Implementasi Particle Swarm Optimization Levy Flight Untuk Inisialisasi Pusat Cluster Pada K-Means Untuk Pengelompokan Data

Makarim, Muhammad Faris (2017) Implementasi Particle Swarm Optimization Levy Flight Untuk Inisialisasi Pusat Cluster Pada K-Means Untuk Pengelompokan Data. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
5112100154-Undergraduate_Theses.pdf - Published Version
Restricted to Repository staff only

Download (905kB)

Abstract

Pengelompokan data dapat mempermudah pengolahan, penggunaan dan pemilihan data secara optimal. Pengaplikasian pengelompokan data dapat dilakukan di berbagai bidang, diantaranya adalah segmentasi pasar, pengelompokan data pada search engine dan segmentasi citra pada citra. Oleh karena itu diperlukan suatu sistem yang dapat mengelompokkan data sehingga data tersebut dapat digunakan dengan lebih tepat guna. Tugas Akhir ini mengimplementasikan algoritma particle swarm optimization levy flight untuk melakukan inisialisasi centroid awal untuk optimasi k-means. Pada algoritma k-means konvensional digunakan penentuan centroid awal secara random mengakibatkan hasil pengelompokan belum optimal. Oleh karena itu particle swarm optimization levy flight diharapkan sebagai optimasi centroid awal tersebut. Dataset yang digunakan dalam proses uji coba ada tiga macam data yaitu data yeast, ecoli dan iris. Pada hasil pengujian metode particle swarm optimization levy flight kmeans, telah dihasilkan iterasi yang lebih sedikit dibandingkan dengan k-means. Nilai SSE yang dihasilkan pada data yeast di jumlah cluster sepuluh adalah 17,293. Nilai SSE yang dihasilkan pada data ecoli di jumlah cluster delapan adalah viii 8,078. Nilai SSE yang dihasilkan pada data iris di jumlah cluster tiga adalah 9.866. ================================================================================================================== Clustering data could ease data processing, utilization, or selection optimally. The data clustering could be used in many place, including market segmentaion, clustering data on search engine and imagery segmentation on image. Therefore a system that could clustering much data is needed, so the data can be used in an appropriate way. This final project is implementing particle swarm optimization levy flight algorithm for initiate the first centroid for k-means optimization. In k-means algorithm, it use a random value for initial state. The too random value could generate a bad result. The result from clustering software is implemented. The results from particle swarm optimization levy flight will be used for that initial state. The dataset used in the testing process contains three kinds of data. The data is including yeast, ecoli and iris data. On the result particle swarm optimization levy flight k-means test, it produced fewer iteration on comparison with k-means. The SSE value result for yeast data on the ten numbers of cluster is 17.293. The SSE value result for ecoli data on the eight numbers of cluster is 8.078. The SSE value result for iris data on the three numbers of cluster is 9.866.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Particle Swarm Optimization, Levy Flight, Kmeans, Pengelompokan Data
Subjects: T Technology > T Technology (General)
Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4450 Databases
Divisions: Faculty of Information Technology > Informatics Engineering > (S1) Undergraduate Theses
Depositing User: - MUHAMMAD FARIS MAKARIM
Date Deposited: 07 Apr 2017 07:42
Last Modified: 27 Dec 2017 07:31
URI: http://repository.its.ac.id/id/eprint/3193

Actions (login required)

View Item View Item