Metode Hibridasi Artificial Bee Colony dan Fuzzy K-Modes untuk Klasterisasi Data Kategorikal
Fuzzy K-Modes (FKMO) merupakan metode klasterisasi data yang efektif untuk data kategorikal. Metode ini menggunakan metode fuzzy dan pencocokan ukuran ketidaksamaan (dissimilarity measure) yang sederhana untuk memutakhirkan titik pusat klaster dan mendapatkan solusi yang optimal. Meskipun demikian Fuzzy K-Modes memiliki kelemahan adanya kemungkinan berhenti dalam solusi lokal optimal. Artificial Bee Colony (ABC) merupakan metode optimasi yang efektif dan terbukti memiliki kemampuan mendapatkan solusi global. Penelitian ini mengusulkan penggunaan algoritma Artificial Bee Colony untuk melakukan optimasi terhadap Fuzzy K-Modes untuk klasterisasi data kategorikal (ABC-FKMO). Implementasi Artifical Bee Colony untuk optimasi Fuzzy K-Modes terbukti mampu meningkatkan performa klasterisasi data kategorikal khususnya dalam aspek nilai Objective Function, F-Measure, dan Accuracy. Hasil pengujian dengan dataset Soybean Disease, Breast Cancer dan Congressional Voting Records dari UCI data repository, menunjukkan rata-rata accuracy sebesar 0.991, 0.615, dan 0.867. Objective Function lebih baik rata rata sebesar 2,73 %, F-Measure lebih baik rata-rata sebesar 4,31 % dan Accuracy lebih baik rata-rata sebesar 5,16 %.