Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa

Elly Muningsih, Ina Maryani, Vembria Rose Handayani

Abstract


Abstrak : Metode K-Means merupakan salah satu metode Data Mining yang banyak digunakan dalam penelitian pengelompokan. Namun metode K-Means memiliki beberapa kekurangan, salah satunya yaitu dalam penentuan jumlah cluster. Penelitian kali ini akan mengaplikasikan Indeks Davies Bouldin (DBI) sebagai salah satu cara optimasi jumlah cluster untuk mengelompokkan propinsi berdasar potensi desa dengan banyaknya jenis industri yang dimiliki wilayahnya. Data yang digunakan adalah data banyaknya desa atau kelurahan menurut keberadaan dan jenis industri kecil dan mikro (desa). Pengolahan data menggunakan aplikasi RapidMiner. Pengujian dilakukan dengan mencari nilai terkecil dari DBI dimana setelah data di olah diketahui nilai terkecil adalah 0,175 di jumlah cluster 3.

 

Kata kunci : metode K-Means, pengelompokan, Index Davies Bouldin,

 

Abstract: The K-Means method is one of the most widely used data mining methods in clustering research. However, the K-Means method has several shortcomings, one of which is in determining the number of clusters. This research will apply the Davies Bouldin Index (DBI) as a way of optimizing the number of clusters to classify provinces based on village potential and the number of types of industry the region has. The data used is data on the number of villages or sub-districts according to the existence and type of small and micro industries (villages). Data processing uses the Rapid Miner application. Testing is done by finding the smallest value from the DBI where after the data is processed it is known that the smallest value is 0.175 in the number of clusters 3.

 

Keywords: K-Means method, grouping, Davies Bouldin Index

Full Text:

PDF (95-100)

References


Bates, A., & Kalita, J. (2016). Counting clusters in twitter posts. ACM International Conference Proceeding Series, 04-05-March-2016. https://doi.org/10.1145/2905055.2905295

Dewi Kusumah, R., Warsito, B., & Abdul Mukid, M. (2017). Perbandingan metode k – means dan self organizing map (Studi kasus: pengelompokan kabupaten/kota di jawa tengah berdasarkan indikator indeks pembangunan manusia 2015). Jurnal Gaussian, Vol 6 No 3 Tahun 2017, 6, 429–437.

Irhamni, F., Damayanti, F., Khusnul K, B., & A, M. (2014). Optimalisasi pengelompokan kecamatan berdasarkan indikator pendidikan menggunakan metode clustering dan davies bouldin index. Seminar Nasional Dan Teknologi UMJ, (11), 1–6.

Larose, D. T., & Larose, C. D. (2014). Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition. In Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition (Vol. 9780470908747). https://doi.org/10.1002/9781118874059

Muningsih, E. (2018). Komparasi Metode Clustering K-Means dan K-Medoids dengan Model Fuzzy RFM untuk Pengelompokan Pelanggan. JurnalEvolusi,6(2)

Muningsih, E., & Kiswati, S. (2015). Penerapan Metode K-Means Untuk Clustering Produk Online Shop. Jurnal Bianglala Informatika, 3(1).

Nanda, S. R., Mahanty, B., & Tiwari, M. K. (2010). Expert Systems with Applications Clustering Indian stock market data for portfolio management. Expert Systems With Applications, 37(12), 8793–8798. https://doi.org/10.1016/j.eswa.2010.06.026

Yudi Agusta. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem Dan Informatika, 3(Februari), 47–60.




DOI: https://doi.org/10.31294/evolusi.v9i1.10428

Published By LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License