Peningkatan Kualitas Hasil Clustering Menggunakan Algoritma Hierarchical Agglomerative Clustering Kmeans-Particle Swarm Optimization (Studi Kasus: Segmentasi Pasar Film)

Hardyanto, Chrismikha (2017) Peningkatan Kualitas Hasil Clustering Menggunakan Algoritma Hierarchical Agglomerative Clustering Kmeans-Particle Swarm Optimization (Studi Kasus: Segmentasi Pasar Film).

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

Abstract

IMDB merupakan sebuah website yang menyediakan berbagai data mengenai film. Untuk mengetahui informasi segmentasi pasar film saat ini, dapat dilakukan dengan cara mengelompokkan data film pada IMDB. Sebuah metode yang dapat membantu untuk menyelesaikan masalah pengelompokan adalah clustering. Clustering dapat mengelompokkan data berdasarkan kemiripan antar atribut data, sehingga dapat dihasilkan kelompok segmentasi pasar film yang tepat. Terdapat dua teknik pada clustering yang dapat digunakan untuk menyelesaikan kasus segmentasi pasar film yaitu clustering berbasis hierarki dan clustering berbasis partisi. Algoritma hierarki Seperti Hierarchical Agglomerative Clustering (HAC) dapat menduga jumlah cluster terbaik dari suatu dataset. Akan tetapi, penambahan jumlah data dan atribut dapat menyebabkan akurasi hasil clustering dari algoritma hierarki menjadi buruk. Di sisi lain, clustering berbasis partisi memiliki akurasi yang baik dalam pengelompokkan data. Akan tetapi teknik ini memiliki kekurangan yang terletak pada pemilihan centroid awal pada dataset yang dilakukan secara acak. Untuk memperbaiki masalah tersebut, terdapat algoritma K-PSO yang dapat mencari centroid awal terbaik. Akan tetapi K-PSO tidak dapat menduga jumlah cluster terbaik yang dapat terbentuk dari suatu dataset. Penelitian ini mencoba untuk menggabungkan keunggulan dari algoritma HAC dan K-PSO untuk meningkatkan kualitas hasil clustering pada kasus segmentasi pasar film. Bedasarkan hasil evaluasi menggunakan metode Davies-Bouldin Index (DBI), terlihat bahwa Algoritma HA-KPSO memiliki kinerja paling baik pada dataset yang memiliki jumlah atribut lebih dari 10 dengan jumlah data kurang dari 100 data dan lebih dari 500 data. Hal ini terbukti saat diimplementasikan pada dataset IMDB untuk kasus segmentasi pasar film, algoritma HA-KPSO dapat menghasilkan hasil clustering dengan nilai DBI lebih baik dibandingkan algoritma K-PSO dan DE-KMeans.

Item Type: Article
Uncontrolled Keywords: IMDB, Clustering, Hierarchical Agglomerative Clustering, KMeansParticle Swarm Optimization, Davies-Bouldin Index.
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/53311

Actions (login required)

View Item View Item