Perbandingan Manhattan dan Euclidean Distance Untuk Pengelompokan Penyakit Jantung Menggunakan Algoritma K-Means

Abstract

Penelitian ini menggunakan metode perbandingan jarak antara Manhattan distance dan Euclidean distance dalam menentukan keakuratan k-means. Fokus penelitian ini adalah untuk menentukan perbandingan keakuratan antara dua jarak yang digunakan untuk metode k-means clustering. Dengan menggunakan metode k-means penelitian ini bertujuan untuk mengelompokan cluster penyakit jantung, dengan menggunakan dataset yang memiliki atribut kolesterol dan umur, untuk menentukan keakuratan dari kedua pengukuran jarak k-means penulis menggunakan silhouette coeffiecient. Hasil dari penelitian ini menunjukan bahwa pemilihan pengukuran jarak untuk k-means clustering mempengaruhi hasil akhir dari clustering dan silhouette score yaitu 0.5374 untuk silhouette score dari k-means yang menggunakan Manhattan distance dan 0.5355 untuk silhouette score dari k-means yang menggunakan Euclidean distance. Hasil tersebut menunjukan bahwa k-means menggunakan Manhattan distance menghasilkan silhouette score yang lebih tinggi dari Euclidean distance. Penelitan lebih lanjut tentang pengaruh dari jarak perbandingan untuk k-means clustering dengan menggunakan dataset berbeda dapat memberikan wawasan lebih lanjut yang berguna dalam layanan kesehatan dan bidang lainya.