Comments on: Clustering

By: Rizky

Rizky — Wed, 11 Nov 2009 08:00:29 +0000

pak, mw tanya lagi ni ..:)
salah satu kelebihan LCCA adalah dpt digunakan u/ data yg kategori (nominal dan ordinal), kontinu (interval dan ratio), juga gabungan (kategori dan kontinu) dibandingkan dengan two stage cluster yang bs digunakan juga u/ data campuran..keakuratannya bagus metode statistic yg mana y ? jika kita melihat kelelebihan dan kekurangan dari masing2 metode tsb….
terima kasih pak…^^

By: Yudi Agusta

Yudi Agusta — Wed, 04 Nov 2009 12:49:21 +0000

Homogenitas adalah tingkat “kesamaan” data yang ada di dalam “satu kelompok”.

Heterogenitas adalah tingkat “perbedaan” antara data yang ada di dalam “dua kelompok yang berbeda”.

Kira-kira demikian artinya.

Semoga menjawab

By: ipesaifu

ipesaifu — Wed, 04 Nov 2009 11:27:24 +0000

assalau’alaikum?

pa’mau tanyaneh peredaan homogenitasdan heterogenitas itu apa?
bisa ga’dijelaskan arti maksud kata terebut?

By: Rizky

Rizky — Thu, 22 Oct 2009 05:23:50 +0000

aslm.
salam, pak mw tanya
1. kelemahan masing-masing analisis cluster biasa, k-means cluster, fuzzy cluster dan latent class cluster apa ?
2. kelebihannya masing-masing analisis cluster biasa, k-means cluster, fuzzy cluster dan latent class cluster apa ?
3. kapan kita menggunakan analisis cluster biasa, k-means cluster, fuzzy cluster dan latent class cluster ?
4. perbandingan satu (analisis cluster biasa, k-means cluster, fuzzy cluster dan latent class cluster ) dengan yang lainnya
mohon bantuannya..terima kasih banyak

By: Yudi Agusta

Yudi Agusta — Mon, 12 Oct 2009 01:51:04 +0000

Means dan median mempunyai kekhasannya masing-masing, dan umumnya akan langsung mempengaruhi proses clustering. Tentang mana yang lebih bagus, mungkin tidak bisa diukur. Mungkin dilihat saja apakah data yang dicluster lebih cocok dengan means atau median dalam merepresentasikan kelompok data yang dihasilkan.

Semoga bisa menjawab.

By: Yudi Agusta

Yudi Agusta — Mon, 12 Oct 2009 01:48:06 +0000

EM pada dasarnya secara algoritma sama dengan K-Means, tetapi asumsi yang digunakan berbeda. Perbedaan terletak pada cara menghitung membership function, kalau EM biasanya memanfaatkan distribusi Normal. Selain itu, EM biasanya memanfaatkan asumsi yang ada dalam memilih jumlah cluster yang paling tepat, sedangkan K-Means biasanya memakai metode lain untuk menentukan jumlah cluster dan dilaksanakan juga dengan sistem pre-processing.

Demikian dan semoga membantu.

By: veve

veve — Sat, 10 Oct 2009 14:29:35 +0000

trimakasih atas jawabannya pak…(^_^)

memang sumber2 yang saya dapat jg hanya menjelaskan secara umum saja..dan susah mencari tentang singlepass clustering ini..dan kadang sumber2 tersebut membuat saya bingung, yang mana yg benar tentang singlepass clustering..karena setiap sumber menjelaskannya beda2..
tp sepertinya singlepass clustering ini termasuk dalam information retrieval….

By: Obama

Obama — Fri, 09 Oct 2009 02:44:38 +0000

Salam…
Pak, Mana lebih bagus clustering method antara k-mean dengan k-median(k-medoid)?
Dimana bisa saya dapatkan pepar atau jurnal yang membahas k-medoid?

Terima kasih…

By: ibeth

ibeth — Wed, 07 Oct 2009 01:16:50 +0000

pak saya mau nanya, kami ada topik tentang Analyzed and Compare the result of K-means & EM(Expectation Maximization) on several data set. saya masih samar dengan kedua algoritma ini, memang untuk Kmeans saya menemukan banyak artikel tapi untuk algoritma yang satu lagi masih samar, mohon pencerahannya pak.. trimakasih…..

By: Yudi Agusta

Yudi Agusta — Wed, 16 Sep 2009 00:26:53 +0000

Dari penjelasan diberikan ada beberapa arah analisa yang bisa dilakukan. Tetapi pertama, untuk mengolah data nota secara langsung tidak memungkinkan, karena jumlah barang di supermarket sangat banyak dan dari nota pembelian akan sangat banyak yang nilainya nol.

Untuk keperluan tersebut, mungkin data nota perlu diolah/dikonversi dulu menjadi data menurut jenis/type barang yang yang dibeli. Misalnya tentukan berdasarkan jenis barang: barang pake habis, barang tahan lama, barang tidak tahan lama, makanan dll. Sehingga variabel yang didapatkan menjadi terbatas, tidak seperti data awalnya dengan jumlah barang yang tidak terbatas.

Alternatif kedua, kalau tidak ingin melakukan analisa dengan mengkonversi, mungkin bisa menggunakan metode association rule, atau market basket analysis, yang berusaha menganalisa keterkaitan antara satu barang dengan barang yang lain. Hasil analisa yang didapat bisa berupa kalau barang A dibeli, konsumen juga akan membeli barang B, dengan kemungkinan 80%. Contoh riilnya: kalau konsumen membeli KOPI, pasti juga membeli GULA, dengan kemungkinan 80%. Metode Association Rule atau Market Basket Analysis ini bukan metode Clustering. Jadi hasilnya bukan kelompok-kelompok, tetapi aturan-aturan rule.

Demikian dan semoga membantu.

By: andi

andi — Tue, 15 Sep 2009 06:15:48 +0000

pak…saya mau mengcluster nota penjualan brg di supermarket. sy mengcluster berdasarkan brg2 apa saja yg tejual dlm tiap notany

hasil dr cluster…nota2 yg mirip berdasarkan brg2 yg terbeli pd tiap clusterny

yg mau sy tanyakan…kr2 setelah cluster terbentuk…analisis apa y pak yg bs sy lakukan?

kl utk mengetahui penjualan yg laris…bs pk query kn?

mhn bantuan bpk

By: Yudi Agusta

Yudi Agusta — Mon, 14 Sep 2009 08:15:04 +0000

Saya kurang mengerti dengan data kuersioner? Apa yang dimaksud adalah data yang dikumpulkan menggunakan kuesioner?

By: inta

inta — Fri, 11 Sep 2009 07:50:16 +0000

pak, saya mau tanya, metode clustering yang digunakan untuk data kuersioner itu pake clustering yang single linkage atau pake yang K-means clustering?!karena saya sedang membuat tugas akhir yang menggunakan metode clustering yang datanya adalah kuersioner…….makacih pak atas bantuannya…………

By: Yudi Agusta

Yudi Agusta — Tue, 01 Sep 2009 08:30:26 +0000

Saya belum pernah memakainya. Tetapi secara garis besar mungkin prosedurnya seperti ini:
1. Buat satu cluster dengan satu data pertama
2. Bandingkan data kedua dengan cluster pertama dengan rumus jarak yang ditentukan
3. Apabila jarak antara data yang dianalisa dengan cluster yang ada masih di bawah threshold, maka masukkan data ke dalam cluster tersebut. Ini berlaku untuk semua cluster yang telah dibentuk. Kalau jarak antara data tersebut dengan semua cluster yang telah terbentuk, tidak ada yang di bawah threshold, maka bentuk cluster yang baru.
4. Lakukan perbandingan sampai semua data teralokasikan ke dalam cluster.

Demikian mungkin yang bisa diinformasikan. Mudah-mudahan ke depan saya bisa menulisnya dalam bentuk yang lebih lengkap.

Semoga membantu

By: veve

veve — Sun, 09 Aug 2009 15:27:56 +0000

pak Yudi…saya ingin bertannya tentang single pass clustering, saya ingin tau apa dah bagaimana proses metode ini… mohon bantuannya pak…

By: Yudi Agusta

Yudi Agusta — Fri, 07 Aug 2009 05:28:30 +0000

Bisa melihat tulisan saya tentang Akurasi Pemodelan K-Means.

By: Yudi Agusta

Yudi Agusta — Fri, 07 Aug 2009 05:22:34 +0000

Sama dengan ulasan saya di comment sebelumnya.

By: Yudi Agusta

Yudi Agusta — Fri, 07 Aug 2009 05:20:10 +0000

Tingkat homogenitas dan heterogenitas dalam suatu model cluster pada metode k-means dapat dilihat dengan membandingkan membership function masing-masing data ke masing-masing cluster. Kalau membership function masing-masing data ke cluster makin distinc (mendekati 0 atau mendekati 1, maka tingkat homogenitas dan heterogenitas model cluster itu sangat tinggi.

Demikian semoga membantu.

By: Yudi Agusta

Yudi Agusta — Fri, 07 Aug 2009 05:13:12 +0000

Kalau kita melakukan pemodelan berbasis cluster, kita mencari tingkat homogenitas di dalam suatu cluster dan heterogenitas antar cluster. Makin besar homogenitas dalam suatu cluster dan heterogenitas antar cluster, mengindikasikan bahwa cluster-cluster yang terbentuk mempunyai karakteristik yang benar-benar berbeda.

Demikian dan semoga membantu.

By: Alan

Alan — Thu, 06 Aug 2009 15:27:43 +0000

Pak Yudi, saya sedang mengerjakan tugas akhir tentang K-Mean. Saya bingung bagaimana menentukan cluster yang baik dilihat dari mananya?

Terima kasih

By: AhmadBudi

AhmadBudi — Thu, 06 Aug 2009 14:24:13 +0000

Pak Yudi, bagaimana melihat homogenitas dan heterogenitas dari suatu cluster yang terbentuk? Apakah dari centroidnya? Bisa tolong berikan contoh tentang data yang homogenitas dan heterogenitas?

Terima kasih

By: atmaja

atmaja — Wed, 05 Aug 2009 16:03:01 +0000

Pak Yudi, saya sedang mengerjakan skripsi tentang cluster K-Mean, namun saya bingung bagaimana melihat homogenitas dan heterogenitas dari hasil cluster yang sudah dihasilkan, apakah dari centroid atau dari membership clusternya atau dari yang lain ?

Sebab yang saya baca bahwa cluster yang baik memiliki intra-kelas tinggi (homogenitas) dan inter-kelas tinggi (heterogenitas).

Terima kasih Pak Yudi
Mohon bantuannya

By: budi ahmad

budi ahmad — Tue, 04 Aug 2009 10:04:58 +0000

Pak Yudi, saya ingin bertanya apa itu homogenitas dan heterogenitas dalam cluster beserta dengan contohnya misalnya seperti apa data yang homogenitas/heterogenitas? Terima kasih

By: Yudi Agusta

Yudi Agusta — Tue, 04 Aug 2009 08:45:11 +0000

Cluster EM dan Cluster K-Means berbeda dari segi asumsi yang digunakan. Jadi untuk membandingkan cluster mana yang lebih bagus tidak memungkinkan. Ulasan perbandingan mungkin bisa dilakukan dengan mengkritisi asumsi-asumsi yang digunakan, apakah cocok dengan data yang dimodel atau tidak. Detail asumsi-asumsi yang digunakan bisa dibaca pada tulisan saya di atas.

Semoga membantu.

By: atmaja

atmaja — Mon, 03 Aug 2009 13:16:21 +0000

Halo Pak Yudi, maaf mengganggu.
Saya ingin mengerjakan tugas akhir tentang perbandingan cluster EM dengan cluster K-Mean. Saya ingin bertanya bagaimana mengetahui cluster mana yang lebih baik dari salah satu metode cluster yang saya pakai diatas, apakah ada suatu kriteria khusus dalam melihat cluster yang baik. Kalau ada, bisa Bapak jelaskan kepada saya beserta dengan contohnya.

Terima kasih Pak Yudi
Mohon bantuannya

By: Nawie

Nawie — Wed, 27 May 2009 06:00:16 +0000

Salam kenal Pak Yudi,

Saya mhs tingkat akhir yg sedang ambil topik skripsi mengenai clustering. Mau tanya Pak.
Dalam artikel Bapak disebutkan bahwa slh satu kelemahan k-means (hard clustering) yaitu kegagalan untuk converge. Maksudnya converge itu kegagalan suatu data untuk membentuk kelompok dgn data lainnya bkn Pak?
Nah trs dijelaskan pula, perpindahan data dlm hard clustering dari suatu cluster ke cluster lainnya dpt merubah karakteristik model cluster yg terbentuk, kok bisa Pak suatu data dipindah-pindah dari satu cluster ke cluster lainnya. memangnya fungsi data dipindah2 itu untuk apa kl hal itu menyebabkan terjadinya gagal converge, kan datanya sudah dikelompokan oleh k-means nya? Dlm hal apa perlunya dilakukan pemindahan data dari suatu cluster ke cluster lainnya?

Mohon pencerahannya Pak
Terimakasih sebelumnya.

By: Suke

Suke — Mon, 25 May 2009 13:57:01 +0000

Pak, Tau tentang Neighbourhood Clustering kan???
Pa si itu Pak????
Mohon Bantuannya.

By: Yudi Agusta

Yudi Agusta — Mon, 30 Mar 2009 02:28:35 +0000

Sdr/i me, Clustering itu mempunyai tujuan mengelompokkan data yang kita miliki menjadi beberapa kelompok. Hasil dari penggunaan metode clustering adalah kelompok-kelompok data dan karakteristik dari masing-masing kelompok. Pemanfaatannya banyak sekali, mulai dari pengelompokan data sosial ekonomi, perbankan seperti customer segmentation, image clustering, sequence clustering, dll. Anda bisa search di internet, karena pemanfaatannya sangat luas sekali.

Demikian

By: Yudi Agusta

Yudi Agusta — Mon, 30 Mar 2009 02:23:16 +0000

Sdr/i Ardi, clustering merupakan salah satu metode yang juga sering dimasukkan sebagai salah satu metode data mining. Mengenai Variasi Metode Clustering, saya kurang mengerti maksudnya. Kalau melihat pada keadaan metode clustering yang ada memang banyak sekali variasi yang ada. Kita dapat memilih metode clustering mana yang akan kita gunakan dengan melihat data yang kita miliki.

Demikian dan semoga menjawab

By: Yudi Agusta

Yudi Agusta — Mon, 30 Mar 2009 02:20:44 +0000

Sdr/sdri Dian,

Dari informasi yang diberikan, saya belum bisa memastikan apakah clustering bisa diaplikasikan di sini atau tidak. Clustering pada intinya bertujuan untuk mengelompokkan data yang kita miliki menjadi bebeberapa kelompok, berdasarkan pada variabel yang tersedia di dalam data yang kita miliki. Kalau untuk automatic mapping, ada metode Self Organising Map (SOM) yang bisa digunakan. Tetapi untuk sistem informasi geografis, bisa diaplikasikan, tetapi memerlukan proses clustering dilaksanakan terlebih dahulu.

Demikian dan semoga menjawab

By: me

me — Tue, 17 Mar 2009 04:50:19 +0000

pak yudi, mau tanya sebenarnya kalo dilihat dari konsep clustering,apa sih tujuan utama dan hasil yang bisa diberikan oleh metode penganalisaan seperti ini? kemudian bidang2 pengaplikasian yang memungkinkan untuk dianalisa menggunakan clustering tu apa saja? terima kasih..

By: Ardi

Ardi — Thu, 12 Mar 2009 12:06:08 +0000

pak yudi, terima kasih banyak, artikel bapak banyak membantu saya dalam memahami clustering dalam data mining.
pertanyaan saya pak,
1. clustering disini sama tidak dengan clustering detection dalam data mining ?? maaf klo pertanyaan gk jelas, tp ini sangat membantu saya pak.
2. selain 3 metode clustering di atas (partition-based clustering, hierarchical clustering dan automatic mapping (Self-Organising Map/SOM)), terdapat Variasi Metode Clustering, pertanyaan saya variasi tersebut masuk dalam 3 kategori diatas apa tidak pak? atau sebagai metode lepas yg berdiri sendiri?
terima kasih banyak sekali lagi pak sebelumnya

By: dian

dian — Tue, 10 Mar 2009 03:51:07 +0000

pak… saya mw nanya.
saya ingin menyusun tugas akhir mengenai sistem informasi geografis penyebaran yang berhak menerima zakat. apakah metode clustering dengan p
endekatan automatic mapping bisa digunakan? tp saya kurang faham dengan rumus nya. apakah bapak bisa membantu saya?

By: Yudi Agusta

Yudi Agusta — Tue, 30 Sep 2008 11:09:45 +0000

Sdr. Sajadin, clustering merupakan teknik unsupervised classification. Kita tidak tahu menahu keadaan data kita saat ini. Semua metode clustering bisa dicoba. Tetapi saran saya, buatlah suatu prosedur untuk bisa membandingkan antara satu metode dengan metode yang lain. Salah satu cara untuk membandingkannya adalah dengan membagi data yang ada menjadi data training dan data test. Model yang didapat dengan data training, diuji kelayakannya dengan data test. Permasalahan yang sering dihadapi adalah mencari metode yang sama untuk menguji kelayakan metode-metode tersebut, karena setiap metode mempunyai asumsi yang berbeda-beda. K-Means dan Fuzzy C-Means menggunakan asumsi jarak (umumnya Eucledian) untuk memodel data. Kernel C-Means melakukan konversi dulu ke dimensi yang lebih tinggi sebelum memulai memodel. Sehingga secara keseluruhan metode-metode tersebut sulit untuk dibandingkan. Secara keseluruhan, silahkan dicoba-coba, cari prior knowledge yang berkembang mengenai data anda, dan pilih metode yang paling mendekati prior knowledge yang sudah berkembang tersebut.

Semoga membantu.

By: Sajadin Sembiring

Sajadin Sembiring — Thu, 25 Sep 2008 17:03:24 +0000

Pak Yudi, terima kasih atas kesediaannya membantu saya.
sekarang saya sedang mempelajari beberapa technik clustering yg nantinya akan di aplikasikan untuk meng explorasi data academic performance di perguruan tinggi. saya masih bingung dalam memodelkan datanya pak, dan saya belum faham apa langkah yg harus saya mulai, harap maklum pak sy masih pemula. Tujuan saya mau mencari mana technik yg terbaik digunakan pada area ini. Rencana sy mau membuat study comparative terhadap technik2 berikut ini : Original K-Means, MaxD K-means, Fuzzy C-Means dan kernel K-means. Mohon saran bapak, bagaimana seharusnya sy memodelkan datanya, dan apakah ada saran technik clustering apa yg lebih baik sy gunakan.
Trimakasih sebelumnya

By: Yudi Agusta

Yudi Agusta — Wed, 10 Sep 2008 01:05:44 +0000

Bisa menggunakan distance space yang berbeda-beda. Tergantung pada bagaimana kita mendefinisikan domain permasalahan kita.

By: yanti

yanti — Wed, 27 Aug 2008 07:42:09 +0000

pak… saya mw nanya…
dalam tulisan bapak tentang K-MEANS penerapan, permasalahan dan metode terkait khan ngebahas tentang perkembangan penerapan k-means di situ ad point tentang distance space.
maksudnya ap yah pak???
apakah dlm k-means menggunakan distance space yang berbeda2?
reperensinya ap az yah pak…
terima kasih

By: Yudi Agusta

Yudi Agusta — Mon, 28 Jul 2008 01:33:39 +0000

Dendogram hanya bentuk dari hasil clustering berbasis hirarki. Tentang pruning, banyak ada ulasannya di internet. Kalau mau membaca dari blog ini, saya ada nulis tentang pruning pada bahasan Decision Trees.

By: kembang

kembang — Wed, 23 Jul 2008 23:47:10 +0000

Pak… saya mau nanya mengenai dendogram. Apakah setiap klasterisasi hasil akhirnya selalu dalam bentuk dendogram ? Saya sekarang sedang mengerjakan tentang penggalian frequent tree dalam klasterisasi dokumen xml. dimana untuk mengukur kedekatan antar klaster saya menghitung nilai inter_klaster. Kalau saya buat dendogram siapa Y?
Pak.. saya juga kebingungan dengan proses prunning. apakah ada aturan untuk melakukan prunning data?
Terima kasih atas bantuannya.

By: Yudi Agusta

Yudi Agusta — Thu, 12 Jun 2008 06:51:27 +0000

Gimana mas Lukman, ada perkembangan?

By: antokdesign

antokdesign — Tue, 10 Jun 2008 02:03:54 +0000

Pak… saya mau nanya mengenai analisa data daerah, baik itu ipm ikk dengan pengalokasian dana ke daerah (dana transfer: dau, dak, dbh) dan potensi daerah melalui pad. dengan data yang ada kita ingin melihat hubungan alokasi dana di daerah dengan pengaruh ke ikk dan ipm tersebut… terima kasih atas bantuannya…

lukman adi

By: Yudi Agusta

Yudi Agusta — Fri, 30 May 2008 04:21:25 +0000

Kalau memang dari 4026 dimensi itu dirasa ada feature (variabel) yang mempunyai ketergantungan satu dengan yang lainnya, memang perlu untuk melakukan feature reduction/selection. Cuman perlu juga diperhatikan, metode apa yang dipilih untuk feature reduction. Lebih baiknya memilih metode feature reduction yang tidak menghilangkan informasi yang terkandung di dalam data. Principal Component Analysis misalnya, variabel yang dihasilkan merupakan komposisi gabungan dari variabel yang ada. Kalau tidak semua variabel hasil tidak digunakan berarti ada informasi yang hilang dari data. Metode mutual information mungkin bisa digunakan untuk memilih variabel mana yang diikutkan dan variabel mana yang tidak perlu diikutkan. Saya sempat membuat catatan tentang kNN Algorithm, dimana di dalamnya juga ada ulasan mengenai feature selection. Semoga membantu.

By: vin_ndutz

vin_ndutz — Wed, 28 May 2008 01:31:15 +0000

Pak, mau nanya tentang SOM.
saya berencana membuat skripsi dengan SOM untuk data dengan dimensi yg cukup tinggi yaitu 4026 dimensi.
Apakah bisa langsung dilakukan clustering dengan SOM karena SOM efektif untuk menangani data dimensi tinggi atau harus tetap melalui proses preprocessing terlebih dahulu.
kemudian preprocessing apa yang dipakai, apakah dengan menggunakan reduksi dimensi?
makasi

By: Yudi Agusta

Yudi Agusta — Mon, 26 May 2008 04:08:45 +0000

Single linkage pada dasarnya mencari jarak antar kelompok (cluster) dengan mendefinisikan jarak antar cluster tersebut dengan jarak terpendek dari setiap data yang ada di cluster yang satu dengan setiap data yang ada di cluster yang lain. Secara matematika D(C1,C2) = min D(x1 in C1, x2 in C2).

Tentang referensi, saya rasa tema ini sudah dicover dalam semua referensi tentang hierarchical clustering atau Data Mining secara umum. Google mungkin bisa membantu.

Semoga bermanfaat.

By: cicis

cicis — Wed, 21 May 2008 14:08:15 +0000

pak yudi, TA yang saya adalah segmentasi data menggunakan klusterisasi secara hierarchi, mohon bantuan penjelasan tentang varian dari hierarchical clustering yang ada y (khususnya single linkage), karena penjelasan diatas masih belum mencover kebutuhan saya dan kalau da referensi (ex.algorithm or pseudocode) saya berterima kasih sekali kalau bapak berkenan mengirimkannya ke email saya,any helps will be great

By: Yudi Agusta

Yudi Agusta — Mon, 12 May 2008 06:41:42 +0000

Mmm, referensi yang lain, saya sendiri jarang make yang Bahasa Indonesia

Bisa saja diperbandingkan. Tetapi karena secara prinsip, kedua metode adalah sama, hasilnya tidak akan jauh berbeda. Seperti yang pernah saya sampaikan sebelumnya, memperbandingkan dua metode clustering sangat sulit, karena pendekatannya berbeda-beda dan biasanya disesuaikan dengan jenis datanya. Tetapi bisa saja membandingkan beberapa metode clustering yang berbeda prinsip untuk melihat data jenis apa saja yang cocok untuk dianalisa oleh masing-masing metode. Beberapa metode clustering yang ada bisa lihat di atas.

Mudahan membantu.

By: shofie

shofie — Fri, 09 May 2008 03:59:27 +0000

pa makasi atas jawabannya….

klo saya mo nyari referensi yang lain tapi dalam bahasa indoenesia lebih baik di mana pak ???

klo saya mo membandingkan hard k-means dan fuzzy k-means menurut bapak gmana???

By: Yudi Agusta

Yudi Agusta — Tue, 06 May 2008 07:10:19 +0000

Metode Data Mining ada banyak sekali. Kalau dikelompokkan ada dua kelompok: supervised dan unsupervised. Clustering termasuk yang unsupervised i.e. datanya tidak mempunyai informasi label atau kelas.

Susah membandingkan dua teknik clustering karena pada dasarnya basicnya semuanya berbeda-beda.

Coba dibaca lagi. Kalau tulisan saya tidak mencukupi, cari referensi yang lain sebagai pembanding.

Semoga membantu.

By: shofie

shofie — Tue, 06 May 2008 02:55:48 +0000

Pa saya mo nanya

1. sebenernya teknik dalam data mining ada berapa? soalnya dari beberapa sumber yang saya baca memiliki berbagai versi.

2. klo saya mo membandingkan dua teknik dalam clustering lebih baik apa? mohon bimbingannya!!!

3. saya sudah membaca tulisan bapak tentang k-means, tapi saya kurang mengerti.

4. makasi sebelumnya. mohon di jawab secepatnya

By: Yudi Agusta

Yudi Agusta — Wed, 30 Apr 2008 09:29:46 +0000

Silahkan. Saya akan bantu tentunya sebatas kemampuan saya . Penjelasan singkat tentang Kernel K-Means saya tambahkan pada halaman K-Means.