Hananto, Muhammad Barra Putra (2026) ANALISIS PERBANDINGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM PENGELOMPOKAN KENDARAAN BERDASARKAN SPESIFIKASI TEKNIS. S1 thesis, Universitas Mercu Buana-Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
55324110012-Maful-01 Cover - Maful Bms.pdf Download (1MB) |
|
Text (BAB 1)
55324110012-Maful-02 Bab 1 - Maful Bms.pdf Restricted to Registered users only Download (1MB) |
|
Text (BAB 2)
55324110012-Maful-03 Bab 2 - Maful Bms.pdf Restricted to Registered users only Download (2MB) |
|
Text (BAB 3)
55324110012-Maful-04 Bab 3 - Maful Bms.pdf Restricted to Registered users only Download (929kB) |
|
Text (BAB 4)
55324110012-Maful-05 Bab 4 - Maful Bms.pdf Restricted to Registered users only Download (2MB) |
|
Text (BAB 5)
55324110012-Maful-06 Bab 5 - Maful Bms.pdf Restricted to Registered users only Download (259kB) |
|
Text (DAFTAR PUSTAKA)
55324110012-Maful-08 Daftar Pustaka - Maful Bms.pdf Restricted to Registered users only Download (827kB) |
|
Text (LAMPIRAN)
55324110012-Maful-09 Lampiran - Maful Bms.pdf Restricted to Registered users only Download (863kB) |
Abstract
Pengelompokan kendaraan berdasarkan spesifikasi teknis menjadi tantangan signifikan akibat banyaknya varian dengan karakteristik saling tumpang tindih, terutama pada segmen crossover yang menggabungkan atribut SUV dan MPV. Penelitian ini membandingkan performa algoritma K-Means (hard clustering) dan Fuzzy C-Means (soft clustering) dalam mengelompokkan data kendaraan berdasarkan delapan fitur numerik: Ground Clearance, Wheelbase, Length, Width, Height, Chassis, Seat, dan Trunk Capacity. Sampel terdiri dari 612 varian kendaraan penumpang yang dipasarkan di Indonesia, diperoleh dari situs web resmi dan brosur teknis pabrikan. Kedua algoritma diimplementasikan dengan jumlah cluster tetap sebanyak 6 (k=c=6) berdasarkan hasil Elbow Method, serta parameter fuzzifikasi m=2 untuk FCM. Evaluasi kualitas cluster menggunakan metrik internal dan stabilitas partisi, yaitu Silhouette Score untuk K-Means, Xie-Beni Index (XB) untuk FCM, serta Adjusted Rand Index (ARI) untuk mengukur konsistensi hasil dari 20 kali inisialisasi acak. Hasil penelitian menunjukkan K-Means menghasilkan Silhouette Score 0,3337 dengan konvergensi sangat cepat (2 iterasi), namun distribusi anggota cluster timpang (57–157 varian) dan ARI hanya 0,6702, yanG mengindikasikan keterbatasan dan ketidakstabilan pendekatan hard clustering dalam menangani karakteristik campuran. Sebaliknya, FCM menghasilkan XB 0,0285 dengan distribusi anggota lebih seimbang (83–144 varian), pemisahan antar cluster yang proporsional, serta ARI 0,9782 yang menunjukkan hasil hampir identik setiap kali dijalankan, meskipun memerlukan waktu komputasi lebih lama (196 iterasi). Kesimpulannya, FCM lebih adaptif dan stabil untuk data spesifikasi kendaraan dengan batas antar segmen yang kabur, sedangkan K-Means tetap unggul dalam efisiensi komputasi dan kemudahan interpretasi. Penelitian ini memberikan rekomendasi empiris pemilihan metode clustering yang tepat untuk data teknis kendaraan di Indonesia, sekaligus berkontribusi pada pengembangan ilmu data mining di domain otomotif.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41823010131 |
| Uncontrolled Keywords: | Clustering, K-Means, Fuzzy C-Means, Perbandingan Algoritma, Spesifikasi Kendaraan |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 003 Systems/Sistem-sistem |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | ZAHRA AULIA FEBRIANI |
| Date Deposited: | 01 Sep 2026 02:33 |
| Last Modified: | 01 Sep 2026 02:33 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103425 |
Actions (login required)
 |
View Item |
