Di era digital saat ini, hampir semua aplikasi yang kita gunakan bekerja dengan bantuan pengelompokan data atau clustering. Mulai dari rekomendasi konten TikTok, saran produk di marketplace, hingga analisis perilaku pengguna media sosial, semuanya memanfaatkan teknologi AI untuk memahami pola dari jutaan data yang terus bertambah setiap hari.
Namun ternyata, proses clustering tidak selalu semudah yang dibayangkan. Salah memilih pusat data atau centroid bisa membuat hasil pengelompokan menjadi kurang akurat. Akibatnya, sistem rekomendasi bisa meleset, analisis data menjadi kurang optimal, bahkan AI kesulitan membaca pola yang sebenarnya.
Melihat tantangan tersebut, tim peneliti dari Program Studi S1 Sains Data Telkom University Purwokerto menghadirkan inovasi baru melalui penelitian berjudul “A Multi-Objective Particle Swarm Optimization Approach for Optimizing K-Means Clustering Centroids.” Penelitian ini dipublikasikan pada jurnal ilmiah dan membahas bagaimana teknologi swarm intelligence dapat meningkatkan kualitas clustering pada algoritma K-Means.
Secara sederhana, K-Means merupakan salah satu algoritma paling populer dalam dunia Artificial Intelligence dan Data Science untuk mengelompokkan data berdasarkan kemiripan pola. Masalahnya, algoritma ini sangat bergantung pada pemilihan centroid di awal proses. Jika titik awal kurang tepat, maka hasil clustering juga bisa menjadi kurang optimal.
Nah, di penelitian ini, tim peneliti mencoba “mengajari” AI untuk memilih centroid terbaik menggunakan pendekatan Multi-Objective Particle Swarm Optimization (MOPSO). Teknologi ini terinspirasi dari perilaku kawanan partikel atau swarm yang bergerak bersama untuk menemukan solusi paling optimal.
Ibaratnya, jika K-Means biasa bekerja seperti memilih ketua kelompok secara random, maka metode MOPSO membantu sistem memilih pusat kelompok dengan strategi yang lebih cerdas dan terarah.
Hasil penelitian menunjukkan peningkatan performa clustering yang cukup signifikan, terutama pada dataset yang kompleks dan sulit dipisahkan. Salah satu hasil menarik terlihat pada dataset Target, di mana akurasi clustering meningkat drastis dari hanya 0,26% menjadi 59,2% setelah menggunakan pendekatan MOPSO+K-Means.
Penelitian ini juga menunjukkan bahwa metode swarm intelligence mampu menghasilkan cluster yang lebih konsisten, lebih terpisah dengan baik, dan memiliki stabilitas yang lebih tinggi dibanding metode clustering konvensional.
Menariknya, teknologi clustering seperti ini sebenarnya sangat dekat dengan kehidupan sehari-hari. AI menggunakan clustering untuk:
- membaca perilaku pengguna media sosial,
- mengelompokkan pelanggan digital,
- mendeteksi pola transaksi,
- analisis citra medis,
- hingga pengolahan data smart city dan Internet of Things (IoT).
Semakin baik proses clustering, maka semakin pintar pula sistem AI dalam memahami pola dan menghasilkan keputusan berbasis data.
Penelitian ini menjadi bukti bahwa inovasi AI dari Telkom University Purwokerto terus berkembang dan relevan dengan kebutuhan teknologi modern. Tidak hanya fokus pada teori akademik, tetapi juga mengembangkan solusi yang berpotensi digunakan pada berbagai sistem digital masa depan.
Di tengah perkembangan AI yang semakin cepat, kemampuan mengolah dan memahami data menjadi salah satu kunci utama inovasi. Dan lewat penelitian seperti ini, mahasiswa dan peneliti Indonesia menunjukkan bahwa mereka juga mampu ikut berkontribusi dalam perkembangan teknologi AI global.
