PERBANDINGAN ALGORITME CLUSTERING ROCK DAN QROCK UNTUK DATA KATEGORIK

Presentasi berjudul: "PERBANDINGAN ALGORITME CLUSTERING ROCK DAN QROCK UNTUK DATA KATEGORIK"— Transcript presentasi:

1 PERBANDINGAN ALGORITME CLUSTERING ROCK DAN QROCK UNTUK DATA KATEGORIK
Oleh : Marisa Anggreani G Pembimbing : Annisa, S.Kom, M.Kom Hari Agung, S.Kom, M.Si

2 Over View Latar Belakang Tujuan Ruang Lingkup Tinjauan Pustaka
Metode Penelitian Hasil dan Pembahasan Kesimpulan Saran

3 Latar Belakang, Tujuan, dan Ruang Lingkup

4 Sponge

5 Contoh jenis-jenis sponge

6 Anatomi dan fisiologo sponge
Cortex Megascleras Spicule Microscleras Ecstosomic Exsostilo Aster Diplaster Esferaster Warna Lapisan permukaan Permukaan Jumlah papilas Panjang megasclera Ketebalan cortex Data Numerik Fisiologi Data Kategorik

7 …. A B C D 1 … N …. 2 M S K Y 54 Data Sponge Clustering Taxonomy

8 ROCK A … C 1 N B 2 M S K Y 54 Bandingkan QROCK

9 Algoritme Clustering Distance : K-means
Algoritme ROCK Kualitasnya lebih baik Skalabilitas lebih baik Algoritme QROCK Lebih mudah Lebih efisien Mendeteksi outlier

10 Tinjauan Pustaka

11 x y Clustering

12 Agglomerative Hirarchical Clustering

13 X Y A 3 4 B 5 C 1 B A Jarak C Data Numerik

14 Data Kategorik X Y A Merah Basar B Kuning Besar C Biru Kecil B A 1
Similaritas C Rentang Nilai Similaritas Data Kategorik

15 Similarity measure jaccard coefficient

16 Evaluation clustering
x y Cohesion Separation f(θ) = (1+θ)/(1-θ) Evaluation clustering

17 ROCK

18 Input ROCK : Data, k, θ. 2. Hitung Similaritas 1. Inisialisasi 1 3 2 4
10 6 7 5 8 9 9 1 2 3 5 4 6 8 7 10

19 3. Hitung Nbrlist 4. Hitung Link If (Sim ≥ θ) = 1 Common Neighbor 1 3 2 4 10 6 7 5 8 9 1 3 2 4 10 6 7 5 8 9

20 5. Hitung Local Heap Goodness Measure 1 3 2 4 10 6 7 5 8 9 f(θ) = (1+θ)/(1-θ)

21 6. Hitung Global Heap 7. Merge 1 3 2 4 10 6 7 5 8 9 1 3 2 4 10 6 7 5 8 9

22 6. Cluster yang Dihasilkan 1 3 2 4 10 6 7 5 8 9 1 3 2 4 10 6 7 5 8 9 Jika sudah tidak ada link antar cluster Jika k terpenuhi k = 2

23 QROCK

24 Input QROCK : Data, θ. 2. Hitung Similaritas 1. Inisialisasi 1 3 2 4
10 6 7 5 8 9 9 1 2 3 5 4 6 8 7 10

25 3. Hitung Nbrlist 4. Inisialisasi MFSET If (Sim ≥ θ) = 1 setHeaders setNames count first element set name next element 1 2 3 …. … 10 1 3 2 4 10 6 7 5 8 9

26 4. Inisialisasi elemen x є D 5. Inisialisasi elemen y є (nbrlist = 1) 1,2,3,…..10 = x x = 1, y = 2, 3. 1 3 2 4 10 6 7 5 8 9 1 3 2 4 10 6 7 5 8 9

27 6. Find A = first elemen x x = 1, y =2,3. A = 1 setHeaders setNames count first element set name next element 1 2 3 …. … 10 1 3 2 4 10 6 7 5 8 9

28 7. Find B = first elemen y x = 1, y =2,3. B = 2 setHeaders setNames count first element set name next element 1 2 3 …. … 10 1 3 2 4 10 6 7 5 8 9

29 8. If (A ≠ B) Merge A = 1 A ≠ B -> Merge B = 2 setHeaders setNames count first element set name next element 1 2 3 …. … 10 1 3 2 4 10 6 7 5 8 9

30 9. Cluster yang dihasilkan 1 3 2 4 10 6 7 5 8 9

31 Metode Penelitian

32 ROCK QROCK Sponge.xls Evaluation Clustering Evaluation Clustering
Analisis Kesimpulan

33 Hasil dan Pembahasan

34 Cluster Anggota Persentase (%) Cohesion Separation
ROCK Inputan k = 7, θ = 0.8 Cluster Anggota Persentase (%) Cohesion Separation 1 [ ] 11 0.0039 2 [ ] 13 0.0015 3 [ ] 15 0.0012 0.0054 4 [ ] 0.005 5 [ ] 0.0004 0.0014 6 [ ] 0.004 7 [ ] 17 0.0011 0.0039 0.0223

35 Cluster Anggota Persentase (%) Cohesion Separation
QROCK Inputan θ = 0.85 Cluster Anggota Persentase (%) Cohesion Separation 1 [1] 2 [ ] 52 3 [10] 4 [ ] 37 5 [42 43] 6 [46 47]

36 ROCK QROCK Ukuran Cluster terhadap Cohesion

37 Jumlah cluster banyak Jumlah anggota sedikit Jumlah cohesion kecil

38 ROCK QROCK Niali Thareshold terhadap Cohesion

39 nilai threshold besar Nilai nbrlist kecil Jumlah cluster banyak

40 Deteksi oulier x y x y ROCK QROCK

41 Kesimpulan dan Saran

42 < > k 1. ROCK θ Operasi QROCK θ Lebih mudah 2. ROCK Separation
Cluster ROCK QROCK Cohesion Separation < > Lebih baik

43 3. 4. Cluster Θ = 0.9 ROCK QROCK 19 Cluster 23 Cluster Deteksi outlier

44 1. Cluster Taxonomy …. …. …. …. …. ….

45 2. QROCK Algoritme Clustering Lain Bandingkan

46 TERIMAKASIH