Penerapan Algoritma Invasive Weed Optimnization untuk Penentuan Titik Pusat Klaster pada K-Means

Abstract

AbstrakK-means merupakan salah satu algoritmaclustering yang paling populer. Salah satu alasan dari kepopuleran K-means adalah karena mudah dan sederhana ketika diimplementasikan. Namun hasil klaster dari K-means sangat sensitif terhadap pemilihan titik pusat awalnya. K-means seringkali terjebak pada solusi lokal optima. Hasil klaster yang lebih baik seringkali baru bisa didapatkan setelah dilakukan beberapa kali percobaan. Penyebab lain seringnya K-means terjebak pada solusi lokal optima adalah karena cara penentuan titik pusat baru untuk setiap iterasi dalam K-means dilakukan dengan menggunakan nilai mean dari data-data yang ada pada klaster bersangkutan. Hal tersebut menyebabkan K-means hanya akan melakukan pencarian calon titik pusat baru disekitar titik pusat awal. Untuk mengatasi permasalahan tersebut, penerapan metode yang memiliki kemampuan untuk melakukan pencarian global akan mampu membantu K-means untuk dapat menemukan titik pusat klaster yang lebih baik. Invasive Weed Optimization merupakan algoritma pencarian global yang terinspirasi oleh proses kolonisasi rumput liar. Pada penelitian ini diusulkan sebuah metode yang merupakan hasil hibridasi dari metode K-means dan algoritma Invasive Weed Optimization (IWOKM). Kinerja dari metode IWOKM telah dicobakan pada data bunga Iris kemudian hasilnya dibandingkan dengan K-means. Dari pengujian yang dilakukan, didapat hasil bahwa metode IWOKM mampu menghasilkan hasil klaster yang lebih baik dari K-means. Kata kunci—K-means, IWO, IWOKM, analisa klaster AbstractK-means is one of the most popular clustering algorithm. One reason for the popularity of K-means is it is easy and simple when implemented. However, the results of K-means is very sensitive to the selection of initial centroid. The results are often better after several experiment. Another reason why K-means stuck in local optima is due to the method of determining the new center point for each iteration that is performed using the mean value of the data that exist on the cluster. This causes the algorithm will do search for the centroid candidates around the center point. To overcome this, implement a method that is able to do a global search to determine the center point on K-means may be able to assist K-means in finding better cluster center. Invasive Weed Optimization (IWO) is a global search algorithm inspired by weed colonization process. In this study proposed a method which is the result of hybridization of K-means and IWO (IWOKM). Performance of the method has been tested on flower Iris dataset. The results are then compared with the result from K-means. The result show that IWOKM able to produce better cluster center than K-means. Keywords—K-means, IWO, IWOKM, cluster analysis

Penerapan Algoritma Pillar Untuk Inisialisasi Titik Pusat K-Means Klaster Dinamis

“…Proses ketiga adalah perhitungan kualitas klaster dengan membandingkan nilai cluster variance dengan cluster variance jumlah klaster sebelumnya (Seputra et al, 2017). Penentuan titik pusat klaster awal secara mean based dari anggota klaster yang terbentuk berdasarkan jumlah klaster yang dipilih menyebabkan k-means melakukan pencarian calon titik pusat klaster baru disekitar titik pusat klaster awal yang telah terbentuk (Pratama & Harjoko, 2017). Sehingga memungkinkan terbentuk sebuah klaster yang tidak mencerminkan karakteristik dari klaster tersebut.…”

Implementation of the Simple Additive Weighting Method in Determining Centroids in the Process of Clustering the Poor in Kakatpenjalin Village, Lamongan Regency

“…However, the K-Means method has problems in the clustering process. According to literature (Anggodo et al, 2017;Arai & Ridho Barakbah, 2007;Jumadi, 2013;Pratama & Harjoko, 2015;Saputra, 2020) states that the clustering results of the K-Means method are sensitive to the selection of cluster centre points. For each clustering process by randomly selecting the centre of the cluster (centroid), the kmeans method can produce different clustering.…”

Perbaikan Kinerja Clustering K-Means pada Data Ekonomi Nelayan dengan Perhitungan Sum of Square Error (SSE) dan Optimasi nilai K cluster

“…Hal itu nampak pada perbedaan hasil cluster yang seringkali berbeda pada beberapa perulangan percobaan dengan titik awal yang berbeda juga. Hasil cluster mempunyai variasi dan terkadang percobaan lebih banyak menghasilkan hasil yang lebih baik pula [8]. Fungsi tujuan dari K-means adalah menemukan solusi dimana tidak ada solusi lain yang memiliki nilai SSE (Sum Squared Error) lebih kecil dari solusi yang ditemukan [9].…”