Contoh Penerapan Algoritma K-Means

53
Algoritma K-Means

ZONANGOPI.COM – Dapat disimpulkan pada contoh penerapan algoritma K-Means        :

  • Data tinggi dan berat badan dari 20 mahasiswa (disajikan dalam tabel).

No TB BB No TB BB No TB BB No TB BB
1 173 63 6 159 60 11 165 59 16 162 53
2 172 60 7 172 62 12 165 62 17 169 55
3 162 52 8 163 49 13 169 50 18 168 49
4 166 56 9 165 52 14 160 49 19 163 53
5 165 50 10 167 58 15 171 62 20 172 63

 

  • Cluster yang menjadi pusat awal sebanyak 2 (dua) dipilih secara random. Cluster pertama pada data ke-5 yaitu dengan data tinggi badan 165cm dan berat badan 50kg sedangkan cluster kedua pada data ke-10 yaitu dengan data tinggi badan 167cm dan berat 58kg.
  • Setelah itu dilakukan perhitungan jarak terpendek pada cluster (disajikan dalam tabel).
No TB BB C1 C2 JT
1 173 63 0.000 7.810 0.000
2 172 60 3 5.385 3
3 162 52 15.556 7.810 7.810
4 166 56 9.899 2.236 2.236
5 165 50 15 8 8
6 159 60 14.318 8.246 8.246
7 172 62 1 6.403 1
8 163 49 17.205 9.849 9.849
9 165 52 13.601 6.325 6.325
10 167 58 7.810 0.000 0.000
11 165 59 8.944 2 2
12 165 62 8.062 4.472 4
13 169 50 14 8 8
14 160 49 19 11.402 11
15 171 62 2 5.657 2
16 162 53 14.866 7.071 7.071
17 169 55 9 4 4
18 168 49 14.866 9.055 9.055
19 163 53 14 6.403 6
20 172 63 1 7.071 1

 

  • Kemudian dilakukan pengelompokan data (G1) berdasarkan jarak terpendek yang telah diperoleh. Data yang berada paling dekat dengan pusat cluster akan bernilai 1.
No C1 C2
1 1 0
2 1 0
3 0 1
4 0 1
5 0 1
6 0 1
7 1 0
8 0 1
9 0 1
10 0 1
11 0 1
12 0 1
13 0 1
14 0 1
15 1 0
16 0 1
17 0 1
18 0 1
19 0 1
20 1 0

 

  • Selanjutnya mencari titik cluster baru berdasarkan hasil pengelompokan yang telah dilakukan dengan rumus pusat anggota cluster, yaitu dengan cara dijumlahkan anggota yang bernilai 1 pada masing-masing cluster kemudian dibagi dengan banyaknya anggota bernilai 1, sehingga didapatkan titik baru yaitu sebagai berikut :

 

C1 C2
TB 165.364 167.667
BB 54.0909 58
  • Kemudian diulang dengan melakukan iterasi ke-2 dengan menghitung jarak terpendek seperti pada yang dilakukan sebelumnya namun dengan pusat cluster baru yang telah didapatkan.
  • Kemudian dari hasil jarak terpendek yang telah didapatkan, dilakukan pengelompokan anggota cluster lagi (G2) dengan cara yang sama.
  • Karena hasil pengelompokan belum bernilai sama dengan pengelompokan pada G1, maka iterasi akan diulang sampai Gn=Gm.
  • Mengulangi pencarian cluster baru berdasarkan hasil pengelompokan sebelumnya.
  • Menghitung jarak terpendek.
  • Dilakukan pengelompokan ulang (G3) terhadap data yang terdekat dengan pusat cluster. Data yang terdekat, pada pengelompokan akan bernilai 1. Karena hasil G2 = G3 atau tidak mengalami perubahan/stabil, maka iterasi dihentikan.

Download Contoh Algoritma K-Mean (Excel)

LEAVE A REPLY

Please enter your comment!
Please enter your name here