Scribd
Unggah
3 tayangan6 halaman

Panduan DBSCAN untuk Clustering Data

DBSCAN adalah algoritma clustering yang mengelompokkan data berdasarkan kepadatan titik di sekitarnya, menggunakan dua parameter utama: Eps (radius) dan MinPts (jumlah minimum titik). Algoritma ini dapat mengenali cluster dengan bentuk tidak beraturan dan mengidentifikasi titik noise. Pengaturan nilai parameter Eps dan MinPts mempengaruhi hasil clusterisasi, di mana nilai yang tidak tepat dapat mengakibatkan banyak titik dianggap noise atau cluster yang berbeda digabung.

Diunggah oleh

trylazada7
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PPTX, PDF, TXT atau baca online di Scribd
3 tayangan6 halaman

Panduan DBSCAN untuk Clustering Data

DBSCAN adalah algoritma clustering yang mengelompokkan data berdasarkan kepadatan titik di sekitarnya, menggunakan dua parameter utama: Eps (radius) dan MinPts (jumlah minimum titik). Algoritma ini dapat mengenali cluster dengan bentuk tidak beraturan dan mengidentifikasi titik noise. Pengaturan nilai parameter Eps dan MinPts mempengaruhi hasil clusterisasi, di mana nilai yang tidak tepat dapat mengakibatkan banyak titik dianggap noise atau cluster yang berbeda digabung.

Diunggah oleh

trylazada7
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PPTX, PDF, TXT atau baca online di Scribd

DBSCAN (DENSITY-BASED SPATIAL CLUSTERING

OF APPLICATIONS WITH NOISE)

Kelompok:
Didan Pradifta (2301010076)
Dewa Putu Ari Pramana
Nida(2301010087)
01
Definisi
⚬ DBSCAN (Density-Based Spatial Clustering of Applications
with Noise) adalah algoritma clustering yang
mengelompokkan data berdasarkan kepadatan (density)
titik-titik di sekitarnya. Metode ini menggunakan dua
parameter utama, yaitu Eps (radius) sebagai batas jarak
antar titik dan MinPts sebagai jumlah minimum titik untuk
membentuk sebuah cluster.
⚬ DBSCAN membentuk cluster dengan mendeteksi area yang
memiliki kepadatan tinggi, sedangkan titik-titik yang
berada di area dengan kepadatan rendah akan dianggap
sebagai noise (outlier). Keunggulan DBSCAN adalah
kemampuannya dalam mengenali cluster dengan bentuk
tidak beraturan serta tidak memerlukan jumlah cluster di
awal.
Konsep Dasar Clustering 02
DBSCAN=
Parameter Utama DBSCAN Jenis Titik pada DBSCAN

⚬ Epsilon (ε) ⚬ Titik Inti (Core Point)


⚬ Menunjukkan jarak maksimum (radius) ⚬ Titik yang memiliki jumlah tetangga ≥
untuk menentukan kedekatan antar titik. MinPts dalam radius ε.
⚬ Titik yang berada dalam radius ε dianggap ⚬ Merupakan titik utama pembentuk kluster.
sebagai tetangga.
⚬ Ibarat lingkaran di sekitar titik data.
⚬ MinPts ⚬ Titik Noise (Outlier)
⚬ Menentukan jumlah minimum titik di ⚬ Titik yang tidak memiliki cukup tetangga.
dalam radius ε untuk membentuk cluster. ⚬ Tidak termasuk dalam kluster dan
⚬ Jika jumlah tetangganya mencukupi, titik dianggap sebagai data menyimpang (noise).
bisa menjadi bagian dari kluster.
03
Pengaruh Nilai Parameter
Terhadap Hasil Clusterisasi

• Jika Epsilon (Eps) terlalu kecil atau


MinPts terlalu besar, banyak titik yang
bisa dianggap sebagai noise.
• Jika Epsilon (Eps) terlalu besar atau
MinPts terlalu kecil, cluster yang
berbeda bisa digabung menjadi satu,
dan noise mungkin tidak terdeteksi
dengan baik
Contoh 04

(A,B)=√(1-1)²+(2-1)² =
1
(A,C)=√(2-1)²+(2-1)²
=1,41
(A,D)=√(8-1)²+(8-1)²
=9.89
(A,E)=√(9-1)²+(7-1)² =10
Epsilon(ε) : 2.0
MinPts :2
(B,A)=√(1-1)²+(1-2)² =
Rumus 1
(B,C)=√(2-1)²+(2-2)² =1
(B,D)=√(8-1)²+(8-1)²
=9.21
(B,E)=√(9-1)²+(7-1)²
=9,43
DST........
Hasil 05
Perhitunga

Epsilon(ε) : 2.0
MinPts :2

A: {B(1.0), C(1.41)} → 2 tetangga


✓
B: {A(1.0), C(1.0)} → 2 tetangga ✓
C: {A(1.41), B(1.0)} → 2 tetangga
✓
D: {E(1.41)} → 1 tetangga ✗
E: {D(1.41)} → 1 tetangga ✗
Hasil: Cluster {A,B,C} dan Noise
{D,E}

Anda mungkin juga menyukai