Clustering Data Kategorik Menggunakan K-modes dengan Weighted Dissimilarity Measure

Lutfi Hidayat Ramdhani

Informasi Umum

Kode

113060058

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

755 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: K-Modes merupakan pengembangan dari algoritma clustering K-means untuk menangani data kategorik di mana means diganti oleh modes. K-Modes menggunakan simple matching meassure dalam penentuan similarity dari suatu klaster. Di dalam penelitian ini akan memodifikasi algoritma k-modes dalam penentuan similarity dengan menggunakan weighted dissimilarity meassure karena nilai dari suatu atribut cukup berpengaruh dalam clustering. Pengujian akan menggunakan real world data set yang disediakan oleh UCI repository yang bertipe kategorik. Penilaian performa dilihat dari cluster purity yang dihasilkan. Dari hasil pengujian didapatkan cluster purity pada algoritma k-modes yang menggunakan weighted dissimilarity measure memiliki nilai yang lebih baik dari algoritma k-modes sebelumnya. Ini menunjukkan objek dialokasikan kepada cluster lebih akurat menggunakan algoritma k-modes yang baru.Kata Kunci : clustering, data kategorik, weighted dissimilarity measure, cluster purityABSTRACT: K-Modes is an extension from K-means clustering algorithm for handling categorical data where modes is used instead of means. Simple K-Modes use simple matching measure to decide similarity value from a cluster. This research will modified k-modes algorithm in deciding similarity value using weighted dissimilarity measure because the value from an attribute really affect a clustering process. The experiment will be tested using real world data sets obtained from the UCI data repository where the type of the data sets is categorical. The performance of the algorithm will be seen from the value of cluster purity from created clusters. From the test showed that the value of cluster purity using k-modes algorithm using weighted dissimilarity measure has the better result from the original k-modes. It shows that object is more accurate allocated in their respective cluster using the new improved k-modes.Keyword: clustering, categorical data, weighted dissimilarity measure, cluster purity