Analisis Performa Metode Cluster K-Means pada Dataset Ocular Disease Recognition

Mulyanul Ilmi Mashur; Yulita Salim

doi:10.56705/ijodas.v3i1.47

Authors

Mulyanul Ilmi Mashur Program Studi Teknik Informatika Universitas Muslim Indonesia
Yulita Salim Program Studi Teknik Informatika Universitas Muslim Indonesia

DOI:

https://doi.org/10.56705/ijodas.v3i1.47

Keywords:

K-means, Clustering, Moment invariant, Rand Index, Mutual Information based Scores

Abstract

Penelitian ini bertujuan untuk melakukan perbandingan menggunakan teknik cluster yang dapat mengolah data dalam jumlah besar untuk menemukan cluster baru pada dataset Ocular Disease Recognition. Pengolahan data tersebut digunakan untuk mengelompokkan penyakit pasien melalui fundus mata. Teknik Pengelompokkan menggunakan metode K-Means di mana metode ini efisien dan efektif dalam mengolah data dengan jumlah banyak. Pengukuran performa yang digunakan yaitu dengan menggunakan rand index dan mutual information based scores. Inputan yang digunakan yaitu 7 atribut dari hasil ekstraksi fitur moment invariant dataset citra fundus pasien. Data tersebut merupakan data testing yang digunakan untuk menguji performa pada metode K-Means. Berdasarkan hasil pengujian performa pada metode cluster k-means, untuk pengukuran rand index di dapatkan hasil nilai 1.0 dengan k=8 untuk cluster yang identik, kemudian untuk mutual information based scores didapatkan hasil nilai 1.0 dengan k=8 untuk cluster yang identik. Dari hasil perbandingan k=8 dan k=9 dengan dataset versi pertama dengan dataset versi kedua.

Downloads

Download data is not yet available.

References

A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.

D. Sartika and J. Jumadi, “Seminar Nasional Teknologi Komputer & Sains (SAINTEKS) Clustering Penilaian Kinerja Dosen Menggunakan Algoritma K-Means (Studi Kasus: Universitas Dehasen Bengkulu),” pp. 703–709, 2019.

A. K. Wardhani, “K-Means Algorithm Implementation for Clustering of Patients Disease in Kajen Clinic of Pekalongan,” J. Transform., vol. 14, no. 1, p. 30, 2016, doi: 10.26623/transformatika.v14i1.387.

A. Ali, “Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K-Means Clustering di Rumah Sakit Anwar Medika Balong Bendo Sidoarjo,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 19, no. 1, pp. 186–195, 2019, doi: 10.30812/matrik.v19i1.529.

A. Bastian, H. Sujadi, and G. Febrianto, “Penerapan Algoritma K-Means Clustering Analysis Pada Penyakit Menular Manusia (Studi Kasus Kabupaten Majalengka),” no. 1, pp. 26–32.

A. Asroni and R. Adrian, “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang,” Semesta Tek., vol. 18, no. 1, pp. 76–82, 2016, doi: 10.18196/st.v18i1.708.

W. Safira Azis and dan Dedy Atmajaya, “Pengelompokan Minat Baca Mahasiswa Menggunakan Metode K-Means,” Ilk. J. Ilm., vol. 8, no. 2, pp. 89–94, 2016.

B. S. Prayoga and N. N. Fatriani, “Penerapan Metode K-Means Cluster Analysis Untuk,” pp. 73–78, 2014.

WHO, “World report on vision,” 2019.

F. W. Aprilia and D. Kuswanto, “Desain Alat Periksa Mata Fundus Portable Berbasis Rapid Prototyping untuk Mendukung Diagnosa Secara Telemedicine di Indonesia,” J. Sains dan Seni ITS, vol. 7, no. 1, 2018, doi: 10.12962/j23373520.v7i1.29933.

P. M. Silitonga Irene Sri, “Klusterisasi Pola Penyebaran Penyakit Pasien Berdasarkan Usia Pasien Dengan Menggunakan K-Means Clustering,” J. TIMES, vol. VI, no. Vol 6, No 2 (2017), pp. 22–25, 2017.

H. Azis, F. T. Admojo, and E. Susanti, “Analisis Perbandingan Performa Metode Klasifikasi pada Dataset Multiclass Citra Busur Panah,” Techno.Com, vol. 19, no. 3, 2020.

M. M. Baharuddin, T. Hasanuddin, and H. Azis, “Analisis Performa Metode K-Nearest Neighbor untuk Identifikasi Jenis Kaca,” Ilk. J. Ilm., vol. 11, no. 28, pp. 269–274, 2019.

A. Fitria and H. Azis, “Analisis Kinerja Sistem Klasifikasi Skripsi menggunakan Metode Naïve Bayes Classifier,” Pros. Semin. Nas. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 2, pp. 102–106, 2018.

N. Fadhillah, H. Azis, and D. Lantara, “Validasi Pencarian Kata Kunci Menggunakan Algoritma Levenshtein Distance Berdasarkan Metode Approximate String Matching,” Pros. Semin. Nas. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 2, pp. 3–7, 2018.

A. A. Karim, H. Azis, and Y. Salim, “Kinerja Metode C4.5 dalam Penyaluran Bantuan Dana Bencana 1,” Pros. Semin. Nas. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 2, pp. 84–87, 2018.

H. Azis, F. Tangguh Admojo, and E. Susanti, “Analisis Perbandingan Performa Metode Klasifikasi pada Dataset Multiclass Citra Busur Panah,” Techno.Com, vol. 19, no. 3, pp. 286–294, 2020.

Aisyah, “Analisis Penerapan Metode K-Nearest Neighbor ( K- NN ) Pada Dataset Citra Penyakit Malaria,” Universitas Muslim Indonesia, 2020.

B. Sathya and R. Manavalan, “Image Segmentation by Clustering Methods: Performance Analysis,” Int. J. Comput. Appl., vol. 29, no. 11, pp. 27–32, 2011, doi: 10.5120/3688-5127.

K. Y. Yeung and W. Ruzzo, “Details of the Adjusted Rand index and Clustering algorithms Supplement to the paper ‘An empirical study on Principal Component Analysis for clustering gene expression data’ (to appear in Bioinformatics),” Science (80-. )., vol. 17, 2001.

Wahyu ngestisari, “The Perbandingan Metode ARIMA dan Jaringan Syaraf Tiruan untuk Peramalan Harga Beras,” Indones. J. Data Sci., vol. 1, no. 3, pp. 96–107, 2020, doi: 10.33096/ijodas.v1i3.18.