PENGELOMPOKAN KARAKTERISTIK GELOMBANG AIR LAUT DENGAN ALGORITMA HYBRID DBSCAN DAN K-MEANS+PARTICLE SWARM OPTIMIZATION
Wilayah lautan merupakan bagian penting dalam memenuhi kebutuhan hidup, terutama di Indonesia. Gelombang air laut dapat menjadi sumber bencana seperti banjir air pasang dan tenggelamnya kapal. Bencana tersebut dapat menyebabkan kerugian yang besar dikarenakan kurang adanya persiapan atas kedatangan fenomena itu. Contoh implementasi machine learning sebagai upaya menghadapi fenomenta tersebut pada data gelombang adalah dapat dilakukannya prediksi data gelombang mendatang ataupun pengelompokan data-data gelombang yang dapat digunakan untuk melihat karakteristik yang terdapat pada data gelombang suatu daerah. Dengan menggunakan algoritma clustering, pada penelitian ini dirancang model pembelajaran mesin yang dapat mengelompokan data gelombang menjadi tiga kelompok sesuai dengan karakteristiknya sehingga dapat memudahkan proses analisis data gelombang air laut. Algoritma yang akan dilakukan sendiri dibagi menjadi empat yaitu DBSCAN, K-Means, K-Means+PSO, dan DBSCAN K-Means+PSO. DBSCAN memiliki skor silhouette coefficient terbaik dengan nilai 0.365 tetapi dengan hasil pembagian anggota klaster yang tidak merata dengan anggota klaster satu sebanyak 34903 data dan klaster lainnya sebanyak 10 dan 14 data. K-Means, K-Means+PSO, dan DBSCAN K-Means+PSO dengan masing-masing silhouette coefficient 0.268, 0.2954, dan 0.2958 menghasilkan pembagian anggota klaster yang lebih merata dan nilai error berdasarkan euclidean distance yang juga lebih kecil dikarenakan dijadikan sebagai parameter fitness pada optimasi PSO. Berdasarkan rerata nilai eror tersebut, DBSCAN K-Means+PSO memiliki nilai terbaik dibandingkan dengan algoritma percobaan lainnya.
URI
https://repo.itera.ac.id/depan/submission/SB2307050006
Keyword