PERBANDINGAN ALGORITMA K-MEANS, X-MEANS DAN K-MEDOIDS UNTUK KLASTERISASI AWAK KABIN PADA PT. LION MENTARI AIRLINES

PERBANDINGAN ALGORITMA K-MEANS, X-MEANS DAN K-MEDOIDS UNTUK KLASTERISASI AWAK KABIN PADA PT. LION MENTARI AIRLINES

• By Wahidin, Ahmad Jurnaidi;
• Tesis
• 370

Lion Air merupakan brand dari PT. Lion Mentari Airlines yang merupakan

sebuah maskapai swasta terbesar di Indonesia dan merupakan penerbangan

bertarif rendah yang berpangkal di Jakarta, sepanjang tahun operasionalnya

mengalami penambahan armada dan jumlah penerbangan bertambah secara

signifikan maka semakin besar juga kebutuhan awak kabin, selain pada proses

recruitment yang harus selektif diperlukan juga proses monitoring terhadap awak

kabin agar performa awak kabin akan terus baik, sehingga dibentuk beberapa

kelompok yang disebut dengan group monitoring awak kabin yang berguna untuk

memantau setiap perkembangan dari awak kabin yang bertujuan untuk

memberikan pelayanan yang maksimal kepada penumpang saat dipesawat, saat ini

klasterisasi awak kabin dilakukan secara acak sehingga menghasilkan anggotaanggota

kelompok yang tidak mirip. Pengelompokan seharusnya terkomputerisasi

dengan memanfaatkan data mining clustering. Pada tahapan pengolahan data

dengan menghilangkan missing value dan menentukan atribut yang digunakan

maka menghasilkan 100 data, pada tahapan pemodelan hasil yang didapat dengan

menggunakan algoritma k-means menunjukan jumlah klaster dan atribut yang

paling optimum adalah 4 klaster dengan 6 atribut yang ditunjukan dengan nilai

Davies-Bouldin Index (DBI) sebesar 0.792, sedangkan nilai DBI algoritma xmeans

sebesar 0.812 dan algoritma k-medoids sebesar 1,700 sehinga k-means

menjadi algoritma terbaik pada penelitian ini. Algoritma terbaik kemudian

diimplemenasikan ke dalam program dan dapat diterima oleh calon user dengan

persentase skor sebesar 92% berdasarkan hasil Software Quality Assurance dan

hasil pengujian akurasi program menunjukan kesesuaian terhadap perhitungan

manual sebesar 100% dan 95% terhadap perhitungan menggunakan rapidminer.

• Katakunci Data Mining, Perbandingan Algoritma, Klasterisasi, K-Means, XMeans, K-Medoids, Awak Cabin
• URL http://
• Penerbit ,

REFERENSI

Afrianto, J., 2018, ‘Data Mining Memprediksi Masa Sewa Tenant Unit Di Mall

Dengan Menggunakan Klasifikasi Naïve Bayes (Studi Kasus Mall Lippo

Plaza Keramat Jati)’, Tesis, MKom, Universitas Budi Luhur, Jakarta

Arundina, R.D, 2010, ‘Implementasi Klasterisasi Menggunakan Algoritma X

Means’, Tugas Akhir, Fakultas Teknik Informatika, Universitas Telkom,

Bandung

Asroni dan Adrian R. 2015, Penerapan Metode K-Means Untuk Clustering

Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi

Kasus Pada Jurusan Teknik Informatika UMM Magelang, Jurnal Ilmiah

Semesta Teknika, Vol.18, No.1, 76-82

Atmajaya, D., 2016, ‘K-Means Clustering‘ diakses pada 01 april 2018,

Budiman, S.A.D., Safitri, D. dan Ispiyanti, D. 2016, Perbandingan Metode KMeans

Dan Metode DBSCAN Pada Pengelompokan Rumah Kost

Mahasiswa Di Kelurahan Tembalang Semarang, Jurnal Gaussian ISSN:

2339-2541, Volume 5, Nomor 4

Burhani, F., 2016, Panduan Sukses Lolos Seleksi Pramugari (Karier Prestisius

Tanpa Gelar Sarjana). Araska Publisher, Yogyakarta, Indonesia.

Dempster, A.P., Laird,, N.M., and Rubin, D.B., 1977, Maximum Likelihood from

Incomplete Data via the EM Algorithm, Journal of the Royal Statistical

Society. Series B (Methodological), Vol.39, No.1, pp. 1-38.

Ediyanto, dkk., 2013, Pengklasifikasian Karakteristik Dengan Metode K-Means

Cluster Analysis, Buletin Ilmiah Mat. Stat dan Terapannya (Bimaster),

Volume 02, No. 2, hal 133-136.

Han, J., Kamber, M., & Pei, J., 2011, Data Mining Concepts and Techniques, Third

Edition. Waltham: Elsevier Inc.

Han, J, Kamber, M, & Pei, J., 2012. Data Mining: Concept and Techniques, Third

Edition. Waltham: Morgan Kaufmann Publishers. Amsterdam

Handoyo, R., Rumani, R. dan Nasution, S.M. 2014, Perbandingan Metode

Clustering Menggunakan Metode Single Linkage Dan K-Means Pada

Pengelompokan Dokumen, Jurnal SIFO Mikroskil, VOL 15, NO 2.

111

Jung, Y.G., Kang, M.S dan Heo J. 2014, Clustering performance comparison using

K-means and expectation maximization algorithms, Biotechnology

&Biotechnological Equipment Journal, Volume 8, Hal S44-S48.

Kothari, C.R., 2004, Research Methodology: Methods and Techniques, New Delhi:

New Age International (P) Ltd Publishers.

Kusumadewi, S. and Purnomo, H, 2010, “Aplikasi Logika Fuzzy Untuk Pendukung

Keputusan”, Graha Ilmu, Yogyakarta,.

Kusuma, T.A. dan Suparman. 2014, Algoritma Expectation-Maximization (EM)

Untuk Estimasi Distribusi Mixture, Jurnal Konvergensi, Vol. 4, No.2.

Larose D, T., 2005, Discovering knowledge in data: an introduction to data mining,

Jhon Wiley & Sons Inc, New York, Amerika Serikat.

Madhulatha, T. S., 2012, An Overview on Clustering Methods, IOSR Journal of

Engineering, Vol.2(4).

Pandey, P. dan Singh, I. 2016, Comparison between Standard K-Mean Clustering

and Improved K-Mean Clustering, International Journal of Computer

Applications (0975 – 8887), Volume 146 – No.13.

Paramartha, G.N.W., Ratnawati, D.E. dan Widodo, A.W. 2017, Analisis

Perbandingan Metode K-Means Dengan Improved Semi-Supervised KMeans

Pada Data Indeks Pembangunan Manusia (IPM), Jurnal

Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 9, Juni

2017, hlm. 813-824.

Pramesti, F.D., dkk., 2017, Implementasi Metode K-Medoids Clustering Untuk

Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan

Persebaran Titik Panas, Jurnal Pengembangan Teknologi Informasi dan

Ilmu Komputer, Vol. 1, No. 9, Juni 2017, hlm. 723-732

Ramadhan, A., Efendi Z. dan Mustakim. 2017. Perbandingan K-Means dan Fuzzy

C-Means untuk Pengelompokan Data User Knowledge Modeling. ISSN

(Printed): 2579-7271.

Rosa, A.S., dan Shalahuddin, M., 2013, Rekayasa Perangkat Lunak Terstruktur

Dan Berorientasi Objek, Informatika, Bandung, Indonesia.

R.S