Abstract
Wijen adalah salah satu makanan tradisional yang dikonsumsi dalam bentuk minyak dan biji. Di dunia, permintaan wijen semakin tinggi sehingga memunculkan usaha untuk mendapatkan wijen kualitas yang baik dengan melakukan persilangan antara kultivar yang satu dengan kultivar yang lain. Warna cangkang biji wijen terdapat berbagai macam warna diantaranya putih, kuning, abu-abu, merah, coklat, dan hitam. Yang menjadi perbedaan adalah saat menentukan komposisi biji wijen seperti asam amino, antioksidan, minyak, biokimia, dan tingkat ketahanan terhadap penyakit. Pengamatan kualitatif tentang pewarisan warna cangkang telah dilakukan dan ada beberapa penelitian yang juga menggunakan metode kuantitatif, tetapi hanya menggunakan penghitungan warna secara manual dan tidak ada metode khusus pengelompokan. Sehingga, dibutuhkannya sebuah sistem yang tidak hanya dapat mengelompokan data secara otomatis namun juga mampu menghasilkan pengelompokan lebih baik dengan waktu yang lebih efisien.
Pengelompokan merupakan salah satu teknik dalam data mining yang dapat digunakan untuk menentukan jumlah pengelompokan data ke dalam beberapa kelompok. Metode yang akan digunakan adalah Particle Swarm Optimization K-Means (PSO-K-Means). Kinerja metode K-Means ini sangat bergantung pada pemilihan titik pusat cluster awal sehingga solusi yang dihasilkan sangat rentan pada daerah optimum lokal. Salah satu metode pendekatan yang dapat digunakan untuk mengatasi permasalahan ini adalah dengan menerapkan metode PSO. Metode PSO ini akan menemukan nilai titik pusat cluster yang optimum berdasarkan nilai fitness disetiap partikelnya. Data yang digunakan dalam penelitian ini sebanyak 291 data dengan atribut L*, a*,b* yang didapatkan dari Balai Penelitian Tanaman Pemanis dan Serat Malang (Balittas). Kualitas clustering dievaluasi menggunakan metode Silhouette Coefficient dengan memeriksa seberapa baik kinerja sebuah cluster. Hasil percobaan menunjukkan bahwa algoritma PSO – K-Means menghasilkan pengelompokan lebih baik dibandingkan dengan algoritma K-Means.
