Latihan: Gunakan metode k-means untuk mengelompokkan mahasiswa berdasarkan

tinggi & berat badan:

Data Mahasiswa

No Nama Tinggi Badan (Cm) Berat Badan (Kg)

1 Agus 170 70

2 Arif 180 75

3 Iwan 168 80

4 Yasinta 160 60

5 Esti 165 65

7 Bayu 172 80

8 Beno 175 70

9 Ramadhan 168 60

10 Indah 160 60

Clustering yang diharapkan mampu menghasilkan kelompok mahasiswa yang memenuhi

sifat berikut :

Mahasiswa yang memiliki berat dan tinggi badan yang hampir sama dikelompokkan
tersendiri

1. Mahasiswa yang memiliki berat dan tinggi badan yang hampir sama
dikelompokkan akan berada pada kelompok yang sama.

2. Mahasiswa yang yang memiliki berat dan tinggi badan yang berbeda akan berada
pada kelompok yang berbeda.
Penyelesaian :

No Nama Tinggi Badan (Cm) Berat Badan (Kg)

1 Agus 170 70

2 Arif 180 75

3 Iwan 168 80

4 Yasinta 160 60

5 Esti 165 65

7 Bayu 172 80

8 Beno 175 70

9 Ramadhan 168 60

10 Indah 160 60

Berikut langkah-langkah clustering menggunakan algoritma K-Means :

Langkah 1 : Tentukan jumlah cluster yang diinginkan (misal : 𝑘 = 3)

Langkah 2 : Pilih centroid awal secara acak, pada langkah ini secara acak akan dipilih 3
buah data sebagai centroid, misalnya : 𝑑𝑎𝑡𝑎 {2, 7, 9}
𝑀1 = (180,75), 𝑀2 = (172,80), 𝑀3 = (168,60)

Langkah 3 : Hitung jarak dengan centroid (iterasi 1)

Pada langkah ini setiap data akan ditentukan centroid terdekatnya dan data tersebut
akan ditetapkan sebagai anggota kelompok yang terdekat dengan centroid

Untuk menghitung jarak ke centroid masing-masing cluster pada nama pertama sebagai
berikut :
𝑫𝒂𝒕𝒂 𝟏 ∶ (𝟏𝟕𝟎, 𝟕𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(170 − 180)2 + (70 − 75)2 = 11.18

𝐷𝑀2 = √(170 − 172)2 + (70 − 80)2 = 10.19

𝐷𝑀3 = √(170 − 168)2 + (70 − 60)2 = 10.19

𝑫𝒂𝒕𝒂 𝟐 ∶ (𝟏𝟖𝟎, 𝟕𝟓), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(180 − 180)2 + (75 − 75)2 = 0

𝐷𝑀2 = √(180 − 172)2 + (75 − 80)2 = 9.43

𝐷𝑀3 = √(180 − 168)2 + (75 − 60)2 = 19.20

𝑫𝒂𝒕𝒂 𝟑 ∶ (𝟏𝟔𝟖, 𝟖𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(168 − 180)2 + (80 − 75)2 = 13

𝐷𝑀2 = √(168 − 172)2 + (80 − 80)2 = 4

𝐷𝑀3 = √(168 − 168)2 + (80 − 60)2 = 20

𝑫𝒂𝒕𝒂 𝟒 ∶ (𝟏𝟔𝟎, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(160 − 180)2 + (60 − 75)2 = 25

𝐷𝑀2 = √(160 − 172)2 + (60 − 80)2 = 23.32

𝐷𝑀3 = √(160 − 168)2 + (60 − 60)2 = 8

𝑫𝒂𝒕𝒂 𝟓 ∶ (𝟏𝟔𝟓, 𝟔𝟓), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(165 − 180)2 + (65 − 75)2 = 18.02

𝐷𝑀2 = √(165 − 172)2 + (65 − 80)2 = 16.55

𝐷𝑀3 = √(165 − 168)2 + (65 − 60)2 = 5.83

𝑫𝒂𝒕𝒂 𝟕 ∶ (𝟏𝟕𝟐, 𝟖𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(172 − 180)2 + (80 − 75)2 = 9.43

𝐷𝑀2 = √(172 − 172)2 + (80 − 80)2 = 0

𝐷𝑀3 = √(172 − 168)2 + (80 − 60)2 = 20.39

𝑫𝒂𝒕𝒂 𝟖 ∶ (𝟏𝟕𝟓, 𝟕𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(175 − 180)2 + (70 − 75)2 = 7.07

𝐷𝑀2 = √(175 − 172)2 + (70 − 80)2 = 10.44

𝐷𝑀3 = √(175 − 168)2 + (70 − 60)2 = 12.20

𝑫𝒂𝒕𝒂 𝟗 ∶ (𝟏𝟔𝟖, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(168 − 180)2 + (60 − 75)2 = 19.20

𝐷𝑀2 = √(168 − 172)2 + (60 − 80)2 = 20.61

𝐷𝑀3 = √(168 − 168)2 + (60 − 60)2 = 0

𝑫𝒂𝒕𝒂 𝟏𝟎 ∶ (𝟏𝟔𝟎, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝑴𝟏 = (𝟏𝟖𝟎, 𝟕𝟓), 𝑴𝟐 = (𝟏𝟕𝟐, 𝟖𝟎), 𝑴𝟑 = (𝟏𝟔𝟖, 𝟔𝟎)

𝐷𝑀1 = √(160 − 180)2 + (60 − 75)2 = 25

𝐷𝑀2 = √(160 − 172)2 + (60 − 80)2 = 23.32

𝐷𝑀3 = √(160 − 168)2 + (60 − 60)2 = 8

Tabel hasil perhitungan jarak antara masing-masing data dengan centroid :

Jarak ke Centroid Jarak

No Nama
Cluster 1 Cluster 2 Cluster 3 Terdekat

1 Agus 11.18 10.19 10.19 C2 & C3

2 Arif 0 9.43 19.20 C1

3 Iwan 13 4 20 C2

4 Yasinta 25 23.32 8 C3

5 Esti 18.02 16.55 5.83 C3

7 Bayu 9.43 0 20.39 C2

8 Beno 7.07 10.44 12.20 C1

9 Ramadhan 19.20 20.61 0 C3

10 Indah 25 23.32 8 C3

Dari tabel diatas didapatkan keanggotan mahasiswa sebagai berikut :

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 1 = {2, 8}

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 2 = {1, 3, 7}

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 3 = {1, 4, 5, 9, 10}

Pada langkah ini dihitung pula rasio antara besaran BCV (Between Cluster Variation)
dengan WCV (Within Cluster Variation)
Karena centroid 𝑀1 = (180,75), 𝑀2 = (172,80), 𝑀3 = (168,60)

𝑑(𝑚1, 𝑚2) = √(180 − 172)2 + (75 − 80)2 = 9.43

𝑑(𝑚1, 𝑚3) = √(180 − 168)2 + (75 − 60)2 = 19.20

𝑑(𝑚2, 𝑚3) = √(172 − 168)2 + (80 − 60)2 = 20.39

𝑩𝑪𝑽 = 𝑑(𝑚1, 𝑚2) + 𝑑(𝑚1, 𝑚3) + 𝑑(𝑚2, 𝑚3) = 9.43 + 19.20 + 20.39 = 49.02

Dalam hal ini 𝑑(𝑚𝑖, 𝑚𝑖) menyatakan jarak Euclidean dari 𝑚 ke 𝑚𝑖

Menghitung WCV

Dengan memilih jarak tekecil antara data dengan centroid pada masing-masing cluster :

No Nama Jarak ke centroid terkecil

1 Agus 10.19

2 Arif 0

3 Iwan 4

4 Yasinta 8

5 Esti 5.83

7 Bayu 0

8 Beno 7.07

9 Ramadhan 0

10 Indah 8

𝑾𝑪𝑽 = 10.192 + 02 + 42 + 82 + 5.832 + 02 + 7.072 + 02 + 82 = 331.79

𝐵𝐶𝑉 49.02
Sehingga besar rasio = 𝑊𝐶𝑉 = 331.79 = 0.147

Karena langkah ini merupakan iterasi 1 maka lanjutkan ke langkah berikutnya

Langkah 4 : Pembaruan centroid dengan menghitung rata-rata nilai pada masing-masing
cluster

Cluster 1

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Arif 180 75

Beno 175 70

Mean 177.5 72.5

Cluster 2

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Agus 170 70

Iwan 168 80

Bayu 172 80

Mean 170 76.67

Cluster 3

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Agus 170 70

Yasinta 160 60

Esti 165 65

Ramadhan 168 60

Indah 160 60

Mean 164.6 63

Sehingga didapatkan centroid baru yaitu :

𝑚1 = (177.5, 72.5), 𝑚2 = (170, 76.67), 𝑚3 = (164.6, 63)
Langkah 3 : Hitung jarak dengan centroid (iterasi 2)

Kembali kelangkah 3, jika masih ada data yang berpindah cluster atau jika nilai centroid
diatas nilai ambang, atau jika nilai pada fungsi obyektif yang digunakan masih di atas
ambang.
𝑫𝒂𝒕𝒂 𝟏 ∶ (𝟏𝟕𝟎, 𝟕𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(170 − 177.5)2 + (70 − 72.5)2 = 7.90

𝐷𝑀2 = √(170 − 170)2 + (70 − 76.67)2 = 6.66

𝐷𝑀3 = √(170 − 164.6)2 + (70 − 63)2 = 8.84

𝑫𝒂𝒕𝒂 𝟐 ∶ (𝟏𝟖𝟎, 𝟕𝟓), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(180 − 177.5)2 + (75 − 72.5)2 = 0

𝐷𝑀2 = √(180 − 170)2 + (75 − 76.67)2 = 10.13

𝐷𝑀3 = √(180 − 164.6)2 + (75 − 63)2 = 19.52

𝑫𝒂𝒕𝒂 𝟑 ∶ (𝟏𝟔𝟖, 𝟖𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(168 − 177.5)2 + (80 − 72.5)2 = 12.10

𝐷𝑀2 = √(168 − 170)2 + (80 − 76.67)2 = 3.88

𝐷𝑀3 = √(168 − 164.6)2 + (80 − 63)2 = 17.33

𝑫𝒂𝒕𝒂 𝟒 ∶ (𝟏𝟔𝟎, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(160 − 177.5)2 + (60 − 72.5)2 = 21.50

𝐷𝑀2 = √(160 − 170)2 + (60 − 76.67)2 = 19.43

𝐷𝑀3 = √(160 − 164.6)2 + (60 − 63)2 = 5.49

𝑫𝒂𝒕𝒂 𝟓 ∶ (𝟏𝟔𝟓, 𝟔𝟓), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(165 − 177.5)2 + (65 − 72.5)2 = 14.57

𝐷𝑀2 = √(165 − 170)2 + (65 − 76.67)2 = 12.67

𝐷𝑀3 = √(165 − 164.6)2 + (65 − 63)2 = 2.03

𝑫𝒂𝒕𝒂 𝟕 ∶ (𝟏𝟕𝟐, 𝟖𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(172 − 177.5)2 + (80 − 72.5)2 = 9.30

𝐷𝑀2 = √(172 − 170)2 + (80 − 76.67)2 = 3.88

𝐷𝑀3 = √(172 − 164.6)2 + (80 − 63)2 = 18.54

𝑫𝒂𝒕𝒂 𝟖 ∶ (𝟏𝟕𝟓, 𝟕𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(175 − 177.5)2 + (70 − 72.5)2 = 3.53

𝐷𝑀2 = √(175 − 170)2 + (70 − 76.67)2 = 8.33

𝐷𝑀3 = √(175 − 164.6)2 + (70 − 63)2 = 12.53

𝑫𝒂𝒕𝒂 𝟗 ∶ (𝟏𝟔𝟖, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(168 − 177.5)2 + (60 − 72.5)2 = 15.70

𝐷𝑀2 = √(168 − 170)2 + (60 − 76.67)2 = 16.78

𝐷𝑀3 = √(168 − 164.6)2 + (60 − 63)2 = 4.53

𝑫𝒂𝒕𝒂 𝟏𝟎 ∶ (𝟏𝟔𝟎, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 = (𝟏𝟔𝟒. 𝟔, 𝟔𝟑)

𝐷𝑀1 = √(160 − 177.5)2 + (60 − 72.5)2 = 21.50

𝐷𝑀2 = √(160 − 170)2 + (60 − 76.67)2 = 19.43

𝐷𝑀3 = √(160 − 164.6)2 + (60 − 63)2 = 5.49

Tabel hasil perhitungan jarak antara masing-masing data dengan centroid :

Jarak ke Centroid Jarak

No Nama
Cluster 1 Cluster 2 Cluster 3 Terdekat

1 Agus 7.90 6.66 8.84 C2

2 Arif 0 10.13 19.52 C1

3 Iwan 12.10 3.88 17.33 C2

4 Yasinta 21.50 19.43 5.49 C3

5 Esti 14.57 12.67 2.03 C3

7 Bayu 9.30 3.88 18.54 C2

8 Beno 3.53 8.33 12.53 C1

9 Ramadhan 15.70 16.78 4.53 C3

10 Indah 21.50 19.43 5.49 C3

Dari tabel diatas didapatkan keanggotan mahasiswa sebagai berikut :

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 1 = {2, 8}

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 2 = {1, 3, 7}

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 3 = {4, 5, 9, 10}

Pada langkah ini dihitung pula rasio antara besaran BCV (Between Cluster Variation)
dengan WCV (Within Cluster Variation)
Karena centroid 𝑀1 = (177.5, 72.5), 𝑀2 = (170, 76.67), 𝑀3 = (164.6, 63)

𝑑(𝑚1, 𝑚2) = √(177.5 − 170)2 + (72.5 − 76.67)2 = 8.58

𝑑(𝑚1, 𝑚3) = √(177.5 − 164.6)2 + (72.5 − 63)2 = 16.02

𝑑(𝑚2, 𝑚3) = √(170 − 164.6)2 + (76.67 − 63)2 = 14.69

𝑩𝑪𝑽 = 𝑑(𝑚1, 𝑚2) + 𝑑(𝑚1, 𝑚3) + 𝑑(𝑚2, 𝑚3) = 8.58 + 16.02 + 14.69 = 39.29

Dalam hal ini 𝑑(𝑚𝑖, 𝑚𝑖) menyatakan jarak Euclidean dari 𝑚 ke 𝑚𝑖

Menghitung WCV

Dengan memilih jarak tekecil antara data dengan centroid pada masing-masing cluster :

No Nama Jarak ke centroid terkecil

1 Agus 6.66

2 Arif 0

3 Iwan 3.88

4 Yasinta 5.49

5 Esti 2.03

7 Bayu 3.88

8 Beno 3.53

9 Ramadhan 4.53

10 Indah 5.49

𝑾𝑪𝑽 = 6.662 + 02 + 3.882 + 5.492 + 2.032 + 3.882 + 3.532 + 4.532 + 5.492 = 171.67
𝐵𝐶𝑉 39.29
Sehingga besar rasio = 𝑊𝐶𝑉 = 171.67 = 0.228

Bila dibandingkan maka rasio sekarang (0.228) lebih besar dari rasio sebelumnya (0.147)
oleh karena itu algoritma dilanjutkan kelangkah berikutnya

Langkah 4 : Pembaruan centroid dengan menghitung rata-rata nilai pada masing-masing

cluster

Cluster 1

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Arif 180 75

Beno 175 70

Mean 177.5 72.5

 Cluster 2

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Agus 170 70

Iwan 168 80

Bayu 172 80

Mean 170 76.67

Cluster 3

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Yasinta 160 60

Esti 165 65

Ramadhan 168 60

Indah 160 60

Mean 163.25 61.25

Sehingga didapatkan centroid baru yaitu :

𝑚1 = (177.5, 72.5), 𝑚2 = (170, 76.67), 𝑚3 = (163.25, 61.25)

Langkah 3 : Hitung jarak dengan centroid (iterasi 3)

Kembali kelangkah 3, jika masih ada data yang berpindah cluster atau jika nilai centroid
diatas nilai ambang, atau jika nilai pada fungsi obyektif yang digunakan masih di atas
ambang.
𝑫𝒂𝒕𝒂 𝟏 ∶ (𝟏𝟕𝟎, 𝟕𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(170 − 177.5)2 + (70 − 72.5)2 = 7.90

𝐷𝑀2 = √(170 − 170)2 + (70 − 76.67)2 = 6.66

𝐷𝑀3 = √(170 − 163.25)2 + (70 − 61.25)2 = 11.05

𝑫𝒂𝒕𝒂 𝟐 ∶ (𝟏𝟖𝟎, 𝟕𝟓), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(180 − 177.5)2 + (75 − 72.5)2 = 0

𝐷𝑀2 = √(180 − 170)2 + (75 − 76.67)2 = 10.13

𝐷𝑀3 = √(180 − 163.25)2 + (75 − 61.25)2 = 21.67

𝑫𝒂𝒕𝒂 𝟑 ∶ (𝟏𝟔𝟖, 𝟖𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(168 − 177.5)2 + (80 − 72.5)2 = 12.10

𝐷𝑀2 = √(168 − 170)2 + (80 − 76.67)2 = 3.88

𝐷𝑀3 = √(168 − 163.25)2 + (80 − 61.25)2 = 19.34

𝑫𝒂𝒕𝒂 𝟒 ∶ (𝟏𝟔𝟎, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(160 − 177.5)2 + (60 − 72.5)2 = 21.50

𝐷𝑀2 = √(160 − 170)2 + (60 − 76.67)2 = 19.43

𝐷𝑀3 = √(160 − 163.25)2 + (60 − 61.25)2 = 3.48

𝑫𝒂𝒕𝒂 𝟓 ∶ (𝟏𝟔𝟓, 𝟔𝟓), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(165 − 177.5)2 + (65 − 72.5)2 = 14.57

𝐷𝑀2 = √(165 − 170)2 + (65 − 76.67)2 = 12.67

𝐷𝑀3 = √(165 − 163.25)2 + (65 − 61.25)2 = 4.13

𝑫𝒂𝒕𝒂 𝟕 ∶ (𝟏𝟕𝟐, 𝟖𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(172 − 177.5)2 + (80 − 72.5)2 = 9.30

𝐷𝑀2 = √(172 − 170)2 + (80 − 76.67)2 = 3.88

𝐷𝑀3 = √(172 − 163.25)2 + (80 − 61.25)2 = 20.69

𝑫𝒂𝒕𝒂 𝟖 ∶ (𝟏𝟕𝟓, 𝟕𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(175 − 177.5)2 + (70 − 72.5)2 = 3.53

𝐷𝑀2 = √(175 − 170)2 + (70 − 76.67)2 = 8.33

𝐷𝑀3 = √(175 − 163.25)2 + (70 − 61.25)2 = 14.64

𝑫𝒂𝒕𝒂 𝟗 ∶ (𝟏𝟔𝟖, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(168 − 177.5)2 + (60 − 72.5)2 = 15.70

𝐷𝑀2 = √(168 − 170)2 + (60 − 76.67)2 = 16.78

𝐷𝑀3 = √(168 − 163.25)2 + (60 − 61.25)2 = 4.91

𝑫𝒂𝒕𝒂 𝟏𝟎 ∶ (𝟏𝟔𝟎, 𝟔𝟎), 𝒄𝒆𝒏𝒕𝒓𝒐𝒊𝒅 𝒎𝟏 = (𝟏𝟕𝟕. 𝟓, 𝟕𝟐. 𝟓), 𝒎𝟐 = (𝟏𝟕𝟎, 𝟕𝟔. 𝟔𝟕), 𝒎𝟑 =
(𝟏𝟔𝟑. 𝟐𝟓, 𝟔𝟏. 𝟐𝟓)

𝐷𝑀1 = √(160 − 177.5)2 + (60 − 72.5)2 = 21.50

𝐷𝑀2 = √(160 − 170)2 + (60 − 76.67)2 = 19.43

𝐷𝑀3 = √(160 − 163.25)2 + (60 − 61.25)2 = 3.48

Tabel hasil perhitungan jarak antara masing-masing data dengan centroid :

Jarak ke Centroid Jarak

No Nama
Cluster 1 Cluster 2 Cluster 3 Terdekat

1 Agus 7.90 6.66 11.05 C2

2 Arif 0 10.13 21.67 C1

3 Iwan 12.10 3.88 19.34 C2

4 Yasinta 21.50 19.43 3.48 C3

5 Esti 14.57 12.67 4.13 C3

7 Bayu 9.30 3.88 20.69 C2

8 Beno 3.53 8.33 14.64 C1

9 Ramadhan 15.70 16.78 4.91 C3

10 Indah 21.50 19.43 3.48 C3

Dari tabel diatas didapatkan keanggotan mahasiswa sebagai berikut :
𝐶𝑙𝑢𝑠𝑡𝑒𝑟 1 = {2, 8}

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 2 = {1, 3, 7}

𝐶𝑙𝑢𝑠𝑡𝑒𝑟 3 = {4, 5, 9, 10}

Pada langkah ini dihitung pula rasio antara besaran BCV (Between Cluster Variation)
dengan WCV (Within Cluster Variation)
Karena centroid 𝑀1 = (177.5, 72.5), 𝑀2 = (170, 76.67), 𝑀3 = (163.25, 61.25)

𝑑(𝑚1, 𝑚2) = √(177.5 − 170)2 + (72.5 − 76.67)2 = 8.58

𝑑(𝑚1, 𝑚3) = √(177.5 − 163.25)2 + (72.5 − 61.25)2 = 18.15

𝑑(𝑚2, 𝑚3) = √(170 − 163.25)2 + (76.67 − 61.25)2 = 16.83

𝑩𝑪𝑽 = 𝑑(𝑚1, 𝑚2) + 𝑑(𝑚1, 𝑚3) + 𝑑(𝑚2, 𝑚3) = 8.58 + 18.15 + 16.38 = 43.11

Dalam hal ini 𝑑(𝑚𝑖, 𝑚𝑖) menyatakan jarak Euclidean dari 𝑚 ke 𝑚𝑖

Menghitung WCV

Dengan memilih jarak tekecil antara data dengan centroid pada masing-masing cluster :

No Nama Jarak ke centroid terkecil

1 Agus 6.66

2 Arif 0

3 Iwan 3.88

4 Yasinta 3.48

5 Esti 4.13

7 Bayu 3.88

8 Beno 3.53

9 Ramadhan 4.91

10 Indah 3.48
𝑾𝑪𝑽 = 6.662 + 02 + 3.882 + 3.482 + 4.132 + 3.882 + 3.532 + 4.912 + 3.482 = 152.28
𝐵𝐶𝑉 43.11
Sehingga besar rasio = 𝑊𝐶𝑉 = 152.28 = 0.283

Bila dibandingkan maka rasio sekarang (0.283) lebih besar dari rasio sebelumnya (0.228)
tetapi karena pada iterasi 3 cluster tidak berubah maka aloritma dihentikan.

Jarak Terdekat

No Nama Iterasi 1 Iterasi 2 Iterasi 3

1 Agus C2 & C3 C2 C2

2 Arif C1 C1 C1

3 Iwan C2 C2 C2

4 Yasinta C3 C3 C3

5 Esti C3 C3 C3

7 Bayu C2 C2 C2

8 Beno C1 C1 C1

9 Ramadhan C3 C3 C3

10 Indah C3 C3 C3

Pengelompokan Mahasiswa

Cluster 1

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Arif 180 75

Beno 175 70

Cluster 2

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Agus 170 70

Iwan 168 80

Bayu 172 80
 Cluster 3

Nama Tinggi Badan (Cm) Berat Badan (Kg)

Yasinta 160 60

Esti 165 65

Ramadhan 168 60

Indah 160 60