OPTIMASI CLUSTERING PADA DATASET IRIS MENGGUNAKAN ALGORITMA DBSCAN

Rafli Triady Febrianto (Universitas Muhammadiyah Gresik)
Harunur Rosyid (Universitas Muhammadiyah Gresik)

Journal of Scientech Research and Development
Vol 8 No 1 (2026): JSRD, June 2026

Dataset Iris, yang diperkenalkan oleh Ronald Fisher pada tahun 1936, tetap menjadi batu penjuru untuk klasifikasi statistik dan pembelajaran mesin, dengan menampilkan tiga spesies bunga Iris. Algoritma pengelompokan tradisional seperti K-Means dan Hierarchical Clustering sering kali kesulitan dengan tumpang tindih antara spesies Iris versicolor dan Iris virginica dalam dataset. Penelitian ini mengusulkan penggunaan algoritma Density-Based Spatial Clustering of Applications with Noise (DBSCAN), yang tidak memerlukan jumlah klaster yang telah ditentukan dan mampu mengidentifikasi klaster dengan bentuk yang sembarang dan outlier sebagai noise. Penelitian ini berfokus pada aplikasi DBSCAN untuk mengoptimalkan hasil pengelompokan dataset iris. Kami mengevaluasi hasil pengelompokan menggunakan metri Purity dan Normalized Mutual Information (NMI) menekankan kombinasi epsilon dan minpts untuk hasil yang paling optimal pada parameter yang digunakan DBSCAN.