METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS

Transkripsi

1 TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc PROGRAM MAGISTER JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2011

2 Latar Belakang : Pendahuluan 2 Clusterng : pengelompokkan data kedalam beberapa klaster sehngga data dalam satu klaster memlk tngkat kemrpan yang maksmum dan data antar klaster memlk kemrpan yang mnmum (Theodords, 2006). K-Harmonc Means (KHM) : metode klastersas data yang berhasl mengurang senstftas hasl klaster pada nsalsas centrod K-Means (Zhang, 1999) Namun demkan mash terdapat kemungknan hasl metode KHM n merupakan solus lokal optmal (Yang, 2009). Perlu dlakukan perubahan algortma dalam KHM agar hasl klaster merupakan solus global optmal Meng-enhance KHM dengan memanfaatkan suatu algortma yg memlk solus global optmal ke dalam algortma KHM

3 Pendahuluan Artfcal Bee Colony (ABC) Karaboga (2005) suatu algortma yang mengadops perlaku mencar makan dar kolon lebah madu. 3 ABC : algortma dengan solus global yang memlk kualtas yang lebh bak atau setara dengan GA, PSO, Dfferental Evoluton (DE), dan Evoluton Strateges (ES) (Karaboga, 2009a) Dalam peneltan n akan dusulkan sebuah algortma baru yatu hbrdas antara ABC dan KHM. ABC-KHM n dharapkan mampu mengoptmalkan poss ttk pusat klaster yang mengarah pada solus global optmal.

4 Rumusan Masalah 4 Bagamana metode ABC-KHM menentukan poss ttk pusat awal dar sebaran data yang ada. Bagamana memperbaharu poss ttk pusat d setap teras dalam metode ABC-KHM. Bagamana menentukan hasl klaster dan mengukur performa dar metode ABC-KHM n.

5 Tujuan 5 Melakukan klastersas data dengan menggunakan metode hbrdas antara ABC dan KHM yang dharapkan mampu mengoptmalkan poss ttk pusat klaster yang mengarah pada suatu solus global optmal.

6 Kajan Pustaka Ada 2 Tpe Pengklasteran Data (Tan, 2006) : Parts : Klaster dbentuk dengan membag obyek/data kedalam non-overlappng subset (klaster). 6 Hrark : Klaster dbentuk melalu pembentukan klaster bersarang (nested cluster) yang dmplemen-taskan dalam bentuk tree (pohon).

7 Kajan Pustaka K-Harmonc Clusterng (KHM) : metode pengklasteran secara parts dengan bentuk center-based cluster. Objectve functon/fungs tujuan (Zhang,1999): 7 Total rata-rata harmonk dar jarak antara masng-masng ttk data ke seluruh centrod yang ada. Rata-rata Harmonk : HA({ a 1,..., K}) K 1 K 1 a

8 Kajan Pustaka : Algortma KHM 8 Mula Input dataset dan parameter Insalsas k centrod awal secara random ya tdak Selsh Selesa A A N K l p x c l K C X KHM ), ( k l p l p l l c x c x x m c ) ( ) ( K l p l K l p l c x c x x w N l N l l x w x m c x x w x m c c 1 1 ) ( ). ( ). ( ). (

9 Artfcal Bee Colony (ABC) ABC Dervs Karaboga (2005) 9 Dalam ABC, Bee Kolon dbag 3 : Employed bee (lebah pekerja) Onlooker bee (lebah penunggu sarang) Scouts (lebah penjelajah) Poss sumber makanan possble soluton Nla ftness jumlah nektar Jumlah employed bee = Jumlah lebah onlooker = jumlah cluster

10 Algortma Artfcal Bee Colony Ilustras Mula 10 A Input dataset dan parameter Insalsas k ttk pusat secara random Htung nla ftness Sklus = 1 Untuk setap employed bee : Tentukan poss ttk pusat baru Htung nla ftness Greedy selecton Htung probabltas lebah pekerja A Krm scout : Tentukan ttk pusat baru secara random Htung nla ftness Greedy selecton Selesa tdak Untuk setap onlooker bee : Plh seekor lebah pekerja (roulette wheel) Tentukan poss ttk pusat baru Tentukan nla ftness Greedy selecton ya Ada ttk pusat yang harus dtnggalkan tdak Sklus = Sklus + 1 Sklus > MCN ya Tentukan Solus Terbak

11 Ilustras Cost functon : f N K 1 l Nla ftness : ft K 1 1 x cl p 1 1 f Sarang Probabltas food source : p SN n1 ft ft Penentuan food source oleh scout : Kanddat tetangga untuk employed dan onlooker : n z v j j z z j j rand( 0,1 (z j mn ) (z j j z kj ) max z j mn ) Algortma

12 Metodolog Peneltan Langkah-Langkah Peneltan : 12 Pengumpulan Data Desan Model Sstem Pembuatan Perangkat Lunak Uj Coba Analsa Hasl

13 Metodolog Peneltan 13 Data : ftp://ftp.cs.uc.edu./pub/machne-learnng-databases/ Informas data : Dataset Ftur Kelas Jumlah Data Tranng Testng Irs Cancer CMC Glass Wne

14 Metodolog Peneltan Parameter masukkan : 14 Nama K P Lmt MCN SN Max1 Max2 Keterangan Jumlah klaster Parameter pada fungs tujuan Batas jumlah teras utk penentuan abandoned food source Jumlah teras maksmum pada ABC Jumlah solus pada ABC (k) Jumlah teras maksmum fase lebah pada ABC-KHM Jumlah teras maksmum fase KHM pada ABC-KHM MaxABCKHM Jumlah teras maksmum metode ABC-KHM

15 Proposed Method (ABC-KHM) Mula A Update ttk pusat dengan tahapan update pada KHM Input dataset dan Parameter Insalsas k ttk pusat secara random GenABCKHM = 1 Gen2 = Gen2 + 1 Selsh > && Gen2 Max2 ya Gen1 = 1 Gen2 = 1 GenABCKHM = GenABCKHM + 1 (Ttk pusat hasl KHM menjad tetangga acuan untuk lebah) tdak Poss ttk pusat KHM Update ttk pusat EB dan OB dengan tahapan update pada ABC Gen1 = Gen1 + 1 Gen1 Max1 ya ya GenABCKHM MaxABCKHM tdak Tetapkan keanggotaan tap data pada klaster tdak Poss ttk pusat terbak lebah A Ttk pusat ABCKHM dan anggotanya Selesa

16 Irs P=2 Hasl Uj Coba Perbandngan Ketga metode dengan p = 2 16 KHM ABC ABC-KHM Nla Std Nla Std Nla Std Fs. Tujuan 152,8758 0, ,2891 5, , F-Measure 0, ,8875 0,0122 0, Waktu 0,09 0, ,629 0,6130 3,42 0,1367 Cancer Fs. Tujuan ,5932 0, , , , F-Measure 0, ,9385 0,0110 0, Waktu 0,21 0, ,79 1,2809 6,45 0,1934 Cmc Fs. Tujuan 980,4407 2, , , ,3939 0,0017 F-Measure 0,3888 0,0147 0,3821 0,0162 0, Waktu 1,54 0, ,53 1, ,71 1,4003 Glass Fs. Tujuan 34,5193 0, ,1344 0, ,4618 0,0002 F-Measure 0,4199 0,0078 0,4224 0,0129 0,4297 0,0019 Waktu 0,40 0, ,90 8, ,56 1,7289 Wne Fs. Tujuan 68,6941 0, ,3054 2, , F-Measure 0,9231 0,0036 0,8607 0,0741 0, Waktu 0,13 0, ,11 1,0952 7,84 0,1904

17 Hasl Uj Coba Perbandngan Ketga metode dengan p = 3 17 P=3 KHM ABC ABC-KHM Nla Std Nla Std Nla Std Irs Fs. Tujuan 154,3991 0, , , , F-Measure 0, ,8749 0,0186 0, Waktu 0,08 0, ,066 0,7765 3,88 0,1371 Cancer Fs. Tujuan ,2686 0, , , , F-Measure 0, ,9142 0,0217 0, Waktu 0,21 0, ,97 2,4773 8,31 0,4414 Cmc Fs. Tujuan 947,3022 0, , ,48 947, F-Measure 0,3966 0,0010 0,3695 0,0394 0, Waktu 1,05 0, ,10 3, ,34 0,4133 Glass Fs. Tujuan 21,0367 0, ,6751 0, ,0627 0,1446 F-Measure 0,3726 0,0205 0,4134 0,0113 0,3895 0,0125 Waktu 0,37 0, ,55 1, ,36 0,5157 Wne Fs. Tujuan 46,0725 1, ,7028 4, , F-Measure 0,9361 0,0318 0,8742 0,1026 0, Waktu 0,11 0, ,46 0,6611 7,66 0,1359

18 Hasl Uj Coba Perbandngan Ketga metode dengan p=4 18 P=4 KHM ABC ABC-KHM Nla Std Nla Std Nla Std Irs Fs. Tujuan 231, , , , ,1305 7,5782 F-Measure 0,8914 0,0043 0,8805 0,0166 0, Waktu 0,61 0, ,480 0,4403 4,73 0,2446 Cancer Fs. Tujuan ,850 0, , , ,839 0 F-Measure 0, ,8737 0,0500 0, Waktu 0,70 0, ,00 0,9016 8,56 0,7086 Cmc Fs. Tujuan 917,9539 0, , ,71 917, F-Measure 0, ,3898 0,0187 0, Waktu 1,01 0, ,98 2, ,74 0,4365 Glass Fs. Tujuan 12,2472 0, ,4770 0, ,5253 0,3626 F-Measure 0,3221 0,0241 0,3568 0,0071 0,3577 0,0240 Waktu 0,32 0, ,93 1, ,05 0,7974 Wne Fs. Tujuan 31,0154 0, ,4948 3, , F-Measure 0, ,8998 0,0264 0, Waktu 0,09 0, ,61 1,2602 7,94 0,2325

19 Grafk Perbandngan Fungs Tujuan IRIS 19

20 Grafk Perbandngan Fungs Tujuan Cancer 20 Cmc Glass Wne

21 Grafk Perbandngan F-measure IRIS 21

22 Cancer Hasl Uj Coba Grafk Perbandngan F-measure 22 Cmc Glass Wne

23 Hasl Uj Coba Perbandngan kesalahan klasfkas untuk p=2 Perc 23 Irs Cancer CMC Glass Wne I II III I II III I II III I II III I II III I = KHM ; II = ABC ; III = ABC-KHM

24 Hasl Uj Coba Perbandngan kesalahan klasfkas 24 Untuk p=3 Untuk p=4

25 Kesmpulan : Kesmpulan dan Saran 25 Metode ABC-KHM telah berhasl mengoptmalkan poss ttk pusat klaster yang mengarahkan hasl klaster menuju solus global. Dalam hal pengukuran hasl klaster secara eksternal (kelas label) dengan menggunakan F-Measure, metode ABC-KHM juga telah menunjukkan domnasnya dbandngkan dengan dua metode lannya. Dar ss waktu yang dbutuhkan untuk melakukan proses klastersas data, metode ABC-KHM berada dantara metode ABC dan metode KHM

26 Saran : Kesmpulan dan Saran Metode ABC-KHM memerlukan waktu yang relatf jauh lebh lama jka dbandngkan dengan metode KHM, sehngga perlu untuk dlakukan pengembangan terhadap metode ABC-KHM n untuk mendapatkan waktu proses yang lebh cepat. 26

27 Daftar Pustaka Zhang, B., Hsu, M., dan Dayal, U. (1999), K-Harmonc Means A Data Clusterng Algorthm, Techncal Report HPL , Hewlett-Packard Laboratores. Karaboga, D. dan Akay, B. (2009a), A Comparatve Study of Artfcal Bee Colony Algorthm, Appled Mathematcs and Computaton, Vol 214, hal Karaboga, D. dan Ozturk, C. (2009b), A Novel Clusterng Approach: Artfcal Bee Colony (ABC) Algorthm, Appled Soft Computng, Vol. 11, hal Yang, F., Sun, T., dan Zhang, C. (2009), An Effcent Hybrd Data Clusterng Method Based on K-Harmonc Means and Partcle Swarm Optmzaton, Expert Systems wth Applcatons, Vol. 36, hal Dall, A (2003), Adaptaton of the F-measure to cluster-based Lexcon qualty evaluaton, In EACL, Budapest. Tan, P.N., Stanbach, M., dan Kumar, V. (2006), Introducton to Data Mnng, 4 th edton, Pearson Addson Wesley, New York. 27