Penggerombolan Peubah Campuran Dengan Metode KPrototypes, Cluster Ensemble, Dan Two-Step Method For Clustering Mixed Data (TMCM).

Abstract

Analisis gerombol merupakan teknik peubah ganda untuk mengelompokkan objek-objek berdasarkan kemiripan karakteristik yang dimilikinya. Pada umumnya penggerombolan hanya dapat digunakan pada satu tipe peubah saja yaitu peubah bertipe numerik atau kategorik. Permasalahannya adalah bahwa data yang tersedia bisa saja merupakan peubah campuran (numerik dan kategorik). Oleh karena itu untuk melakukan penggerombolan yang tepat diperlukan metode penggerombolan yang dapat diterapkan pada peubah campuran. Beberapa metode yang telah dikembangan untuk penggerombolan data bertipe campuran adalah algoritme K-Prototypes, Cluster Ensemble dan Two-Step Method for Clustering Mixed Categorical and Numeric Data (TMCM). Penelitian ini membandingkan dan mengevaluasi ketiga metode penggerombolan peubah campuran tersebut pada beberapa kasus. Evaluasi kinerja hasil penggerombolan dengan memperhatikan rasio antara nilai simpangan baku di dalam kelompok (Sw) dan nilai simpangan baku antar kelompok (Sb) paling kecil. Kasus pertama yaitu pengerombolan desa berdasarkan karakteristik pembangunan Teknologi Informasi dan Komunikasi (TIK) di Provinsi Sulawesi Barat. Kasus kedua yaitu penggerombolan desa berdasarkan indikator percepatan penurunan stunting di Kabupaten Timor Tengah Utara (TTU). Kemudian pada berbagai kombinasi peubah kasus kedua menggunakan skenario komposisi peubah numerik lebih banyak dari kategorik dan komposisi peubah kategorik lebih banyak dari numerik. Hasil penelitian menunjukkan bahwa berdasarkan perbandingan nilai rasio Sw dan Sb dari ketiga metode penggerombolan peubah campuran menunjukkan bahwa metode K-Prototypes merupakan metode penggerombolan terbaik pada kasus pertama dengan nilai rasio Sw dan Sb yang dihasilkan yaitu 0,256 dan pada kasus kedua dengan nilai rasio Sw dan Sb yang dihasilkan yaitu 0,613 terkecil dibandingkan dibandingkan nilai rasio Sw dan Sb yang dihasilkan metode Cluster Ensemble dan TMCM. Selanjutnya, pada skenario menggunakan kombinasi peubah kategori lebih banyak dari peubah numerik pada kasus kedua metode K-Prototypes masih memiliki kinerja yang lebih baik dari metode lainnya karena dominan menghasilkan nilai rasio Sw dan Sb terkecil. Namun pada penggerombolan dengan menggunakan skenario peubah numerik lebih banyak dari peubah kategori pada kasus kedua, metode TMCM cenderung dominan menghasilkan nilai rasio Sw dan Sb terkecil dibandingkan metode K-Prototypes dan Cluster Ensemble.