Statistika Terapan (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/273

Browse

Browsing Statistika Terapan (S2) by Subject "Adaptive K-Means"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    PERBANDINGAN K-MEANS CLUSTERING, ADAPTIVE K-MEANS CLUSTERING DAN FUZZY K-MEANS CLUSTERING BERDASARKAN INTERNAL VALIDATION DAN EXTERNAL VALIDATION (Studi Kasus : Pengelompokkan Kabupaten/Kota
    (2017-01-16) KIKI FITRIAH; I Gede Nyoman Mindra Jaya; Yusep Suparman
    K-Means merupakan salah satu metode pengelompokkan data nonhirarki. Kelebihan dari metode ini adalah sederhana, mudah diimplementasikan/dijalankan dan juga mudah diadaptasi, namun metode ini juga memiliki beberapa kelemahan antara lain mengharapkan pengguna untuk menentukan banyak cluster terlebih dahulu dan juga sifat kaku (hard) yang dimiliki. Untuk mengatasi kelemahan K-Means telah dikembangkan Adaptive K-Means Clustering dan Fuzzy K-Means Clustering. Adaptive K-Means mengestimasi banyaknya cluster secara otomatis dan Fuzzy K-Means mempertimbangkan tingkat keanggotaan himpunan fuzzy sebagai dasar pembobotan sehingga memungkinkan suatu obyek menjadi anggota dari satu atau lebih cluster. Dengan bantuan program R diperoleh perbandingan antara K-Means, Adaptive K-Means dan Fuzzy K-Means berdasarkan internal validation index dan external validation index dengan menggunakan data simulasi 2dnormal, ringnorm, shapes, smiley, cassini dan faithfulNdata dimana berdasarkan internal validation index, K-Means lebih tepat digunakan untuk mengelompokkan data simulasi ringnorm dan smiley, Fuzzy K-Means lebih tepat digunakan untuk mengelompokkan data simulasi 2dnormal, K-Means Clustering dan Fuzzy K-Means Clustering sama-sama tepat digunakan untuk mengelompokkan data simulasi shapes dan cassini, K-Means Clustering, Fuzzy K-Means Clustering dan Adaptive K-Means Clustering sama-sama tidak tepat digunakan untuk mengelompokkan data simulasi yang mengandung noise/outlier. Berdasarkan external validation index, Fuzzy K-Means Clustering lebih tepat dalam mengelompokkan data simulasi 2dnormal, ringnorm, shapes, smiley, dan cassini. Sedangkan dalam mengelompokkan data simulasi faithfulNdata, Adaptive K-Means Clustering lebih tepat. Untuk data Indikator Kesejahteraan Rakyat tahun 2014 Provinsi Jawa Barat, dilakukan explorasi sehingga diketahui bahwa sebaran datanya mendekati jenis data simulasi 2dnormal oleh karena itu dilakukan pengelompokkan terhadap data riil tersebut menggunakan algoritma Fuzzy K-Means Clustering. Hasil pengelompokkan menghasilkan enam cluster, kemudian dilakukan profiling menghasilkan dua cluster dengan profil Kesejahteraan Baik, dua cluster dengan profil Kesejahteraan Cukup Baik dan dua cluster dengan profil Kesejahteraan Tidak Baik.