PERBANDINGAN METODE OPTIMASI PENENTUAN SENTROID AWAL PADA ALGORITMA K-MEANS MENGGUNAKAN ELBOW PSO DAN SSE

Abstract

Peningkatan heterogenitas dan kompleksitas data yang terus bertambah besarnya menyulitkan pengolahan data besar secara manual. Dalam bidang data mining, algoritma K-Means sering digunakan untuk mengelompokkan data berdasarkan kedekatan atau kemiripan. Tetapi, algoritma K-Means menghadapi beberapa tantangan, terutama dalam menentukan jumlah cluster dan pemilihan sentroid awal yang dapat memengaruhi hasil pengelompokkan. Artikel ini membahas persoalan tersebut dan menyajikan tiga metode optimasi berupa Elbow, Particle Swarm Optimization (PSO), dan sum square of error (SSE) untuk meningkatkan hasil evaluasi algoritma K-Means. Berdasarkan evaluasi, kesimpulannya adalah bahwa metode elbow lebih cepat dalam iterasi waktu dibandingkan dengan metode PSO, walaupun keduanya menghasilkan nilai DBI yang sama. Waktu iterasi metode elbow hanya 0.0002 detik, SSE hanya 1.8401 detik, sementara metode PSO memerlukan waktu iterasi selama 771.2143 detik. Dengan demikian, metode elbow lebih efisien dalam hal waktu iterasi karena menggunakan SSE. Rekomendasi untuk penelitian berikutnya adalah menggunakan kumpulan data yang berbeda dan mempertimbangkan metode optimasi lainnya untuk melakukan perbandingan evaluasi secara lebih komprehensif.