Analisis Perbandingan Proses Cluster Menggunakan K- Means Clustering dan K-Nearest Neighbor pada Penyakit Diabetes Mellitus

ABSTRAK

Klasifikasi merupakan salah satu dari beberapa peran data mining. Pada fungsi
klasifikasi, terdapat banyak algoritma yang dapat digunakan untuk mengolah Input
menjadi output yang diinginkan, sehingga harus diperhatikan aspek performance dari
masing-masing algoritma tersebut. Tujuan penelitian ini adalah untuk menganalisis
dan membandingkan performance K-Nearest Neighbor dan K-Means Clustering dari
sudut pandang akurasi dan runing time.Data sets penelitian berasal dari UCI Machine
Learning

Repository,

yaitu: PIMA Indians

Diabetes

Dataset.Hasil

analisis

perbandingan akurasi menunjukkan bahwa nilai ke-akuratan algoritma K-Means

Clustering lebih baik dengan akurasi 67.143 % dibandingkan algoritma K-Nearest
Neighbor dengan akurasi 64.286 % pada implementasi terhadap data sets .sedangkan

waktu proses pengujian algoritma K-Nearest Neighbor

relatif lebih cepat

dibandingkan dengan K-Means Clustering dimana watu pengujian K-Nearest
Neighbor yaitu 0.2492 detik sedangkan K-Means Clustering yaitu 12.1285 detik.

Kata Kunci: Klasifikasi, Dataset, K-Means Clustering , K-Nearest Neighbor , runing
time, Akurasi.

Universitas Sumatera Utara

COMPARATIVE ANALYSIS OF CLUSTER PROCESS USING K -MEANS CLUSTERING AND
K-NEAREST NEIGHBOR DISEASE DIABETES MELLITUS

ABSTRACT

Classification is one of the few role of data mining. In the classification function, there
are many algorithms that can be used to process input into the desired output, so it
must be considered aspects of performance of each algorithm. The purpose of this
study was to analyze and compare the performance of K-Nearest Neighbor and KMeans Clustering from the standpoint of accuracy and runing time.Data sets the
research came from the UCI Machine Learning Repository, ie: PIMA Indians Diabetes
Dataset.Hasil accuracy comparative analysis shows that the value to-accuracy
algorithm K-Means Clustering with an accuracy better than 67 143% K-Nearest
Neighbor algorithm with 64 286% accuracy in the implementation of the testing
process the data sets.sedangkan time K-Nearest Neighbor algorithm is relatively faster
than the K-Means Clustering where Watu testing of K-Nearest Neighbor ie 0.2492
seconds while K-Means Clustering is 12.1285 seconds.

Keywords : Classification , Dataset , K -Means Clustering , K - Nearest Neighbor ,
runing time , accuracy .

Universitas Sumatera Utara