Analisis Komparatif K-Means dan Hierarchical Clustering Menggunakan Validasi Internal Clustering

Clustering ialah salah satu pendekatan unsupervised learning yang bertujuan mengelompokkan informasi bersumber pada tingkatan kemiripan karakteristiknya tanpa memakai label kelas. Tata cara K- Means serta Hierarchical Clustering jadi algoritma yang kerap digunakan sebab konsepnya simpel dan gampang diimplementasikan. Riset ini bertujuan menyamakan kinerja tata cara K- Means serta Hierarchical Clustering memakai validasi internal cluster buat memperhitungkan mutu hasil pengelompokan. Dataset yang digunakan diperoleh dari salah satu web penyedia informasi terbuka berbasis website yang sediakan informasi numerik serta sudah banyak dimanfaatkan pada riset informasi mining. Proses riset dimulai dengan akuisisi informasi, preprocessing, pelaksanaan algoritma K- Means serta Hierarchical Clustering, dan penilaian hasil clustering memakai validasi internal berbentuk Silhouette Coefficient, Davies- Bouldin Index, serta Calinski- Harabasz Index. Hasil pengujian menampilkan kalau tiap- tiap tata cara mempunyai ciri yang berbeda pada pembuatan cluster. K- Means cenderung menciptakan cluster yang lebih kompak, sebaliknya Hierarchical Clustering membagikan visualisasi ikatan antar informasi yang lebih jelas lewat dendrogram. Nilai validasi internal menampilkan tata cara dengan mutu clustering terbaik tergantung pada struktur informasi yang digunakan. Riset ini diharapkan bisa jadi rujukan dalam pemilihan tata cara clustering yang cocok bersumber pada ciri informasi serta kebutuhan analisis.