Optimalisasi algoritma Fuzzy Gustafson-Kessel dengan variasi parameter weighting exponent untuk clustering data risiko depresi pelajar

INDONESIA:

Clustering digunakan untuk mengelompokkan data berdasarkan kesamaan karakteristik, namun metode konvensional memiliki keterbatasan dalam menangani kompleksitas bentuk data. Algoritma Fuzzy Gustafson-Kessel (FGK) sebagai metode fuzzy clustering mampu menangani bentuk cluster yang beragam, tetapi kinerjanya dipengaruhi oleh pemilihan parameter weighting exponent. Penelitian ini bertujuan untuk mengoptimalkan parameter weighting exponent pada algoritma FGK dalam menghasilkan struktur cluster yang lebih mencerminkan karakteristik data. Penelitian ini menggunakan pendekatan kuantitatif deskriptif dengan data sekunder dari Depression Student Dataset. Analisis dilakukan melalui implementasi algoritma FGK dan evaluasi cluster menggunakan Xie-Beni Index pada berbagai variasi parameter dan banyaknya cluster. Hasil penelitian menunjukkan bahwa kualitas clustering mencapai kondisi paling optimal pada penggunaan nilai weighting exponent sebesar 1,1 dengan banyaknya cluster sebanyak tiga. Nilai tersebut memberikan performa terbaik dibandingkan variasi parameter lainnya. Peningkatan nilai parameter menyebabkan penurunan kualitas cluster akibat tingkat kekaburan yang lebih tinggi. Hasil clustering mengelompokkan data ke dalam tiga tingkat risiko depresi, yaitu rendah, sedang, dan tinggi.

ENGLISH:

Clustering is used to group data based on similar characteristics; however, conventional methods have limitations in handling the complexity of data structures. The Fuzzy Gustafson-Kessel (FGK) algorithm, as a fuzzy clustering method, is capable of handling diverse cluster structures, but its performance is influenced by the choice of the weighting exponent parameter. This study aims to optimise the weighting exponent parameter in the FGK algorithm to produce a cluster structure that better reflects the data characteristics. This study employs a descriptive quantitative approach using secondary data from the Depression Student Dataset. Analysis was conducted through the implementation of the FGK algorithm and cluster evaluation using the Xie-Beni Index across various parameter variations and the number of clusters. The results indicate that the optimal clustering quality was achieved at a weighting exponent value of 1.1 with three clusters, yielding the best performance among all tested parameter variations. Increasing the parameter value leads to a decline in clustering quality due to higher levels of ambiguity. The clustering results group the data into three levels of depression risk: low, moderate, and high.

ARABIC:

استخدم التجميع لتصنيف البيانات بناءً على تشابه الخصائص، إلا أن الطرق التقليدية تواجه قيودًا في التعامل مع تعقيد أشكال البيانات. وتُعد خوارزميFuzzy Gustafson-Kessel (FGK) إعتبارها إحدى طرق التجميع الضبابي قادرةً على التعامل مع الأشكال المختلفة للمجموعات، غير أن أداءها يتأثر باختيار معامل weighting exponent. هذفت هذه الدراسة إلى تحسين معامل weighting exponent في خوارزمية FGK وتقييم المجموعات باستخدام مؤشر Xie Beni Index عبر عدة قيم للمعلمات وأعداد مختلفة من المجموعات. أظهرت النتائج أن أفضل جودة للتجميع تحققت عند قيمةweighting exponent ت مقدارها 1.1 مع ثلاث مجموعات، حيث أعطت هذه القيمة أفضل أداء مقارنةً ببقية القيم المستخدمة في الدراسة. كما أدى ارتفاع قيمة المعامل إلى انخفاض جودة المجموعات بسبب زيادة مستوى الغموض. وأسفرت نتائج التجميع عن تصنيف البيانات إلى ثلاثة مستويات من مخاطر الاكتئاب، وهي منخفضة ومتوسطة وعالية.