Professional Documents
Culture Documents
Menggunakan Algoritma
Clustering K-Means
Nama
NPM
Pembimbing
: Farisa Arriyani
: 10104657
: Ibu Sulistyo Puspitodjati,
SSi., Skom., MSc.
Pembatasan Masalah
penelitian
Tujuan Penelitian
mengelompokkan
Penulisan
Bab
I
Bab II
Bab III
Bab IV
Bab V
: Pendahuluan
: Landasan Teori
: Metode Penelitian
: Hasil Penelitian
: Penutup
Tanah
material yang terdiri dari :
butiran mineral padat yang tidak tersementasi
(terikat secara kimia)
satu sama lain
bahan-bahan organik yang telah melapuk (yang berpartikel padat)
disertai zat cair & gas yang
mengisi ruang-ruang kosong di antara
partikelpartikel padat tersebut
untuk mendiskripsikan tanah dibutuhkan pengetahuan tentang :
- sifat-sifat asli tanah
- warna
- formasi batuannya
- tekstur
- ukuran butirnya
- konsistensi
Secara garis besar, tanah dibagi menjadi 3 bagian :
1. Tanah berbutir kasar: kerikil (gravel), pasir (sand)
2. Tanah berbutir halus: lanau( slit/sloam ), lempung (
clay ), lempung berat
( heavy clay )
3. tanah yang bersifat organik. Contoh: tanah gambut (peat soil)
Atribut Tanah : - kedalaman (depth(d) dalam satuan meter (m)
- tekanan konus (qc) dalam satuan (kg/cm2)
- jumlah hambatan (JH) dalam satuan (kg/cm2)
- Perlawanan gesek dalam satuan (kg/cm2)
Pengklasteran (Clustering)
d p, m
i 1 pCi
Metode k-Means
Algoritma k-Means
1.
2.
3.
d Euclidean x, y
4.
y
i i
i 1
mk ai n, bi n, ci n
Sebagai contoh, poin-poin data (1,1,1), (1,2,1), (1,3,1), dan (2,1,1)
memiliki centroid yaitu
11 1 2 1 2 3 1 11 11
,
,
1.25,1.75,1.00
4
4
4
mk
Tugaskan lagi setiap objek dengan memakai pusat klaster yang baru.
Jika pusat klaster sudah tidak berubah lagi, maka proses pengklasteran
selesai. Atau, kembali lagi ke langkah nomor 3 sampai pusat klaster
tidak berubah lagi/ stabil atau tidak ada penurunan yang signifikan dari
nilai SSE (Sum of Squared Errors)
1.
2.
3.
SSE d p, mi
i 1 pCi
m1 1 1 1 / 3, 3 2 1 / 3 1,2
m2 3 4 5 4 2 / 5, 3 3 3 2 1 / 5 3,6;2,4
5. Tugaskan lagi setiap objek
dengan memakai pusat klaster
yang baru. Pada tabel 3. Nilai
SSE yang baru :
Metode Bootstrapped
Algoritma Bootstrapped
1.
2.
3.
4.
5.
6.
Percobaan Menggunakan
Weka(Persiapan data/preprocess)
Gambar Parameter-parameter
pada SimpleKMeans
Hasil Percobaan
Pendekatan Kedua
Jarak antara anggota di dalam klaster atau WCV (Within Cluster Variation)
diasumsikan oleh nilai SSE sebesar 3.83, jumlah iterasi sebanyak 15, dan jarak
antar klaster atau BCV (Between Cluster Variation) yaitu :
29,1556 12,2 22,3333 4,7375 19,2 15,9 3,7053 24,8 26,1294 7,2533 2
37,4444 2,7619 5,6667 26,4375 3,7647 3,8125 12,7368 7,375 11,2353 56,1333 2
43,7778 4,1905 8,8333 40,6875 5,5882 5,5 18,9474 11,875 17,1765 64,7333 2
6,3333 1,4286 3,1667 14,25 1,8235 1,6875 6,2105 4,5 5,9412 8,6 2
199,041
(Lanjutan)
(Lanjutan)
(Lanjutan)
Kesimpulan
Saran
menambah