Clustering Menggunakan Metode K-Medoids dengan pendekatan Manhattan Distance

Abstract

Metode K-Medoids dengan pendekatan Manhattan Distance digunakan dalam proses clustering untuk menentukan jumlah kelompok yang optimal. Berdasarkan eval_uasi menggunakan Silhouette Score, hasil menunjukkan bahwa pemilihan jumlah cluster K=2 dan K=3 memberikan performa yang lebih baik dibandingkan dengan jumlah cluster yang lebih besar. Nilai Silhouette Score tertinggi ditemukan pada K=2, yaitu 0.761148, yang mengindikasikan bahwa data dalam cluster memiliki tingkat kemiripan yang tinggi dan terpisah dengan jelas dari cluster lainnya. Sementara itu, pada K=3, nilai Silhouette Score mengalami sedikit penurunan menjadi 0.742137, tetapi masih menunjukkan kualitas pengelompokan yang cukup baik. Ketika jumlah cluster bertambah dari K=4 hingga K=10, nilai Silhouette Score cenderung menurun dan stabil dalam kisaran 0.673 hingga 0.682. Hal ini menunjukkan bahwa menambahkan lebih banyak cluster tidak selalu meningkatkan kualitas pengelompokan. Dari hasil analisis ini, dapat disimpulkan bahwa metode K-Medoids dengan Manhattan Distance bekerja optimal ketika jumlah cluster ditetapkan pada K=2 atau K=3. Dengan jumlah ini, cluster yang terbentuk lebih jelas dan terdefinisi dengan baik.