NIM : 41519310020
Dari banyak siswa diambil 12 siswa sebagai contoh untuk penerapan algoritma k-means dalam
penjurusan siswa. Percobaan dilakukan dengan menggunakan parameter-parameter berikut:
Jumlah cluster : 2
Jumlah data : 12
Jumlah atribut :8
Berikut merupakan data yang digunakan untuk melakukan percobaan perhitungan manual.
Iterasi ke-1
Diambil data ke- 2 sebagai pusat Cluster Ke-1: (84, 76, 79, 77, 76, 77, 75, 81)
Diambil data ke- 5 sebagai pusat Cluster Ke-2: (82, 82, 81, 91, 90, 82, 79, 91)
Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance, kemudian
akan didapatkan matrik jarak yaitu C1 dan C2 sebagai berikut:
3. Pengelompokkan data
Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan
pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan
pusat cluster terdekat.
Berikut ini akan ditampilkan data matriks pengelompokkan group, nilai 1 berarti data tersebut
berada dalam group.
Iterasi Ke-2
5. Ulangi langkah ke 2 (kedua) hingga posisi data tidak mengalami perubahan.
Langkah selanjutnya sama dengan langkah pada nomor 3 jarak hasil perhitungan akan dilakukan
perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan
bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat.
Karena G2 = G1 memiliki anggota yang sama maka tidak perlu dilakukan iterasi/perulangan lagi.
Hasil clustering telah mencapai stabil dan konvergen.
Contoh Kasus dengan Algoritma K-Medoids
Diketahui sepuluh data dengan k = 2
Langkah 1
Misalkan kita asumsikan
Hitung jarak untuk menghubungkan setiap objek data yang terdekat dengan. Nilai yang terdekat
dengan medoids dapat dilihat pada tabel.
Jika adalah medoid baru, maka hitung totalnya menggunakan rumus pada langkah 1
Sehingga total costnya
Karena Total cost baru > Total cost awal, maka tidak terjadi pertukaran posisi.