<![CDATA[Clustering merupakan teknik penting dalam data mining yang digunakan untuk mengelompokkan data berdasarkan kesamaan karak-teristik. Algoritma K-Prototypes sering digunakan pada data bertipe campuran karena mengombinasikan K-Means untuk atribut numerik dan K-Modes untuk atribut kategorikal. Namun, kinerjanya sangat ber-gantung pada inisialisasi pusat klaster awal. Penelitian ini men-gusulkan penerapan tiga algoritma optimasi yaitu Particle Swarm Op-timization (PSO), Genetic Algorithm (GA), dan Flower Pollination Algorithm (FPA) untuk meningkatkan performa K-Prototypes dalam pengelompokan calon penerima program rehabilitasi Rumah Tidak Layak Huni (Rutilahu) di Kota Surabaya. Evaluasi dilakukan menggunakan Davies-Bouldin Index (DBI), Silhouette Score, dan wak-tu komputasi. Berdasarkan hasil penelitian menunjukkan bahwa PSO memberikan hasil terbaik dengan DBI terendah sebesar 0,6467, Silhou-ette Score tertinggi sebesar 0,5498, dan waktu komputasi tercepat yaitu 23,5168 detik. GA menghasilkan DBI tertinggi sebesar 0,7134, Silhou-ette Score sebesar 0,5143, serta waktu komputasi terlama yaitu 7220,6384 detik. FPA memiliki DBI 0,6467 dan Silhouette Score yang sama dengan PSO, tetapi dengan waktu komputasi sebesar 3415,9175 detik. Dengan demikian, PSO terbukti paling efektif dalam meningkat-kan akurasi dan efisiensi clustering K-Prototypes, serta mendukung distribusi bantuan yang lebih adil dan tepat sasaran.]]>
Copyrights © 2026
