Quiz Data Mining K-Means

Apa tujuan utama dari algoritma K-Means dalam data mining?

• Memprediksi nilai target secara akurat

• Mengelompokkan data berdasarkan kemiripan

• Menghapus data yang tidak relevan

• Melakukan asosiasi antar item

Langkah pertama dalam algoritma K-Means adalah:

• Menghitung jarak antar data

• Menentukan centroid awal

• Mengelompokkan data secara acak

• Menghapus outlier

Parameter ‘K’ dalam algoritma K-Means menunjukkan:

• Jumlah iterasi

• Jumlah atribut data

• Jumlah cluster yang diinginkan

• Nilai jarak minimum

Kriteria konvergensi dalam algoritma K-Means biasanya terjadi ketika:

• Semua centroid berubah drastis

• Jumlah cluster meningkat

• Data tidak bisa diklasifikasi lagi

• Centroid tidak berubah atau perubahan sangat kecil

Metode yang paling umum digunakan untuk menghitung jarak antar data dalam K-Means adalah:

• Jaccard distance

• Manhattan distance

• Cosine similarity

• Euclidean distance

Masalah utama dari algoritma K-Means adalah:

• Terlalu lambat dalam memproses data

• Tidak bisa menangani data numerik

• Sensitif terhadap pemilihan centroid awal

• Tidak dapat digunakan untuk data besar

Setelah pengelompokan awal, K-Means melakukan penyesuaian centroid berdasarkan:

• Data acak baru

• Posisi cluster terdekat

• Rata-rata data dalam setiap cluster

• Titik terjauh dari setiap data

Jika data memiliki bentuk cluster yang tidak bulat atau tidak linier, K-Means kemungkinan akan:

• Bekerja sangat baik

• Menghasilkan cluster yang salah

• Menghapus cluster yang lemah

• Menambah jumlah cluster

Metode untuk menentukan jumlah K yang optimal adalah:

• Apriori Test

• Chi-Square Test

• Elbow Method

• Z-Score Method

Algoritma K-Means termasuk dalam jenis algoritma:

• Supervised Learning

• Reinforcement Learning

• Unsupervised Learning

• Semi-supervised Learning