Machine Learning

Hierarchical Clustering adalah metode analisis kelompok yang berusaha untuk membangun sebuah hirarki kelompok data. Strategi pengelompokkannya umumnya ada 2 jenis yaitu Agglomerative (Bottom-Up) dan Devisive (Top-Down). Namun kali ini kita hanya akan membahas tentang konsep Agglomerative (Bottom-Up). Berikut proses algoritma AHC (Agglomerative Hierarchical Clustering) :  1.     Hitung matrik jarak antar data (menggunakan Euclidean atau Manhattan Distance). 2.     Gabungkan dua kelompok terdekat menjadi satu kelompok data: ·     Single Lingkage (Jarak Terdekat) ·     Complete Lingkage (Jarak Terjauh) ·     Average Lingkage (Jarak Rata-Rata) 3.    Perbarui matrik jarak antar data untuk mempresentasikan antara kelompok baru dengan kelompok yang masih tersisa      4.   Ulangi langkah 2-3 sampai hanya satu kelompok yang tersisa Single, Averages & Complete Linka...

Dalam sistem klasifikasi, terdapat 2 jenis klasifikasi yaitu supervised classification dan unsupervised classification. Clustering dapat dianggap yang paling penting dalam masalah unsupervised learning. Sebuah cluster merupakan kumpulan objek-objek yang "sama" di antara mereka dan "berbeda" pada objek dari cluster lainnya. K-Means merupakan algoritma untuk cluster n objek berdasarkan atribut menjadi k partisi, dimana k<n. Secara umum, K-means clustering merupakan salah satu metode data clustering non-hirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster/kelompok. Tujuan K-means adalah untuk mendapatkan kelompok-kelompok, dimana dalam 1 kelompok, memiliki tingkat homogenitas yang tinggi dan memiliki tingkat heterogenitas yang tinggi antar kelompok. Berikut gambaran dari K-Means: Analisis Cluster K-Means adalah teknik statistika yang berguna untuk mengelompokkan objek ke dalam K cluster yang telah ditentukan di awal, dimana setiap objek: Mempunyai t...