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.

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 > 55201-(S1) Undergraduate Thesis
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