MIKE PRASTUTI
Pendahuluan
Tujuan dari analisis cluster :
Menggabungkan beberapa objek ke dalam kelompok-
kelompok berdasarkan sifat kemiripan atau sifat
ketidakmiripan antar objek
8
Nilai
5
Mat Fis Bio Sej Kew Sos Seni
Mata Ajaran
Andi Benny Budi Ika Maya Ana
Interpretasi
ANDI dan MAYA mempunyai profil yang mirip, keduanya
mempunyai kemampuan yang tinggi di bidang IPA
BENNY, BUDI, dan ANNA, keduanya pencinta ilmu sosial
IKA mempunyai kearekteristik sendiri
Plot Andrews
Fungsi Andrews didefinisikan sebagai berikut :
fx(t) = x1/2 + x2 sin(t) + x3 cos(t) +x4 sin(2t) + x5 cos(2t)
+…, untuk - t
40
30
20
10
-10
-20
-4 -3 -2 -1 0 1 2 3 4
Andi Benny Budi
Ika Maya Ana
Plot Andrews Termodifikasi
gx(t) = (1/2) { x1 + x2[sin(t) + cos(t) + x3[sin(t) – cos(t)]
+ x4[sin(2t) + cos(2t)] + x5[sin(2t) – cos(2t)] + … },
untuk - t
35
25
15
-5
-15
-25
-4 -3 -2 -1 0 1 2 3 4
d(a, b) 0
d(a, a) = 0
d(a, b) = d(b, a)
d(a, b) meningkat seiring semakin tidak mirip kedua
objek a dan b
d(a,c) d(a,b) + d(b,c)
Asumsi : semua pengukuran bersifat numerik
Beberapa konsep jarak yang digunakan :
2. Metode Pengclusteran berhirarki
1. Metode aglomeratif (penggabungan)
2. Metode berhirarki divisif (pemisahan)
Pendekatan aglomeratif menggabungkan satu
persatu objek menjadi cluster-cluster baru yang
telah ditentukan kedekatan antar clusternya.
Proses penentuan kedekataan dilakukan dengan
menghitung jarak antar cluster.
ALGORITMA :
Anggap mula-mula terdapat n buah cluster, sehingga masing-
masning memiliki satu anggota
Menggabungkan dua gerombol paling dekat, kemudian
mennetukan kembali criteria kedekatan berdasarkaan jarak
antaar (n – 1) cluster tersisa
Mengulangi langkah (b) samapai diperoleh satu cluster yang
merupakan gabungan seluruh objek.
Pendekatan devisif merupakan kebalikan dari
pendekatan aglomeratif, yaitu dengan memulai
banyaknya cluster sebanyak satu cluster beranggotakan
seluruh objek. Kemudian cluster dipisahkan menjadi dua
berdasarkan criteria kedekatan.
Beberapa ukuran ketakmiripan antar cluster
:
1. Pautan tunggal (single linkage) atau nearest
neighbor,
2. Pautan lengkap (complete linkage),
3. Pautan centroid (centroid linkage),
4. Pautan median (median linkage),
5. Pautan rataan (average linkage).
Lanjutan
Mbaru = m r m s
2
Lanjutan
Pautan Rataan (Average Linkage)