Perpustakaan Digital ITB

Analisis cluster telah dipergunakan secara luas oleh pelaku bisnis untuk melakukan pengelompokan terhadap customernya. Penggunaan teknik clustering ini dapat membantu untuk mencari kesamaan ciri pada kelompok yang terbentuk. Permasalahan utama yang muncul dalam clustering adalah menentukan seberapa banyak jumlah kelompok optimal dan variabel mana saja yang membuat sebuah cluster menjadi semakin kompak untuk suatu dataset. Banyak penelitian melibatkan algoritma genetik untuk mengatasi permasalahan tersebut, tetapi penelitian tersebut hanya terbatas kepada penggunaan data numerik saja. Padahal data dalam dunia nyata sebagian besar adalah data campuran numerik dan kategorikal. Penelitian ini mengusulkan metode gabungan antara teknik clusterik k-prototype, yang dapat menangani data yang sangat besar dengan tipe data campuran numerik dan kategorikal, dengan algoritma genetik. Sehingga metode ini diharapkan dapat digunakan untuk menentukan jumlah cluster yang optimal dari sebuah dataset bertipe data campuran numeric dan kategorikal. Pengukuran akurasi cluster akan melibatkan Cost Function Criterion dan Categorical Variance Criterion. Hasil penelitian menunjukkan bahwa akurasi cluster metode yang diusulkan ini lebih baik dibandingkan dengan metode yang khusus digunakan untuk menangani data numeric saja, seperti misalnya algoritma k-means.