Optimasi Cluster pada Algoritma K-Means

Abstract

Metode evaluasi yang digunakan adalah metode-metode internal. Metode internal melakukan evaluasi dengan melihat seberapa jauh jarak antar cluster dan seberapa padat cluster-cluster tersebut. Pengklasterisasian data dimodelkan menggunakan algoritma K-Means. Algoritma K-Means memiliki kelemahan dalam menentukan centroid awal. Centroid awal ditentukan secara random/acak untuk sejumlah k cluster yang dipilih. Sehingga keluaran yang dihasilkan bergantung pada pemilihan centroid awal tersebut. Algoritma K-Means harus dijalankan berulang kali untuk mendapatkan hasil cluster yang optimal. Evaluasi cluster untuk menemukan jumlah cluster terbaik pada algoritma K-means dapat ditentukan dengan metode internal seperti metode Elbow, Davies Bouldin Index, dan Silhouette Index. Metode Elbow merupakan Teknik evaluasi internal yang mengukur evaluasi cluster dengan Sum of Square Error(SSE). Metode Davies Bouldin Index mengukur evaluasi cluster dengan Sum of Square Within Cluster (SSW) dan Sum of Square Between Cluster (SSW). Sedangkan metode silhouette index menggunakan perhitungan nilai koefisien. Hasil optimasi cluster menggunakan metode elbow yaitu jumlah cluster optimal adalah 3 dengan titik elbow berada di k=3. Sedangkan untuk hasil optimasi untuk metode davies bouldin index dan silhouette index yaitu jumlah cluster optimal adalah 2 dengan jumlah nilai DBI terendah ada di k = 2 yaitu sebesar 0.3228986726354396 . SI yang mendekati 1 adalah di k=2 sebesar 0,894.

Clustering Penduduk Miskin Untuk Penerima Bantuan Sosial Menggunakan Algoritma K-Means

“…Penelitian tentang klasterisasi penerima bantuan dengan algoritma K-Means di Desa Greged, Kabupaten Cirebon, menjadi penting karena potensinya dalam meningkatkan akurasi penentuan penerima manfaat dan efisiensi penggunaan dana. Dengan pendekatan ini, diharapkan tercipta sistem bantuan yang lebih adaptif, efisien, dan mampu memenuhi kebutuhan masyarakat dengan lebih efektif [5].…”

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

“…Permasalahan yang ada pada algoritma K-Means adalah menghasilkan sentroid akhir yang tidak benar-benar menjadi pusat cluster yang sesungguhnya. Dalam prakteknya algoritma ini harus dijalankan berkali-kali dengan sentroid awal yang berbeda-beda untuk mendapatkan sentroid akhir yang dianggap paling baik [7].…”

“…Penelitian terkait dengan metode Sum of Square Error (SSE) dilakukan oleh [13] dengan hasil nilai optimal yaitu nilai K yang mengalami penurunan nilai SSE secara drastis (paling signifikan) sehingga membentuk grafik elbow sehingga jumlah cluster (nilai K) paling baik ada pada nilai K=3 dengan nilai selisih yang paling besar (penurunan nilai SSE yang paling drastis). Dan penelitian serupa dengan data yang lain dilakukan oleh [7] dengan hasil evaluasi untuk menentukan jumlah cluster yang optimal diperoleh jumlah cluster yang paling baik menurut perhitungan metode elbow adalah tiga cluster dengan nilai k= 3 memiliki selisih paling besar diantara semua k uji yaitu 3116800259. Sedangkan menurut perhitungan metode Davies Bouldin Index dan Silhouette Index menghasilkan bahwa jumlah cluster yang paling baik berjumlah dua cluster.…”

Analisis Cluster Data Daftar Kendaraan Bermotor Menggunakan Algoritma K-Means

“…Tahapan Metode Penelitian dibawah ini. Tahapan terakhir, tahapan penilaian untuk hasil dari proses Data Mining apakah sudah memenuhi target yang ditentukan atau belum, kemudian dari KDD ini adalah agar pengetahuan yang diperoleh dapat memberikan manfaat kepada penggunannya [13].…”