Perbandingan Jarak Euclidean Dan Manhattan Pada Analisis Cluster Hierarki Dan K-Means

Clustering merupakan aktivitas atau task yang memiliki tujuan mengelompokkan informasi yang memiliki kemiripan karakteristik antara satu informasi dengan informasi lainnya ke dalam cluster atau kelompok. Terdapat sejumah metode yang dapat digunakan untuk pengelompokan diantaranya metode hierarki dan metode non-hierarki salah satunya K-Means. Metode tersebut digunakan untuk mengukur jarak Euclidean dan Manhattan. Dari kedua metode tersebut dapat diketahui perbandingan konsep jarak antara Euclidean dan Manhattan. Penelitian ini bertujuan membandingkan konsep jarak Euclidean dengan jarak Manhattan pada metode analisis cluster hierarki dan analisis cluster K-Means. Data yang digunakan pada penelitian ini merupakan data simulasi atau data bangkitan. Variabel yang digunakan pada penelitian ini menggunakan 3 variabel dengan rata-rata 0 dan sigma sama dengan 1. Data pada penelitian ini diolah menggunakan Ms. Excel dan software statistik RStudio. Berdasarkan hasil analisis, diketahui bahwa metode terbaik dari semua metode cluster yang telah dijalankan adalah cluster hierarchical average linkage jarak manhattan dengan hasil indeks Silhouette, Connectivity dan Dunn pada metode menghasilkan hasil yang paling optimal. Nilai indeks Silhouette pada metode ini sebesar 0,3880 banyak cluster 2, indeks Connectivity sebesar 13,8853 banyak cluster 2 dan indeks Dunn sebesar 0,1300 banyak cluster 6. Jumlah cluster paling optimal pada penelitian ini adalah sebanyak 2 cluster