Penerapan Metode Silhouette Coefficient untuk Evaluasi Clustering Obat

Solmin Paembonan, Hisma Abduh

Abstract


Dalam penelitian ini menggunakan metode k-means, metode ini dapat digunakan untuk menjadikan beberapa obat yang mirip menjadi suatu kelompok data tertentu. Salah satu cara untuk mengetahui tingkat kemiripan data adalah melalui perhitungan jarak antar data. Semakain kecil jarak antar data semakin tinggi tingkat kemiripan data tersebut dan sebaliknya semakin besar jarak antar data maka semakin rendah tingkat kemiripannya. Tujuan akhir clustering adalah untuk menentukan kelompok dalam sekumpulan data yang tidak berlabel, karena clustering merupakan suatu metode unsupervised dan tidak terdapat suatu kondisi awal untuk sejumlah cluster yang mungkin terbentuk dalam sekumpulan data, maka dibutuhkan suatu evaluasi hasil clustering. Berdasarkan evaluasi yang dilakukan terhadap hasil clustering dengan nilai dari silhouette coeficient = 0,4854.

 

In this study using the k-means method, this method can be used to make several similar drugs into a certain data group. One way to determine the level of similarity of the data is through the calculation of the distance between the data. The smaller the distance between the data, the higher the level of similarity between the data and vice versa, the greater the distance between the data, the lower the similarity level. For a number of clusters that may be formed in a data set, an evaluation of the results of clustering is needed. Based on the evaluation carried out on the results of clustering with the value of the silhouette coefficient = 0.4854.


Keywords


Kmeans; Clustering; Silhouette coeficient

Full Text:

PDF

References


M. J. Abul Hasan dan S. Ramakrishnan, “A survey: hybrid evolutionary algorithms for cluster analysis,” Artif. Intell. Rev., vol. 36, no. 3, hlm. 179–204, Okt 2011.

Jiptake, B. R., & Gohokar, V. V. (2012). A Comparative Analysis of Fuzzy C-Means Clustering and K Means Clustering Algorithms. nternational Journal of Computational Engineering Research , 737-739.

A. K. Jain, M. N. Murty, dan P. J. Flynn, “Data clustering: a review,” ACM Comput. Surv., vol. 31, no. 3, hlm. 264–323, Sep 1999.

Y. Kao dan S.-Y. Lee, “Combining K-means and particle swarm optimization for dynamic data clustering problems,” dalam 2009 IEEE International Conference on Intelligent Computing and Intelligent Systems, Shanghai, China, 2009, hlm. 757–761.

S. Alam, G. Dobbie, Y. S. Koh, P. Riddle, dan S. Ur Rehman, “Research on particle swarm optimization based clustering: A systematic review of literature and techniques,” Swarm Evol. Comput., vol. 17, hlm. 1–13, Agu 2014.

E. Rendón, I. Abundez, A. Arizmendi, and E. M. Quiroz, “Internal versus External cluster validation indexes,” vol. 5, no. 1, 2011.




DOI: http://dx.doi.org/10.51557/pt_jiit.v6i2.659

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 PENA TEKNIK: Jurnal Ilmiah Ilmu-Ilmu Teknik

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

PUBLISHED BY:

 

Engineering Faculty, Universitas Andi Djemma, Jl. Tandipau No. 5 Palopo

Email: penateknik@unanda.ac.id  |  penateknik.unanda@gmail.com

p-ISSN : 2502-8952   |   e-ISSN : 2623-2197

 

INDEXED BY:

 

 Creative Commons License
PENA TEKNIK: Jurnal Ilmiah Ilmu-Ilmu Teknik is licensed under a Creative Commons Attribution 4.0 International License.