🇮🇩 K-Means Clustering

K dalam pengelompokan K-Means menentukan hal berikut ini:

• Jumlah titik data yang ingin kita kelompokkan dari kumpulan titik data yang lebih besar

• Jumlah partisi yang ingin kita keluarkan dari kumpulan data tertentu.

• Jumlah maksimum iterasi yang dijalankan algoritma

• Ini adalah jumlah titik data yang dipertimbangkan oleh metrik kesamaan pada setiap iterasi

Setiap iterasi pengelompokkan K-Means berisi langkah-langkah berikut:

• Menetapkan semua titik data secara acak ke salah satu K kelompok.

• Menetapkan secara acak posisi K sentroid dalam ruang titik data

• Hitung jarak Euklidean rata-rata antara semua pusat kelompok.

• Menetapkan titik data ke pusat massa terdekat menggunakan ukuran kesamaan (jarak) tertentu.

Manfaat utama pengelompokkan K-Means adalah sebagai berikut:

• Dapat menentukan terlebih dahulu jumlah kelompok yang akan dihasilkan

• Menerapkan metrik kesamaan (jarak) untuk K-Means untuk kumpulan data apapun sangatlah mudah

• Algoritma K-Means selalu konvergen

• Rata-rata runtime algoritma tidak bertambah seiring bertambahnya K

Dalam beberapa implementasi pengelompokkan K-Means ukuran Sum of Squared Error(SSE) biasanya digunakan sebagai berikut

• Untuk menunjukkan efisiensi konvergensi algoritma

• Jarak rata-rata antara semua titik data dan pusat klaster K tempat titik data bertipe enumerasi

• Perbedaan rata-rata jarak Euklidean antara n titik data untuk iterasi i dan iterasi i+1

• Sebagai indikasi seberapa besar perubahan sentroid klaster (dengan setiap iterasi K-Means) dan juga sebagai indikasi perubahan penetapan titik data ke setiap klaster. SSE dapat digunakan sebagai kondisi penghentian algoritma jika kita melihat sedikit perubahan di antara iterasi

Manakah dari berikut ini yang dianggap sebagai kelemahan pengelompokkan K-Means

• Harus menentukan nilai K sebelum menjalankan algoritm

• K-Means hanya berlaku untuk dataset yang terdiri dari titik data dengan tipe data integer

• K-Means hanya berlaku untuk kumpulan data yang terdiri dari titik data dengan nilai kategorikal, seperti tipe yang disebutkan

• K-Means hanya dapat menangani hingga K titik data outlier dalam kumpulan data tertentu.

• K-Means tidak dapat menggunakan inisialisasi titik data heuristik yang telah ditentukan sebelumnya