Klasterisasi jenis barang menggunakan methode Particle Swarm Optimization K-Means

Draf Ide :

Tujuan dari penelitian ini adalah untuk membuat aplikasi yang dapat mengelompokkan jenis barang yang terdapat pada gudang untuk membantu proses pengambilan keputusan dalam mengontrol stok barang di gudang dan pengaturan layout barang yang terdapat pada toko. Untuk dapat mengontrol stok barang di gudang serta dapat mengatur layout barang diperlukan sebuah informasi yang tepat dan akurat mengenai jenis barang yang terdapat pada toko apakah barang tersebut masuk kedalam kategori barang fast moving, medium moving atau slow moving. Aplikasi yang menggabungkan algoritma optimasi dan algortima klasterisasi diharapkan mampu memberikan informasi yang tepat, dan cepat sehingga dengan adanya informasi kategori barang, bagian gudang dapat mengelola stok stok gudang dengan baik selain itu dengan adanya informasi yang dihasilkan dari aplikasi ini, bagian MD dapat mengatur tata letak barang yang terdapat pada toko agar penjualan barang bertambah dan jumlah item turn over berkurang.

Metode :

Metode yang digunakan pada penelitian ini adalah algoritma klasterisasi K-Means yang digabungkan dengan salah satu algoritma optimasi yaitu Paticle Swarm Optimization untuk mencari nilai K optimal dari algortima K-Means.

Mapping Jurnal

Tahun Pengarang Judul Metode Hasil2012 Chien-Ching Chiu

Yu-Ting ChengChai-Wei Chang

Cmparison Of Particle Swarm Optimization And Genetic Algorithm For The Path Loss Reduction In Urban Area

1. Particle Swarm Optimization2. Genetic Algorithm

Kinerja Algoritma Particle Swarm Optimization dalam mengoptimasi pola antena agar didapat path loss terendah lebih baik dari pada Algoritma Genetika.

2010 V. SelviDr. R. Umarani

Comparative Analysis of Ant Colony and Particle Swarm Optimization Techniques

1. Ant Colony Optimization2. Particle Swarm Optimization

Algoritma Ant Colony dimanfaatkan untuk memcahkan masalah optimasu diskrit, sedangkan algortima particle swarm optimization dimanfaatkan untuk memecahkan masalah optimasi stokastik.

2011 M. PeyvandiM. ZafaraniE. Nasr

Comparison of Particle Swarm Optimization and the Genetic Algorithm in the improvement of Power System Stability by an SSSC-based Controller

1. Particle Swarm Optimization2. Genetic Algorithm

Secara umum baik algoritma genetik maupun algoritma Particle Swarm Optimization dapat diterapkan untuk optimasi parameter dari FACTS controller. Jika dilihat dari waktu komputasi, algortima genetika menghasilkan waktu yang lebih baik dari pada Particle Swarm Optimization, namun jumlah generasi yang dihasilkan oleh algoritma Particle Swarm Optimization lebih sedikit dari pada algortima Genetika. Selain itu hasil simulasi yang dihasilkan pada penelitian ini menunjukkan kinerja kontroler menggunakan algoritma Particle Swarm Optimization menggunakan tenaga lebih sedikit dari pada menggunakan algoritma Genetika

2014 Emmanuel Karlo NyarkoRobert CupecDamir Filko

A Comparison of Several Heuristic Algorithm for Solving High Dimensional Optimization Problems

1. Genetic Algortihm2. Deferential Evolution3. Particle Swarm Optimization

Algoritma Genetik, algoritma Deferential Evolution, dan Particle Swarm Optimization memiliki hasil yang sebanding jika digunakan untuk menyelesaikan masalah dimensi yang rendah yaitu masalah melibatkan paling banyak 10 parameter. Namun untuk menyelesaikan masalah dengan dimensi yang lebih tinggi, algoritma Particle Swarm Optimization mengungguli algortima yang lain dalam hal akurasi namun untuk masalah waktu pengerjaan, algortima Particle Swarm Optimization sangat rendah.

2012 A.M. ChandrashekharK. Raghuveer

Performance Evaluation Of Data Clustering Techniques Using Kdd Cup-99 Intrusion Detection Data Set

1. K-Means2. Fuzzy C-Means3. Mountain Clustering4. Subtractive Clustering

Dari 4 metode yang diuji dalam penelitian ini yaitu : K-Means, Fuzzy C-Means, Mountain Clustering, dan Subtractive Clustering didapat hasil algortima K-Means memiliki akurasi yang paling besar yaitu sebesar 91.02%.

2014 Alan JoseS. RaviM. Sambath

Brain Tumor Segmentation Using K-Means Clustering And Fuzzy C-Means Algorithm And Its Area Calculation

1. K-Means2. Fuzzy C-Means

Tujuan dari penelitian ini adalah mengidentifikasi penyakit tumor otak dari gambar scan MRI dan scan CT.

Hasil dari penelitian ini adalah metode K-Means dan Fuzzy C-Means dapat mengidentifikasi penyakit tumor otak serta letak penyakit tersebut dilihat dari hasil scan MRI dan scan CT. Dibandingkan dengan algoritma K-Means, algortima fuzzy C-Means mendapatkan hasil yang lebih baik.

2014 Dr. Rajeev Srivastava Himanshu Gupta

K-Means Based Document Clustering with Automatic “K” Selection and Cluster Refinement

1. Metode Cludtering : K-Means2. Metode untuk mencari K

optimal : SVD (Singular Vector Decomposition)

Penelitian ini menggunakan dua metode untuk mengklasterisasi dokumen. Metode untuk klasterisasi menggunakan algoritma K-Means, sedangkan untuk mencari nilai optimal digunakan algoritma Singular Vector Decomposition.

Hasil dari penelitian ini adalah dengan menggunakan metode Singular Vector Decomposition untuk mencari nilai secara otomatis, didapat kualitas yang lebih baik dan lebih efisien.