v=bdpSCtYyTJ4&t=55s&ab_channel=Dr.AchmadSolichin
4. Ketikkan select attribute pada search operators kemudian letakkan ke bagian process. Hal
ini bertujuan untuk melakukan setting atribut label pada dataset yang digunakan.
5. Hubungkan retrieve iris dengan select attribute. Kemudian setting pada bagian attribute
filter type dengan subset.
6. Tekan tombol select attributes. Pindahkan attribute a1 sampai a4 ke kolom selected
attributes dengan menekan tombol panah ke kanan. Selanjutnya tekan tombol apply.
7. Cari operator k-means, letakkan ke bagian process dan hubungkan “exa” select attributes
dengan “exa” clustering.
8. Lakukan setting parameter untuk clustering seperti berikut :
- measure types : numerical measures
- numerical measure : euclidean distance
9. Kemudian hubungkan “clu” clustering ke res untuk menampilkan hasilnya. Lakukan seperti
pada gambar di bawah ini.
10. Untuk menilai performance dari clustering, gunakan operator cluster distance performance.
Pada search operators, ketikkan cluster distance performance dan letakkan pada bagian
process.
11. Selanjutnya hubungkan “clu” clustering dengan “clu” performance dan hubungkan “per”
performance dengan “res”.
12. Lakukan setting main criterion parameter pada perfromance seperti gambar berikut.
- Avg within centroid distance : performansi clustering akan semakin baik jika nilai rata-
rata mendekati jarak centroid
18. Double click pada loop parameters sehingga tampil seperti gambar berikut.
19. Ketikkan k-means pada search operator kemudian drag ke bagian process. Lalu klik kanan
pada clustering dan lakukan rename pada clustering tersebut dan beri nama k-means.
Dari gambar chart di atas, semakin kecil nilai k nya maka semakin baik.