Pengelompokan Objek dengan Metode Fuzzy C-means Berbasis Jarak Terbobot

Abstract

Ukuran jarak merupakan kriteria yang sangat penting dalam algoritma clustering. Jarak yang digunakan dalam pengelompokkan-pengelompokan sebelumnya adalah jarak euclidean. Pada penelitian ini akan membahas mengenai jarak terbobot untuk clustering. Metode pengelompokkan yang digunakan adalah fuzzy c-means dengan jarak euclidean dan manhattan. Untuk memperjelas pembahasan, dalam penelitian ini dipergunakan data produksi pertanian tanaman pangan per provinsi tahun 2015. Hasil penelitian menunjukkan bahwa jarak terbobot pada fuzzy c-means clustering dapat diterapkan pada pengelompokkan objek, dan menghasilkan akurasi hasil pengelompokkan yang ditunjukkan dengan nilai indeks Xie Beni pada jarak terbobot lebih kecil dibandingkan dengan nilai indeks Xie Beni pada jarak tanpa pembobot. Nilai akurasi manhattan weighted lebih kecil dibandingkan dengan euclidean weighted sehingga dapat disimpulkan pada studi kasus yang diambil dalam penelitian ini manhattan weighted distance lebih valid karenan memiliki nilai indeks Xie Beni sebesar 1,914802e-08