Pengelompokan Data Menggunakan Hierarchical Clustering (AHC) ( 201931042_Muhammad agung nugroho)

 

Pengelompokan Data Menggunakan Hierarchical Clustering (AHC)

 Data merupakan salah satu sumber yang digunakan untuk memperoleh suatu informasi. Namun tidak semua data dapat dimanfaatkan dengan baik. Jika data tersebut memiliki struktur yang kompleks, maka akan sulit untuk dimengerti. Sebagai contoh adalah data tagihan pelanggan PT.Telkom yang digunakan pada Tugas Akhir ini. Data tersebut memiliki jumlah record yang banyak dengan atribut yang banyak pula. Oleh karena itu diperlukan suatu proses pengelompokan yang bertujuan untuk membagi data tersebut ke dalam jumlah yang lebih sedikit sehingga proses penganalisisan data menjadi semakin mudah. Tugas Akhir ini mengimplementasikan salah satu teknik data mining yaitu clustering untuk melakukan pengelompokan data. Metode clustering yang digunakan adalah Agglomerative Hierarchical Clustering (AHC). Agglomerative Hierarchical Clustering adalah suatu metode hierarchical clustering yang bersifat bottom-up yaitu menggabungkan n buah klaster menjadi satu klaster tunggal. Metode ini dimulai dengan meletakkan setiap objek data sebagai sebuah klaster tersendiri (atomic cluster) dan selanjutnya menggabungkan klaster-klaster tersebut menjadi klaster yang lebih besar dan lebih besar lagi sampai akhirnya semua objek data menyatu dalam sebuah klaster tunggal. Kunci dari metode AHC adalah perhitungan proximity antara 2 klaster. Perhitungan ini terbagi menjadi 3 yaitu Single Linkage (jarak terkecil), Complete Linkage (jarak terbesar) dan Average Linkage (jarak ratarata). karena metode hirarki tidak dapat menghasilkan klaster secara langsung, maka digunakan metode cophenet distance untuk menganalisis hasil hirarki yang terbentuk. Dari hasil yang didapat menunjukkan bahwa Agglomerative Hierarchical Clustering (AHC) dapat digunakan untuk pengelompokan data.
Kata Kunci : AHC, Single Linkage, Complete Linkage, Average Linkage,ABSTRACT: Data is one of resources which used for gathering information. However, not all data working well. If the data have a complex structure, it is hard to understand. For example, data of customer invoice in PT.Telkom which used in this final project. This data have sum up the record is to lot of with the attributes amount which is there also many. Therefore, we need grouping process which is dividing data into slimmer amount so process the data analysing become progressively easy to. This Final Project is inplements one of technique in data mining which is clustering to do grouping data. The clustering method that is used is Agglomerative Hierarchical Clustering (AHC). Agglometarive Hierarchical Clustering is a method of hierarchical clustering having the character of bottom up which is joining n cluster become one single cluster. This method has begin with placing each data object as one separate cluster (atomic cluster) and join that cluster-cluster become ones large cluster and bigger again untuil the last all of data object one in one single cluster. The keys from AHC method is calculation proximity between 2 cluster. This calculation is divisible become 3 which single linkage (shortest distance), complete linkage (longest distance) and average linkage (average distance). Because hierarchy method cannot result the cluster directly so we used a cophenetic distance method to analyse result of formed hierarchy. From result is in can indicate that Agglomerative Hierarchical Clustering (AHC) applicable to grouping data.Keyword: AHC, Single Linkage, Complete Linkage, Average Linkage,

 

Bersumber :

https://repository.telkomuniversity.ac.id/pustaka/94531/pengelompokan-data-menggunakan-hierarchical-clustering-ahc-.html 

Komentar

Posting Komentar

Postingan populer dari blog ini

Perceptron

Gambar
The perceptron algorithm was invented in 1958 at the  Cornell Aeronautical Laboratory  by  Frank Rosenblatt , [3]  funded by the United States  Office of Naval Research . [4] The perceptron was intended to be a machine, rather than a program, and while its first implementation was in software for the  IBM 704 , it was subsequently implemented in custom-built hardware as the "Mark 1 perceptron". This machine was designed for  image recognition : it had an array of 400  photocells , randomly connected to the "neurons". Weights were encoded in  potentiometers , and weight updates during learning were performed by electric motors. [2] : 193  In a 1958 press conference organized by the US Navy, Rosenblatt made statements about the perceptron that caused a heated controversy among the fledgling  AI  community; based on Rosenblatt's statements,  The New York Times  reported the perceptron to be "the embryo of an electronic computer that [the Navy] expects will be
Baca selengkapnya

Artificial Intelligence

  Mengapa AI penting? Karena banyak teknologi yang saat ini memanfaatkan kinerja tingkat manusia super seperti, dapat membaca dokumen, menjawab pertanyaan, melakukan pengenalan suara, pengenalan wajah bahkan bermanfaat dalam pencitraan medis. AI juga benar-benar fokus pada beberapa pilihan beberapa masalah seperti mendiagnosis penyakit atau mengubah bagian pesanan pelanggan dan ini adalah pertama kalinya AI memiliki dampak nyata pada industri sehingga berdampak positif untuk masyarakat luas Bagaimana awal mula AI? Walaupun proses AI tidak secepat yang dikira dan butuh bertahun-tahun untuk menyelesaikan AI untuk menjadi sebuah hal yang bagus bagi masyarakat luas dimana AI berawal dari : Tahun 1956 (The Dartmouth Summer Research Project) mempopulerkan istilah Arficial Intelligence. Namun saat itu mereka tidak membuat banyak kemajuan AI selama musim panas tetapi banyak program dan artefak menarik muncul dari waktu itu terdapat program dimana bisa bermain catur atau membuktikan teorema. Pa
Baca selengkapnya