Implementasi Artificial Bee Colony Untuk Pemilihan Titik Pusat Pada Algoritma KMeans

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 ========================================================================================================== Clustering is a method that used to divide data into multiple groups of parts. K-means (KM) is an algorithm that is frequently used in clustering only the outcome of KM often trapped in a local optima. Artificial Bee Colony (ABC) is an algorithm that inspired by the way of bees foraging, ABC is famous to be able to escape from the trap of local optima by identifying which result is the best result from a set of optimal results. Combining ABCKM starts with selecting random initial food source and use KM to solve all the clustering problems at every next step of ABC and save the best food source in each iteration. The best food source will be selected based on probability suitability of each. The results of the implementation of ABCKM algorithm is a data that has been clustered according to the optimum food source. The clustered data will be evaluated using silhouette algorithm and proven to be having a mean coefficient value for five dataset 0.65, which means that all the data is well clustere