Kalau boleh saya tahu, referensi mana (usulan siapa) yang dipakai terkait dengan two-stage clustering ini.

Demikian, ditunggu konfirmasinya.

Reply

Kalau boleh saya tahu, referensi mana (usulan siapa) yang dipakai terkait dengan two-stage clustering ini.

Demikian, ditunggu konfirmasinya.

Demikian yang bisa saya beritahukan dan semoga membantu.

Untuk data campuran bisa menggunakan distribusi campuran juga (distribusi continues dan distribusi categorical), misalnya distribusi normal dengan distribusi binomial/multinomial. Akan tetapi, korelasi antara variabel continuous dan variabel categical susah untuk dihitung, maka dalam kondisi seperti ini diasumsikan tidak ada korelasi antara variabel categorical dengan variabel continuous.

Untuk ukuran sampel, tidak ada batasan. Tetapi katanya kalau suatu populasi jumlah anggotanya kurang dari 30, mempunyai tendensi untuk tidak normal.

Demikian dan semoga membantu.

Dalam LCCA umumnya data dimodel dalam bentuk distribusi statistik. Kalau data continues biasanya menggunakan distribusi normal. Sedangkan untuk data catergorical (nominal atau ordinal) bisa menggunakan distribusi binomial (untuk variabel categorical yang mempunyai wilayah nilai 2) atau multinomial (untuk variabel categorical yang mempunyai wilayah nilai lebih dari 2).

Untuk ukuran similaritynya, dapat menggunakan nilai probabilitas. Kalau suatu data probabilitasnya tinggi untuk menjadi anggota suatu kelompok tertentu, data tersebut akan dikelompokkan masuk ke dalam kelompok tersebut. Jadi pengorganisasian data dengan kelompok ini tidak menghitung jarak absolut antar data, tetapi dimodel dulu dalam bentuk model distribusi, baru kemudian data ditentukan apakah dia mempunyai probabilitas tinggi untuk masuk kelompok yang satu atau kelompok yang lain.

Demikian semoga membantu.

Akaike, H. (1974). A New Look at the Statistical Model Identification. IEEE Transaction on Automatic Control AC-19(6): 716-723.

Ada juga beberapa turunan dari kriteria ini dan kalau dicari di internet ada banyak sekali penerapan yang dilakukan memanfaatkan kriteria ini. Tetapi seperti dikatakan di atas, AIC mungkin masih banyak kekurangan dalam mengidentifikasi model yang ada di dalam data dibandingkan BIC dan kriteria pemodelan yang lain.

Semoga membantu.

Mohon Jawabannya,,,

Dynamic cluster analysis merefer pada penambahan beberapa data baru dan penghapusan beberapa data yang lama dalam proses clustering serta melakukan penyesuaian metode terhadap perubahan tersebut.

Metode yang digunakan pada dasarnya berbasiskan metode clustering yang telah ada. Tetapi bagaimana mengakomodasi perubahan data untuk melakukan clustering yang lebih cepat, yang menjadi tambahan poin pada dynamic cluster analysis ini.

Demikian mungkin, semoga bisa membantu.

Information Gain, sesuai dengan namanya, mempunyai arti seberapa besar informasi yang kita dapatkan apabila kita memilih variabel atau data tertentu dalam melakukan pemodelan. Semakin banyak kita mendapatkan informasi (yang biasanya diukur dengan nilai bits-nya), makin bagus variabel ataupun data tersebut digunakan untuk pengklasifikasian.

Demikian dan semoga membantu.

Demikian dan semoga menjawab.

Saya kurang tahu metode latent gold ataupun software yang digunakan utnuk itu, sehingga saya tidak bisa menjawab tentang maksud dari error kovarians ini. Kalau dalam Mixture modelling, kalau kita mengasumsikan bahwa antar variabel itu ada korelasinya, maka akan dipakai variance covariance, bukan standard deviasi setiap variabel yang ikut.

Kecenderungan untuk memperhatikan BIC karena secara eksperimen terbukti bahwa BIC menghasilkan model dengan lebih akurat daripada AIC, ataupun CAIC. Secara teori, mungkin belum pernah ada yang membuktikan apa salahnya metode AIC mapun CAIC.

Demikian, semoga menjawab

Apakah information gain diperlukan dalam menentukan data dalam cluster?Bisakah beri informasi lebih lanjut tentang information gain?

Terima kasih, Pak Yudi

Apakah ada kriteria khusus dalam pemilihan data untuk diclusterkan? Saya diberitahu oleh teman saya adanya tentang Information Gain untuk pemilihan data yang akan dicluster, bisa tolong jelaskan lebih lanjut tentang Information Gain dan apa kegunaannya? Terima kasih Pak Yudi

Untuk yang nomor 4, terkadang, kita menemukan suatu cluster yang isinya kosong, tidak ada data yang cocok masuk ke kelompok tersebut. Ataupun kalaupun ada jumlahnya tidak begitu banyak, sehingga lebih efektif untuk digabungkan dengan kelompok yang lain. Maka dari itu, suatu cluster bisa saja dihilangkan dari pemodelan.

Demikian dan semoga menjawab

mohon bantuannya y pak

Mudah-mudahan menjawab.

Data apa saja bisa dimodel dengan EM asalkan numerik. Termasuk data categorical juga bisa, tapi kategorinya direpresentasikan dalam bentuk angka dulu untuk memudahkan pemodelan.

Demikian

Untuk jumlah minimal data yang harus disediakan untuk dimodel, tidak ada batasan yang jelas. Mungkin ada suatu acuan suatu populasi harus terdiri dari minimal 30 data. Tetapi dalam proses clustering itu tidak bisa ditentukan. Misalnya kalau kita ingin memodel clustering dengan 3 cluster, menyediakan 3×30 data belum tentu mencukupi, karena kemungkinan satu cluster terdiri dari 60 data, cluster kedua 20 data dan cluster ketiga 10 data. Dan itu tidak bisa diprediksikan. Yang bagus dipersiapkan adalah kita menggunakan metode clustering yang akurat, sehingga walaupun datanya cuman 5, karakteristik cluster itu masih bisa kita tangkap dengan baik.

EM itu adalah pada dasarnya Gaussian Mixture Model. Proses E (Expectation) pada EM Algorithm adalah mencari karakteristik dari masing-masing cluster dan Proses M (Maximization) adalah proses mencari komposisi cluster dan data agar memaksimalkan nilai likelihood data terhadap model cluster yang dihasilkan.

Demikian dan semoga menjawab.

1. Apa kelebihan dan kekurangan Cluster EM dibandingkan cluster K-Mean ?

2. Cluster yg baik adalah cluster yang memiliki karakterisitik homogenitas dan heterogenitas. Cluster EM lebih condong memiliki karakterisitik yang mana ?

3. Apakah ada hubungannya input data yang dipakai dalam cluster dgn jumlah cluster yg dihasilkan dan jumlah data yang akan dipakai dalam cluster EM. Misal bila jumlah input = 3 dan jumlah cluster yg dibuat = 3 maka jumlah data yang boleh digunakan minimal berjumlah 50.

4. Data yg seperti apa yg cocok untuk di cluster menggunakan Cluster EM ?

5. Mengapa cluster EM disebut mixture model atau Gaussian Mixture Model ?

Mohon bantuannya, Pak Yudi.
Terima kasih

1. Apa kelebihan dan kekurangan cluster EM dengan cluster K-Mean ?

2. Cluster yang baik adalah cluster yang memiliki karakteristik homogenitas dan heteroginitas, Cluster EM lebih condong memiliki karakteristik yang mana ?

3. Apakah ada hubungannya input yang akan dicluster dengan jumlah data yang akan dicluster dan jumlah cluster yg ingin dibuat. Misal bila input =3 dan jumlah cluster = 3 maka jumlah data yg harus dicluster minimal berjumlah 50.

4. Mengapa cluster EM disebut juga mixture model clustering ?, apakah ada kaitannya dgn Gaussian Mixture Model.

Mohon bantuannya Pak Yudi, maaf kalau pertanyaaannya banyak.

Sedangkan untuk klasifikasi tanpa supervisi, dalam melakukan proses pengklasifikasian tidak dipandu sama sekali. Data dikelompokkan berdasarkan karakteristiknya, dan kita tidak akan tahu berapa kelompok yang menjadi hasil akhirnya, bisa satu kelompok, dua, tiga, empat dan seterusnya.

Sedangkan partisi itu, proses pengelompokan dilakukan dengan melakukan partisi/pembagian berdasarkan kemiripan karakteristik masing-masing data. Beda dengan hirarki, data dikelompokkan berdasarkan kemiripan anak dan orang tuanya.

Estimasi dalam clustering itu untuk menentukan nilai yang akan digunakan untuk merepresentasikan data-data yang termasuk di dalam suatu kelompok. Misalnya kalau kelompok yang ditemukan ingin direpresentasikan dalam bentuk rata-rata nilai data di dalam kelompok tersebut, berarti kita perlu melakukan estimasi nilai rata-rata dari kelompok tersebut. Cara untuk melakukan estimasi tergantung pada karakteristik yang ingin diestimasi nilainya.

Gitu dulu Mega, selamat mencoba.

Yang ingin saya tanyakan adalah jika saya mempunyai 2 variabel dan ingin membuat 2 cluster, Maka mean (centroid) pada tiap cluster ada 2 nilai yaitu
cluster 1 (V11 & V12) dan cluster 2 (V21 & V22) atau nilai mean (centroid) pada tiap cluster ada 1 nilai yaitu nilai mean (V11&V22) dirata2 kan lagi sehingga menjadi 1 nilai mean untuk tiap cluster.

Mohon bantuannya Pak Yudi.
Terima kasih

Yang ingin saya tanyakan adalah jika saya mempunyai 2 variabel dan ingin membuat 2 cluster, Maka mean (centroid) pada tiap cluster ada 2 nilai yaitu
cluster 1 (V11 & V12) dan cluster 2 (V21 & V22) atau nilai mean (centroid) pada tiap cluster ada 1 nilai yaitu nilai mean (V11&V22) dirata2 kan lagi sehingga menjadi 1 nilai mean untuk tiap cluster.

Mohon bantuannya Pak Yudi.
Terima kasih

Probabilitas dihitung dengan memanfaatkan fungsi distribusi yang digunakan sebagai dasar. Misalnya memakai fungsi Gaussian, karena nilai data dan means serta standar deviasi sudah didapatkan maka akan bisa dihitung dengan mudah. Jangan lupa bahwa dalam mixture model, penghitungan probabilitas juga harus memikirkan mixing proportion atau relative abundance dari masing-masing grup.

Semoga menjawab.

Saya mempunyai 4 buah data dan 2 variabel X1 & X2

1) Pada tahap b-1 ada 2 nilai mean(centroid) untuk masing2 variabel pada tiap cluster, dan Apakah nilai standar deviasi ada 2 nilai untuk masing2 variabel pada tiap cluster atau nilai standar deviasi hanya ada 1 nilai dimana kita menghitung 2 variabel secara sekaligus?

2) Bukankah untuk menghitung probabilitas dibutuhkan 1 nilai mean dan 1 nilai mean, sehingga nilai mean (centroid) untuk masing2 variabel digabungkan menjadi 1 nilai mean dan menghitung standar deviasi untuk kedua variabel sehingga menjadi 1 nilai standar deviasi?

Mohon bantuannya Pak Yudi
Terima kasih

Saya memiliki 4 buah data dengan 2 variabel X1 dan X2.Saya ingin membagi menjadi 2 cluster.

Yang ingin saya tanyakan adalah
1) Apakah variabel X1 dan X2 memiliki standar deviasi masing2 seperti pada mean/centroid jadi ada 2 standar deviasi masing2 untuk X1 dan X2?

2) Apakah variabel X1 dan X2 memiliki 1 standar deviasi dimana nilai variabel X1 dan X2 dijadikan satu variabel dgn jumlah data = 8?

3) Bagaimana menghitung probabilitas masing2 cluster pd tahap b-3 apabila hanya 1 nilai standar deviasi dan 2 nilai mean (X1&X2) apabila menghitung probabilitas menggunakan Gaussian dimana hanya ada 1 mean dan 1 standar deviasi?

Mohon dijawab Pak.
Terima kasih