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

Amira Adelia Putri, Intan Nisfulaila, Erna Herawati

Abstract


Penelitian ini bertujuan untuk menganalisis pengaruh variasi nilai weighting exponent pada algoritma Fuzzy Gustafson-Kessel dalam proses clustering data risiko depresi pelajar. Data yang digunakan berjumlah 502 responden dengan tujuh variabel yang merepresentasikan faktor akademik, finansial, dan gaya hidup. Tahapan penelitian meliputi preprocessing data menggunakan label encoding dan normalisasi, dilanjutkan dengan proses clustering pada beberapa variasi nilai weighting exponent. Kualitas hasil clustering dievaluasi menggunakan Xie-Beni Index sebagai ukuran kekompakan dan keterpisahan cluster. Hasil menunjukkan bahwa nilai weighting exponent yang lebih kecil menghasilkan kualitas cluster yang lebih baik, sedangkan peningkatan nilai weighting exponent menyebabkan kenaikan nilai indeks. Kombinasi terbaik diperoleh pada tiga cluster dengan nilai weighting exponent 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 weighting exponent pada algoritma Fuzzy Gustafson-Kessel berperan penting dalam meningkatkan kualitas clustering.

Keywords


Fuzzy Gustafson-Kessel; Weighting Exponent; Xie-Beni Index; Clustering; Depresi

Full Text:

PDF

References


[1] P. W. Rahayu et al., Buku Ajar Data Mining. PT. Sonpedia Publishing Indonesia, 2024. Available online.

[2] M. W. Talakua, Z. A. Leleury, and A. W. Talluta, “Analisis cluster dengan menggunakan metode k-means untuk pengelompokkan kabupaten/kota di provinsi maluku berdasarkan indeks pembangunan tahun 2024,” Barekeng Jurnal Ilmu Matematika dan Terapan, vol. 11, no. 2, pp. 119–128, 2017. doi: 10.30598/barekengvol11iss2pp119-128.

[3] F. H. Wagner et al., “K-textures, a self-supervised hard clustering deep learning algorithm for satellite image segmentation,” Frontiers in Environmental Science, vol. 10, 2022. doi: 10.3389/fenvs.2022.946729.

[4] Y. Duan, Q. Liu, and S. Xia, “An improved initialization center k-means clustering algorithm based on distance and density,” AIP Conference Proceedings, vol. 1955, no. 1, 2018. doi: 10.1063/1.5033710.

[5] L. Zadeh, “Fuzzy sets*,” Journal of Information and Control, vol. 8, no. 3, pp. 338–353, 1965. doi: 10.1016/S0019-9958(65)90241-X.

[6] J. C. Bezdek, Pattern Recognition With Fuzzy Objective Function Algorithms. Plenum Press, 1981. doi: 10.1007/9781475704501.

[7] Z. Cebeci and F. Yildiz, “Comparison of k-means and fuzzy c-means algorithms on different cluster structures,” Journal of Agricultural Informatics, vol. 6, no. 3, pp. 13–23, 2015. doi: 10.17700/jai.2015.6.3.196.

[8] D. E. Gustafson and W. C. Kessel, “Fuzzy clustering with a fuzzy covariance matrix,” in Proceedings of the IEEE Conference on Decision and Control, 1978. doi: 10.1109/CDC.1978.268028.

[9] N. R. Pal and J. C. Bezdek, “On cluster validity for the fuzzy c-means model,” IEEE Transactions on Fuzzy Systems, vol. 3, no. 3, pp. 370–379, 1995. doi: 10.1109/91.413225.

[10] F. A. A. Putri and N. Rochmawati, “Penerapan algoritma gustafson-kessel untuk clustering tweets mention akun go-jek dan grab indonesia,” Journal of Informatics and Computer Science (JINACS), vol. 2, no. 3, pp. 204–212, 2021. doi: 10.26740/jinacs.v2n03.p204-212.

[11] M. Fajri, R. Rais, and L. Handayani, “Regions Grouping in Central Sulawesi Province by Transmitted Disease Using Fuzzy Gustafson Kessel,” BAREKENG: Journal of Mathematics and Its Applications, vol. 17, no. 1, pp. 1–10, 2023. Available online.

[12] T. Hidayat, “Analisis cluster dengan metode ensemble rock dalam pengelompokan kabupaten/kota di provinsi sulawesi selatan berdasarkan indikator kesejahteraan rakyat,” M.S. thesis, Universitas Negeri Makassar, Makassar, 2022.

[13] World Health Organization, Depressive disorder (depression), Diakses pada 7 September 2025, 2025. Available online.

[14] H. Han, “Fuzzy clustering algorithm for university students’ psychological fitness and performance detection,” Heliyon, vol. 12, no. 5, 2023. doi: 10.1016/j.heliyon.2023.e18550.

[15] J. K. Wororomi et al., Data Mining (Memahami Pola di Balik Angka). Eureka Media Aksara, 2024. Available online.

[16] C. Herdian, A. Kamila, and I. G. A. M. Budidarma, “Studi kasus feature engineering untuk data teks: Perbandingan label encoding dan one-hot encoding pada metode linear regresi,” Technologia : Jurnal Ilmiah, vol. 15, no. 1, pp. 93–108, 2024. doi: 10.31602/tji.v15i1.13457.

[17] R. K. Hapsari et al., Data Mining. Indie Press, 2024. Available online.

[18] Y. S. Paradilla, M. N. Hayati, and Sifriyani, “Implementation of the fuzzy gustafson-kessel method on grouping districts/cities in kalimantan island based on poverty issues factors. barekeng,” BAREKENG: Journal of Mathematics and Its Applications, vol. 17, no. 1, pp. 0125–0134, 2023. doi: 10.30598/barekengvol17iss1pp0125-0134.

[19] Z. Feng and J. Fan, “A novel validity index in fuzzy clustering algorithm,” International Journal of Wireless and Mobile Computing, vol. 10, no. 2, p. 183, 2016. doi: 10.1504/IJWMC.2016.076153.

[20] A. R. Firdawanti, H. F. Ahmad, and N. Agustiani, “Analisis perbandingan kinerja algoritma k-means dan k-medoids dengan reduksi dimensi pca pada indikator kesehatan dan sosial,” Bulletin of Computer Science Research, vol. 5, no. 5, pp. 1235–1247, 2025. doi: 10.47065/bulletincsr.v5i5.742.

[21] Syahreni et al., “Analisis pola data klimatologi potensial dengan principal component analysis,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 6, 2025. doi: 10.36040/jati.v9i6.16452.




DOI: https://doi.org/10.18860/jrmm.v5i5.42905

Refbacks

  • There are currently no refbacks.