Evaluasi K-Means dan K-Medoids Pada Dataset Kecil

Abstract

Klastering merupakan pengelompokan beberapa records, observasi, atau kasus lain dalam sebuah kelas yang dibedakan berdasarkan objek yang saling serupa. K-Means merupakan algoritma yang dapat melakukan pengelompokkan berdasarkan jarak terdekat antara data dengan pusat data pada klaster. K-Medoids merupakan  metode yang digunakan untuk mengelompokkan sekumpulan objek menjadi sebuah kelas. Pada penelitian ini akan membahas mengenai komparasi hasil evaluasi pada K-Means dan K-Medoids menggunakan dataset yang berukuran kecil yaitu dataset Iris dan Wine. Davies Bouldin Index digunakan pada penelitian ini yaitu dengan mengukur kesamaan dari ukuran klaster dengan berdasarkan pada penyebaran klaster dan ketidaksamaan ukuran klaster. Berdasarkan hasil eksperimen, K-Means menunjukkan hasil evaluasi yang lebih baik dibandingkan dengan K-Medoids dalam menangani dataset dengan ukuran kecil. Hal ini ditunjukkan dengan hasil evaluasi pada dataset Iris dengan menggunakan K-Means yaitu sebesar 0.662 dan pada dataset Wine menunjukkan hasil evaluasi sebesar 0.534.