A. Kekuatan dan Kelemehan dari Algortima Klaster K-Means, Hierarchical clustering, dan Density Based Clustering
Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang
semakin besar jumlahnya. Salah satu teknik yang dikenal dalam data mining adalah clustering, berupa proses pengelompokan
sejumlah data atau objek ke dalam cluster (group) sehingga setiap dalam cluster tersebut akan berisi data yang semirip mungkin dan
berbeda dengan objek dalam cluster yang lainnya. Berikut ini penulis coba merangkum bagaimana Kekuatan dan Kelemehan dari
Algortima Klaster K-Means, Hierarchical clustering, dan Density Based Clustering yang penulis peroleh dari beberapa jurnal terkait
yang menggunakan ketiga metode tersebut.
Teknik lain yang dikenal dalam data mining adalah classfification, Klasifikasi merupakan cara pengelompokkan benda berdasarkan
ciri – ciri yang dimiliki oleh objek klasifikasi. Dalam prosesnya, klasifikasi dapat dilakukan dengan banyak cara baik secara manual
ataupun dengan bantuan teknologi. Klasifikasi yang dilakukan secara manual adalah klasifikasi yang dilakukan oleh manusia tanpa
adanya bantuan dari algortima cerdas komputer. Sedangkan klasifikasi yang dilakukan dengan bantuan teknologi, memiliki beberapa
algoritma, diantaranya Naïve Bayes, Support Vector Machine, Decission Tree, Fuzzy, Jaringan Saraf Tiruan, Rule based methods, dan
Memory based reasoning. Berikut ini penulis coba merangkum bagaimana Kekuatan dan Kelemehan dari Algortima Klasifikasi Naïve
Bayes, Support Vector Machine, Decission Tree, Fuzzy, Jaringan Saraf Tiruan, Rule based methods, dan Memory based reasoning
yang penulis peroleh dari beberapa jurnal terkait yang menggunakan ketujuh metode tersebut.
Referensi :
[1] E. Herman, K. E. Zsido, and V. Fenyves, “Cluster Analysis with K-Mean versus K-Medoid in Financial Performance
Evaluation,” Appl. Sci., vol. 12, no. 16, 2022, doi: 10.3390/app12167985.
[2] R. D. Firdaus, T. G. Laksana, and R. D. Ramadhani, “Pengelompokan Data Persediaan Obat Menggunakan Perbandingan
Metode K-Means Dengan Hierarchical Clustering Single Linkage,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 2, no. 1, pp.
33–48, 2019, doi: 10.20895/inista.v2i1.87.
[3] S. Andayani, “Formation of clusters in Knowledge Discovery in Databases by Algorithm K-Means,” SEMNAS Mat. dan
Pendidik. Mat. 2007, 2007.
[4] G. D. Nursyafitri, “K-Means Clustering, Salah Satu Contoh Teknik Analisis Data Populer,” 2022. https://www.dqlab.id/k-
means-clustering-salah-satu-contoh-teknik-analisis-data-populer.
[5] I. S. dan N. A. F., “INTRODUCTION TO HIERARCHICAL CLUSTERING,” 2021.
https://algotech.netlify.app/blog/introduction-to-hierarchical-clustering/.
[6] DAVID, “DBSCAN CLUSTERING,” 2020. https://algotech.netlify.app/blog/dbscan-clustering/.
[7] P. STATISTIKA, “Mengenal Algoritma DBSCAN Dan Manfaatnya,” 2021. https://patrastatistika.com/mengenal-algoritma-
dbscan-dan-manfaatnya/.
[8] P. Arora, Deepali, and S. Varshney, “Analysis of K-Means and K-Medoids Algorithm for Big Data,” Phys. Procedia, vol. 78,
no. December 2015, pp. 507–512, 2016, doi: 10.1016/j.procs.2016.02.095.
[9] F. Masrofin, “Algoritma OPTICS (Ordering Points To Identify The Clustering Structure),” 2023.
https://algoritmaonline.com/algoritma-optics/.
[10] F. A. D. Aji Prasetya Wibawa, Muhammad Guntur Aji Purnama, Muhammad Fathony Akbar, “Metode-metode Klasifikasi,”
Pros. Semin. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, p. 134, 2018.
[11] Wildan, “Rule-Based System (Sistem Berbasis Aturan),” 2013. http://danguna.blogspot.com/2013/07/rule-based-system-sistem-
berbasis-aturan.html.
[12] S. K. M. C. Chasandra Puspitasari, “Metode Case Base Reasoning (CBR),” 2022. https://binus.ac.id/malang/2022/03/metode-
case-base-reasoning-cbr/.