Clustering merupakan bagian dari salah satu Data Mining yang memiliki
tujuan pengelompokan data berdasarkan nilai yang memiliki kemiripan data satu
dengan data lainnya. Clustering memiliki kelemahan yaitu tidak dapat diketahui
nya jumlah cluster yang optimal untuk digunakan. Mengatasi kekurangan dari
proses clustering yang akan dilakukan pada penelitian ini yaitu evaluasi tiga
metode yaitu Ellbow, Davies-Bouldin Index dan Silhouette Coefficient yang mana
ketiga metode tersebut dapat diketahui k optimal Hasil penelitian menunjukkan
bahwa metode Elbow menyarankan jumlah cluster yang berbeda dari metode DBI
dan Silhouette untuk sebagian besar Dataset. Untuk Dataset Wine, metode Elbow
merekomendasikan 3 Cluster, sedangkan metode DBI dan Silhouette
merekomendasikan 6 dan 2 cluster masing-masing. Sementara itu, dataset Kanker
memiliki rekomendasi cluster sebanyak 4 dari metode Elbow, 6 dari metode DBI,
dan 2 dari metode Silhouette. Metode clustering yang berbeda ini menghasilkan
nilai evaluasi Clustering yang beragam. Nilai Elbow, DBI, dan Silhouette juga
menunjukkan variasi yang signifikan untuk setiap dataset. Hasil penelitian ini
menyoroti pentingnya mempertimbangkan berbagai metode Clustering dan
evaluasi saat menganalisis data yang kompleks dan beragam. Dalam konteks ini,
keputusan tentang jumlah Cluster yang optimal dapat bervariasi tergantung pada
metode yang digunakan dan karakteristik dataset yang diamati. Oleh karena itu,
pemilihan metode Clustering yang tepat sangat penting untuk mendapatkan hasil
Clustering yang akurat dan relevan dalam analisis data.