Initial Centroid Pada Algoritma K-Means Dan K-Medoids

Abstract

Pertumbuhan data yang semakin besar, kompleks, dan beragam menuntut adanya metode analisis yang mampu mengubah data mentah menjadi informasi yang bermanfaat. Salah satu teknik yang banyak digunakan adalah clustering, yaitu proses pengelompokan data berdasarkan kemiripan karakteristik. Algoritma K-Means dan K-Medoids merupakan dua metode clustering yang populer. K-Means bekerja dengan menentukan pusat cluster berdasarkan nilai rata-rata (means) dari data, sedangkan K-Medoids menggunakan salah satu objek data sebagai pusat cluster (medoid). Permasalahan utama pada kedua algoritma ini terletak pada pemilihan titik pusat awal cluster (initial centroid) yang sangat mempengaruhi hasil akhir pengelompokan. K-Means sering kali menghasilkan klaster yang berbeda karena penentuan centroid dilakukan secara acak, sedangkan K-Medoids lebih stabil terhadap pencilan, namun memerlukan waktu komputasi yang lebih lama. Penelitian ini membahas pentingnya strategi pemilihan initial centroid pada algoritma K-Means dan K-Medoids serta perbandingan kinerja keduanya. Berdasarkan hasil analisis, K-Means lebih sesuai digunakan untuk dataset berukuran besar dengan distribusi data seragam karena lebih cepat dalam proses komputasi. Sementara itu, K-Medoids lebih akurat dalam mengelompokkan dataset kecil yang memiliki variasi tinggi serta mengandung pencilan karena tidak terdistorsi oleh nilai rata-rata. Dengan demikian, pemilihan metode yang tepat harus mempertimbangkan ukuran, distribusi, dan karakteristik dataset yang dianalisis. Penelitian ini diharapkan dapat memberikan kontribusi dalam memahami peran initial centroid dalam meningkatkan stabilitas dan akurasi hasil clustering.