Implementasi Bee Colony Optimization Pada Pemilihan Centroid (Klaster Pusat) Dalam Algoritma K-Means

Abstract

Clustering is a method that is used to divide the data into several groups of parts. K-means (KM) is an algorithm that is often used in clustering, only just the result of KM often times get stuck in local optima i.e. the optimal solution (both maximum or minimal) on the candidate solution in the nearest neighbor only, not the whole of all existing solutions or what is commonly called the global optima. In this study aims to do improve the cluster determination process on the Kmeans algorithm using the Bee Colony Optimization (BCO) algorithm. BCO is an algorithm that works based on the way the bees search for food , BCO is famous for being able to escape from the local optima trap by recognizing which results are best from a series of optimal results . Combining BCO with KM begins with selecting a source of food early in random and using KM to resolve all the problems of clustering at every step BCO next and keep sources of food best in each iteration. The result of this research is that the BCOKM method has been proven to be able to solve the problem of data sharing, where the BCOKM method is able to form a good cluster, as shown by the resulting fitness value (the lowest value is 1221.53 and the highest value is 1233.28) all of which are better than the fitness value using K-means (1251.42). Likewise in terms of accuracy, where the use of BCOKM all showed better results (83.16%-83.30%) than the use of only K-means (83.09%)

Optimasi Penentuan Sentroid Awal Pada K-Means Untuk Meningkatkan Hasil Evaluasi Davies-Bouldin Index

“…Oleh karena itu, perlu adanya sebuah metode optimasi untuk meningkatkan hasil evaluasi yang dapat mengatasi permasalahan hasill evaluasi yang tidak maksimal akibat penentuan sentroid yang dilakukan secara acak. Ada beberapa metode optimasi yang dapat digunakan untuk optimasi diantaranya metode elbow [8], metode Artificial Bee Colony [9], metode Particle Swarm Optimization [10], metode Genetic Algorithm [11], metode Support Vector Machine [12], metode Sum of Square Error [13], metode Pillar [14], metode Fuzzy Metrics [15], metode Bee Colony Optimization [16]. Dari beberapa metode tersebut peneliti akan mengambil 2 metode yang banyak digunakan peneliti lain dan akan digunakan untuk optimalisasi hasil evaluasi dengan menggunakan data pada dataset yang sama, sehingga pada akhirnya didapatkan sebuah perbandingan hasil evaluasi dan waktu iterasi yang diguanakn terhadap 2 metode optimalisasi yang dilakukan serta dapat mengambil sebuah kesimpulan metode optimasi yang mana antara yang baik untuk diterapkan.…”

Optimasi Cluster Pada K-Means Clustering Dengan Teknik Reduksi Dimensi Dataset Menggunakan Gini Index

“…Penelitian dari [11] melakukan reduksi atribut dengan Gini Index pada K-Nearest Neighbor pada klasifikasi kinerja siswa dengan hasil yang diperoleh yaitu peningkatan akurasi K-NN setelah reduksi atribut dari 74.068 % menjadi 76.516 %. Penelitian dari [12] melakukan kombinasi K-Means dengan Bee Colony Optimization (BCO) pada pengelompokan data dengan hasil yang diperoleh yaitu peningkatan performa K-Means setelah dikombinasikan dengan BCO yaitu dari 83.09 % menjadi 83.30%.…”