Analisis Kinerja Metode Dbscan (Density-Based Spatial Clustering of Applications with Noise) dan K-Means Dalam Sistem Pendukung Keputusan
ABSTRAK
Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan
(unsupervised) dan suatu metode untuk mencari dan mengelompokan data yang
memiliki kemiripan karakteristik antara satu data dengan data lain. Dalam penelitian
ini, untuk pengelompokan data menggunakan metode K-Means dan metode DBSCAN,
adapun tambahan metode pengelompokan yaitu rule-based classification sebagai
perbandingan antara metode K-Means dan DBSCAN. Dalam hal ini, peneliti
mengelompokan 6 kelompok jurusan pada sekolah menengah kejuruan SMK Swasta
Medan Area.1 dengan menggunakan kriteria – kriteria yang terdapat dalam data siswa
tersebut seperti jenis kelamin, pendapatan orang tua, tanggungan anak orang tua, nilai
tes dan tinggi badan siswa. Data sampel yang diuji adalah berjumlah 40 data siswa
SMK. Pada penelitian ini, untuk pengujian rule-based classification menghasilkan 648
rule. Kemudian data dikelompokan dengan menggunakan k-Means yang menghasilkan
6 kelompok, dengan adanya 2 noise. Pengelompokan terjadi hingga 4 kali iterasi. Pada
metode DBSCAN pengelompokan data menggunakan 2 parameter yaitu epsilon=
0.00972 dan MinPts= 2 yang menghasilkan 3 kelompok. Setelah hasil pengelompokan
dengan menggunakan kedua metode tersebut, selanjutnya data diuji menggunakan uji
statistik nonparametrik dengan hasil Zhitung = 4.8 sehingga didapat hasil menolak H0 dan
menerima H1 yang berarti penggunaan K-Means lebih optimal daripada penggunaan
DBSCAN dalam penelitian ini. Pengelompokan ini bermanfaat untuk mengelompokan
siswa sesuai jurusan berdasarkan beberapa kriteria yang telah ditentukan dan menguji
kinerja metode yang digunakan.
Kata Kunci: K-Means, DBSCAN, Clustering, SMK
Universitas Sumatera Utara
ANALYSIS OF PERFORMANCE DBSCAN (Density-Based Spatial Clustering
of Applications with Noise) AND K-MEANS METHODS IN DECISION OF
SUPPORT SYSTEM
ABSTRACT
Clustering is one of the unsupervised mining data methods; it is also a method used to
seek and to group data which have characteristic resemblance from one datum to
another one. In this research, K-means method and DBSCAN method were used to
group the data; rule-based classification was also used to the supplementary clustering
method as a comparison between K-Means method and DBSCAN method. In this case,
the research grouped 6 clusters at SMK Swasta (Private Vocational School) Medan
Area 1 by using the criteria found in the students’ data such as sex, parents’ income,
parents’ dependents, test scores, and students’ body height. There were 40 data of the
students as the samples. The result of rule-based classification was 648 rules. The data
were then grouped by using K-Means method which yielded 6 clusters with only 3
noises. Grouping occurred until 4 iterations. In DBSCAN method, the data were
grouped by using 2 parameters: epsilon = 0.00972 and MinPts = 2 which yielded 3
clusters. After grouping by using both methods, the data were tested by using nonparametric statistical test; the result was Zcount = 4.8 so the Ho was rejected and Hi was
accepted which indicated that using K-Means was more optimal than using DBSCAN
in this research. This clustering was beneficial to group the students according some
criteria which had determined and tested the performance of the used methods.
Keywords: K-Means, DBSCAN, Clustering, SMK
Universitas Sumatera Utara
Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan
(unsupervised) dan suatu metode untuk mencari dan mengelompokan data yang
memiliki kemiripan karakteristik antara satu data dengan data lain. Dalam penelitian
ini, untuk pengelompokan data menggunakan metode K-Means dan metode DBSCAN,
adapun tambahan metode pengelompokan yaitu rule-based classification sebagai
perbandingan antara metode K-Means dan DBSCAN. Dalam hal ini, peneliti
mengelompokan 6 kelompok jurusan pada sekolah menengah kejuruan SMK Swasta
Medan Area.1 dengan menggunakan kriteria – kriteria yang terdapat dalam data siswa
tersebut seperti jenis kelamin, pendapatan orang tua, tanggungan anak orang tua, nilai
tes dan tinggi badan siswa. Data sampel yang diuji adalah berjumlah 40 data siswa
SMK. Pada penelitian ini, untuk pengujian rule-based classification menghasilkan 648
rule. Kemudian data dikelompokan dengan menggunakan k-Means yang menghasilkan
6 kelompok, dengan adanya 2 noise. Pengelompokan terjadi hingga 4 kali iterasi. Pada
metode DBSCAN pengelompokan data menggunakan 2 parameter yaitu epsilon=
0.00972 dan MinPts= 2 yang menghasilkan 3 kelompok. Setelah hasil pengelompokan
dengan menggunakan kedua metode tersebut, selanjutnya data diuji menggunakan uji
statistik nonparametrik dengan hasil Zhitung = 4.8 sehingga didapat hasil menolak H0 dan
menerima H1 yang berarti penggunaan K-Means lebih optimal daripada penggunaan
DBSCAN dalam penelitian ini. Pengelompokan ini bermanfaat untuk mengelompokan
siswa sesuai jurusan berdasarkan beberapa kriteria yang telah ditentukan dan menguji
kinerja metode yang digunakan.
Kata Kunci: K-Means, DBSCAN, Clustering, SMK
Universitas Sumatera Utara
ANALYSIS OF PERFORMANCE DBSCAN (Density-Based Spatial Clustering
of Applications with Noise) AND K-MEANS METHODS IN DECISION OF
SUPPORT SYSTEM
ABSTRACT
Clustering is one of the unsupervised mining data methods; it is also a method used to
seek and to group data which have characteristic resemblance from one datum to
another one. In this research, K-means method and DBSCAN method were used to
group the data; rule-based classification was also used to the supplementary clustering
method as a comparison between K-Means method and DBSCAN method. In this case,
the research grouped 6 clusters at SMK Swasta (Private Vocational School) Medan
Area 1 by using the criteria found in the students’ data such as sex, parents’ income,
parents’ dependents, test scores, and students’ body height. There were 40 data of the
students as the samples. The result of rule-based classification was 648 rules. The data
were then grouped by using K-Means method which yielded 6 clusters with only 3
noises. Grouping occurred until 4 iterations. In DBSCAN method, the data were
grouped by using 2 parameters: epsilon = 0.00972 and MinPts = 2 which yielded 3
clusters. After grouping by using both methods, the data were tested by using nonparametric statistical test; the result was Zcount = 4.8 so the Ho was rejected and Hi was
accepted which indicated that using K-Means was more optimal than using DBSCAN
in this research. This clustering was beneficial to group the students according some
criteria which had determined and tested the performance of the used methods.
Keywords: K-Means, DBSCAN, Clustering, SMK
Universitas Sumatera Utara