Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness
Keywords:
Clustering, K-Means Clustering, Distance Measure, Euclidean Distance, Manhattan Distance, Chebyshev Distance, Silhouette CoefficientAbstract
Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering. KMeans Clustering merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Salah satu ciri clustering yang baik atau optimal adalah jika menghasilkan cluster yang berisi data dengan tingkat kemiripan (similarity) yang tinggi pada cluster yang sama dan tingkat kemiripan rendah pada cluster yang berbeda. Distance measure digunakan untuk mengukur kemiripan data dalam suatu cluster. Hasil dari proses clustering akan menghasilkan hasil yang berbeda apabila distance measure yang digunakan berbeda. Fitness atau kebugaran didefinisikan sebagai keberhasilan seseorang dalam beradaptasi dengan tekanan fisik dan mental yang ditemui dalam hidupnya. Fitness secara umum didefinisikan sebagai program latihan yang disusun secara ilmiah dan sistematis untuk membantu atlet dalam beradaptasi dengan beban fisik yang dihadapinya dalam suatu latihan yang terkontrol. Peminat fitness yang semakin bertambah membuat member di setiap fitness centre ikut bertambah. Pengelompokkan terhadap member tersebut dibutuhkan oleh setiap fitness centre. Member fitness tersebut dapat dikelompokkan dengan cara clustering. Alvaro fitness merupakan salah satu fitness centre yang berkembang saat ini. Pengujian pada penelitian ini dilakukan dengan pengujian silhouette coefficient. Hasil pengujian Silhouette Coefficient setiap distance measure nya, antara lain Euclidean Distance bernilai 0,232149, Manhattan Distance bernilai 0,240016, dan Chebyshev Distance bernilai 0.242821. Berdasarkan hasil dari pengujian silhouette coefficient yang dilakukan, distance measure paling optimal untuk kasus ini adalah Chebyshev Distance ,yaitu dengan nilai silhouette coefficient paling mendekati 1 adalah 0.242821.References
Agusta, Yudi. 2007.
K-Means
-Penerapan, Permasalahan dan Metode
Terkait. Jurnal Sistem dan Informatika, volume 3, no 1.
Nurjaya, Dede Rohmat. 2009. General Fitness Training. Penataran
Pelatih Cabang Olahraga Dayung pada Pengda (Pengurus Daerah),
PPLP (Pusat Pembinaan dan Latihan Olahraga Pelajar), PPLM (Pusat
Pembinaan dan Latihan Olahraga Mahasiswa) dan Perguruan Tinggi
Se
-Indonesia
Turban, E. dkk. 2005. Decicion Support Systems and Intelligent
Systems.. Yogyakarta : Andi Offset.
Larose , Daniel T. 2005. Discovering Knowledge in Data: An
Introduction to Data Mining. John Willey & Sons. Inc.
Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk
Keperluan Bisnis. Yogyakarta: Graha Ilmu.
Santoso, S. 2010. Statistik Multivariat. Jakarta: Elex Media
Komputindo.
Teknomo, Kardi. 2015. Chebyshev Distance.
http://people.revoledu.com/kardi/tutorial/Similarity/ChebyshevDistan
ce.html
Handoyo, Rendy, dkk. 2014. Perbandingan Metode Clustering
Menggunakan Metode Single Linkage dan K-Means Pada
Pengelompokan Dokumen. JSM STMIK Mikroskil, volume 15, no 2.
Downloads
Published
Issue
Section
License
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
