Analisis Konsistensi Metode Elbow dan Silhouette Score dalam Klasterisasi pada Dataset Multisektor
DOI:
https://doi.org/10.31004/joecy.v5i2.1690Keywords:
Klasterisasi, K-Means, Elbow Method, Silhouette Score, Dataset Multisektor, Sektor Publik, Validasi Klaster, Data Mining, Penentuan Klaster Optimal, Principal Component AnalysisAbstract
Penelitian ini menganalisis konsistensi metode Elbow dan Silhouette Score dalam menentukan jumlah klaster optimal pada dataset multisektor menggunakan algoritma K-Means. Empat dataset dari sektor publik digunakan dalam penelitian ini, yaitu data mediasi peradilan (2006-2009), data koperasi simpan pinjam 2013, data penanganan kasus korupsi KPK (2004-2016), dan laporan keuangan PT Bank Artha Makmur 2017. Penelitian kuantitatif eksploratif ini menerapkan teknik preprocessing menggunakan StandardScaler, visualisasi data dengan PCA, dan evaluasi klasterisasi menggunakan kedua metode validasi. Hasil penelitian menunjukkan bahwa pada tiga dataset (mediasi peradilan, koperasi SP 2013, dan kasus korupsi KPK), kedua metode memberikan rekomendasi jumlah klaster yang konsisten. Namun, pada dataset laporan keuangan bank terjadi diskrepansi dimana Elbow Method merekomendasikan K=3 sedangkan Silhouette Score mengindikasikan K=2 sebagai optimal. Analisis lebih lanjut dengan pertimbangan domain knowledge mendukung pemilihan K=3 untuk dataset keuangan berdasarkan visualisasi PCA dan relevansi bisnis. Penelitian ini menyimpulkan bahwa kombinasi kedua metode validasi dengan pertimbangan konteks domain dapat meningkatkan akurasi penentuan klaster optimal, terutama pada data dengan kompleksitas tinggi. Temuan ini memberikan kontribusi pada pengembangan metodologi klasterisasi yang lebih robust untuk aplikasi di sektor publik.
References
L. Muflikhah, D. E. Ratnawati, dan R. R. M. Putri, Data Mining. Malang: UB Press, 2018.
A. Alam dan M. Muqeem, “Hybridization of K-means with improved firefly algorithm for automatic clustering in high dimension.”
N. T. M. Sagala dan A. A. S. Gunawan, “Discovering the Optimal Number of Crime Cluster Using Elbow, Silhouette, Gap Statistics, and NbClust Methods,” ComTech: Computer, Mathematics and Engineering Applications, vol. 13, no. 1, hlm. 1–10, Feb 2022, doi: 10.21512/comtech.v13i1.7270.
W. Setiawan, Data Mining: Teori dan Aplikasi. Tasikmalaya: Rumah Cemerlang, 2021.
S. Pelanggan dkk., “Kredit Menggunakan Metode K-Means Clustering,” MEI, 2021. [Daring]. Tersedia pada: https://www.kaggle.com/arjunbhasin2013/ccdata.
A. B. Habib, “Elbow Method vs Silhouette Co-efficient in Determining the Number of Clusters,” 2021, doi: 10.13140/RG.2.2.27982.79688.
H. Mulyani, R. A. Setiawan, dan H. Fathi, “Optimization of K Value in Clustering Using Silhouette Score (Case Study: Mall Customers Data),” Journal of Information Technology and Its Utilization, vol. 6, no. 2, hlm. 45–50, Des 2023, doi: 10.56873/jitu.6.2.5243.
A. Lang dan E. Schubert, “Accelerating k-Means Clustering with Cover Trees,” dalam Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Science and Business Media Deutschland GmbH, 2023, hlm. 148–162. doi: 10.1007/978-3-031-46994-7_13.
Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K-Means dan Dbscan,” 2024.
D. Romantika Marpaung, E. Gunawan, F. Rio Fa, dan A. Christianto, “Klasterisasi Negara Dunia Berdasarkan Data Sosioekonomi dan Demografi Tahun 2023 dengan PCA dan K-Means,” vol. 14, no. 1, hlm. 2715–7849, 2025, doi: 10.34010/komputa.v14i1.
Agustia Hananto, Tukino Tukino, dan Elfina Novalia, “Klasterisasi Kesiapan Digital Daerah,” Jurnal Ilmiah Teknik Informatika dan Komunikasi, vol. 5, no. 1, hlm. 28–41, Mar 2024, doi: 10.55606/juitik.v5i1.979.
T. Z. Jasman, E. Hasmin, Sunardi, C. Susanto, dan W. Musu, “Perbandingan Logistic Regression, Random Forest, dan Perceptron pada Klasifikasi Pasien Gagal Jantung,” CSRID (Computer Science Research and Its Development Journal), vol. 14, no. 3, hlm. 271–286, Des 2022, doi: 10.22303/csrid.14.3.2022.271-286.
N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,” Jurnal SIMETRIS, vol. 14, 2023.
I. Herdiana, M. A. Kamal, Triyani, M. N. Estri, dan Renny, “A More Precise Elbow Method for Optimum K-means Clustering,” Feb 2025, [Daring]. Tersedia pada: http://arxiv.org/abs/2502.00851
M. Shutaywi dan N. N. Kachouie, “Silhouette analysis for performance evaluation in machine learning with applications to clustering,” Entropy, vol. 23, no. 6, Jun 2021, doi: 10.3390/e23060759.
G. Vardakas, I. Papakostas, dan A. Likas, “Deep Clustering Using the Soft Silhouette Score: Towards Compact and Well-Separated Clusters,” Feb 2024, [Daring]. Tersedia pada: http://arxiv.org/abs/2402.00608
D. Marcelina, A. Kurnia, dan T. Terttiaavini, “Analisis Klaster Kinerja Usaha Kecil dan Menengah Menggunakan Algoritma K-Means Clustering,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, hlm. 293–301, Nov 2023, doi: 10.57152/malcom.v3i2.952.
E. Elhaik, “Principal Component Analyses (PCA)-based findings in population genetic studies are highly biased and must be reevaluated,” Sci Rep, vol. 12, no. 1, Des 2022, doi: 10.1038/s41598-022-14395-4.
N. R. Utami dan S. Pramana, “Klasterisasi Bencana dan Dampaknya di Indonesia: Evaluasi Metode K-means dengan Integrasi PCA,” Seminar Nasional Sains Data, vol. 2024, 2024.
D. Arizki Kuswardana, D. Arman Prasetya, dan I. Gede Susrama Mas Diyasa, “Comparison of Elbow and Silhouette Methods in Optimizing K-Prototype Clustering for Customer Transactions,” Jurnal Ilmiah Edutic : Pendidikan dan Informatika, vol. 12, no. 1, hlm. 43–48, 2025, doi: 10.21107/edutic.v12i1.29744.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Nita Sutantri, Vinna Yunitasari, Ghany Rahmat Sa’adi, Syerikha Ananda, Zurnan Alfian
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
