Dengan mengeset turunan dari Langrarian menghasilkan a= Bola minimal yang telah didapat kemudian dipetakan kembali ke dimensi
awal rendah dengan menjadi kontur yang secara eksplisit memperlihatkan bentuk kluster. Seluruh titik yang berada pada kontur tersebut diasosiasikan
sebagai anggota kluster tersebut. Ciri titik berada di dalam kontur adalah jarak titik tersebut dengan
pusat kluster lebih kecil atau sama dengan radius bola.
……………….2.8
………………….2.9
Sehingga bentuk kluster dapat dilihat dengan melihat titik –titik support vector dari kluster tersebut. Untuk menentukan titik masuk ke kluster mana diperlukan
pengujian jarak titik tersebut dengan titik yang lain. Misal terdapat titik i dan j maka i dan j termasuk dalam kluster yang sama jika jarak seluruh titik-titik antara
i dan j dalam garis lurus lebih kecil atau sama dengan radius bola minima. Cara diatas mengharuskan dibuatnya matrik ketetanggan antar titik dimana Aij=1 jika
titik i dan j terletak dalam 1 kluster dan Aij=0 jika i dan j tidak terletak dalam 1 kluster.
2.5. Algoritma Support Vector Clustering
1. Lakukan inisialisasi data.
2. Lakukan pencarian nilai beta melalui optimasi persamaan linear dual
wolfe dengan konstrain 0 βj C dan ∑βj=1 3.
Lakukan pembuatan matrik ketetanggaan dengan menentukan 3 titik pada garis lurus antara 2 titik yang dicek keterhubungan clusternya.
Universitas Sumatera Utara
2.6. Algoritma K-Medoids
Pengelompokkan merupakan proses pengumpulan beberapa objek ke dalam kelompok sehingga setiap objek dalam satu kelompok adalah mirip namun tidak
mirip dengan kelompok yang lain. Metode K-Means telah diketahui sehingga teknik yang baik untuk pengelompokan. Namun, metode K-Means ini sensitive terhadap
adanya outlier, alternatifnya yang sering digunakan adalah metode K-Medoids Park dan Jun, 2009. K-Medoids ini mirip dengan K-Mean, namun yang menjadi
center klaster adalah datum, bukan mean data. Park dan Jun 2009 menawarkan algoritma K-Medoids dimana menurut
penelitiannya algoritma ini menghasilkan kinerja yang baik dibandingkan K-Means dan dengan waktu yang lebih cepat.
Algoritma K-Medoids tersebut adalah sebagai berikut : 1. Tahap pertama pilih inisial medoid
1-1 Hitung d
ij
, jarak di antara setiap pasangan objek berdasarkan ukuran jarak tertentu, misalnya Euclidean
�
��
= �∑
� �=1
�
��
− �
�� 2
= �x
�
− x
�
′x
�
− x
�
2.10
dimana i=1,…..,n; j=1,…..,n dan p adalah banyak variable, serta V adalah matrik varian kovarian.
1-2 Hitung v
j
untuk setiap objek j dimana
�
�
= �
�
��
∑ �
�ℎ n
h =1
� �=1
2.11
1-3 Urutkan
v
j
dari terkecil ke terbesar. Pilih objek terkecil sebanyak k sebagai inisial medoid.
1-4 Hitung jarak setiap objek terhadap inisial medoid dan kelompok objek
dalam k kelompok berdasarkan jarak minimal terhadap setiap medoid. 1-5
Hitung jumlah jarak dari semua objek ke medoid kelompoknya. 2
Tahap Kedua Update Medoid
Universitas Sumatera Utara
Cari medoid baru pada setiap kelompok dimana jarak antar objek minimal. Update medoid setiap kelompok yang ada dengan medoid
yang baru. 3
Tahap Ketiga menghubungkan objek pada medoid 3-1
Hitung jarak semua objek ke setiap medoid dan dihasilkan kelompok baru berdasarkan jarak minimal.
3-2 Hitung jarak semua ke medoid kelompoknya. Jika jumlahnya sama
dengan jumlah sebelumnya, hentikan algoritma. Jika tidak kembali ke tahap 2.
2.7. Riset-Riset Terkait
