Algorithm Analysis of K-Means and Fuzzy C-Means for Clustering Countries Based on Economy and Health

Abstract

Clustering adalah teknik pembelajaran mesin tanpa pengawasan yang membagi populasi menjadi beberapa kelompok atau klaster sedemikian rupa sehingga data dalam kelompok yang sama mirip satu sama lain, dan data dalam kelompok yang berbeda tidak serupa. Algoritma clustering yang ada diantaranya algoritma K-Means dan Fuzzy C-Means. Pada makalah ini proses clustering dilakukan untuk mengelompokkan negara-negara di dunia menjadi dua kategori utama yaitu negara maju dan negara berkembang berdasarkan tingkat kesejahteraan masyarakatnya. Makalah ini membahas tentang perbandingan algoritma K-Means dan Fuzzy C-Means. Algoritma K-Means menghasilkan 32 negara maju dan 135 negara berkembang. Algoritma Fuzzy C-Means menghasilkan 33 negara maju dan 134 negara berkembang. Hasil analisis pengujian performa menggunakan parameter Davies Bouldin Index pada algoritma K-Means memiliki nilai paling kecil artinya lebih baik yaitu sebesar 0.6606398 DB. Sedangkan hasil pengujian parameter Silhouette Coefficient pada Fuzzy C-Means semakin besar nilainya semakin baik dan didapatkan nilainya sebesar 0.896 S. Pengujian yang cukup signifikan terlihat pada penilitian ini adalah hasil pengukuran parameter Execution Time pada algoritma K-Means sebesar 0.00199 detik dan jauh lebih cepat.