswa memiliki keterampilan prasyarat
74
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016
yang dibutuhkan untuk pembelajaran, atau untuk mengetahui tingkat kesiapan siswa untuk mencapai tujuan pembelajaran yang direncanakan (untuk menentukan posisi siswa atau modifikasi pembelajaran), (b) Tes formatif, digunakan untuk memonitor kemajuan pembelajaran, mendeteksi miskonsepsi, menyemangati siswa untuk belajar, dan menyediakan umpan balik untuk siswa dan guru, (c) tes sumatif, tes pada akhir pembelajaran dapat digunakan sebagai umpan balik terhadap siswa, menyemangati siswa untuk maju dan mengerjakan yang lebih menantang, menentukan kerja remedial, dan menilai pembelajaran. Berdasarkan uraian di atas, maka dapat disimpulkan bahwa ujian/tes adalah alat untuk mengukur tingkat keberhasilan prosedur pembelajaran untuk memberikan informasi kepada dosen untuk mengobservasi atau mendeskripsikan satu atau lebih karakteristik siswa dengan menggunakan skala numerik. 3. METODE PENELITIAN Langkah-langkah dalam penelitian dapat dilihat pada Gambar 1 berikut ini. Identifikasi Masalah
a. Identifikasi Pada tahap ini, dilakukan identifikasi masalah yang ada apa saja serta menawarkan solusi yang dapat digunakan untuk menyelesaikan masalah tersebut. b. Studi Literatur Tahap ini merupakan tahap untuk mencari referensi, berupa jurnal penelitian, paper, buku-buku referensi, dan referensi lain terkait penelitian. c. Penyusunan Dataset Penelitian ini melibatkan 103 data nilai UTS Mahasiswa semester IV Universitas Muhammadiyah Jember pada Mata Kuliah Data Mining. d. Clustering Pada tahap ini, metode clustering digunakan untuk mengelompokkan data menjadi tiga kelompok. e. Algoritma K-Means Pada tahap ini, algoritma K-means diterapkan untuk mengelompokkan dataset yang ada menjadi tiga cluster. f. Interpretasi dan Evaluasi Pada tahap akhir ini informasi yang dihasilkan dari proses data mining perlu disajikan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Sebagai contoh, perhitungan dari algoritma k-means berdasarkan dataset pada Tabel 1 dibawah ini.
Studi Literatur Tabel 1. Dataset Contoh
Clustering Penyusunan Dataset Algoritma K-means Interpretasi dan Evaluasi Gambar 1. Langkah-Langkah Penelitian
75
Data 1 2 3 4 5 6
Jumlah Transaksi 4 2 2 4 4 3
Total Belanja 2.255 1.788 1.255 3.322 3.012 1.261
Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79
Langkah pertama, ditentukan terlebih dahulu jumlah cluster, misalnya k=3 dan ditentukan centroid (pusat cluster) awalnya adalah C1=(2,1); C2=(4,3), C3=(3,2). Dengan menggunakan Tabel 1, maka dihitung Jarak Euclidean setiap item (Jumlah Transaksi dan Total Belanja) dengan centroid awal, maka diperoleh: Maka data-1, diperoleh:
C3=(C31,C32)) dengan melihat matriks penempatan cluster dan menggunakan data pada Tabel 1. C11=Average (2,2)=2 C12=Average (1.788,1.255)=1.5215 C21=Average (4,4,4)=4 C22=Average (2.255, 3.322, 3.012) = 2.863 C31=Average (3)=3 C32=Average (1.261)=1.261 Sehingga centroid baru tersebut adalah:
dan seterusnya, sehingga diperoleh jarak antara data dengan centroid awal seperti pada Tabel 2. Tabel 2. Jarak Euclidean C1
1 2 3 4 5 6
C2
C3
2.361149085
0.745
1.032000484
0.788
2.338577
1.022225024
0.255
2.654247
1.247006415
3.064585453
0.322
1.657613948
2.836925096
0.012
1.422724148
1.033499395
2.006021
0.739
Dari Tabel 2 dipilih jarak Euclidean terkecil, sehingga diperoleh matriks penempatan cluster seperti tampak pada Tabel 3 berikut ini. Tabel 3. Matriks Penempatan Cluster C1 1 2 3 4 5 6
C2
C1=(C11,C12)=(2,1.5215) C2=(C21,C22)=(4,2.863) C3=(C31,C32)=(3,1.261) Dengan menggunakan centroid baru, ditentukan kembali jarak setiap item terhadap centroid baru tersebut, sehingga diperoleh data jarak terhadap centroid baru seperti terlihat pada Tabel 4. Tabel 4. Jarak Euclidean
1 2 3 4 5 6
C1 2.130263423 0.2665 0.2665 2.691059317 2.494311578 1.033373238
C2 0.608 2.2706 2.566255 0.459 0.149 1.888493
C3 1.409977305 1.130366755 1.000018 2.290790475 2.016432741 0
Dari Tabel 4 dipilih jarak Euclidean terkecil sehingga diperoleh matriks penempatan cluster seperti tampak pada Tabel 5.
C3
*
Tabel 5. Matriks Penempatan Cluster
* *
1 2 3 4 5 6
* *
C1
Ditentukan centroid (C1=(C11,C12),
*
baru yakni C2=(C21,C22),
C2
C3
* * * * * *
76
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016
Dengan membandingkan Tabel 3 dan Tabel 5 ternyata tidak terjadi perpindahan centroid, sehingga iterasi clustering dihentikan. 4. HASIL DAN PEMBAHASAN Penelitian ini menggunakan program aplikasi weka 3.6 untuk mengelompokkan (clustering) nilai UTS mahasiswa dengan algoritma clustering, yakni algoritma kmeans. Clustering dilakukan pada nilai Ujian Tengah Semester (UTS) mahasiswa Universitas Muhammadiyah Jember tahun akademik 20152 untuk mata kuliah Data Mining pada kelas Teknik Informatika-A dan Teknik Informatika-B. Data dari kelas Teknik Informatika-A dan kelas Teknik Informatika-B, diproses secara terpisah dengan algoritma kmeans menggunakan aplikasi WEKA 3.6 untuk mendapatkan clustering mahasiswa berdasarkan nilai UTS. Pada pengujian ini
nilai awal maupun asumsi yang digunakan dalam analisis data yaitu (1) Jumlah cluster (k) ditentukan sebanyak 3 cluster, dan (2) Cluster-cluster yang terbentuk yakni cluster nilai rendah, cluster nilai sedang, dan cluster nilai tinggi. Dari hasil pengolahan terhadap data nilai UTS mahasiswa dengan algoritma kmeans untuk clustering menggunakan aplikasi WEKA 3.6, diperoleh dua hasil clustering. Hasil clustering pertama untuk kelas Teknik Informatika-A dari output aplikasi weka 3.6 menunjukkan sebanyak 5 (10%) nilai UTS termasuk dalam cluster nilai rendah, sebanyak 17 (33%) nilai UTS mahasiswa termasuk dalam cluster nilai sedang, dan sebanyak 30 (58%) nilai UTS mahasiswa termasuk dalam cluster nilai tinggi. Selengkapnya, hasil clustering untuk nilai UTS data mining kelas teknik informatika-A dapat dilihat pada Gambar 2.
Gambar 2. Plot hasil clustering nilai UTS TI-A
77
Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79
Gambar 3. Plot hasil clustering nilai UTS TI-B
Hasil clustering kedua untuk kelas Teknik Informatika-B dari output weka 3.6 menunjukkan sebanyak 12 (24%) nilai UTS termasuk dalam cluster nilai rendah, sebanyak 24 (49%) nilai UTS mahasiswa termasuk dalam cluster nilai sedang, dan sebanyak 13 (27%) nilai UTS termasuk dalam cluster nilai tinggi. Selengkapnya, hasil clustering untuk nilai UTS Data Mining kelas Teknik Informatika-B dapat dilihat pada Gambar 3. 5. KESIMPULAN DAN SARAN Berdasarkan hasil dan pembahasan output dari aplikasi weka, maka dapat diambil dua kesimpulan. Pertama, clustering yang terbentuk adalah tiga cluster, yakni cluster nilai UTS tinggi, cluster nilai UTS sedang, dan cluster nilai UTS rendah. Kedua, dari clustering yang terbentuk dari masing-masing kelas, dapat dijabarkan bahwa untuk kelas Teknik Informatika-A, sebanyak 5 (10%)
nilai UTS termasuk dalam cluster nilai rendah, sebanyak 17 (33%) nilai UTS mahasiswa termasuk dalam cluster nilai sedang, dan sebanyak 30 (58%) nilai UTS mahasiswa termasuk dalam cluster nilai tinggi. Sedangkan untuk Teknik Informatika-B, sebanyak 12 (24%) nilai UTS termasuk dalam cluster nilai rendah, sebanyak 24 (49%) nilai UTS mahasiswa termasuk dalam cluster nilai sedang, dan sebanyak 13 (27%) nilai UTS termasuk dalam cluster nilai tinggi. Saran pengembangan dapat dilakukan perbandingan dengan algoritma clustering yang lain untuk data UTS sebagai perbandingan validitas clustering yang terbentuk. Disamping itu, penelitian ini dapat dijadikan sebagai salah satu referensi untuk dosen pengampu dalam pembentukan kelompok belajar mahasiswa, dan sebagai referensi untuk penelitian selanjutnya yang serumpun.
78
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016
DAFTAR PUSTAKA Agusta. (2007). K-means-penerapan, permasalahan, dan metode terkait stmik stikom bali, denpasar, bali. Ebel, R.L.,& Frisbie, D.A., (1986). Essentials of education measurement (4th ed.). Engelwood Cliffs, New Jersey: Prentice Hall. Ebel, R.L.,& Frisbie, D.A., (1991). Essentials of educational th measurement (5 ed.).Engelwood Cliffs, New Jersey: Prentice Hall. Gronlund, N.E., (1977). Constructing achievement test (2nd ed.). Engelwood Cliffs, New Jersey: Prentice-Hall. Hans, J., & Kamber, M., (2006). Data mining: concepts and techniques, 2nd ed. Burlington: Morgan Kaufmann. Kemendikbud. (2006). Peraturan menteri pendidikan dan kebudayaan republik indonesia nomor 66, tahun 2013, tentang standar penilaian pendidikan. Kusrini & Luthfi. (2009). Algoritma data mining. Yogyakarta: Andi.
79
Larose, D.T., (2005). Discovering knowledge in data: an introduction to data mining. New Jersey: John Wiley & Sons. Miller, M.D., Linn, R.L., & Gronlund, N.E., (2009). Measurement and assessment in teaching (10th ed.).Upper Saddle River, New Jersey: Pearson Education, Inc. Muijs, D., & Reynolds, D., (2005). Effective teaching: evidence and practice(2nd ed). London: SAGE Publications, Ltd. Nitko & Brookhart. (2011). Educational Assessment of Students. Boston: Allyn & Bacon.. Tan, P.N., Steinbech, M., & Kumar, V., (2006). Introduction to data mining. Boston: Pearsong Education, Ltd. Witten, I.H., Frank, E., Hall, M.A., (2011). Data mining: practical machine learning tools and techniques third edition. Burlington: Morgan Kaufmann. Wu, X., & Kumar, V., (2009). The top ten algorithms in data mining. Boca Raton: CRC Press.
