@thesis{thesis,
		author={Suci  Cikal Laksmi},
		title ={Perbandingan Algoritma K-means dan K-medoids Clustering Berdasarkan Internal dan External Validation Indexes},
		year={2014},
		url={},
		abstract={Clustering merupakan suatu metode statistika yang digunakan untuk mengelompokkan unit analisis kedalam  kelompok atau klaster dengan tingkat kemiripan tertentu. Terdapat berbagai pilihan algoritma clustering, dan algoritma clustering yang paling sering digunakan adalah k-means clustering. Akan tetapi k-means clustering sensitif akan kehadiran outlier didalam data, dan kelemahan ini dapat dijawab oleh k-medoids clustering. Hal terpenting dalam proses clustering adalah validasi terhadap hasil clustering guna memperoleh hasil clustering terbaik yang memenuhi konsep connectedness, compareness dan separatedness. Ukuran validasi yang digunakan dalam penelitian ini adalah internal (connectivity, dunn dan silhouette width) dan external (rand index dan adjusted rand index).

Pada penelitian ini dilakukan simulasi pada enam jenis data bangkitan (2dnormal, ringnorm, shapes, smiley, cassini dan faithfulNdata). Diperoleh hasil bahwa algoritma k-means lebih tepat untuk mengelompokkan data 2dnormal dan ringnorm, algoritma k-medoids lebih tepat untuk mengelompokkan data cassini dan faithfulNdata, algoritma k-means dan k-medoids sama-sama tepat dalam mengelompokkan data shapes, serta algoritma k-means dan k-medoids sama-sama tidak tepat dalam mengelompokkan data smiley.}
		}