PERBANDINGAN KINERJA ALGORITMA CLUSTERING K-MEANS DAN K-MEDOIDS PADA POPULARITAS LINE WEBTOON

Abstract

Menerapkan algoritma klustering untuk mengelompokkan popularitas line webtoon dapat sangat berguna karena dapat mengetahui preferensi pembaca sehingga meningkatkan minat baca. Klustering merupakan teknik pengelompokan data yang mirip satu sama lain ke dalam kelompok yang berbeda. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan K-Medoids pada dataset Line Webtoon. Output dari penelitian ini adalah hasil evaluasi kinerja dari masing-masing algoritma. Data yang digunakan dalam penelitian ini berjumlah 718 record data. Evaluasi kinerja kedua algoritma menggunakan Davies-Bouldin Index (DBI). Hasil evaluasi menunjukkan nilai K-Means sebesar 0.809, sedangkan K-Medoids sebesar 1.1. Hasil tersebut menunjukkan bahwa K-Means menghasilkan klustering yang lebih baik dibandingkan K-Medoids berdasarkan metrik DBI.