Abstract
Evaluasi terkait jumlah kategori penentuan dilakukan sebagai langkah penting menuju keseimbangan administrasi di lingkungan pendidikan. Clustering merupakan salah satu teknik pada data mining yang dapat digunakan untuk menentukan jumlah kategori dengan mengelompokkan data ke dalam beberapa kelompok sehingga data dalam satu kelompok memiliki kemiripan karakteristik yang tinggi dibandingkan data pada kelompok lain. Namun, pengelompokan secara manual membutuhkan banyak waktu terlebih jika data berjumlah besar atau kompleks. Sehingga, diperlukan sebuah sistem yang tidak hanya dapat mengelompokkan data secara otomatis namun juga mampu menghasilkan pengelompokkan lebih baik dengan waktu lebih efisien. K-Means merupakan algoritma pengelompokan yang sering digunakan karena mudah untuk diimplementasikan, efisien dan powerful untuk penanganan data dalam jumlah besar. Namun, kinerja K-Means sangat bergantung pada pemilihan pusat cluster awal sehingga solusi yang dihasilkan rentan terjebak pada daerah optimum lokal. Selain itu, K-Means tidak menjamin hasil pengelompokkan yang unik karena algoritma ini akan selalu menghasilkan hasil berbeda setiap kali program dijalankan. Salah satu pendekatan yang dapat digunakan untuk mengatasi permasalahan ini adalah dengan menerapkan algoritma optimasi yaitu Particle Swarm Optimization (PSO). PSO mengeksplorasi ruang pencarian untuk menemukan pusat cluster optimum berdasarkan nilai cost partikel. Nilai cost dirancang untuk meminimalkan jarak antara data dengan pusat cluster sehingga semakin kecil nilai cost maka semakin besar peluang sebuah partikel terpilih sebagai solusi.
Penelitian ini menggunakan Hybrid Particle Swarm Optimization dan K-Means (HPSOKM) untuk clustering data UKT Proporsional. Kualitas clustering dievaluasi menggunakan metode Silhouette Coefficient dengan memeriksa seberapa baik “separation” dan “compactness” sebuah cluster. Hasil percobaan menunjukkan algoritma HPSOKM menghasilkan pengelompokan lebih baik dibandingkan algoritma K-Means.
