Implementasi Algoritma Genetika dalam Penentuan Centroid Awal K-Means pada Pengelompokan Data Tuberkulosis

K-Means adalah algoritma pengelompokan non-hierarkis yang paling sering digunakan karena kemampuannya untuk menangani data dalam jumlah besar. Namun, kelemahan utama K-Means adalah hasil pengelompokan yang sangat dipengaruhi oleh inisialisasi centroid yang dilakukan secara acak. Akibatnya, hasil pengelompokan sering kali terjebak pada optimum lokal. Sehingga membutuhkan semacam mekanisme untuk mencapai optimal global dengan menentukan inisialisasi centroid yang tepat. Salah satu cara paling efektif untuk mengatasi masalah K-Means adalah dengan menggunakan Algoritma Genetika. Dengan mengoptimasi titik pusat awal, yang pada akhirnya akan menjadi input K-Means. Sehingga titik pusat dioptimalkan menggunakan Algoritma Genetika, metode ini menghasilkan kinerja yang lebih optimal dibandingkan dengan metode K-Means biasa, yaitu iterasi yang lebih cepat dibandingkan dengan perhitungan K-Means tanpa optimasi dan pendekatan GAK-Means menghasilkan evaluasi yang lebih tinggi berdasarkan hasil pengujian yang telah dilakukan. Berdasarkan hasil uji coba parameter, diperoleh parameter yang paling optimal yaitu pada populasi 100, generasi 80, serta kombinasi Cr 0.4 dan Mr 0.1 dengan rata-rata tertinggi nilai Silhouette sebesar 0.754 pada k 5, dan pada K-Means rata-rata nilai Silhouette tertinggi yang dihasilkan sebesar 0.698 pada k 3.