Analisis Perbandingan Sensitivitas dan Kinerja K-Means dan DBSCAN Terhadap Variasi Noise

• Rafael Austin

  Universitas Esa Unggul

• Ricky Dwi Putra

  Universitas Esa Unggul

• Ardi

  Universitas Esa Unggul

• Fuzail Fazle Rabbi

  Universitas Esa Unggul

• Lucky Pujiono ws

  Universitas Esa Unggul

• Vitri Tundjungsari

  Universitas Esa Unggul

Data yang tidak akurat atau mengandung noise merupakan tantangan signifikan dalam machine learning, terutama pada tugas pengelompokan (clustering) yang tidak diawasi (unsupervised). Penelitian ini mengevaluasi ketahanan (robustness) dan performa dua algoritma pengelompokan populer, yaitu K-Means dan DBSCAN, terhadap berbagai tingkat Gaussian noise (5%, 10%, 20%, dan 30%) yang disuntikkan ke dalam dataset pelanggan. Evaluasi dilakukan menggunakan metrik Silhouette Score dan Davies-Bouldin Index (DBI). Hasil awal menunjukkan bahwa DBSCAN memiliki performa yang sedikit lebih baik dengan Silhouette Score 0,4817 dibandingkan K-Means sebesar 0,4101. Namun, setelah dilakukan penyuntikan noise, K-Means menunjukkan stabilitas yang lebih unggul dengan mempertahankan keanggotaan cluster yang lebih konsisten, sementara DBSCAN ditemukan lebih sensitif terhadap variasi jarak, yang menyebabkan fluktuasi signifikan pada penentuan cluster. Penelitian ini menyimpulkan bahwa K-Means lebih dapat diandalkan untuk dataset yang membutuhkan integritas struktur cluster tetap terjaga meskipun terdapat ketidakteraturan data yang kecil.

[1] J.-Y. Franceschi, A. Fawzi, and O. Fawzi, “Robustness of classifiers to uniform p and Gaussian noise,” 2018.

[2] S. Gupta and A. Gupta, “Dealing with noise problem in machine learning data-sets: A systematic review,” in Procedia Computer Science, Elsevier B.V., 2019, pp. 466–474. doi: 10.1016/j.procs.2019.11.146.

[3] S. Pau, A. Perniciano, B. Pes, and D. Rubattu, “An Evaluation of Feature Selection Robustness on Class Noisy Data,” Information (Switzerland), vol. 14, no. 8, Aug. 2023, doi: 10.3390/info14080438.

[4] Y. Sun and J. Zhang, “Distance-based Data Cleaning: A Survey (Technical Report),” Nov. 2020, [Online]. Available: http://arxiv.org/abs/2011.11176

[5] C.-H. Lin, E. L. Dyer, V. Muthukumar, and C. Kaushik, “The good, the bad and the ugly sides of data augmentation: An implicit spectral regularization perspective,” 2024.

[6] Tundjungsari Vitri, “Dasar Machine Learning”.

[7] P. Khairani Ritonga and M. S. Hasibuan, “Analisis Perbandingan Silhouette dengan Elbow pada Algoritma K-Means dan DBSCAN,” vol. 9, p. 2025, doi: 10.47002/metik.v9i1.1027.

[8] P. Vania and B. Nurina Sari, “Perbandingan Metode Elbow dan Silhouette untuk Penentuan Jumlah Klaster yang Optimal pada Clustering Produksi Padi menggunakan Algoritma K-Means,” Jurnal Ilmiah Wahana Pendidikan, vol. 9, no. 21, pp. 547–558, 2023, doi: 10.5281/zenodo.10081332.

[9] R. C. de Amorim and V. Makarenkov, “Improving clustering quality evaluation in noisy Gaussian mixtures,” Mar. 2025, [Online]. Available: http://arxiv.org/abs/2503.00379

[10] T. Setyani, Y. Indriani, M. Fadli, and E. R. Susanto, “Perbandingan Algoritma K-Means dan DBSCAN dalam Pengelompokkan Data Penjualan Elektronik,” Progresif: Jurnal Ilmiah Komputer, vol. 21, no. 2, p. 712, Aug. 2025, doi: 10.35889/progresif.v21i2.2775.

[11] C. H. Lin, K. C. Hsu, K. R. Johnson, M. Luby, and Y. C. Fann, “Applying density-based outlier identifications using multiple datasets for validation of stroke clinical outcomes,” Int. J. Med. Inform., vol. 132, Dec. 2019, doi: 10.1016/j.ijmedinf.2019.103988.

[12] F. Andriyani and Y. Puspitarani, “Performance Comparison of K-Means and DBScan Algorithms for Text Clustering Product Reviews,” SinkrOn, vol. 7, no. 3, pp. 944–949, Jul. 2022, doi: 10.33395/sinkron.v7i3.11569.

[13] R. Adesunkanmi and R. Kumar, “Expectation Distance-based Distributional Clustering for Noise-Robustness,” Mar. 2023, [Online]. Available: http://arxiv.org/abs/2110.08871

[14] O. Ajmal, H. Arshad, M. A. Arshed, S. Ahmed, and S. Mumtaz, “Robust Parameter Optimisation of Noise-Tolerant Clustering for DENCLUE Using Differential Evolution,” Mathematics, vol. 12, no. 21, Nov. 2024, doi: 10.3390/math12213367.

[15] Shabila Ocktavia and Wahyu Tisno Atmojo, “ANALISIS SEGMENTASI PELANGGAN PEMBIAYAAN BERDASARKAN DEMOGRAFI UNTUK MEMPREDIKSI TINGKAT KREDIT MENGGUNAKAN ALGORITMA K-MEANS”.

• PDF (Inggris)

Hak Cipta (c) 2026 Rafael Austin, Ricky Dwi Putra, Ardi Ardi, Fuzail Fazle Rabbi, Lucky Pujiono WS, Vitri Tundjungsari

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.