Clustering
Diunggah oleh
Haryta Syawalia fairuz zayyanClustering
Diunggah oleh
Haryta Syawalia fairuz zayyanKELOMPOK 1
CLUSTERING
K-MEANS
Pemahaman implementasi data
dengan metode Clustering K-Means
Mulai
KELOMPOK 1
ANGGOTA
KELOMPOK
1. ADIB RASENDRIYA K.G.(202351043)
2. M. RADITH PUTRA AGINDA (202351104)
3. TRI RAJASA KURNIAWAN (202351075)
4. PAMELA AL FAIDA (202351105)
5. HARYTA syawalia F.Z (202351096)
KELOMPOK 1
PENGERTIAN
DATA MINING
data mining adalah proses menemukan pola atau
informasi menarik dari kumpulan data yang besar.
proses ini melibatkan analisis,pembelajaran mesin dan
pengenalan pola untuk memperoleh wawasan baru.
KELOMPOK 1
TUJUAN
DATA MINING
menemukan pola dan hubungan
tersembunyi
mendukung pengambilan keputusan
memprediksi perilaku atau tren dimasa
depan
,mengidentifikasi kelompok atau segmen
data
mendeteksi anomali atau kecurangan
(fraud getection)
meningkatkan efisiensi operasional
meningkatkan pelayanan dan kepuasan
pelangggan
PENGERTIAN WARDIERE INC.
CLUSTERING
clustering merupakan salah satu teknik dalam
data mining yang bertujuan mengelompokkan
data ke dalam beberapa kelompok ( cluster ).
Setiap cluster berisi data dengan karakteristik
yang mirip satu sama lain, dan berbeda dengan
data pada cluster lainnya. Teknik ini sering
digunakan dalam segmentasi pasar,
pengelompokan pelanggan, analisis perilaku, dan
lain-lain.
KONSEP
K-MEANS
merupakan algoritma clustering yang
menggunakan pendekatan unupervised
learning.
Tujuannya adalah membagi data ke dalam K
kelompok berdasarkan jarak terdekat
terhadap titik pusat (centroid).
LANGKAH - LANGKAH
WARDIERE INC.
K-MEANS
Tentukan Jumlah Cluster (K) hitung ulang centroid baru
tentukan berapa banyak cluster yang ingin setelah semua data dikelompokkan. Hitung ulang
dibentuk posisi centroid dengan cara mengambil rata-rata
inisialisasi centroid awal dari seluruh data
pilih secara acak Ktitik dari data sebagai centroid
awal ulangi proses ( Iterasi )
ulangi langkah 3 - 5 hingga posisi ontroid tidak
hitung jarak setiap data ke centroid
berubah lagi ( konvergen )
evaluasi hasil clustering
kelompokkan data ke centroid terdekat
periksa hasil pembentukan vluster apakah sudah
setiap data dimasukkan ke cluster dengan jarak
sesuai tujuan analisis atau masih perlu
centroid paling dekat
menyesuaikan jumlah K
CONTOH IMPLEMENTASI
WARDIERE INC.
K-MEANS
NO ASPEK KEKURANGAN KELEBIHAN
algoritma mudah dipahami hasus menentukan jumlah
1 Simpliicity
dan diimplementasikan cluster
Cepat dan efisiensi untuk sensitif terhadap pemilihan
2 Efisiensi
daataser besar centroid awal
cepat mencappai hasil dapat terjebak pada hasil lokal
3 Konvergensi
stabil optimum
tidak cocok untuk data bentuk
4 Interpretasi hasil cluster jelas
cluster non linear
dapat digabung dengan
5 Fleksibilitas tidak tahan terhadap outlier
metode lain
cocok untuk data yang sulit mendeteksi cluster dengan
6 Bentuk Cluster
memilki sebaran besar ukuran atau bentuk berbeda
KESIMPULAN
K-Means adalah metode clustering sederhana
namun kuat untuk menemukan pola tersembunyi
dalam data.
Dengan mengelompokkan data berdasarkan
kemiripan, K-Means membantu memahami
karakteristik dan perilaku objek secara lebih
mendalam.
Cepat, efisien, dan mudah diterapkan —
menjadikan K-Means pilihan populer di dunia
data mining.
Meski memiliki keterbatasan terhadap outlier dan
bentuk cluster yang kompleks, hasilnya tetap
sangat berguna untuk analisis, segmentasi, dan
pengambilan keputusan berbasis data.
Kunci keberhasilan K-Means terletak pada
pemilihan jumlah cluster (K) dan pemahaman
mendalam terhadap data yang digunakan.
WARDIERE INC.
TERIMA
KASIH
Selesai
[Link]