AHP merupakan suatu model pendukung keputusan yang dikembangkan oleh Thomas L. Saaty.

Model
pendukung keputusan ini akan menguraikan masalah multi faktor atau multi kriteria yang kompleks
menjadi suatu hirarki, menurut Saaty (1993), hirarki didefinisikan sebagai suatu representasi dari sebuah
permasalahan yang kompleks dalam suatu struktur multi level dimana level pertama adalah tujuan, yang
diikuti level faktor, kriteria, sub kriteria, dan seterusnya ke bawah hingga level terakhir dari alternatif.
Dengan hirarki, suatu masalah yang kompleks dapat diuraikan ke dalam kelompok-kelompoknya yang
kemudian diatur menjadi suatu bentuk hirarki sehingga permasalahan akan tampak lebih terstruktur
dan sistematis. (Syaifullah:2010).

Dalam metode AHP dilakukan langkah-langkah sebagai berikut (Kadarsyah Suryadi dan Ali Ramdhani,
1998) :

1. Mendefinisikan masalah dan menentukan solusi yang diinginkan.

2. Membuat struktur hirarki yang diawali dengan tujuan utama.

. 3. Membuat matrik perbandingan berpasangan yang menggambarkan kontribusi relatif atau pengaruh
setiap elemen terhadap tujuan atau kriteria.

4. Melakukan mendefinisikan perbandingan berpasangan sehingga diperoleh jumlah penilaian

seluruhnya

5 Elemen yang satu lebih penting daripada yang lainnya, Pengalaman dan penilaian sangat kuat
menyokong satu elemen dibandingkan elemen yang lainnya.

6. Mengulangi langkah 3,4, dan 5 untuk seluruh tingkat hirarki.

7. Menghitung vektor eigen dari setiap matriks perbandingan berpasangan yang merupakan bobot
setiap elemen untuk penentuan prioritas elemen-elemen pada tingkat hirarki terendah sampai
mencapai tujuan

8. Memeriksa konsistensi hirarki.

K-means clustering merupakan salah satu metode Non-hierarchical clustering yang mengelompokan
data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama
dikelompokkan dalam satu cluster/kelompok. Dan data yang memiliki karakteristik yang berbeda
dikelompokkan dengan cluster/kelompok yang lain. Sehingga data yang berada dalam satu cluster
/kelompok memiliki tingkat variasi yang kecil (Han, 2006).

Data clustering menggunakan metode K-means ini secara umum dilakukan dengan algoritma dasar
sebagai berikut (Agusta, 2007):

1. Tentukan jumlah cluster (k).

2. Alokasikan data ke dalam cluster secara random.

3. Hitung centroid/ rata-rata dari data yang ada di masing-masing cluster.

4. Alokasikan masing-masing data ke centroid/ rata-rata terdekat.

5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai
centroid, ada yang di atas nilai threshold yang 17 ditentukan atau apabila perubahan nilai pada objective
function yang digunakan di atas nilai threshold yang ditentukan.

Metode K-means akan memilih pola k sebagai titik awal centroid secara acak atau random. Jumlah
iterasi untuk mencapai cluster centroid akan dipengaruhi oleh calon cluster centroid awal secara
random. Sehingga didapat cara dalam pengembangan algoritma dengan menentukan centroid cluster
yang dilihat dari kepadatan data awal yang tinggi agar mendapatkan kinerja yang lebih tinggi (HUNG et
al., 2005, Saranya & Punithavalli, 2011, Eltibi & Ashour, 2011).