Nugroho, Ario Bagus (2016) Implementasi Artificial Bee Colony Untuk Pemilihan Titik Pusat Pada Algoritma KMeans. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5110100056-Undergraduate_Thesis.pdf - Accepted Version Download (1MB) | Preview |
Abstract
Klastering merupakan metode yang digunakan untuk
membagi data menjadi beberapa kelompok bagian. K-means
(KM) merupakan algoritma yang sering digunakan dalam
klastering, hanya saja hasil dari KM sering kali terjebak di lokal
optima. Artificial Bee Colony (ABC) merupakan algoritma
yang bekerja berdasarkan cara lebah mencari makan, ABC
terkenal mampu lolos dari jebakan lokal optima dengan
mengenali mana hasil yang terbaik dari serangkaian hasil
optimal.
Menggabungkan ABCKM dimulai dengan memilih
sumber makanan awal secara acak dan menggunakan KM untuk
menyelesaikan semua permasalahan klastering pada setiap
langkah ABC berikutnya serta menyimpan sumber makanan
terbaik disetiap iterasinya. Sumber-sumber terbaik tersebut
akan dipilih sumber makanan terbaiknya berdasarkan
probabilitas kecocokannya masing-masing.
Hasil dari implementasi algoritma ABCKM ini adalah
data yang telah dibagi berdasarkan sumber terbaik. Setelah di
evaluasi menggunakan algoritma silhouette dapat dibuktikan
bahwa rata-rata nilai koefisien pada 5 buah dataset adalah 0.65
yang berarti data telah di klaster dengan baik
==========================================================================================================
Clustering is a method that used to divide data into multiple
groups of parts. K-means (KM) is an algorithm that is frequently used
in clustering only the outcome of KM often trapped in a local optima.
Artificial Bee Colony (ABC) is an algorithm that inspired by the way
of bees foraging, ABC is famous to be able to escape from the trap of
local optima by identifying which result is the best result from a set of
optimal results.
Combining ABCKM starts with selecting random initial food
source and use KM to solve all the clustering problems at every next
step of ABC and save the best food source in each iteration. The best
food source will be selected based on probability suitability of each.
The results of the implementation of ABCKM algorithm is a
data that has been clustered according to the optimum food source.
The clustered data will be evaluated using silhouette algorithm and
proven to be having a mean coefficient value for five dataset 0.65,
which means that all the data is well clustered
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 005.74 Nug i |
| Uncontrolled Keywords: | K-Means, Artificial Bee Colony, KM, ABC, klastering |
| Subjects: | Q Science > QA Mathematics > QA278.55 Cluster analysis |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | Mr. Tondo Indra Nyata |
| Date Deposited: | 07 Apr 2020 03:19 |
| Last Modified: | 07 Apr 2020 03:19 |
| URI: | http://repository.its.ac.id/id/eprint/75706 |
Actions (login required)
 |
View Item |