Implementasi Pendekatan Rule-Of-Thumb untuk Optimasi Algoritma K-Means Clustering

Abstract

Di era big data, pengelompokan data atau biasa disebut clustering telah menarik minat atau perhatian yang sangat besar dari para peneliti dalam melakukan berbagai penelitian, banyak algoritma pengelompokan telah diajukan dalam beberapa kurun waktu terakhir. Namun, seiring berkembangnya teknologi, volume data terus bertambah dan format data semakin bervariasi (variety), sehingga membuat pengelompokan data dengan skala yang sangat besar (big data) menjadi sebuah tugas yang sangat besar dan menantang. Untuk mengatasi masalah ini, berbagai penelitian terkait metode untuk pengelompokan data telah dilakukan, diantaranya adalah K-Means. Namun metode ini masih memiliki beberapa kekurangan, diantaranya adalah masalah sensitifitas dalam menentukan nilai cluster (K). Dalam paper ini kami membahas tentang implementasi pendekatan rule-of-thumb dan normalisasi data pada metode K-Means untuk menentukan jumlah dari cluster atau nilai K secara dinamis dalam pengelompokan data. Hasil penelitian menunjukkan bahwa implementasi pendekatan tersebut memiliki dampak yang signifikan (terkait waktu, banyaknya iterasi, serta tidak ada outlier) dalam pengelompokan data.