PERBANDINGAN DISTANCE SPACE MANHATTAN(CITYBLOCK) DENGAN EUCLIDEAN PADA ALGORITMA K-MEANS CLUSTERING STUDI KASUS : DATA BALITA DI WILAYAH KEC.MLATI SLEMAN

Teknik Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised learning). Tujuan utama dari metode cluster adalah pengelompokan sejumlah data/objek ke dalam kelompok – kelompok data sehingga dalam setiap kelompok akan berisi data yang semirip mungkin. Salah satu algoritma yang paling sederhana clustering adalah K-Means, Metode ini mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dengan cara menghitung jarak terdekat data dengan titik pusat data/centroid yaitu dengan rumus distance space. Beberapa distance space yang dikenal adalah Manhattan(CityBlock), Euclidean dan Minkowski. Namun belum ada yang memastikan mana yang lebih baik dalam clustering data dari beberapa rumus tersebut. Pada penelitian ini akan membandingkan dua dari tiga rumus tersebut yaitu antara Manhattan(City Block) dengan Euclidean untuk dipelajari hasil clustering oleh dua rumus tersebut. Hasil akhir percobaan didapatkan bahwa pola clustering dari kedua rumus tersebut adalah berbeda dengan hasil jumlah iterasi yang berbeda pula. Dari segi perbandingan waktu, rumus Manhattan(CityBlock) cenderung lebih cepat dibandingkan dengan rumus Euclidean namun dari beberapa percobaan hasil proses clustering Euclidean lebih baik dari Manhattan(CityBlock) . Kata kunci : Clustering, K-Means, Perbandingan Distance Space, Manhattan(CityBlock), Euclidea