Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Pengeluaran Mahasiswa
Comparison of the K-Means and K-Medoids Algorithms for Grouping Student Expenditures
Keywords:
Data Mining, K-Means , K-Medoids , DBI , PengeluaranAbstract
Data mining merupakan pemrosesan informasi yang dapat dilakukan secara tersembunyi dari suatu database. Penggunaan data mining banyak sekali diterapkan dalam berbagai sector kehidupan. Salah satunya dalam bidang Pendidikan, pada penelitian ini data mining diterapkan untuk mengelompokkan pengeluaran mahasiswa dengan perbandingan 2 algoritma. Pengolahan data yang dilakukan menggunakan algoritma K- Means dan K-Medoids. Penelitian ini dilakukan karena banyaknya permasalahan terkait pengelolaan keuangan dan kesulitan dalam pencapaian tujuan finansial bagi mahasiswa. Adanya perbandingan ini guna mengukur algoritma yang paling baik dengan menghasilkan pengelompokan jumlah pengeluaran mahasiswa paling sedikit dalam satu bulan. Dari data yang di olah algoritma K-Medoids lebih optimal dalam pengelompokkan data pengeluaran mahasiswa dibandingkan K-Means dengan jumlah k paling kecil terletak pada K=10 dengan nilai DBI 0,107, hal ini menunjukan pengeluaran mahasiswa paling sedikit pada pengelompokan tersebut. Sedangkan pengelompokan pada algoritma K-Means menghasilkan nilai DBI terendah pada cluster 9 dengan nilai 0,119 menunjukan angka yang lebih tinggi dan jumlah pengeluaran mahasiswa lebih besar dibandingkan K-Medoids.
References
Mustika et al., Data Mining dan Aplikasinya. 2021.
D. Syaputri, P. H. Noprita, and S. Romelah, “Implementasi Algoritma K-Means untuk Pengelompokan Distribusi Sosial Ekonomi Masyarakat Berdasarkan Demografi Kependudukan,” Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 1–6, 2021.
I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
E. Prasetyowati, DATA MINING Pengelompokan Data untuk Informasi dan Evaluasi, vol. 29. Duta Media Publishing, 2017.
U. R. Gurning and Mustakim, “Penerapan Algoritma K-Means dan K-Medoid untuk Pengelompokkan Data Pasien Covid-19,” Build. Informatics, Technol. Sci., vol. 3, no. 1, p. 48?55, 2021, doi: 10.47065/bits.v3i1.1003.
N. Wakhidah, “Clustering menggunakan k-means algorithm,” J. Transform., vol. 8, no. 1, pp. 33–39, 2010.
M. D. R. Siahaan, “Pengaruh Literasi Keuangan Terhadap Perilaku Pengelolaan Keuangan Pada Mahasiswa Perguruan Tinggi Di Surabaya,” Artik. Ilm., vol. 1, pp. 1–15, 2013.
S. D. Nirwana, M. I. Jambak, and A. Bardadi, “Perbandingan Algoritma K-Means Dan K-Medoids Dalam Clustering Rata-Rata Penambahan Kasus Covid-19 Berdasarkan Kota/Kabupaten Di Provinsi Sumatera Selatan,” JSiI (Jurnal Sist. Informasi), vol. 9, no. 2, pp. 126–131, 2022, doi: 10.30656/jsii.v9i2.5127.
A. Fira, C. Rozikin, and G. Garno, “Komparasi Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Penyebaran Covid-19 di Indonesia,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 133–138, 2021, doi: 10.30871/jaic.v5i2.3286.
W. A. Triyanto, “Algoritma K-Medoids Untuk Penentuan Strategi Pemasaran Produk,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 6, no. 1, p. 183, 2015, doi: 10.24176/simet.v6i1.254.
F. Harahap, “Perbandingan Algoritma K Means dan K Medoids Untuk Clustering Kelas Siswa Tunagrahita,” TIN Terap. Inform. Nusant., vol. 2, no. 4, pp. 191–197, 2021.
M. Herviany, S. P. Delima, T. Nurhidayah, and Kasini, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor di Provinsi Jawa Barat,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 34–40, 2021, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/60
W. M. P. Dhuhita, “Clustering Menggunakan Metode K-Means Untuk,” J. Inform., vol. 15, no. 2, pp. 160--174, 2016.
R. K. Dinata, H. Novriando, N. Hasdyna, and S. Retno, “Reduksi Atribut Menggunakan Information Gain,” vol. 6, no. 1, pp. 48–53, 2020.
W. A. Wahyuni and S. Saepudin, “Penerapan Data Mining Clustering Untuk Mengelompokkan Berbagai Jenis Merk Mesin Cuci,” Semin. Nas. Sist. …, pp. 306–313, 2021, [Online]. Available: https://sismatik.nusaputra.ac.id/index.php/sismatik/article/view/35%0Ahttps://sismatik.nusaputra.ac.id/index.php/sismatik/article/download/35/31
N. T. Luchia, H. Handayani, F. S. Hamdi, D. Erlangga, and S. Fitri Octavia, “Perbandingan K-Means dan KMedoids Pada Pengelompokan Data Miskin di Indonesia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 35–41, 2022.
D. Marlina, N. Lina, A. Fernando, and A. Ramadhan, “Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 4, no. 2, p. 64, 2018, doi: 10.24014/coreit.v4i2.4498.
H. Syukron, M. F. Fayyad, and F. J. Fauzan, “Comparison K-Means K-Medoids and Fuzzy C-Means for Clustering Customer Data with LRFM Model “ Perbandingan K-Means K-Medoids dan Fuzzy C-Means untuk Pengelompokan Data Pelanggan dengan Model LRFM,” vol. 2, no. October, pp. 76–83, 2022.
B. Jumadi Dehotman Sitompul, O. Salim Sitompul, and P. Sihombing, “Enhancement Clustering Evaluation Result of Davies-Bouldin Index with Determining Initial Centroid of K-Means Algorithm,” J. Phys. Conf. Ser., vol. 1235, no. 1, 2019, doi: 10.1088/1742-6596/1235/1/012015.
F. Farahdinna, I. Nurdiansyah, A. Suryani, and A. Wibowo, “Perbandingan Algoritma K-Means Dan K-Medoids Dalam Klasterisasi Produk Asuransi Perusahaan Nasional,” J. Ilm. FIFO, vol. 11, no. 2, p. 208, 2019, doi: 10.22441/fifo.2019.v11i2.010.
