Improved Cat Swarm Optimization Algorithm Untuk Penentuan Pusat Cluster Pada K-Means Clustering
Daftar Isi:
- Clustering merupakan salah satu teknik yang digunakan dalam konsep data mining yang bertujuan untuk mempartisi objek menggunakan similarity measure. Metode yang sangat populer digunakan dalam clustering adalah KMeans clustering karena implementasinya yang sangat sederhana dan dapat menangani data dalam jumlah besar serta proses yang relatif singkat. Meskipun demikian, K-Means juga memiliki kelemahan, pada penentuan titik awal pusat cluster, ditentukan secara random sehingga apabila tidak tepat dalam pemilihan titik awal pusat cluster, hasil pengelompokan data juga menjadi kurang akurat. Kelemahan lainnya, dalam proses pembaharuan titik pusatnya sangat memungkinkan hasil cluster konvergen pada local optima. Cat Swarm Optimization (CSO) sebagai salah satu algoritma heuristic terbaru yang termasuk dalam swarm intelligence. Dalam penelitian sebelumnya algoritma ini terbukti memiliki performansi yang lebih baik dalam permasalahan optimasi jika dibandingkan dengan algoritma optimasi heuristic lainnya seperti Particle Swarm Optimization (PSO). Akan tetapi algoritma CSO juga memiliki kelemahan yaitu sering premature convergent. Kemampuan konvergensi metode CSO lebih baik setelah ditambahkan inertia weight jika dibandingkan algoritma basic PSO dan basic CSO. Penambahan inertia weight dapat memperlebar ruang pencarian pada CSO sehingga mencegah premature convergent serta dapat meningkatkan diversity. Fokus dalam penelitian ini adalah optimasi pencarian pusat cluster pada KMeans clustering dengan menggunakan classification datasets dari UCI Machine Learning Repository diantaranya iris, breast cancer dan wine. Metode yang diusulkan adalah Improved Cat Swarm Optimization Algorithm untuk penentuan pusat cluster pada K-Means clustering. Hasil optimasi penentuan pusat cluster pada K-Means clustering akan dibandingkan dengan metode PSO dan CSO. Hasil pengujian menunjukkan hasil clustering pada metode ICSO memiliki persentase nilai error klasifikasi yang rendah, yaitu 48%, 3% dan 22% untuk data iris, breast cancer dan wine jika dibandingkan dengan metode PSO dan CSO. Hal ini menunjukkan bahwa metode ICSO mampu mengoptimalkan penentuan pusat cluster pada K-Means clustering dengan hasil yang lebih akurat dibandingkan dengan metode yang lain.