ABSTRAKSI: Klasterisasi (clustering) merupakan salah satu fungsionalitas data mining yang digunakan untuk melakukan pengelompokan data ke dalam suatu kelas atau cluster. Prinsip dasar klasterisasi adalah mengelompokkan objek pada suatu kelas yang memiliki kemiripan sangat besar dengan objek lain pada kelas yang sama (similarity), tetapi sangat tidak mirip dengan objek pada kelas lain (dissimilarity). Terdapat beberapa teknik klasterisasi antara lain: metode Partisi (K-means Clustering), metode Hierarki (Divisive and Agglomerative Clustering), metode Density-Based (DBSCAN), dan sebagainya.
Pada tugas akhir ini, digunakan metode Partisi dengan algoritma FGKA (Fast Genetic K-means Algorithm) yang merupakan penggabungan antara algoritma Kmeans dan algoritma Genetika. Metode pengklasteran dengan menggunakan Kmeans sangat banyak digunakan untuk mengelompokkan data dengan similaritas yang tinggi. Akan tetapi K-means memiliki kelemahan dalam penentuan titik pusat inisial klaster yang dilakukan secara random sehingga sering kali menyebabkan terjebak pada lokal optimal dan hasil pengklasteran menjadi tidak optimal. Untuk lebih mengoptimalkan penentuan titik pusat dan dengan waktu yang seminimal mungkin maka digunakanlah algoritma FGKA ( Fast Genetic Kmeans Algorithms). FGKA merupakan algoritma yang dikembangkan dari algoritma GKA (Genetic K-means Algorithm) yang diusulkan oleh Yi Lu pada tahun 2004. Algoritma ini selalu menghasilkan konvergensi pada global optimal. FGKA dan GKA mampu menghindari lokal optimal akan tetapi FGKA berjalan lebih cepat dibandingkan GKA. Dalam tugas akhir ini juga akan dilakukan perbandingan evaluasi hasil klasterisasi yang dihasilkan oleh perangkat lunak klasterisasi menggunakan metode K-means.Kata Kunci : clustering, GKA, K-means, FGKA, Fast Genetic K-means AlgorithmABSTRACT: Clustering is one of data mining functionalities which is used to group data into classes or clusters. The basic principle of clustering is to group the object into cluster which has many similarities with other object in the same cluster and many dissimilarities with other object in different cluster. There are several clustering techniques, such as Partition method (K-means Algorithm), Hierarchical method (Divisive and Agglomerative Clustering), Density-Based method (DBSCAN), etc.
This final project is implemented Partition method with FGKA (Fast Genetic K-means Algorithm) which is merged by K-means algorithm and Genetic algorithm. K-Means algorithm is often used to group data that have many similarities. Nevertheless, K-Means has a weakness on determining centroid intial cluster point which is done randomly so that it causes K-Means trapped on local optimal and the result of clustering cannot be optimal.
To make the best of centroid point determining and minimal time, algoritma FGKA can be used. FGKA is algorithm which is developed from GKA algorithm proposed by Yi Lu in 2004. This algorithm always converges to a global optimum eventually. FGKA and GKA can avoid local optimum, but FGKA runs faster than GKA. This final project also compares the result of clustering evaluation from a clustering software with K-Means method.Keyword: clustering, GKA, K-Means, FGKA, Fast Genetic K-Means Algorithm