Implementasi Artificial Bee Colony untuk Pemilihan Titik Pusat pada Algoritma K-Means

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.