Graf merupakan diagram yang terdiri dari node dan edge. Graf dapat terbentuk dari sebaran data yang saling berkaitan satu sama lain. Hubungan antar node yang berdekatan membentuk suatu kelompok kecil yang disebut komunitas. Untuk mencari komunitas antar data dapat digunakan beberapa pendekatan, salah satunya adalah Multi-dimensional Scaling. Metode tersebut bertujuan untuk mencari hubungan antar data secara sparsial. Hasil dari Multi-dimensional Scaling akan dilakukan proses K-means clustering untuk mendapatkan komunitas dengan membandingkan jarak yang terdekat antar data. Kualitas dari hasil Kmeans clustering dapat dihitung menggunakan metode akurasi purity. Berdasarkan hasil uji coba aplikasi deteksi komunitas menghasilkan 8 komunitas data dari 136 data (node). Jumlah komunitas dipengaruhi oleh hasil K-Means clustering. Nilai purity yang dihasilkan dari proses K- Means clustering sebesar 97%

Graph is a diagram consisting of nodes and edges. Graph can be formed from the distribution of data related to each other. Relations between adjacent nodes form a small group called the community. To find a community among the data can be used several approaches, one of which is multi-dimensional scaling. The method aims to find relationships among data sparsial. Results of Multi-Dimensional Scaling will be the K-means clustering to get the community by comparing the closest distance between data. The quality of the results of K-means clustering can be calculated using the method accuracy purity. Based on trial results detection applications community produced 8 136 community data from the data (node). Number of communities affected by the results of K-Means clustering. Purity grades produced from the K-Means clustering of 97%

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal