REVIEW TERBARU TENTANG KLASTERISASI DATA MINING MENGGUNAKAN METODE K-MEANS: TANTANGAN DAN APLIKASI

Abstract

Klasterisasi data mining adalah teknik penting yang digunakan untuk mengelompokkan data menjadi subset yang bermakna, dan metode K-Means adalah salah satu algoritma yang paling populer dalam bidang ini. Artikel ini memberikan tinjauan komprehensif mengenai literatur terbaru tentang penggunaan metode K-Means, dengan fokus pada tantangan yang dihadapi dan solusi yang diusulkan, serta aplikasi praktis di berbagai domain. Berbagai inovasi dalam metode K-Means, seperti K-Means++ dan algoritma hibrida, telah dikembangkan untuk mengatasi masalah penentuan jumlah klaster dan sensitivitas terhadap outlier. Selain itu, artikel ini mengeksplorasi aplikasi K-Means dalam bidang pemasaran, kesehatan, dan teknologi informasi. Meskipun metode K-Means memiliki beberapa keterbatasan, berbagai studi menunjukkan peningkatan kinerja yang signifikan melalui modifikasi dan adaptasi yang tepat. Dengan demikian, review ini tidak hanya menyoroti kemajuan terbaru dalam klasterisasi menggunakan K-Means tetapi juga mengidentifikasi area yang memerlukan penelitian lebih lanjut.