OPTIMALISASI INISIALISASI CENTROID K-MEANS BERBASIS ALGORITMA HYBRID METAHEURISTIK PSO-GWO

Penelitian ini bertujuan untuk meningkatkan kinerja algoritma K-Means Clustering dengan mengusulkan metode inisialisasi centroid berbasis algoritma hybrid Particle Swarm Optimization dan Grey Wolf Optimizer (PSO-GWO). Metode diimplementasikan dan dievaluasi menggunakan lima dataset berbeda dari UCI Machine Learning Repository. Evaluasi dilakukan dengan mengukur kualitas clustering menggunakan dua metrik utama: Silhouette Score dan Davies-Bouldin Index (DBI). Berdasarkan hasil eksperimen, metode inisialisasi hybrid PSO-GWO menunjukkan peningkatan Silhouette Score yang signifikan dibanding inisialisasi acak dan K-Means++ pada lima dataset, khususnya pada dataset besar dan berdimensi tinggi seperti Covertype dan Secom. Selain itu, PSO-GWO juga terbukti unggul dalam kecepatan konvergensi nilai SSE, DB Index, dan Silhouette Score, sehingga mempercepat proses pencapaian hasil optimal. Hasil uji t berpasangan menunjukkan bahwa perbedaan kinerja PSO-GWO terhadap baseline (K-Means dan K-Means++) signifikan secara statistik (p < 0.05), menunjukkan bahwa pendekatan ini dapat menghasilkan struktur cluster yang lebih kompak dan terpisah. Secara keseluruhan, pendekatan PSO-GWO terbukti sebagai alternatif yang menjanjikan untuk mengatasi sensitivitas inisialisasi centroid pada K-Means, terutama pada data yang kompleks.