PENERAPAN METODE ANT COLONY OPTIMZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA
ABSTRAK: Proses pengelompokan
data ke dalam
beberapa klaster atau
yang lebih dikenal
dengan Klasterisasi Data (Data Clustering) dapat dilakukan dalam
beberapa metode, salah satunya adalah metode K-Means (KM).
KM adalah salah
satu metode klasterisasi
data yang populer
karena implementasi yang sederhana, dapat
menangani data dalam
jumlah besar dan
prosesnya yang relatif
singkat. Namun Demikian KM
memiliki beberapa kelemahan,
diantaranya hasil klaster
sensitif pada penentuan
awal (inisialisasi) pusat klaster
dan hasil klaster
yang mengarah pada
lokal optimal. Metode
klasterisasi penyempurnaan
dari metode KM
disebut dengan K-Harmonic
Means (KHM). Walaupun
KHM dapat mengurangi permasalahan
pada inisialisasi, namun KHM belum
dapat mengatasi masalah
lokal optimal. Maka dari itu diperlukan suatu metode yang memiliki
solusi global.
Ant Colony Optimization
(ACO) merupakan suatu
algoritma semut didalam
membentuk suatu koloni. Algoritma
ACO dapat menghindari dari permasalahan lokal optimal dan terbukti memiliki solusi global. Dalam penelitian ini
diterapkan sebuah algoritma untuk klasterisasi data yang berbasis ACO dan KHM
yang disebut ACOKHM. Performa dari
ACOKHM telah dibandingkan dengan algoritma ACO dan KHM dengan
menggunakan lima dataset.
Algoritma ACOKHM ini
terbukti memiliki performa
yang lebih baik dari
ACO dan KHM
dimana ACOKHM mampu
mengoptimalkan titik pusat
klaster yang mengarah ke global
optimal.
Penulis: I Made Kunta
Wicaksana, I Made Widiartha
Kode Jurnal: jptkomputerdd120099
