LEARNING

PROGRESS
WEEK - 12
Here is where your presentation begins

GIGIH R.P || M. IKHSAN E. || F.P. GOTAWA || TALITHA SAFA

 UNSUPERVISED
LEARNING

01
 Unsupervised Learning
● Data yang digunakan tidak memiliki label.
● Untuk memodelkan struktur data dan menyimpulkan fungsi yang
mendeskripsikan data tersebut.
● Metode yang paling umum adalah analisis cluster.
 Unsupervised Learning
Algoritma yang digunakan, yaitu :

● Clustering
● Anomaly Detection
● Autoencoder
● Deep Belief Network
● Principal Component Analysis (PCA)
● Association
 Unsupervised Learning
● Kedekatan antar object dalam suatu data berdasarkan featurenya
dapat ditentukan dengan menggunakan konsep jarak.
● Object akan berada dalam satu cluster yang sama apabila jarak
sekumpulan feature object berdekatan.
● Formula yang digunakan antara lain :
○ Euclidean Distance
 Unsupervised Learning
● Formula yang digunakan antara lain :
○ Manhattan Distance

○ Minkowsky Distance

○ Chebychev Distance
 CLUSTERING

02
 Clustering
● Perusahaan dapat mengidentifikasi customer yang berpotensial
untuk menjual produk mereka.
● Digunakan untuk mengelompokkan object-object data ke dalam
cluster dimana setiap cluster memiliki object dengan tingkat
kesamaan feature yang tinggi.
● Algoritma clustering dapat digunakan untuk analisis cluster yang
digunakan dalam pengelompokkan object-object berdasarkan
karakteristik yang dimilikinya.
● Analisis cluster akan mengklasifikasikan object-object berdasarkan
tingkat kesamaan.
 Clustering
● Algoritma Clustering yang dapat digunakan, antara lain yaitu :
○ Pendekatan Partisi → Mengelompokkan data dengan memilah-milah data
yang dianalisa ke dalam cluster yang ada.
→ Contoh : K-Means
○ Pendekatan Hirarki → Mengelompokkan data dengan membuat suatu
hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada
hirarki yang berdekatan.
→ Contoh : Agglomerative Hierarchical Clustering
 K-MEANS

02
 K-Means
Metode cluster analysis non-hierarki yang digunakan
untuk mempartisi object yang ada ke dalam satu atau
lebih cluster berdasarkan karakteristiknya.
K-Means
 Cara Kerja K-Means
1. Tentukan Jumlah Cluster (misal K adalah 3)
 Cara Kerja K-Means
2. Hitung jarak centroid/rata rata dengan data yang ada di
masing-masing cluster.
 Cara Kerja K-Means
3. Alokasikan masing-masing data ke centroid terdekat.
 Cara Kerja K-Means
4. Lakukan pada data lain hingga mendapatkan cluster
berikut :
 Cara Kerja K-Means
5. Hitung mean dari setiap cluster sebagai centroid baru.
 Cara Kerja K-Means
6. Apabila masih ada perubahan data dan perubahan nilai
centroid, maka kembali ke step 2.
 Cara Kerja K-Means
7. Jika tidak ada perubahan data dan perubahan nilai
centroid, maka inilah hasil akhir.
Evaluasi hasil K-Means
Melakukan K-Means lagi dengan centroid yang berbeda.
Evaluasi hasil K-Means
Membandingkan total variance dari ketiga hasil cluster
dan mengambil cluster dengan sum of variance terendah.
K-Means
 HIERARCHICAL
CLUSTERING

02
Hierarchical Clustering
● Metode cluster membentuk hirarki berdasarkan
tingkatan tertentu hingga menyerupai bentuk pohon.
● Proses pengelompokkan dilakukan secara bertahap.
● Dilakukan pada data dengan jumlah yang tidak terlalu
banyak.
● Dua tipe dalam hierarchical clustering :
○ Agglomerative
○ Divisive
Hierarchical Clustering :
Agglomerative
● Metode pengelompokkan hirarki.
● Banyak cluster awal sama dengan banyaknya object.
● Prosesnya dimulai dari setiap object dari cluster yang
terpisah dikelompokkan dalam cluster yang besar.
Hierarchical Clustering :
Agglomerative
● Teknik yang digunakan yaitu :
○ Single Linkage (jarak terdekat atau tautan tunggal)
○ Average Linkage (Jarak rata-rata atau tautan
rata-rata)
○ Complete Linkage (Jarak terjauh atau tautan
lengkap)
Hierarchical Clustering :
Agglomerative
● Algoritma Agglomerative yaitu :
○ Hitung jarak dengan rumus

○ Gabungkan dua cluster terdekat

Hierarchical Clustering :
Agglomerative
● Algoritma Agglomerative yaitu :
○ Perbarui matriks jarak sesuai dengan teknik
pengelompokkan agglomerative method

○ Buat dendogram
Hierarchical Clustering :
Divisive
● Metode pengelompokkan hirarki.
● Prosesnya dimulai dari semua object dikelompokkan
menjadi cluster tunggal kemudian dipisahkan sampai
semua object berada pada cluster yang terpisah.
THANK YOU !
CREDITS: This presentation template was
created by Slidesgo, and includes icons by
Flaticon, and infographics & images by Freepik