Pembelajaran tak-terbimbing dan klustering

Presentasi berjudul: "Pembelajaran tak-terbimbing dan klustering"— Transcript presentasi:

1 Pembelajaran tak-terbimbing dan klustering
Kuliah 5

2 Pembelajaran tak-terbimbing
Estimasi kerapatan Penggugusan (Clustering)

3 Estimasi Kerapatan : Histogram Visualisasi Kerapatan

4 Estimasi Kerapatan Histogram
Visualisasi kerapatan, menggunakan LDA (Linear Discriminant Analysis) Database: ‘1’ =1269 ‘3’ = 824 ‘7’ = 792 ‘8’= 708 Ciri: Mean Standart deviasi

5 Estimasi Kerapatan

6 Clustering: Algoritma Maximin-Distance Algoritma K-Means
Algoritma Fuzzy C-Means

7 Algoritma Maximin-Distance
L1: Mulai dengan memisalkan x1 menjadi pusat cluster pertama (z1). L2: Menentukan titik sampel terjauh dari x1, dalam hal ini x6 kemudian menjadi pusat cluster (z2) L3: Hitung jarak dari semua titik sampel ke z1 dan z2. Simpan nilai jarak minimum dari hasil perhitungan. Pilih maksimum dari nilai-nilai tersebut. Pusat cluster (z3) sekurang-kurangnya 1½ kalinya. Sehingga didapat x7 menjadi pusat cluster z3.

8 Algoritma K-Means L1: Pilih K pusat cluster z1(1), z2(1),…, zK(1).
L2: Pada iterasi ke-k, berlaku untuk semua i=1,2,…,K; i ≠ j , dimana Sj(k) merupakan himpunan titik-titik sampel dengan pusat cluster zj(k). L3: Hitung pusat cluster baru L4: Jika zj(k+1)=zj(k) untuk j=1,2,…,K, prosedur berhenti, jika tidak kembali ke L2.

9 Contoh:

10 Algoritma Fuzzy C-Means
Fuzzy Clustering