1 of 9

Mata Kuliah : MACHINE LEARNING�Minggu ke 11

2 of 9

Tujuan Perkuliahan

Mampu menjelaskan konsep partitional based clustering dan hierarchical clustering

Mampu mengidentifikasi, memodelkan, menganalisis, dan mengimplementasikan metode partitional based clustering dan hierarchical clustering untuk menyelesaikan masalah klasterisasi

3 of 9

Materi Pembelajaran

  • Partitional-based clustering
  • Hierarchial clustering

4 of 9

Clustering dengan pendekatan partisi atau sering disebut dengan partition-based clustering adalah mengelompokkan data dengan memilah-milah data yang dianalisis ke dalam beberapa cluster yang sudah ada. Hal ini tidak memperhitungkan hierarki dari data tersebut.

Pada metode partitional clustering setiap cluster memiliki titik pusat cluster (centroid) dan secara umum metode ini memiliki fungsi tujuan yaitu memperkecil jarak (dissimilarity) dari seluruh data ke pusat cluster masing-masing.

Partitional-based Clustering

5 of 9

Contoh metode partitional clustering:  K-Means, Fuzzy K-means dan Mixture Modelling.

Metode K-means merupakan metode clustering yang paling sederhana dan umum. Hal ini dikarenakan K-means mempunyai kemampuan mengelompokkan data dalam jumlah yang cukup besar dengan waktu komputasi yang cepat dan efisien.

Partitional-based Clustering

6 of 9

Clustering dengan pendekatan hierarki atau sering disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hierarki berupa dendogram di mana data yang mirip akan ditempatkan pada hierarki yang berdekatan dan yang tidak pada hierarki yang berjauhan.

Pada hierarchical clustering, data dikelompokkan melalui suatu bagan yang berupa hierarki, di mana terdapat penggabungan dua grup yang terdekat di setiap literasinya ataupun pembagian dari seluruh set data ke dalam cluster.

Hierarchial Clustering

7 of 9

Langkah melakukan clustering hierarki, pertama-tama identifikasi item dengan jarak dekat, kemudian gabungkan item itu ke dalam satu cluster, lalu hitung jarak antar-cluster, terakhir ulangi dari awal sampai semua terhubung.

Contoh metode clustering hierarki di antaranya single linkage, complete linkage, average linkage, average group linkage. 

Hierarchial Clustering

8 of 9

  • Skalabilitas
  • Kemampuan Analisa beragam bentuk data
  • Menemukan cluster dengan bentuk yang tidak terduga
  • Kemampuan unutk dapat menangani noise
  • Sensitifitas terhadap perubahan input
  • Mampu melakukan clustering untuk data dimensi tinggi
  • Interpresasi dan kegunaan

Syarat Clustering

9 of 9