K –Mean Clustering

Efy Yosrita
Definisi

• K-Means Clustering adalah salah satu algoritma untuk menentukan

klasifikasi terhadap objek berdasarkan attribut / fitur dari objek
tersebut kedalam K kluster/partisi. K adalah angka positif yang
menyatakan jumlah grup/kluster/partisi terhadap objek.

• Pemartisian data dilakukan dengan mencari nilai jarak minimum

antara data dan nilai centroid yang telah di set baik secara random
atau pun denganInitial Set of Centroids, kita juga dapat menentukan
nilai centroid berdasarkan K object yang berurutan.
Centroid adalah nilai rata-rata aritmetik dari sebuah bentuk objek dari
seluruh titik dalam objek tersebut. Penerapan K-Means Clustering ini dapat
dilakukan dengan prosedur step by step berikut :

1. Siapkan data training berbentuk vector.

2. Set nilai K cluster.
3. Set nilai awal centroids.
4. Hitung jarak antara data dan centroid menggunakan rumus Euclidean Distance.
5. Partisi data berdasarkan nilai minimum.
6. Kemudian lakukan iterasi selama partisi data masih bergerak (tidak ada lagi objek yang
bergerak ke partisi lain), bila masih maka ke poin 3.
7. Bila grup data sekarang sama dengan grup data sebelumnya, maka hentikan iterasi.
8. Data telah dipartisi sesuai nilai centroid akhir.
 Tabel 1

Contoh Soal : Attribut / fitur

Data
X Y
A 5,09 5,80
Tentukan clustering B 3,24 5,90
dari data tabel 1 C 1,68 4,90
D 1,00 3,17
E 1,48 1,38
F 2,91 0,20
G 4,76 0,10
H 6,32 1,10
I 7,00 2,83
J 6,52 4,62
Akan dilakukan pemartisian data terhadap data diatas sebanyak 2 partisi, maka
tahapannya dalah sebagai berikut :
•K = 2, (K = Jumlah Cluster)
•Nilai awal centroid (1.48,1.38) untuk partisi 0, dan centroid (4.76,0.10) untuk partisi
1
•Maka perhitungan Euclidean Distance adalah dimana p = data, c
= centroid, n = jumlah data, i adalah iterasi.

•Hasil perhitungan jarak minimum A adalah

•

•
•Hasil perhitungan jarak minimum B adalah

•
 Hasil perhitungan partisi diambil dari jarak
Hasil Perhitungan Jarak minimum, sehingga didapat sebagai berikut
Keseluruhan

Contoh pada A, X = 5.707 lebih kecil dari Y = 5.710, maka A termasuk ke

dalam Cluster 0.

Begitu juga dengan F, X = 1.854 lebih besar dari Y = 1.853, maka B masuk
ke dalam Cluster 1.
 Hitung jarak minimumnya kembali dengan
Setelah data di partisi, maka selanjutnya nilai
menggunakan centroid yang baru, sehingga di
centroid harus dihitung ulang untuk menentukan
dapat hasilnya sebagai berikut
jarak minimum yang baru, berikut perhitungan
centroid baru

Klasifikasikan kembali data berdasar jarak minimum diatas

•Karena tidak ada data yang
berpindah ke cluster yang
berbeda, sehingga iterasi
dicukupkan sampai dengan nilai
centroid akhir : (2.50,4.23),
(5.50,1.77)

Berikut adalah tampilan kordinat

cartesius dari sample data diatas
:
Berikut adalah tampilan
setelah penerapan K-
Means Clustering dengan
centroid akhir:
Latihan : Lakukan clustering dari data berikut