Optimalisasi Algoritma Fuzzy Gustafson-Kessel dengan Variasi Parameter Weighting Exponent untuk Clustering Data Risiko Depresi Pelajar

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh variasi nilai pembobotan eksponen pada algoritma Fuzzy Gustafson-Kessel dalam proses clustering data risiko depresi pelajar. Data yang digunakan berjumlah 502 responden dengan tujuh variabel yang mewakili faktor akademik, finansial, dan gaya hidup. Tahapan penelitian meliputi preprocessing data menggunakan label coding dan normalisasi, dilanjutkan dengan proses clustering pada beberapa variasi nilai pembobotan eksponen. Kualitas hasil clustering dievaluasi menggunakan Indeks Xie-Beni sebagai ukuran kekompakan dan keterpisahan cluster. Hasilnya menunjukkan bahwa nilai bobot eksponen yang lebih kecil menghasilkan kualitas cluster yang lebih baik, sedangkan peningkatan nilai bobot eksponen menyebabkan kenaikan nilai indeks. Kombinasi terbaik diperoleh pada tiga cluster dengan nilai bobot eksponen sebesar 1,1 yang menghasilkan nilai Xie-Beni Index terendah. Hasil clustering mampu mengelompokkan data ke dalam tiga kategori risiko depresi, yaitu rendah, sedang, dan tinggi. Temuan ini menunjukkan bahwa pengaturan parameter bobot eksponen pada algoritma Fuzzy Gustafson-Kessel berperan penting dalam meningkatkan kualitas clustering.