ANALISIS SUKU DI INDONESIA MENGGUNAKAN ALGORITMA CLOSENESS CENTRALITY

Article Sidebar

pdf
Published Dec 29, 2020
DOI: https://doi.org/10.31961/positif.v6i2.923

Main Article Content

Puspa Nur Indrianingtyas
Departemen Sistem Informasi, Fakultas Teknik Elektro dan Informatika Cerdas, Institut Teknologi Sepuluh Nopember
Fanny Azhary Formen
Departemen Sistem Informasi, Fakultas Teknik Elektro dan Informatika Cerdas, Institut Teknologi Sepuluh Nopember
Nur Aini Rakhmawati
Departemen Sistem Informasi, Fakultas Teknik Elektro dan Informatika Cerdas, Institut Teknologi Sepuluh Nopember

Abstract

Indonesia merupakan negara yang memiliki banyak keanekaragaman kebudayaan. salah satu keanekaragaman budaya yang dimiliki oleh negara indonesia ini adalah bahasa yang berbeda-beda antar suku serta lokasi. maka dengan keanekaragaman yang dimiliki negara indonesia ini perlu adanya pemetaan  mengenai suku bangsa indonesia dengan menggunakan algoritma graph serta untuk menganalisis kedekatan antar node digunakan closeness algoritma dan node2vec untuk mencari hubungan dari setiap suku. Dalam pencarian data paper ini menggunakan data yang disediakan oleh dbPedia yang didapatkan menggunakan sparql.  untuk menampilkan data yang memiliki dimensi yang tinggi maka digunakan TSNE untuk mengkonversi titik data.  Kata Kunci: sparql, Graph algoritma, Node2vec, closeness algoritma, TSNE.

Downloads

Download data is not yet available.

Article Details

How to Cite
INDRIANINGTYAS, Puspa Nur; FORMEN, Fanny Azhary; RAKHMAWATI, Nur Aini. ANALISIS SUKU DI INDONESIA MENGGUNAKAN ALGORITMA CLOSENESS CENTRALITY. POSITIF : Jurnal Sistem dan Teknologi Informasi, [S.l.], v. 6, n. 2, p. 137 - 142, dec. 2020. ISSN 2460-9552. Available at: <https://ejurnal.poliban.ac.id/index.php/Positif/article/view/923>. Date accessed: 28 jan. 2021. doi: https://doi.org/10.31961/positif.v6i2.923.
ABNT APA BibTeX CBE EndNote - EndNote format (Macintosh & Windows) MLA ProCite - RIS format (Macintosh & Windows) RefWorks Reference Manager - RIS format (Windows only) Turabian
Issue
Vol 6 No 2 (2020): Positif : Jurnal Sistem dan Teknologi Informasi
Section
Articles
  1. Hak publikasi atas semua materi naskah jurnal yang diterbitkan/dipublikasikan dalam situs e-Jurnal POSITIF ini dipegang oleh dewan redaksi dengan sepengetahuan penulis (hak moral tetap milik penulis naskah).
  2. Ketentuan legal formal untuk akses artikel digital jurnal elektronik ini tunduk pada ketentuan lisensi Creative Commons Attribution-ShareAlike (CC BY-SA), yang berarti Jurnal POSITIF berhak menyimpan, mengalih media/format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan artikel tanpa meminta izin dari Penulis selama tetap mencantumkan nama Penulis sebagai pemilik Hak Cipta.
  3. Naskah yang diterbitkan/dipublikasikan secara cetak dan elektronik bersifat open access untuk tujuan pendidikan, penelitian, dan perpustakaan. Selain tujuan tersebut, dewan redaksi tidak bertanggung jawab atas pelanggaran terhadap hukum hak cipta.

References

Grover, A., & Leskovec, J. (2016, August). node2vec: Scalable feature learning for networks. In Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 855-864).

Golbeck, J. (2013). Closeness Centrality Social network analysis : Measuring , mapping , and modeling collections of connections, Anal. Soc. Web, vol. 3.

Hansen, D. L., Shneiderman, B., Smith, M. A., & Himelboim, I. (2011). Social network analysis: measuring, mapping, and modeling collections of connections. Analyzing social media networks with NodeXL: insights from a connected world. Elsevier Inc, Burlington, 31-52.

Khosla, M., Setty, V., & Anand, A. (2019). A Comparative Study for Unsupervised Network Representation Learning. IEEE Transactions on Knowledge and Data Engineering.

Maaten, L. V. D., & Hinton, G. (2008). Visualizing data using t-SNE. Journal of machine learning research, 9(Nov), 2579-2605.

Memahami Metode Centrality Dasar. [Online]. Available: https://budsus.wordpress.com/2013/05/01/memahami-metode-centrality-dasar/.

node2vec: Scalable Feature Learning for Networks. Available : https://snap.stanford.edu/node2vec

World Wide Web Consortium. (2013). SPARQL 1.1 overview.