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.

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???

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.

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

Weighting exponent (m) mempengaruhi seberapa besar tingkat ketidak pastian (membership function) suatu data dalam suatu pemodelan. Makin besar nilai m, makin luas sebaran membership function yang ada terhadap keseluruhan pemodelan. Nilai yang memungkinkan digunakan adalah m>1.0. Interval yang banyak digunakan adalah [1.5,3.5] dan nilai yang umum digunakan adalah 2.0, dengan alasan: disamping melihat tingkat pengaruh sebaran nilai membership function dalam suatu pemodelan, juga melihat mathematical convenience dalam menghitung membership function (u_ik) yang diperlukan.

Saya sendiri tidak terlalu banyak memikirkan nilai m ini selain 2.0. FYI, ada juga beberapa referensi yang berusaha mencari nilai m yang tepat untuk suatu pemodelan. Untuk yang ini, mungkin anda bisa minta bantuan google.

Untuk pertanyaan yang lain:
1. Semua data bisa bisa dicluster asalkan data tersebut bukan categorical data. Karena sifat Fuzzy c-Means yang mencari tingkat kesamaan antar data menggunakan konsep jarak geometri.
2. Untuk jenis data yang bagus dimodel dengan fuzzy c-means, sudah tentu adalah data yang bentuk clusternya globular (lingkaran, elips atau yang sejenisnya). Hal ini karena fuzzy c-means menggunakan konsep jarak geometri untuk mencari kesamaan antar data. Tetapi sudah tentu kita umumnya tidak tahu bentuk data yang dimodel terlebih dahulu (kecuali data yang kita miliki 1, 2 atau 3 dimensi), masih bisa kita visualisasikan. Begitulah ciri khas dari metode yang tergolong unsupervised classification. Kalau memang kita tahu bentuk data kita di awal pemodelan, kita bisa mencari metode clustering yang paling cocok untuk data tersebut.

Mudahan bisa menjawab.

Pertanyaan yang lain:
1. Apakah pada penggunaan Fuzzy K Mean bisa dipastikan semua data bisa ter-cluster?
2. Data apa saja yang bisa di cluster menggunakan Fuzzy K Mean. Semua data? Atau pada data-data dengan karakter tertentu saja hasil cluster akan menjadi baik, sementara pada data karakter lain kurang bagus dilakukan cluster dengan Fuzzy K Mean? Terus….kalau iya…data yang berkarakter seperti apakah yang bagus digunakan cluster menggunakan Fuzzy K Mean?

Terima kasih.

terimakasih.

Saya jawab seperti ini ya:
1. Bisa ya bisa bukan. Bingung khan. Ya: kalau dibilang masih ada data yang tidak kelihatan (berupa laten variabel) yang diperhitungkan di dalam EM dalam mencari solusi ML. Bukan: karena hasil akhir dari EM adalah juga solusi di Maximum Likelihood, walaupun bukan solusi ML untuk data yang kelihatan saja, tetapi juga mencakup laten variabel. Penjelasan rincinya lihat di atas.
2. Saya pernah download, kalau gak salah ada di Canada sana deh. Coba disearch lagi
3. Semua data riil yang belum mempunyai informasi label/kelas bisa dijadikan data untuk proses clustering dengan mixture model
4. He he apa perlu saya jawab yang ini

Yudi

may u can help me to find out my “four” things above.
with all my hope,
len

terima kasih pak,
leny

lecture yang ke 9 kapan bisa di upload, supaya ntar kuliahnya jadi lancar.

Kalau memang ingin mengeluarkan tingkat error, bisa diakali dengan menyediakan test data (selain training dan validation data di atas) dan mengulangi prosedur tahap ke-tiga dan ke-empat dalam tulisan di atas. Tetapi yang dibandingkan kali ini adalah training data dan test data (bukan validation data).

Semoga membantu.