Analisis Pengelompokan Komposisi Kaca Forensik menggunakan Algoritma K-Means dan Software Rapid Miner
Keywords:
K-Means Clustering, Komposisi Kaca, ForensikAbstract
Penelitian ini bertujuan untuk mengelompokkan jenis kaca forensik berdasarkan komposisi kimia yang terkandung di dalamnya menggunakan algoritma K-Means Clustering dan perangkat lunak RapidMiner. Data yang digunakan adalah Glass Identification Dataset yang terdiri dari 9 atribut kimia (seperti RI, Na, Mg, Al, dll.) dan 214 sampel. Sebelum proses clustering, data dinormalisasi menggunakan Z-Transformation untuk memastikan kontribusi atribut yang setara. Algoritma K-Means diimplementasikan dengan nilai k (jumlah cluster) yang ditentukan sebesar 5, dengan 10 kali percobaan (max runs) untuk menemukan struktur pengelompokan yang paling stabil. Hasil menunjukkan pembentukan lima kelompok (cluster) yang berbeda dengan kualitas pengelompokan yang baik (nilai WCSS rendah). Analisis Tabel Centroid mengungkapkan profil kimia yang unik dan dominan untuk setiap kelompok. Misalnya, Cluster X dicirikan oleh kandungan Magnesium (Mg) tertinggi dan Kalsium (Ca) terendah. Pengelompokan ini memvalidasi potensi K-Means dalam mengidentifikasi pola komposisi material yang signifikan, yang sangat berguna dalam aplikasi forensik dan ilmu material.
References
Bock, F. E., Aydin, R. C., Cyron, C. J., Huber, N., Kalidindi, S. R., & Klusemann, B. (2019). A Review of the Application of Machine Learning and Data Mining Approaches in Continuum Materials Mechanics. 6(May). https://doi.org/10.3389/fmats.2019.00110
Chemistry, S. (2009). m EVALUATION OF EVIDENCE VALUE OF REFRACTIVE INDEX MEASURED BEFORE AND AFTER ANNEALING OF CONTAINER AND FLOAT GLASS FRAGMENTS.
Curran, J. M. (2012). Is Forensic Science the last bastion of resistance against Statistics ? August.
Degree, M. M., Science, C., & Lecture, A. C. (2012). Data Mining : Concepts and.
Jahwar, A. F. (2021). META-HEURISTIC ALGORITHMS FOR K-MEANS CLUSTERING : A REVIEW. 17(7), 1–20.
Mcsweeney, D., & Hoffmann, M. (2015). ARROW @ TU Dublin Lessons Learned from Teaching Data Analytics in a Fully Online Mode at Postgraduate Level. 265–272.
Nigro, L. (2023). Performance of a K-Means Algorithm Driven by Careful Seeding. Simultech, 27–36. https://doi.org/10.5220/0012045000003546
Samad, M., Rinehart, J., Angel, M., Kanomata, Y., & Baldi, P. (2023). MOVER : Medical Informatics Operating Room Vitals and Events Repository.
Vardakas, G., Papakostas, I., & Likas, A. (2025). Efficient error minimization in kernel k -means clustering.
Wimmer, H., Snow, C., Hayes, D., Dwyer, C., Hunsinger, S., Sharp, J., & Wu, P. (2016). Information Systems Applied Research 2016 AITP Education Special Interest Group ( EDSIG ) Board of Directors. 9(2).
Wyner, A., & Peters, W. (n.d.). On Rule Extraction from Regulations.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Hanjiyan Riyan Hidayat, Hasbi Firmansyah, Wahyu Asriyani, Rizki Prasetyo Tulodo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
