<![CDATA[Clustering merupakan teknik penting dalam data mining yang bertujuan untuk mengelompokkan data berdasarkan kemiripan antar objek. Penelitian ini membahas analisis performa dua pendekatan clustering, yaitu K-Means dan Similarity Matrix, dalam konteks evaluasi kualitas cluster. Pendekatan Similarity Matrix diterapkan menggunakan hierarchical clustering dengan metode complete-linkage, sedangkan K-Means menggunakan data fitur numerik secara langsung. Keduanya diuji pada beberapa dataset dan dievaluasi menggunakan metrik kuantitatif seperti Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan Dunn Index. Hasil eksperimen menunjukkan bahwa pendekatan K-Means cenderung unggul dalam pemisahan cluster (Silhouette dan CHI lebih tinggi), sedangkan pendekatan Similarity Matrix lebih baik dalam kepadatan dan keseragaman cluster (DBI dan Dunn Index lebih rendah). Temuan ini menegaskan pentingnya pemilihan metode clustering yang sesuai dengan karakteristik data dan tujuan analisis.]]>
Copyrights © 2025
