https://jurnal.stmikroyal.ac.id/index.php/jurteksi/article/view/352
Metode K-Means Clustering telah banyak diterapkan pada penelitian sebelumnya, seperti:
Rusydi Umar dkk (2016), penelitian pada bidang pengolahan citra untuk mengidentifikasi keaslian uang kertas Rupiah dapat dilakukan dengan menggunakan metode Ekstraksi Ciri Local Binary Pattern dan metode klasifikasi K-Means Clustering dengan menggunakan rumus Euclidean Distance dengan hasil akurasi tertinggi yaitu 96,67%.
Suprawoto (2016), berdasarkan hasil penelitian diperoleh kesimpulan bahwa kelompok mahasiswa dengan nilai rerata UN yang rendah memiliki pengaruh terhadap prestasi akademik mahasiswa yang rendah pada jenjang diploma 3 dan strata 1. Jika mahasiswa memiliki nilai UN yang tinggi maka prestasi akademik mahasiswa juga tinggi pada semua jenjang.
Nur dkk (2017), pada penelitiannya tentang pengelompok data siswa baru Sekolah Menengah Jurusan dengan tujuan terbentuknya kelompok jurusan pada siswa menggunakan K-Means Clustering dengan memperoleh hasil jumlah cluster sebanyak tiga yaitu Tidak Lulus, Rekayasa Perangkat Lunak dan Teknik Komputer Jaringan.
Siska (2016), Metode Clustering Algoritma K-Means dapat diterapkan pada kubikasi air terjual berdasarkan pengelompokan pelanggan dalam menentukan kelompok pelanggan yang pemakaian air dengan kategori boros, sedang dan hemat.
Nurzahputra dkk (2017), pada penelitiannya menunjukkan bahwa metode K-Means Clustering dapat dipadukan dengan metode lain sehingga dengan adanya sistem ini pemilihan dan penilaian dilakukan secara objektif dan memberikan pilihan untuk pelatih dalam mengambil keputusan.
Aranda dan Natasya (2016), hasil peneltian yang telah dilakukan diperoleh iterasi sebanyak tiga kali dengan hasil: 4 dari 12 mahasiswa diarahkan untuk mengambil konsentrasi Pemrograman 4 mahasiswa diarahkan untuk mengambil konsentrasi Multimedia sementara 3 sampai 5 mahasiswa diarahkan untuk mengambil konsentrasi Jaringan Komputer.
Anggara dkk (2017), berdasarkan hasil penelitian dengan pengujian Silhouette Coefficient Clustering menggunakan metode K-Means Clustering diperoleh pada setiap Distance Measure terbaik adalah pada Chebyshev Distance dengan nilai Silhoutte Coefficient¬ adalah 0.242821.
Wardhani (2016), menghasilkan sistem yang mampu mengelompokkan data penyakit pasien pada Puskesmas Kajen Pekalongan dengan menampilkan informasi mengenai pengelompokan penyakit kategori akut dan tidak akut yang banyak diderita oleh pasien.
Bastian dkk (2018), berdasarkan penelitian yang dilakukan diperoleh kesimpulan bahwa hasil dari metode Algoritma K-Means Clustering dapat digunakan untuk metode pengendalian persediaan pada Puskesmas sehingga apabila akan dilakukan pengadaan persediaan obat pada tahun 2014, petugas dapat melihat daftar Puskesmas terbanyak yang menderita penyakit menular.
Sadewo dkk (2017), Untuk melakukan penilaian terhadap hasil populasi ayam berdasarkan provinsi dapat menerapkan metode K-Means Clustering. Hasil yang diperoleh menjadi masukan kepada pemerintah provinsi guna memberikan perhatian lebih pada populasi daging ayam berdasarkan cluster yang telah dilakukan.
Masih banyak peneliti lainnya yang tidak dapat dicantumkan satu per satu. Hanya saja untuk metode K-Means Clustering memiliki kelemahan, yaitu terletak pada penentuan titik pusat (centroid) awal. Untuk itu jika titik pusatnya keliru maka akan menyebabkan kekeliruan anggota cluster.
Semoga Bermanfaat! Terima kasih
