Penelitian ini berfokus pada optimasi algoritma K-Means dalam clustering data abalone menggunakan Cuckoo Search Algorithm (CSA). Tujuan utama penelitian ini adalah untuk meningkatkan akurasi clustering dan efisiensi waktu eksekusi. Dataset yang digunakan terdiri dari 4177 entri dengan 8 fitur fisik abalone yang digunakan. Metode preprocessing yang digunakan mencakup analisis eksplorasi data, deteksi outlier, dan feature scaling menggunakan Robust Scaler, MinMax Scaler, dan Standard Scaler. Tiga model clustering dievaluasi yaitu K-Means, CSA K-Means, dan CSA Euclidean. Hasil penelitian menunjukkan bahwa penggunaan CSA dalam penentuan centroid awal meningkatkan akurasi clustering, dengan nilai silhouette score mencapai 0.861 pada cluster 2 setelah dilakukan Robust Scaler, dibandingkan dengan K-Means standar yang hanya mencapai 0.444. Selain itu, CSA K-Means menunjukkan peningkatan performa signifikan dalam hal waktu eksekusi, dengan waktu eksekusi 0.025 detik untuk CSA K-Means pada cluster 2 setelah dilakukan Robust Scaler, dibandingkan dengan K-Means standar yang membutuhkan 0.093 detik. Secara keseluruhan, penelitian ini menunjukkan bahwa penggunaan CSA dalam penentuan centroid awal pada algoritma K-Means dapat meningkatkan akurasi clustering dan efisiensi waktu eksekusi, sehingga memberikan hasil yang lebih baik dibandingkan dengan metode K-Means standar.
Kata Kunci:
abalone, cuckoo search algorithm, clustering, feature scaling, k-means