Mario Anggara, Mario
Unknown Affiliation

Published : 1 Documents
Articles

Found 1 Documents
Search

Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness

Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol 4, No 1 (2016)
Publisher : Program Studi Informatika

Show Abstract | Original Source | Check in Google Scholar | Full PDF (699.961 KB)

Abstract

Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering. KMeans Clustering merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Salah satu ciri clustering yang baik atau optimal adalah jika menghasilkan cluster yang berisi data dengan tingkat kemiripan (similarity) yang tinggi pada cluster yang sama dan tingkat kemiripan rendah pada cluster yang berbeda. Distance measure digunakan untuk mengukur kemiripan data dalam suatu cluster. Hasil dari proses clustering akan menghasilkan hasil yang berbeda apabila distance measure yang digunakan berbeda. Fitness atau kebugaran didefinisikan sebagai keberhasilan seseorang dalam beradaptasi dengan tekanan fisik dan mental yang ditemui dalam hidupnya. Fitness secara umum didefinisikan sebagai program latihan yang disusun secara ilmiah dan sistematis untuk membantu atlet dalam beradaptasi dengan beban fisik yang dihadapinya dalam suatu latihan yang terkontrol. Peminat fitness yang semakin bertambah membuat member di setiap fitness centre ikut bertambah. Pengelompokkan terhadap member tersebut dibutuhkan oleh setiap fitness centre. Member fitness tersebut dapat dikelompokkan dengan cara clustering. Alvaro fitness merupakan salah satu fitness centre yang berkembang saat ini. Pengujian pada penelitian ini dilakukan dengan pengujian silhouette coefficient. Hasil pengujian Silhouette Coefficient setiap distance measure nya, antara lain Euclidean Distance bernilai 0,232149, Manhattan Distance bernilai 0,240016, dan Chebyshev Distance bernilai 0.242821. Berdasarkan hasil dari pengujian silhouette coefficient yang dilakukan, distance measure paling optimal untuk kasus ini adalah Chebyshev Distance ,yaitu dengan nilai silhouette coefficient paling mendekati 1 adalah 0.242821.