Downloaded 26 times
Uploaded byElvi Rahmi
Klasterisasi - AHC (Agglomerative Hierarchical Clustering).pdf
Dokumen ini membahas metode klasterisasi Agglomerative Hierarchical Clustering (AHC). AHC adalah metode klasterisasi berbasis hirarki yang membangun klaster secara bottom-up dimana setiap objek dianggap sebagai klaster dan klaster-klaster digabungkan berdasarkan kemiripan hingga terbentuk satu klaster besar. Dokumen ini juga menjelaskan langkah-langkah algoritma AHC beserta contoh penerapannya untuk mengelompokkan dataset skor ked
More Related Content
Similar to Klasterisasi - AHC (Agglomerative Hierarchical Clustering).pdf
Klasterisasi - AHC (Agglomerative Hierarchical Clustering).pdf
- 1. DATA MINING Klasterisasi AHC -Agglomerative Hierarchical Clustering Elvi Rahmi, S.T., M.Kom. elvizasri@gmail.com November 2022
- 2. Kategori Metode Klasterisasi k-Means k-Modes k-Medoids Fuzzy c-Means dll Metodeberbasis partisi (partitioning methods) Ukuran Jarak BIRCH (Balanced Iterative Reducing and Clustering) Chameleon Agglomerative Divisive, dll Metode berbasis hirarki (hierarchical methods) DBSCAN OPTICS DENCLUE dll Metode berbasis kepadatan (density-based methods) STING CLIQUE dll Metode berbasis kisi (grid-based methods)
- 3. Hierarchical Clustering Hierarchical clusteringadalah metode analisis klaster untuk membangun hierarki kelompok data Analisis klaster hierarki adalah pendekatan umum untuk analisis klaster, dimana objek digunakan untuk mengelompokkan objek-objek atau catatan yang dekat satu sama lain. K-Means dan Agglomerative Hierarchical Clustering
- 4. Hierarchical Clustering Hierarchical clusteringadalah metode analisis klaster untuk membangun hierarki kelompok data Analisis klaster hierarki adalah pendekatan umum untuk analisis klaster, dimana objek digunakan untuk mengelompokkan objek- objek atau catatan yang dekat satu sama lain. K-Means dan Agglomerative Hierarchical Clustering K-Means = Memilih banyaknya klaster dan menetapkan pusat klaster. Hierarki Agglomerative = Semua titik pada data dianggap sebagai klaster. Kemudian dicari dua titik terdekat dan dijadikan satu klaster. Kemudian dipilih lagi titik terdekat dan dijadikan satu klaster. Hal ini dilakukan sampai diperoleh satu klaster besar.
- 5. Agglomerative Divisive Kategori Utama Metode HierarchicalClustering Top-Down Bottom-Up Pada setiap langkah, pasangan klaster dengan jarak klaster ke klaster terkecil menyatu menjadi satu klaster.
- 6. Bagaimana Algoritma AHC Bekerja? Hitung matriks jarakantar titik-titik sampel yang diketahui. (Menggunakan metode-metode perhitungan jarak seperti Euclidian, Manhattan Distance, dll). Gabungkan dua klaster terdekat menjadi satu klaster. Single Linkage (Jarak Terdekat) Complete Linkage (Jarak Terjauh) Average Linkage (Jarak Rata-Rata) Perbaharui matriks jarak antar data untuk merepresentasikan antara kelompok baru dengan kelompok yang masih tersisa. Ulangi langkah 2-3 sampai hanya satu kelompok yang tersisa.
- 7. Latihan Soal Kelompokkan datasetdi bawah ini dengan menggunakan metode AHC (Single Linkage) dan metode perhitungan jarak Manhattan Distance. Dataset Skor Kedisiplinan Siswa
- 8. Langkah 1 Hitung matrikjarak antar data. Hitung jarak dua data secara berpasang-pasangan dengan menggunakan Manhattan Distance.
- 9. Langkah 1 Hitung jarakdua data secara berpasang-pasangan dengan menggunakan Manhattan Distance.
- 10. Langkah 2 Gabungkan duakelompok terdekat menjadi satu.
- 11. Langkah 2 Gabungkan duakelompok terdekat menjadi satu.
- 12. Langkah 2 Gabungkan duakelompok terdekat menjadi satu. Menggunakan Single Linkage, pilih jarak dari dua kelompok yang terdekat. Terpilih kelompok 2 dan 3, sehingga kedua kelompok digabungkan. Menghitung jarak terdekat antar kelompok (2 dan 3) dengan kelompok yang tersisa, yaitu 1, 4, dan 5.
- 13. Langkah 2 Gabungkan duakelompok terdekat menjadi satu. Menggunakan Single Linkage, pilih jarak dari dua kelompok yang terdekat. Terpilih kelompok 2 dan 3, sehingga kedua kelompok digabungkan. Menghitung jarak terdekat antar kelompok (2 dan 3) dengan kelompok yang tersisa, yaitu 1, 4, dan 5.
- 14. Langkah 3 Perbaharui matriksjarak antar data Hasil matriks jarak penggabungan kelompok 2 dan kelompok 3. Lengkapi matriks di atas!
- 15. Langkah 3 Perbaharui matriksjarak antar data Hasil matriks jarak penggabungan kelompok 2 dan kelompok 3. Lengkapi matriks di atas!
- 16. Langkah 3 Perbaharui matriksjarak antar data Hasil matriks jarak penggabungan kelompok 2 dan kelompok 3.
- 17. Langkah 4 Gabungkan duakelompok terdekat menjadi satu. Pilih jarak dua kelompok terdekat.
- 18. Langkah 4 Gabungkan duakelompok terdekat menjadi satu. Pilih jarak dua kelompok terdekat. Terpilih kelompok 1 dan 4, sehingga kedua kelompok digabungkan. Menghitung jarak terdekat antar kelompok (1 dan 4) dengan kelompok yang tersisa, yaitu {23} dan 5.
- 19. Langkah 4 Gabungkan duakelompok terdekat menjadi satu. Pilih jarak dua kelompok terdekat. Terpilih kelompok 1 dan 4, sehingga kedua kelompok digabungkan. Menghitung jarak terdekat antar kelompok (1 dan 4) dengan kelompok yang tersisa, yaitu {23} dan 5.
- 20. Langkah 5 Perbaharui matriksjarak antar data. Hasil matriks jarak penggabungan kelompok 1 dan kelompok 4. Lengkapi matriks di atas!
- 21. Langkah 5 Perbaharui matriksjarak antar data. Hasil matriks jarak penggabungan kelompok 1 dan kelompok 4.
- 22. Gabungkan dua kelompokterdekat menjadi satu. Langkah 6 Pilih jarak dua kelompok terdekat. Terpilih kelompok (1 dan 4) dan kelompok (2 dan 3), sehingga kedua kelompok digabungkan. Menghitung jarak terdekat antar kelompok ((1 dan 4)(2 dan 3)) dengan kelompok yang tersisa, yaitu kelompok 5.
- 23. Gabungkan dua kelompokterdekat menjadi satu. Langkah 6 Pilih jarak dua kelompok terdekat. Terpilih kelompok (1 dan 4) dan kelompok (2 dan 3), sehingga kedua kelompok digabungkan. Menghitung jarak terdekat antar kelompok ((1 dan 4)(2 dan 3)) dengan kelompok yang tersisa, yaitu kelompok 5.
- 24. Langkah 7 Perbaharui matriksjarak antar data. Hasil matriks jarak penggabungan kelompok {23} dan kelompok {14}.
- 25. Langkah 7 Perbaharui matriksjarak antar data. Hasil matriks jarak penggabungan kelompok {23} dan kelompok {14}. Kelompok (1234) dan 5 digabung menjadi kelompok tunggal dari lima data, yaitu (12345) dengan jarak terdekat 5.
- 26. Langkah 7 Hasil klasteringdengan AHC
- 27. Referensi Suyanto. 2019. DataMining: Untuk Klasifikasi dan Klasterisasi Data. Bandung. Informatika Junta Zeniarja. 2021. Pertemuan 11 - Agglomerative Hierarchical Clustering (AHC) dengan Python | Python Data Mining 2021. https://www.youtube.com/watch?v=s8K0lO9OFOA. Diakses November 2022.