STUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS

I Made Widiartha (Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana)

Jurnal Ilmu Komputer
Vol 4 No 1: April 2011

Salah satu metode partitional clustering yang sangat popular adalah K-Means Clustering (KM). Metode ini banyak digunakan karena implementasinya yang sederhana, dapat menangani data dalam jumlah besar dan proses yang relatif singkat. Meskipun demikian jika diperhatikan dari tahapan KM untuk mendapatkan klaster akhir masih terdapat kelemahan. Titik awal pusat klaster pada KM yang ditentukan secara random dan proses pembaharuan titik pusatnya sangat memungkinkan hasil klaster konvergen pada lokal optimal.K-Harmonic Means Clustering (KHM) merupakan algoritma yang diciptakan untuk menyempurnakan KM. Dalam KHM titik pusat diperbaharui dengan memanfaatkan rata-rata harmonik dari seluruh titik data ke seluruh pusat klaster yang ada. Rata-rata harmonik dalam metode KHM digunakan untuk mengurangi permasalahan yang ada pada KM. Pada penelitian ini dilakukan studi komparasi terhadap dua metode klasterisasi yaitu KM dan KHM. Penelitian ini ditujukan untuk melihat bagaimana performa metode KHM dalam menyempurnakan metode KM. Studi komparasi ini menggunakan lima buah data set.