Penerapan Algoritma Jaya Untuk Optimasi Pusat Klaster K-Means

Abstract

K-Means merupakan teknik pengelompokan berbasis partisi yang merepresentasikan setiap klaster melalui nilai rata-rata dari anggotanya. Salah satu tantangan dalam teknik ini adalah bahwa proses iterasi yang berupaya mencapai optimalitas tidak selalu berhasil mencapai solusi global yang optimal, dikarenakan proses tersebut sangat bergantung pada pemilihan titik centroid. Untuk mengatasi permasalahan konvergensi suboptimal pada algoritma K-Means yang terkait dengan pemilihan awal centroid, penelitian ini mengusulkan pengintegrasian Algoritma Jaya. Algoritma Jaya, yang dikenal dengan kemampuannya dalam optimasi global yang cepat dan efektif, digunakan untuk mengoptimalkan centroid K-Means. Hasil pengujian pada tiga jumlah klaster berbeda menunjukkan bahwa Jaya K-Means secara konsisten mencatatkan nilai Sum of Squared Errors (SSE) yang lebih rendah dibandingkan dengan K-Means tradisional, namun dengan waktu eksekusi yang lebih lama. Untuk klaster=2, SSE Jaya K-Means memperoleh 306.74 dengan waktu 2.9 detik, sedangkan K-Means SSE 307.75 dengan waktu 0.06 detik. Pada klaster=4, SSE Jaya K-Means memperoleh 243.59 dengan waktu 3.7 detik, berbanding dengan K-Means dengan SSE 247.15 dengan waktu 0.12 detik. Untuk klaster=6, Jaya K-Means mencapai SSE 211.44 dengan waktu 3.56 detik, sedangkan K-Means SSE 215.79 dengan waktu 0.18 detik. Keseluruhan hasil ini menegaskan bahwa pendekatan hibrid K-Means dan Jaya menawarkan perbaikan signifikan dalam kinerja klastering, meskipun dengan pengorbanan pada kecepatan eksekusi.