Penelitian ini mengeksplorasi beberapa algoritma clustering berbasis centroid yaitu K-Means, K-Medoid, dan Gaussian Mixture Model dalam kerangka kerja consensus clustering. Penelitian ini bertujuan untuk membangun sebuah metode yang menggabungkan hasil algoritma clustering tunggal melalui strategi konsensus majority vote untuk menghasilkan metode clustering yang lebih handal. Penggunaan metode validasi cluster juga dieksplorasi untuk memperbaiki kualitas hasil consensus clustering. Hasil eksperimen menunjukkan bahwa metode consensus clustering yang dikembangkan mampu menghasilkan konfigurasi cluster yang lebih baik daripada algoritma clustering tunggal dalam eksperimen. Metode yang dikembangkan juga mampu menghasilkan konfigurasi cluster yang stabil dimana struktur dan keanggotaan cluster adalah konsisten setiap kali metode dijalankan.

ABSTRACT Name : Gatot Wahyudi Study Program : Master of Computer Science Title : Robust Consensus Clustering using Centroid-based Algorithms This research explored several centroid-based clustering algorithms (i.e. K-Means, K-Medoids, and Gaussian Mixture Model) under consensus clustering framework. This research aim to build a method which combine the result of individual clustering algorithm through a majority vote consensus strategy in order to obtain a robust consensus clustering algorithm. Several cluster validation techniques are also explored during consensus refinement step. The result of experiment on several datasets show that the result of consensus clustering outperforms any single clustering algorithm in experiments. The proposed consensus clustering also produces robust clusters where the structure and membership will be consistent for each run. Keywords: Clustering, consensus clustering, majority vote, cluster validation