Pengaruh Karakteristik Data Terhadap Efektivitas Clustering Pada Optimalisasi Kompleksitas Waktu Algoritma Super Sort

Abstrak

Super Sort merupakan algoritma pengurutan hibrid yang menggabungkan konsep Merge Sort dan Quick Sort. Penelitian sebelumnya mengidentifikasi kelemahan Super Sort berupa banyaknya sublist yang terbentuk ketika menangani elemen duplikat, sehingga dikembangkan modifikasi Super Sort Clustering yang mengelompokkan nilai identik terlebih dahulu sebelum proses pengurutan dilakukan. Hasil penelitian tersebut menunjukkan bahwa Super Sort Clustering unggul secara waktu eksekusi dibandingkan Super Sort asli pada dataset dengan proporsi nilai identik yang tinggi. Namun, efektivitas pendekatan ini pada data yang tidak memiliki nilai identik belum diuji secara empiris. Penelitian ini bertujuan mengevaluasi kinerja Super Sort Clustering pada karakteristik dataset yang berukuran besar tanpa nilai identik (unik/acak) dengan variasi jumlah data 100 hingga 500.000 elemen. Pengujian dilakukan dengan mengukur waktu eksekusi Super Sort asli dan Super Sort Clustering pada perangkat dan kondisi yang sama. Hasil penelitian menunjukkan bahwa pada seluruh dataset tanpa nilai identik menghasilkan waktu eksekusi yang lebih tinggi dibandingkan Super Sort asli. Hal ini terjadi karena proses pengelompokan menghasilkan jumlah cluster yang mendekati atau sama dengan jumlah data asli, sehingga tidak mengurangi jumlah elemen yang perlu diurutkan dan hanya menambah overhead komputasi. Dengan demikian, dapat disimpulkan bahwa metode Super Sort Clustering tidak dapat digunakan atau tidak direkomendasikan untuk data yang tidak memiliki nilai identik atau data yang terdistribusi merata, dan hanya efektif diterapkan pada dataset dengan proporsi duplikasi nilai yang tinggi.