Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali

Abstract

Abstrak: Kerajinan merupakan salah satu bagian dari 14 lini industri kreatif yang cukup potensial mendorong kemajuan perekonomian Indonesia. Potensialnya, lini industri kerajinan menghasilkan data kerajinan berjumlah banyak dan berukuran besar sehingga perlu dilakukan analisis data mining dengan teknik pengelompokan data (clustering). Penelitian ini menggunakan metode k-medoid untuk mengelompokkan data kerajinan. Untuk menghasilkan hasil pengelompokan data atau clustering yang maksimal, perlu penentuan jumlah cluster yang tepat. Berbagai metode yang dapat digunakan untuk penentuan jumlah cluster yang tepat, yaitu metode elbow, koefisien silhouette, gap statistics, dan lainnya. Penelitian ini membandingkan metode elbow dan koefisien silhouette untuk menentukan jumlah cluster yang tepat sehingga menghasilkan kualitas cluster yang optimal. Metode yang digunakan untuk menguji hasil cluster adalah metode Davies Bouldin Index (DBI). Hasil pengujian clustering dengan metode elbow menggunakan nilai DBI menghasilkan nilai DBI sebesar 1,10. Sedangkan pada uji coba clustering dengan koefisien silhouette menghasilkan nilai DBI sebesar 1,06. Hal ini menunjukkan bahwa hasil clustering k-medoid dengan koefisien silhouette menghasilkan kualitas cluster lebih baik karena memiliki nilai DBI lebih rendah daripada clustering k-medoid dengan metode elbow. Adapun kebaharuan yang dipaparkan dalam penelitian ini adalah analisis data kerajinan di Bali menggunakan metode k-medoid, koefisien silhouette dan metode elbow. Belum ada penelitian yang menggunakan perbandingan koefisien silhouette dan metode elbow untuk memaksimalkan clustering k-medoid menggunakan Bahasa R. Kata kunci: kerajinan, k-medoid, koefisien silhouette, metode elbow, davies bouldin index. Abstract: The craft is one of the 14 creative industries lines that potential to advance Indonesia economic. Potentially, the craft industry line produces large number of craft data so that data mining analysis needs to be done with data clustering techniques. This study used the k-medoid method to classify craft data. To produce maximum data grouping or clustering results, it is necessary to determine the right number of clusters. Various methods can be used to determine the right number of clusters, namely the elbow method, silhouette coefficients, gap statistics, etc. This study compared the elbow method and the silhouette coefficient to determine the right number of clusters to produce optimal cluster quality. The method that used to validate cluster result is Davies Bouldin Index (DBI). Cluster test resulted using elbow method produces DBI value of 1.10. Meanwhile cluster test resulted using silhouette coefficient produces DBI value of 1.06. This shows that k-medoid clustering resulted using silhouette coefficient produces better cluster quality because it has DBI value lower than k-medoid clustering using elbow method. The novelty presented in this research is analysis of craft data in Bali using k-medoid method, silhouette coefficient and elbow method. There are no studies that using comparison between silhouette coefficient and elbow method to determine the best number cluster to maximized k-medoid clustering using R programming.