Penerapan Algoritma Invasive Weed Optimnization untuk Penentuan Titik Pusat Klaster pada K-Means
Abstrak: K-means merupakan
salah satu algoritmaclustering yang paling populer. Salah satu alasan dari
kepopuleran K-means adalah karena mudah dan sederhana ketika diimplementasikan.
Namun hasil klaster dari K-means sangat sensitif terhadap pemilihan titik pusat
awalnya. K-means seringkali terjebak pada solusi lokal optima. Hasil klaster
yang lebih baik seringkali baru bisa didapatkan setelah dilakukan beberapa kali
percobaan. Penyebab lain seringnya K-means terjebak pada solusi lokal optima
adalah karena cara penentuan titik pusat baru untuk setiap iterasi dalam
K-means dilakukan dengan menggunakan nilai mean dari data-data yang ada pada
klaster bersangkutan. Hal tersebut menyebabkan K-means hanya akan melakukan
pencarian calon titik pusat baru disekitar titik pusat awal. Untuk mengatasi permasalahan
tersebut, penerapan metode yang memiliki kemampuan untuk melakukan pencarian
global akan mampu membantu K-means untuk dapat menemukan titik pusat klaster yang
lebih baik. Invasive Weed Optimization merupakan algoritma pencarian global
yang terinspirasi oleh proses kolonisasi rumput liar. Pada penelitian ini
diusulkan sebuah metode yang merupakan hasil hibridasi dari metode K-means dan
algoritma Invasive Weed Optimization (IWOKM). Kinerja dari metode IWOKM telah
dicobakan pada data bunga Iris kemudian hasilnya dibandingkan dengan K-means.
Dari pengujian yang dilakukan, didapat hasil bahwa metode IWOKM mampu
menghasilkan hasil klaster yang lebih baik dari K-means.
Penulis: I Putu Adi Pratama,
Agus Harjoko
Kode Jurnal: jptinformatikadd150269
