45
2.3.2
Partitional Clustering
Berbeda
dengan
hierarchical
clustering, pada
metode
pengelompokkan
parsional
ini,
pembagian
data
ke dalam
kelompok-kelompok
tertentu
justru
dilakukan
dalam
satu
langkah.
Partitional
Clustering
(Kaski,
1997),
pada
sisi
lain,
berusaha
secara
langsung
untuk
mendekomposisikan
set data
ke
dalam
sebuah
set
cluster
yang
terputus-putus.
Fungsi
standar
yang
diusahakan
untuk
diminimalisasi
oleh
algoritma pengelompokkan
mungkin
menekankan
pada
struktur lokal dari data, dengan
menugaskan
cluster untuk
mencapai
puncaknya
dalam
fungsi
kepadatan
kemungkinan,
atau
struktur
global.
Secara
khusus,
kriteria
global
menyangkut
meminimalkan
beberapa ukuran
ketidakcocokan
dalam
sampel pada
tiap
cluster,
saat
memaksimalkan
ketidakcocokan pada cluster yang berbeda.
Beberapa
teknik
pengelompokkan
partisional
yang sering
digunakan
antara lain :
•
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
 |