PENINGKATAN PERFORMA ALGORITMA K-MEANS DENGAN METODE PRINCIPAL COMPONENT ANALYSIS PADA CLUSTERING VAKSINASI PENYAKIT MULUT DAN KUKU

Indonesia merupakan salah satu negara yang sangat cocok untuk kegiatan beternak. Meskipun memiliki potensi besar, negara ini juga dihadapkan pada sejumlah tantangan, salah satunya adalah penyebaran Penyakit Mulut dan Kuku (PMK) atau Foot and Mouth Disease (FMD) pada hewan ternak. Dampak PMK terhadap sektor peternakan sangat besar dan kompleks, sehingga dilakukan program vaksinasi pada hewan ternak untuk mengurangi dampaknya. Berdasarkan hal tersebut, dibutuhkan sebuah metode pengelompokan data terhadap hewan yang telah divaksinasi PMK menggunakan algoritma data mining. K-Means merupakan algoritma clustering dalam data mining yang digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristiknya. Pada penelitian ini penerapan algoritma K-Means Clustering dikombinasikan dengan metode Principal Component Analysis (PCA) sebagai analisis reduksi dimensi pada dataset untuk meningkatkan performa algoritma K-Means Clustering. Pengujian pada dataset vaksinasi PMK Kabupaten Bojonegoro dilakukan menggunakan algoritma K-Means Clustering dengan parameter k nilai 2 sampai dengan 5 dan kombinasi K-Means PCA menggunakan 1 Principal Component (PC), 2 PC, dan 3 PC dengan masing-masing menggunakan parameter antara k=2 sampai k=5. Pada pengujian algoritma K-Means, diperoleh nilai evaluasi tertinggi pada k=2 dengan nilai Silhouette Coefficient sebesar 0,482 dan Davies-Bouldin Index (DBI) sebesar 0,824. Terjadi peningkatan performa algoritma K-Means Clustering ketika menggunakan PCA sebagai metode reduksi dimensi dataset dengan atribut PC1 dan k=2, menghasilkan nilai evaluasi Silhouette Coefficient sebesar 0,754 dan DBI sebesar 0,307. Hasil ini menunjukkan pengelompokan yang lebih baik, dengan dua cluster terbentuk yaitu cluster1 sebanyak 187.919 ekor dan cluster2 sebanyak 94.341 ekor.