Optimasi Algoritma K-Means menggunakan Particle Swarm Optimization

ABSTRAK:

Pengelompokan data (clustering) merupakan teknik penting dalam analisis data tidak berlabel, terutama ketika volume dan kompleksitas data terus meningkat. K-Means adalah salah satu algoritma clustering yang populer, namun memiliki kelemahan dalam proses inisialisasi centroid secara acak, yang dapat menyebabkan solusi sub-optimal. Penelitian ini bertujuan untuk meningkatkan performa K-Means melalui integrasi dengan algoritma Particle Swarm Optimization (PSO) dalam menentukan inisialisasi centroid awal. Pengujian dilakukan pada dua dataset klasik, yaitu Iris dan Wine. Evaluasi kinerja dilakukan menggunakan metrik Sum of Squared Error (SSE), silhouette score, dan akurasi klasifikasi. Hasil eksperimen menunjukkan bahwa metode K-Means+PSO menghasilkan peningkatan akurasi pada dataset Iris (89,3%) dan Wine (97,2%) dibandingkan K-Means standar (88,7% dan 96,6%). Peningkatan juga terlihat pada nilai silhouette score, meskipun perbedaan SSE relatif kecil. Temuan ini menunjukkan bahwa integrasi PSO dapat meningkatkan kualitas hasil pengelompokan dibandingkan metode K-Means standar.

ABSTRACT:

Data clustering is a fundamental technique in the analysis of unlabeled data, especially asthe volume and complexity of data continue to grow. K-Means is one of the most widelyused clustering algorithms; however, it suffers from a limitation in the form of randominitialization of centroids, which can lead to sub-optimal solutions. This study aims toimprove the performance of K-Means by integrating it with Particle Swarm Optimization(PSO) for better centroid initialization. Experiments were conducted on two classicaldatasets, namely Iris and Wine. The performance was evaluated using three metrics: Sumof Squared Error (SSE), silhouette score, and classification accuracy. The experimentalresults show that the K-Means + PSO method achieves higher accuracy on the Iris (89.3%)and Wine (97.2%) datasets compared to standard K-Means (88.7% and 96.6%).Improvements were also observed in silhouette scores, although the differences in SSEwere relatively small. These findings indicate that integrating PSO can enhance the qualityof clustering results compared to the standard K-Means method.

مستخلص البحث:

عد ّ جتميع البياانت(Clustering)من التقنيات األساسية يف حتليل البياانت غري املصنّفة، خاصة ً معالتزايد املستمر يف حجم البياانت وتعقيدها. وتُعد ّ خوارزميةK-Meansمن أشهر خوارزميات التجميع،كزيةإال أهنا تعاين من ضعف يف اختيار النقاط املر(centroids)عشوائيًا يف البداية، مما يؤدي إىلحلول غريمثالية.هدفتهذه الدراسة إىل حتسني أداء خوارزميةK-Meansمن خالل دجمهامعخوارزمية حتسني سرب اجلسيمات(PSO)الختيار املراكز األولية. مت إجراء االختبار على جمموعيتكالسيكيتني: إيريس بياانت(Iris)وواين(Wine). مت تقييم األداء ابستخدام ثالث مقاييس: جمموعمربعات اخلطأ(SSE)، ودرجة الظل(silhouette score)، ودقة التصنيف. أظهرت النتائج أنخوارزميةK-Means + PSOحققت دقة أعلى يف جمموعة بياانتIris٪(٨٩٫٣) وWine٪(٩٧٫٢) مقارنة خبوارزميةK-Meansالتقليدية (٪٨٨٫٧و٪٩٦٫٦). كما لوحظ حتسّن يف درجةالظل، رغم أن الفرق يفSSEكان طفيفًا. تُبني ّ هذه النتائج أن دمجPSOيعزّز جودة نتائج التجميعمقارنة ً خبوارزميةK-Meansوحدها.