Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau

Data mining merupakan pemprosesan sebuah informasi dari suatu database yang dapat digunakan untuk berbagai kebutuhan sektor swasta. Salah satu metode dalam data mining, yaitu Clustering yang bertujuan untuk menemukan pengelompokan dari serangkaian pola, titik, objek maupun dokumen. Algoritma K-Means clustering merupakan algoritma yang berperan penting dalam bidang data mining serta sederhana untuk diimplementasikan dan dijalankan. Selain itu, terdapat pengembangan varian dari metode K-Means Clustering yaitu K-Medoids yang muncul sebagai penanggulangan kelemahan Algoritma K-Means yang sensitif terhadap outlier dikarenakan sebuah objek dengan sebuah nilai yang besar mungkin secara substansial menyimpang dari distribusi data. Penelitian ini membandingkan kedua algoritma pada suatu dataset. Adapun data yang digunakan merupakan data transaksi bongkar muat selama tahun 2017 pada PT Pelabuhan Indonesia I Cabang Dumai berdasarkan atribut agen, keterangan barang, jenis, dan jumlah ton. Dari percobaan yang dilakukan, diperoleh hasil pengolahan KMeans hanya membutuhkan waktu rata-rata 1 detik sedangkan pengolahan data pada K-Medoids membutuhkan waktu rata-rata 1 menit 38 detik pada RapidMiner. Nilai DBI pada K-Means lebih rendah dibandingkan KMedoids yaitu masing-masing 0.112 dan 0.119. Perolehan cluster dominan, menunjukkan bahwa agen Buana Listya Tama TBK, PT mendominasi diikuti agen Samudera Sarana Karunia, PT.