Meningkatkan Hasil Cluster Pada Algoritma Weighted Dissimilarity Measure K-Modes Menggunakan Evidence Accumulation K-Modes

Anggraini Surianto, Sri (2017) Meningkatkan Hasil Cluster Pada Algoritma Weighted Dissimilarity Measure K-Modes Menggunakan Evidence Accumulation K-Modes.

Full text not available from this repository.
Official URL: http://elib.unikom.ac.id/gdl.php?mod=browse&op=rea...

Abstract

Clustering merupakan salah satu teknik yang digunakan dalam data mining untuk mengelompokkan suatu objek. Data yang digunakan dalam clustering dapat berupa data numerik dan kategori. Saat ini pada kategori data merupakan topik yang sedang banyak dilakukan dalam penelitian. Algoritma KModes digunakan untuk mengatasi masalah pada data bersifat kategori yang tidak dapat dihitung menggunakan konsep geometri. Namun terdapat beberapa kekurangan yang dimiliki K-Modes yaitu penentuan titik pusat awal dan pengukuran jarak cluster. Terdapat beberapa algoritma yang berusaha memperbaiki kelemahan algoritma K-Modes, diantaranya adalah algoritma Weighted Dissimilarity Measure K-Modes untuk mencari jarak cluster terbaik. Selain itu ada juga algoritma yang berusaha memperbaiki kekurangan algoritma Evidence Accumulation K-Modes yang mampu menentukan pusat cluster awal. Kedua algoritma memiliki keunggulan dan kelemahan berbeda, sehingga penelitian ini menggabungkan algoritma Weighted Dissimilarity Measure K-Modes dan Evidence Accumulation K-Modes (WDM-EA K-Modes) untuk dapat mencari jarak cluster terbaik sekaligus menentukan pusat cluster awal. Algoritma ini diimplementasikan pada dataset untuk mengetahui karakteristik algoritma. Penelitian ini terlihat bahwa algoritma WDM-EA K-Modes memiliki kinerja yang lebih unggul dari algoritma K-Modes dan WDM K-Modes. Pada dataset yang memiliki jumlah atribut 4-21 untuk jumlah data berjumlah 47-1728 berdasarkan evaluasi Purity Measure. Hal ini terbukti saat diimplementasikan pada dataset, algoritma WDM-EA K-modes menghasilkan hasil clustering dengan nilai Purity terbaik.

Item Type: Article
Uncontrolled Keywords: clustering, data kategori, k-modes, weighted dissimilarity measure, evidence accumulation, purity measure
Subjects: S2 Thesis > Magister Sistem Informasi > 2017
Divisions: Universitas Komputer Indonesia > Perpustakaan UNIKOM
Date Deposited: 10 Nov 2017 03:32
Last Modified: 10 Nov 2017 03:32
URI: https://repository.unikom.ac.id/id/eprint/53297

Actions (login required)

View Item View Item