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.