algoritma-algoritma partitioning optimasi literative dibagi lagi ke dalam metode- metode K-medoids dan K-means.
2.4 Analisis Cluster
Analisis cluster adalah suatu analisis statitik yang bertujuan memisahkan obyek kedalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang
satu dengan yang lain. Dalam analisis ini tiap-tiap kelompok bersifat homogen antar anggota dalam kelompok atau variasi obyek dalam kelompok yang terbentuk
sekecil mungkin Prayudho, 2008. Tujuan Analisis Cluster :
1. Untuk mengelompokkan objek-objek individu-individu menjadi kelompok- kelompok yang mempunyai sifat yang relatif sama homogen
2. Untuk membedakan dengan jelas antara satu kelompok cluster dengan kelompok lainnya.
Adapun manfaat Analisis Cluster sebagai berikut :
1. Untuk menerapkan dasar-dasar pengelompokkan dengan lebih konsisten 2. Untuk mengembangkan suatu metode generalisasi secara induktif, yaitu
pengambilan kesimpulan secara umum dengan berdasarkan fakta-fakta khusus.
3. Menemukan tipologi yang cocok dengan karakter obyek yang diteliti 4. Mendeskripsikan sifat-sifat karakteristik dari masing-masing kelompok
Analisis cluster dilakukan dengan langkah-langkah berikut :
Universitas Sumatera Utara
1. Merumuskan permasalahan 2. Memilih ukuran jarak atau kesamaan
3. Memilih prosedur pengklusteran 4. Menetapkan jumlah cluster
5. Interpretasi dan profil dari cluster 6. Menaksir reliabilitas dan validitas
2.5 Metode Kernel
Machine learning untuk penelitian pengolah sinyal sangat dipengaruhi oleh metode yang popular kernel Mercer Christianini Taylor, 2000. Point utama
dalam metode kernel adalah apa yang disebut “kernel trick”, yang memungkinkan penghitungan dalam beberapa inner product, kemungkinan dengan dimensi yang
tidak terbatas, ruang fitur Anggaplah x
i
dan x
j
k x adalah dua point data ruang input.
Jika fungsi kernel k… memenuhi kondisi Mercer maka :
i ,
x
j
= Φx
i
.
Φx
j
Dimana, x 2.1
i,
x
j
Metode-metode Kernel adalah algoritma yang secara implisit melaksanakan, melalui penggantian inner product dengan Kernel Mercer yang tepat, sebuah
pemetaan nonlinear dari data input ke ruang fitur berdimensi tinggi Vapnik, menunjukkan inner product dan
Φ. melambangkan
pemetaan non-linier dari ruang input kepada fitur kernel. Kernel trick memungkinkan pelaksanaan dari algoritma pembelajaran, yang dinyatakan dalam
bentuk inner product ruang fitur kernel.
Universitas Sumatera Utara
1995. Metode-metode kernel yang sangat disupervisi telah dikembangkan untuk menyelesaikan masalah-masalah klasifikasi dan regresi.
K-means adalah algoritma unsupervised learning yang membagi kumpulan data ke dalam sejumlah cluster yang dipilih dibawah beberapa ukuran-ukuran
optimisasi. Sebagai contoh, kita sering ingin meminimalkan jumlah kuadrat dari jarak Euclidean antara sampel dari centroid. Asumsi di belakang ukuran ini adalah
keyakinan bahwa ruang data terdiri dari daerah elliptical yang terisolasi. Meskipun demikian, asumsi tersebut tidak selalu ada pada aplikasi spesifik. Untuk
menyelesaikan masalah ini, sebuah gagasan meneliti ukuran-ukuran lain, misalnya kesamaan kosinus yang digunakan dalam pencarian informasi. Gagasan lain
adalah memetakan data pada ruang baru yang memenuhi persyaratan untuk ukuran optimasi. Dalam hal ini, fungsi kernel merupakan pilihan yang baik.
2.6 Fungsi Kernel
Kategori