Data Mining. Metode Klasterisasi K-Means

Ukuran: px

Mulai penontonan dengan halaman:

Download "Data Mining. Metode Klasterisasi K-Means"

Dewi Sudirman
6 tahun lalu
Tontonan:

1 Data Mining Metoe Klasterisasi K-Means

2 Pokok Pembahasan. Konsep Dasar Clustering. Tahapan Clustering. K-Means Clustering Algoritma K-Means Rumus Umum K-Means 4. Case Stu

3 Konsep Dasar Klusterisasi Data, atau Data Clustering (atau Clustering), uga isebut sebagai analisis klaster, analisis segmentasi, analisis taonomi, atau unsupervise classification. Metoe ang igunakan untuk membangun grup ari obek-obek, atau klaster-klaster, imana obek-obek alam satu kluster tertentu memiliki kesamaan ciri ang tinggi an obekobek paa kluster ang berbea memiliki kesamaan ciri ang renah.

4 Konsep Dasar Tuuan ari klasterisasi ata aalah mengelompokkan ata ang memiliki kesamaan ciri an memisahkan ata ke alam klaster ang berbea untuk obek-obek ang memiliki ciri ang berbea. Berbea engan klasifikasi, ang memiliki kelas ang telah iefinisikan sebelumna. Dalam klasterisasi, klaster akan terbentuk seniri berasarkan ciri obek ang imiliki an kriteria pengelompokan ang telah itentukan.

5 Konsep Dasar Untuk menunukkan klasterisasi ari sekumpulan ata, suatu kriteria pengelompokan haruslah itentukan sebelumna secara ranom. Perbeaan kriteria pengelompokan akan memberikan ampak perbeaan hasil akhir ari klaster ang terbentuk.

6 Contoh Dua klaster engan kriteria berasarkan Bagaimana cara hewan mamalia berkembang biak. Blue shark, sheep, cat, og Lizar, sparrow, viper, seagull, gol fish, frog, re mullet Dua klaster engan kriteria berasarkan Keberaaan paru-paru. Gol fish, re mullet, blue shark Sheep, sparrow, og, cat, seagull, lizar, frog, viper

7 Tahapan Klasterisasi. Feature Selection Penentuan informasi fitur ang igunakan.. Proimit Measure Tahap kuantifikasi item kemiripan ata.. Clustering Criterion Penentuan fungsi pembobotan / tipe aturan. 4. Clustering Algorithm Metoe klaster berasarkan ukuran kemiripan ata an kriteria klasterisasi. 5. Valiation of the Result 6. Interpretation of the Result

8 Proimit Measure Kemiripan ata memiliki peranan ang sangat penting alam proses analisis klaster. Paa berbagai literatur tentang clustering, ukuran kemiripan (similarit measures), koefisien kemiripan (similarit coefficients), ukuran ketiakmiripan (issimilarit measures), atau arak (istances) igunakan untuk meneskripsikan nilai kuantitatif ari kemiripan atau ketiakmiripan ari ua titik atau ua klaster ata.

9 Proimit Measure Koefisien kemiripan menunukkan kekuatan hubungan antara ua ata. Semakin banak kemiripan titik ata satu sama lain, maka semakin besar koefisien kesamaan. Misalkan = (,,..., ) an = (,,..., ) aalah ua titik ata paa imensi. Maka nilai koefisien kemiripan antara an aalah beberapa nilai atribut fungsi s(,) = s(,,...,,,,..., ).

10 Proimit Measure Pemilihan arak paa clustering aalah sangat penting, an pilihan ang terbaik sering iperoleh melalui pengalaman, kemampuan, pengetahuan. Pengukuran Jarak Data : Numerik engan banak fitur atau imensi () : - Eucliean Distance : - Minkowski Distance : - Manhattan Distance : - Mahalanobis Distance : - Maimum Distance : - Average Distance : Kategorikal : - Simple Matching Distance ), ( eucli man ), (.. ma ma ), (, ), ( minkow r r r T mah ), ( ), ( ave if if 0 ), ( sim, ), (

14 Proimit Measure Jika =(,) an =(,). Hitunglah Jarak an engan Eucliean! Jika Hitunglah Jarak an engan Mahalanobis! (Note : Mahalanobis biasana igunakan untuk menghitung arak antar cluster) Hitung Mean Corecte Matri Hitung Matrik Covarian (C i ) 4. ), ( eucli 0 i n C T n C T

15 Proimit Measure Jika 4 Hitunglah Jarak an engan mahalanobis! Hitung Matrik Covarian (C i ) 0T 0 0 C n 0 0 0T 0 C n ngroup nici nici n i n n i 5 i n C i i A 6 0.8* 0.4*

16 Proimit Measure Jika 4 Hitunglah Jarak an engan mahalanobis! A 6 Hitung Mean Different (X,X ) : 0.8* 0.4* , mah(, ) T 6 mah,, 4 0 (, ) T

17 K-Means K-Means termasuk partitioning clustering ang memisahkan ata ke k aerah bagian ang terpisah. K-Means sangat terkenal karena kemuahan an kemampuanna untuk mengklaster ata besar an ata outlier engan sangat cepat. Setiap ata harus masuk cluster tertentu.

18 K-Means Kelemahan metoe ini memungkinkan bagi setiap ata ang termasuk cluster tertentu paa suatu tahapan proses, paa tahapan berikutna berpinah ke cluster ang lain. Prinsip utama ari teknik ini aalah menusun k buah prototipe/pusat massa (centroi)/rata-rata (mean) ari sekumpulan ata berimensi n. Teknik ini mensaratkan nilai k suah iketahui sebelumna (a priori)

19 K-Means Algoritma K-Means aalah seperti berikut :. Tentukan k (umlah cluster) ang ingin ibentuk. Bangkitkan k centroi (titik pusat cluster) awal secara ranom. Hitung arak setiap ata ke masing-masing centroi. 4. Kelompokkan obek berasar arak minimum 5. Tentukan posisi centroi baru (Ck) untuk semua cluster engan cara menghitung nilai rata-rata ari ata-ata ang beraa paa cluster ang sama. 6. Kembali ke langkah ika posisi centroi baru an centroi lama tiak sama

20 Mulai Jumlah kluster k Pilih centroi Hitung arak obek ke centroi Kelompokkan berasar arak minimum tiak Konvergen? a Selesai

21 Rumus Umum K-Means Menentukan Centroi (Titik Pusat) setiap kelompok iambil ari nilai ratarata (Means) semua nilai ata paa setiap fiturna. Jika M menatakan umlah ata paa suatu kelompok, i menatakan fitur ke-i alam sebuah kelompok, berikut rumus untuk menghitung centroi : C M i M Hitung arak titik terekat (Eucliean Distance): D, Pengalokasian keanggotaan titik : a i 0, p, lainna min( D(, C )) i Fungsi Obektif : F N K i a i D(, C ) i

22 Contoh Stui Kasus Perhatikan ataset berikut : Data Fitur Fitur Kelompok Kelompok Kelompok * 4 * 6 * 4 * 5 * 6 5 * 7 5 * 8 5 * 9 6 * 0 8 * Bentuk Visualisasi ata : Inisialisasi : K =, Fungsi Obektif (F) = 0, Threshol (T) = 0.8, an Data icluster sebanak K secara ranom. Tentukan Hasil Akhir Clusteringna!

23 Contoh Stui Kasus (Cont.) Menghitung Centroi Setiap Cluster : Data F F K K K K F K F K F K F K F K F * 4 * 4 6 * 6 4 * 5 * 6 5 * * * * * 8 Total Hasil Centroi Setiap Cluster : Kelompok Centroi Fitur Centroi Fitur Total KF / Total K = / = Total KF / Total K = / =.5 Total KF / Total K = / 5 = 4. Total KF / Total K = 8 / 5 =.6 Total KF / Total K = 6 / = Total KF / Total K = 4 / =

24 Contoh Stui Kasus (Cont.) Menghitung Jarak Data Ke Centroi (Eucliian Distance) :,,, D C,, 4., D C,,, D C Data F F Jarak Ke C Jarak Ke C Jarak Ke C Min Kelompok Kelompok Baru Sebelumna Total (Total berasarkan kelompok sebelumna) Sehingga, F baru = = Delta = F baru F lama = = ( > T), Lanutkan!

25 Contoh Stui Kasus (Cont.) Iterasi : (Mengalokasikan Setiap Data Paa Centroi Terekat) Data F F K K K Jarak Ke C Jarak Ke C Jarak Ke C Min Kelompok Baru * * * * * * * * * * Total

26 Contoh Stui Kasus (Cont.) Menghitung Centroi Setiap Cluster : Data F F K K K K F K F K F K F K F K F * 4 * 4 6 * 6 4 * 5 * 6 5 * * * * * 8 Total Hasil Centroi Setiap Cluster : Kelompok Centroi Fitur Centroi Fitur Total KF / Total K = / = Total KF / Total K = / =.5 Total KF / Total K = 5 / = 5 Total KF / Total K = 5 / =.6667 Total KF / Total K = / 5 =.4 Total KF / Total K = 7 / 5 = 5.4

27 Contoh Stui Kasus (Cont.) Hasil Centroi Setiap Cluster : Kelompok Centroi Fitur Centroi Fitur Total KF / Total K = / = Total KF / Total K = / =.5 Total KF / Total K = 5 / = 5 Total KF / Total K = 5 / =.6667 Total KF / Total K = / 5 =.4 Total KF / Total K = 7 / 5 = 5.4 Menghitung Jarak Data Ke Centroi : Data F F Jarak Ke C Jarak Ke C Jarak Ke C Min Kelompok Kelompok Baru Sebelumna Total (Total berasarkan kelompok sebelumna) Sehingga, F baru = =.8464 Delta = F baru F lama = = ( > T), Lanutkan!

28 Contoh Stui Kasus (Cont.) Iterasi : (Mengalokasikan Setiap Data Paa Centroi Terekat) Data F F K K K Jarak Ke C Jarak Ke C Jarak Ke C Min Kelompok Baru * * * * * * * * * * Total

29 Contoh Stui Kasus (Cont.) Menghitung Centroi Setiap Cluster : Data F F K K K K F K F K F K F K F K F * 4 * 4 6 * 6 4 * 5 * 6 5 * * * * * 8 Total Hasil Centroi Setiap Cluster : Kelompok Centroi Fitur Centroi Fitur Total KF / Total K = 4 / =. Total KF / Total K = 6 / = Total KF / Total K = 5 / = 5 Total KF / Total K = 5 / =.6667 Total KF / Total K = 0 / 4 =.5 Total KF / Total K = 4 / 4 = 6

30 Contoh Stui Kasus (Cont.) Hasil Centroi Setiap Cluster : Kelompok Centroi Fitur Centroi Fitur Total KF / Total K = 4 / =. Total KF / Total K = 6 / = Total KF / Total K = 5 / = 5 Total KF / Total K = 5 / =.6667 Total KF / Total K = 0 / 4 =.5 Total KF / Total K = 4 / 4 = 6 Menghitung Jarak Data Ke Centroi : Data F F Jarak Ke C Jarak Ke C Jarak Ke C Min Kelompok Kelompok Baru Sebelumna Total (Total berasarkan kelompok sebelumna) Sehingga, F baru = =.9 Delta = F baru F lama = = 0.74 ( < T), Stop Iterasi!

31 Contoh Stui Kasus (Cont.) Hasil Akhir Clustering Data : Data F F Kelompok Baru Visualisasi Hasil Akhir Clustering :

32 Selesai

dokumen-dokumen yang mirip

Pengenalan Pola. Klasterisasi Data

Pengenalan Pola. Klasterisasi Data Pengenalan Pola Klasterisasi Data PTIIK - 2014 Course Contents 1 Konsep Dasar 2 Tahapan Proses Klasterisasi 3 Ukuran Kemiripan Data 4 Algoritma Klasterisasi Konsep Dasar Klusterisasi Data, atau Data Clustering