Analisis Performansi Algoritma Improved Clustering (Studi Kasus: Segmentasi Pelanggan Rumah Mufida Bandung)

Dewasainibanyakalgoritmaclustering yang munculdalamberbagailiteratur. Salah satualgoritma yang seringdigunakandalam proses clusteringadalahalgoritma k-means yang merupakansalahsatucontohalgoritma yang berbasismetodepartitioning. Kelemahanalgoritma k-means adalahdalammenginisialisasipusatcluster di awal. Pusatclusterditentukandengancara random sehinggaterkadangsulituntukmendapatkaninisialisasipusatcluster yang tepat. Olehkarenaitudilakukanmodifkikasiinisialiasipusatclusterpadaalgoritma k-means yang menghasilkanalgoritmabaruyaitualgoritmaimproved clustering. Algoritmaimproved Clusteringmerupakanpengembangandarialgoritma k-means yang mencobamenambahkan proses dalampenentuanpusatclustersehingga di dapatkanperformansi yang lebihbaik. PerformasialgoritmaclusteringdapatdilihatdariMean Square Error (MSE), Intercluster distance, danIntracluster distance.Algoritmaimproved clusteringmemilikiperformansinilai MSE yang lebihkecildibandingkanalgoritma k-means, nilaiintercluster distance yang lebihkecildibandingkanalgoritma k-means, danintracluster distance yang relatiflebihkecildibandingkanalgoritma k-means. clustering, algoritma k-means, algoritmaimproved clustering, MSE, intercluster distance, intracluster distance