82
2.6.10.1.2 Partitional Clustering
Berbeda
dengan
hierarchical
clustering,
pada
metode
pengelompokkan
parsional
ini,
pembagian
data
kedalam
kelompok-kelompok tertentu
justru
dilakukan
dalam
satu
langkah. Partitional
Clustering,
pada
sisi
lain,
berusaha
secara
langsung
untuk
mendekomposisikan set
data
kedalam
sebuah
set
cluster
yang
terputus-putus. Fungsi
standar
yang
algoritma
pengelompokan berusaha
untuk
meminimalisasinya,
mungkin
menekankan
pada
struktur
local
dari
data,
dengan
menugaskan cluster
untuk
mencapai puncaknya dalam
fungsi
kepadatan
kemungkinan, atau
struktur
global.
Secara
khusus,
criteria
global
menyangkut
meminimalkan beberapa
ukuran ketidakcocokan dalam sample pada tiap cluster,
saat memaksimalkan ketidakcocokan pada cluster yang berbeda.
2.6.10.1.2.1
K-Means Clustering
K-means
(MacQueen,1967) adalah
salah
satu
algoritma
unsupervised
learning
paling
sederhana
yang
menyelesaikan masalah
pengelompokan
yang
umum
dikenal.
Prosedurnya
mengikuti
cara
yang
sederhana
dan
mudah
untuk
mengklasifikasikan
set
data
yang
diberikan
melalui
sejumlah
tertentu cluster
(diasumsikan k cluster) menentukan prioritas.
Gagasan
utamanya
adalah
untuk
menetapkan k
centroid,
satu
untuk
masing-masing cluster.
Centroid
ini
seharusnya
ditempatkan dalam
cara
yang
cerdik
karena
lokasi
yang
berbeda
menyebabkan
hasil
yang
berbeda
pula. Jadi,
pilihan
terbaik
untuk
menempatkannya sejauh
mungkin
satu
sama
lain.
Langkah
selanjutnya
adalah
menjadikan
tiap
point
masuk
dalam
set
data
yang
diberikan
dan
mengasosiasikannya ke
centroid
terdekat.
Ketika
tidak
ada
point
yang
pending,
langkah
pertama
sempurna
dan
groupage
awal
selesai.
Pada
titik
ini
 |