ANALISIS KLASTER MENGGUNAKAN ALGORITMA I-CLARANS UNTUK DATASET BESAR DENGAN PENCILAN

KD DEWI YULIANINGSIH, Dr. Herni Utami, M.Si.

2019 | Skripsi | S1 STATISTIKA

Analisis klaster merupakan metode statistika multivariat yang bertujuan untuk mengelompokkan objek-objek yang memiliki kesamaan karakteristik ke dalam suatu klaster. K-medoids adalah metode analisis klaster dengan medoid sebagai pusat klasternya, di mana medoid merupakan objek yang letaknya terpusat di dalam suatu klaster, sehingga robust terhadap pencilan. Algoritma k-medoids yang digunakan dalam penelitian ini adalah Improved Clustering Large Applications based on Randomized Search (I-CLARANS), di mana I-CLARANS merupakan pengembangan dari algoritma Clustering Large Applications based on Randomized Search (CLARANS) dalam meningkatkan kualitas klastering. Metode I-CLARANS menggunakan dua batasan, yaitu numlocal, untuk membatasi iterasi dan maxneighbour, untuk membatasi neighbour pada suatu node. Pengelompokan didasarkan pada ukuran jarak Euclidean dan Manhattan. Selanjutnya, untuk mengetahui tingkat validasi digunakan silhouette width. Metode analisis klaster terbaik untuk mengelompokkan beton-beton berdasarkan komponen yang digunakan adalah metode I-CLARANS dengan jarak Manhattan, k=6, numlocal = 2, dan maxneighbour = 80. Pada studi kasus, dapat diketahui bahwa berdasarkan nilai overall average silhouette width metode I-CLARANS lebih baik dibandingkan metode CLARANS.

Cluster analysis is a multivariate statistical method to classify objects that have similar characteristics into a cluster. K-medoids is a clustering method with the medoid as its center cluster, where medoid is the most centrally located object in a cluster, which is robust to outliers. The k-medoids algorithm that used in this study is Improved Clustering Large Applications based on Randomized Search (I-CLARANS), where I-CLARANS is development of Clustering Large Applications based one Randomized Search (CLARANS) algorithm in improving quality of clusters. I-CLARANS method uses two parameters, named as numlocal, to limit the iteration and maxneighbour, to limit neighbours to a node. Clustering is based on Euclidean distance and Manhattan distance. Then, to determine the validation level used silhouette width as evaluation method. The best clustering method for classifying concretes based on components used is I-CLARANS method with Manhattan distance, k=6, numlocal = 2, and maxneighbour = 80. In the case study, can be known based on the overall average silhouette width value that I-CLARANS method is better than CLARANS method.

Kata Kunci : K-medoids, Improved Clustering Large Applications based on Randomized Search, pencilan, dataset besar, silhouette width, Clustering Large Applications based on Randomized Search