Lembar Kerja Pratikum 7

Hari/Tanggal : Selasa/25 Maret 2014

Lab : 1

Kelompok : 8

Anggota : - Rudi Hartomo (G64110013)

- Weni Handayani (G64110058)

- Albert Sebastian (G64110075)

- M. Fuad Makarim (G64110113)

Dengan menggunakan dataset trees:

1. Lakukan pengklusteran dengan K-Means (k= 3) ! Tampilkan dan jelaskan hasil

clustering tersebut!

Gambar 1.1 Hasil Clustering dengan K-Means

a. Jumlah data

Cluster Jumlah Data

1 10

2 4

Jumlah data pada cluster 1 adalah 10, jumlah data pada cluster 2 adalah 4, dan jumlah data pada cluster 3 adalah 7.

3 7

b. Hasil rata data

- Hasil rata data class 1

Atribut Class 1

Grith 10.6900

Height 699.40000

volume 16.62000

- Hasil rata data class 2

Atribut Class 1

Grith 12.72857

Height 78.21429

volume 26.97143

- Hasil rata data class

Atribut Class 1

Grith 17.94286

Height 81

volume 155.92857

c. Hasil clustring vector : 1 1 1 1 2 2 1 1 2 1 2 2 2 1 1 2 2 2 2 1 2 2 2 2 3 3 3 3 3 3 3

d. Akurasi hasil kluster sebesar 78,2%

e. Variabel yang tebentuk dari hasil cluster adalah cluster, centers, totss, withinss,

tot.withinss, betweens dan size

2. Lakukanlah pengklusteran dengan K-Medoids dengan menggunakan fungsi pamk()

dan pam() (k = 3)!

a. Tampilkan dan jelaskan hasil clustering plot dan silhouettes nya.

Gambar 2.1 Hasil Clustering dengan K-Medoids

Berdasarkan gambar 2.1 di atas, dengan menggunakan R kita menggunakan data

trees2 yang telah dihilangkan atribut spesiesnya. Kemudian, kita melakukan

pengklusteran dengan menggunakan fungsi pamk() dan menyimpan hasilnya

pada pamk.result. Dan untuk menampilkan jumlah kluster yang terbentuk kita

menggunakan pamk.result$nc.

Gambar 2.2 Hasil silhouettes

Berdasarkan gambar 2.2, ada dua kluster. Gambar sebelah kanan menunjukkan silhouettes. Dalam silhouettes, nilai silhouettes

(Si) yang besar (bisa dikatakan hampir 1) berarti pengamatan yang sesuai itu terkelompok dengan sangat baik. Jika nilai Si yang mendekati 0 berarti pengamatan terletak di antara dua kelompok. Sedangkan pengamatan dengan Si negatif terdapat kemungkinan kesalahan penempatan objek di suatu cluster. Jadi, dapat disimpulkan bahwa kedua kelompok ini baik, karena Si rata-ratanya, masing-masing adalah 0,6 dan 0,64 pada silhouettes di atas

Gambar sebelah kiri adalah clusplot 2-dimensi (clustering plot) dari dua kelompok dan garis menunjukkan jarak antara cluster.

b. Bandingkan hasilnya dengan hasil clustering K-Means pada soal nomor 1.

Gambar 2.3 hasil K-Means pada soal no.1

Kita membandingkan hasil pengklusteran K-Medoids pamk() dengan atribut species

pada data K-Means soal no1. Maka akan muncul hasilnya seperti pada gambar 2.3.

Artinya, pamk menghasilkan dua kelompok, satu adalah campuran class 2 (Heigth) dan

class 3 (Volume) , sedangkan yang lainnya adalah class 1 (Grith).

3. Lakukan pengklusteran dengan Hierachical Clustering dengan fungsi jarak average!

Tampilkan hasil visualisasinya dengan melakukan pelabelan berdasarkan hasil

clustering K-Means pada soal nomor 1 dan jelaskan hasil clustering tersebut!

Hierachical Clustering adalah algoritma klustering yang mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan.

a. Hasil Clustering

Gambar 3.1 Hasil Clustering dengan Hierachical Clustering

Berdasarkan gambar 3.1. Pada R untuk melakukan pengklusteran dengan menggunakan Hierachical Clustering dapat dilakukan dengan menggunakan fungsi hclust(dist(data), method=”linkType”) dimana :

- data : data yang akan di-clustering- linkType : untuk menentukan tipe penentuan pemilihan jarak yang dipakai.

Dengan menggunakan R, ambil 20 dataset pada trees, simpan pada trees2 dan hapus variabel Species. Kemudian, kita melakukan pengklusteran hierachical

clustering dengan menggunakan metode average linked dan hasilnya disimpan pada hc.

Untuk melihat hasil clustering plot dengan pelabelan berdasarkan atribut Species pada data trees.

Gambar 3.2 Hasil Clustering dengan Hierachical Clustering

Gambar 3.1 Hasil Clustering dengan Hierachical Clustering

4. Perhatikan data berikut!

Lakukanlah clustering dengan K-medoids dengan k = 2, dan iterasi maksimum 3!

SepalLength PetalLength5.1 1.44.9 1.47 4.7

6.4 4.56.3 65.8 5.1

K=2, (C1=4.9,1.4), (C2=6.3,6)

i C1 Data Objek (Xt) Cost Distance euclid1 4.9 1.4 5.1 0.23 4.9 1.4 7 3.91152144314 4.9 1.4 6.4 3.44383507156 4.9 1.4 5.1 3.8078865529

i C1 Data Objek (Xt) Cost Distance euclid1 6.3 6 5.1 1.4 4.75394572963 6.3 6 7 4.7 1.4764823064 6.3 6 6.4 4.5 1.50332963786 6.3 6 5.8 5.1 1.0295630141

Cluster terbentuk: C1={(5.1,1.4),(4.9,1.4)},C2={(7.0,4.7),(6.4,4.5),(6.3,6.0),(5.8,5.1)}

Total jarak Euclid = 4.209374958

i C1 Data Objek (Xt) Cost Distance euclid1 4.9 1.4 5.1 1.4 0.23 4.9 1.4 7 4.7 3.91152144314 4.9 1.4 6.3 6 3.44383507156 4.9 1.4 5.8 5.1 3.8078865529

i C1 Data Objek (Xt) Cost Distance euclid1 6.4 4.5 5.1 1.4 3.36154726283 6.4 4.5 7 4.7 0.6324555324 6.4 4.5 6.3 6 1.50332963786 6.4 4.5 5.8 5.1 0.8485281374

Cluster terbentuk: C1 = {(5.1,1.4),(4.9,1.4)}, O' = {(7.0,4.7),(6.4,4.5),(6.3,6.0),(5.8,5.1)}

Total jarak Euclid = 3.1843133073S=3.18431330-4.2093749=-1.0250616507S<0, Pertukaran C2 ke O' merupakan ide bagus

i C1 Data Objek (Xt) Cost Distance euclid1 4.9 1.4 5.1 1.4 0.23 4.9 1.4 7 4.7 3.91152144314 4.9 1.4 6.4 4.5 3.44383507156 4.9 1.4 6.3 6 4.8083261121

i C1 Data Objek (Xt) Cost Distance euclid1 5.8 5.1 5.1 1.4 3.76563407683 5.8 5.1 7 4.7 1.26491106414 5.8 5.1 6.4 4.5 0.84852813746 5.8 5.1 6.3 6 1.0295630141

Cluster terbentuk: C1={(5.1,1.4),(4.9,1.4)}, O'={(7.0,4.7),(6.4,4.5),(6.3,6.0),(5.8,5.1)}Total jarak Euclid = 3.3430022156S = 3.3430022156-3.1843133073=0.1586889083S>0, Pertukaran C2 ke O' merupakan ide buruk

Jadi Cluster akhir yang terbventuk yaitu: C1={(5.1,1.4),(4.9,1.4)}, C2={(7.0,4.7),(6.4,4.5),(6.3,6.0),(5.8,5.1)}SepalLength PetalLength

5.1 1.44.9 1.47 4.7

6.4 4.56.3 65.8 5.1