Week4 Clusteringmethod PDF
Week4 Clusteringmethod PDF
Partitioniong
II. Hierarchical
III.Density-based
2. Algoritma k-medoid
Setiap cluster dinyatakan oleh suatu objek yang berada dekat dengan pusat cluster.
K-MEANS
Input:
data dengan n objek dan k (banyaknya cluster) serta imax (iterasi maksimal optional)
2)
menilai kesamaan setiap objek dengan setiap cluster menggunakan fungsi kesamaan (misal euclidean
distance)
3)
4)
5)
ulangi langkah 2 s.d 4 sampai tidak ditemukan perubahan pusat cluster dan anggotanya, atau sampai
iterasinya mencapai iterasi maksimal
CONTOH K-MEANS
Distribusi Data
16
14
12
10
8
6
4
2
0
0
10
15
data
20
25
Objek
1
2
3
4
5
6
7
8
9
10
11
12
x
10
9
5
6
14
20
18
17
8
15
6
8
y
6
4
5
2
10
10
15
8
8
15
8
2
Metode:
1) pilih k objek sebagai pusat cluster
awal
Pusat cluster 1 awal: objek ke-1: (10,6)
Pusat cluster 2 awal: objek ke-4: (6,2)
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
d(i,c1)
6
4
5
2
10
10
15
8
8
15
8
2
d(i,c2)
0
5,66
2,24
3,61
5,10
3,16
5,66
0
5,66
11,31
10,77
16,12
12,04
17,69
7,28
12,53
2,83
6,32
10,30
15,81
4,47
6
4,47
2
Metode:
3)
4)
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
Cluster
6
4
5
2
10
10
15
8
8
15
8
2
1
1
2
2
1
1
1
1
1
1
1
2
5
cluster1
10
cluster2
15
pusat cluster1
20
pusat cluster2
25
Metode:
2) menilai kesamaan setiap objek dengan
masing-masing pusat cluster (Pusat
cluster 1 : (13 , 9.33) dan Pusat cluster 2 :
(6.33 , 3 ))
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
d(i,c1)
d(i,c2)
6
6,27
3,67
4
8,40
2,21
5
10,93
1,97
2
11,92
2,34
10
6,96
3,98
10
8,87
3,88
15
10,58
2,51
8
0,64
9,25
8
5,44
14,42
15
5,83
15,56
8
3,34
10,88
2
4,73
13,56
Metode:
3)
4)
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
Cluster
6
4
5
2
10
10
15
8
8
15
8
2
1
2
2
2
1
2
2
1
1
1
1
1
5
cluster1
10
cluster2
15
pusat cluster1
20
pusat cluster2
25
Metode:
2) menilai kesamaan setiap objek dengan
masing-masing pusat cluster (Pusat
cluster 1 : (14.57 , 10.29) dan Pusat
cluster 2 : (6.8 , 4.2 ))
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
d(i,c1)
d(i,c2)
6
6,27
3,67
4
8,40
2,21
5
10,93
1,97
2
11,92
2,34
10
6,96
3,98
10
8,87
3,88
15
10,58
2,51
8
0,64
9,25
8
5,44
14,42
15
5,83
15,56
8
3,34
10,88
2
4,73
13,56
Metode:
3)
4)
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
Cluster
6
4
5
2
10
10
15
8
8
15
8
2
2
2
2
2
2
2
2
1
1
1
1
1
5
cluster1
10
cluster2
15
pusat cluster1
20
pusat cluster2
25
Metode:
2) menilai kesamaan setiap objek
dengan masing-masing pusat cluster
(Pusat cluster 1 : (16.8 , 11.6) dan Pusat
cluster 2 : (7.43 , 5 ))
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
d(i,c1)
d(i,c2)
6
8,81
2,76
4
10,89
1,86
5
13,52
2,43
2
14,45
3,32
10
9,51
3,05
10
11,38
3,32
15
13,02
3,05
8
3,22
8,26
8
3,58
13,53
15
3,61
14,55
8
3,61
10,03
2
3,85
12,54
Metode:
3)
4)
Objek x
1
2
3
4
5
6
7
8
9
10
11
12
y
10
9
5
6
14
20
18
17
8
15
6
8
Cluster
6
4
5
2
10
10
15
8
8
15
8
2
2
2
2
2
2
2
2
1
1
1
1
1
5
cluster1
10
cluster2
15
pusat cluster1
20
pusat cluster2
25
ii.
ii.
Determining number of
clusters
Random factor
Partitioning
Grouping
Descriptive
Analysis
Hard
Clustering
Nonhierarchical
Clustering
Data
Mining
Classification
k-means
Densitybased
Soft
Clustering
Hierarchical
Prediction
Estimation
22Scale Analysis
Fuzzy
C-means