Nama : Rengko Panusunan Malau

Kelas : IF3 Batamindo

Mata Kuliah : Data Mining

CLUSTERING MENGGUNAKAN ALGORITMA K-MEANS

Lengakapi titik-titik (isian yang kosong) pada lembar kerja ini!

Berikut contoh scoring hasil Test calon Financial Consultan (FC) dengan penilaian Kemampuan Teknik
(meliputi: Penguasaan Product Knowledge,Problem Analisys, dll) dan Non-Teknik (meliputi: Personal
Approach,Communication, dll).
Tabel 1. Nilai Test Calon FC
No Nama Kemampuan Kemampuan nonTeknik
Teknik

A1 Joni Pradista 2 10

A2 Wilda Kirana 2 5

A3 Puji Astin 8 4

A4 Lukman Priambodo 5 8

A5 Nunik Lumiati 7 5

A6 Ningsih Muliati 6 4

A7 Mc. Jefri Afianto 1 2

A8 Laksmi Wardani 4 9
Dari data di atas akan kita pisah menjadi 3 kelompok (k=3), yang tujuannya adalah mencari metode training
yang tepat pada masing-masing kelompok FC tersebut.

K-Means Clustering
Pertama kita tentukan saja A1, A4 dan A7 sebagai pusat dari masing-masing Cluster. Pemilihan pusat cluster
bisa dipilih secara acak. Selanjutnya pusat cluster tersebut kita sebut sebagai P1=A1=(2,10), P2=A4=(5,8) dan
P3=A7=(1,2).
Untuk mengetahui distance/jarak kita pakai saja rumus Eucledian distance:
d(a,b)=sqrt((xb-xa) +(yb-ya) ))
d(a,b) : jarak antara a dan
b xa = koordinat x objek
xb= koordinat x pusat yb =
koordinatyobjek
yb=koordinat x pusa
Nilaiatributdariobjekinidianggapsebagaikoordinat.Jikaada3atribut,makajaraknyabisa dihitung dengan:
d(a,b)=sqrt((xb-xa)2+(yb-ya)2+(zb-za)2))
Iterasi 1
 Tabel 2. Menghitung Jarak Objek dengan Pusat pada Iterasi 1

Karena A1 jaraknya paling keciladalah 0,yaitu dengan pusat P1,maka A1 berada dipusat 1.
Karen aA2 jaraknya paling keciladalah 3.16,yaitu dengan pusat P3,maka A2 beradadipusat 3.
…dst.

Sehingga cluster yang diperoleh pada iterasi1 adalah:

P1:{A1}
P2:{A3,A4,A5,A6,A8}
P3: {A2,A7}

Langkah selanjutnya adalah menghitung pusat cluster yang baru, yaitu:

P1= (2,10)
P2= ((8+5+7+6+4)/5, (4+8+5+4+9)/5) = (6, 6)
P3= ((2+1)/2, (5+2)/2) = (1.5, 3.5)
Iterasi 2
Tabel 2. Perhitungan Jarak Objek dengan Pusat pada Iterasi 2
P1 (2,10) P2 (6,6) P3 (1.5,3.5)

A1 (2,10) 0 5.66 6.52

A2 (2,5) 5 4.12 1.58
A3 (8,4) 8.49 2.82 6.52
A4 (5,8) 3.61 2.23 5.70
A5 (7,5) 7.07 1.41 5.70
A6 (6,4) 7.21 2 4.52
A7 (1,2) 8.06 6.40 1.58
A8 (4,9) 2.24 3.61 7.62
Cluster yang diperoleh pada iterasi2 adalah:
P1: {A1,A8}
P2:{A3,A4,A5,A6}
P3: {A2,A7}

Sehingga pusat cluster yang baru,yaitu:

P1=((2+4)/2,(10+9)/2)=(3,9.5)
P2= ((8+5+7+6)/4, (4+8+5+4)/4) = (6.5, 5.25)
P3= ((2+1)/2, (5+2)/2) = (1.5, 3.5)

Iterasi 3
Tabel 3. Perhitungan Jarak Objek dengan Pusat pada Iterasi 3
P1 (3,9.5) P2 (6.5, 5.25) P3 (1.5,3.5)

A1 (2,10) 1.12 6.54 6.52

A2 (2,5) 4.60 4.51 1.58
A3 (8,4) 7.43 1.95 6.52
A4 (5,8) 2.50 3.13 5.70
A5 (7,5) 6.02 0.55 5.70
A6 (6,4) 6.26 1.35 5.39
A7 (1,2) 7.76 6.38 1.58
A8 (4,9) 1.11 4.51 7.62
Cluster yang diperoleh pada iterasi3 adalah:
P1:{A1,A4,A8 }
P2:{A3,A5,A6 }
P3:{A2,A7 }
Sehingga pusat cluster yang baru,yaitu:
P1=((2+5+4)/3,(10+8+9)/3=(3.67,9)
P2= ((8+7+6)/3, (4+5+4)/3 = (7, 4.34)
P3= ((2+1)/2, (5+2)/2) = (1.5, 3.5)

Iterasi 4
Tabel 4. Perhitungan Jarak pada Iterasi 4
P1 (3.67, 9) P2 (7, 4.34) P3 (1.5, 3.5)

A1 (2,10) 1.94 7.56 6.52

 A2 (2,5) 4.33 5.04 1.58
A3 (8,4) 6.61 1.95 6.51
A4 (5,8) 1.66 4.17 5.70
A5 (7,5) 5.20 0.67 5.70
A6 (6,4) 5.52 1.05 5.70
A7 (1,2) 7.49 6.44 1.58
A8 (4,9) 0.33 5.54 7.62
Cluster yang diperoleh pada iterasi4 adalah:
P1: {A1, A4,A8}
P2:{A3,A5,A6}
P3: {A2, A7}

Karena cluster yang terbentuk pada iterasi4 sama dengan cluster yang terbentuk pada cluster
sebelumnya (cluster 3), maka iterasi selesai/berhenti.

Sehingga didapatkan hasil Clusteringnya pada Tabel 5 berikut.

Tabel 5. HasilClustering

Yang berarti:Joni,Lukman,dan Laksmi akan mendapat metode pengajaran yang sama.Begitu juga dengan
Puji, Nunik,dan Ningsih.SertaWilda dan Jefri.