Apa Itu Algoritma K Means dalam video
Algoritma k-means adalah salah satu algoritma unsupervised machine learning yang digunakan untuk mengelompokkan data. Algoritma ini membagi data menjadi sejumlah k cluster, sehingga data dalam satu cluster memiliki karakteristik yang sama dan memiliki karakteristik yang berbeda dengan data yang ada di cluster lain.
Algoritma k-means bekerja dengan cara memilih sejumlah titik data awal (k) secara acak, lalu memindah-mindahkannya hingga pengelompokan yang paling ideal ditemukan. Algoritma ini berulang-ulang melakukan dua langkah, yaitu:
1. Menetapkan setiap titik data ke cluster yang terdekat dengan titik data tersebut.
2. Menghitung centroid baru untuk masing-masing cluster.
Proses ini akan berhenti jika tidak ada perubahan pada centroid cluster atau jika jumlah iterasi yang ditentukan telah tercapai.
Unsupervised learning adalah salah satu jenis machine learning yang tidak memerlukan label untuk datanya. Dalam algoritma k-means, label data tidak diperlukan karena algoritma ini akan secara otomatis menemukan pola dalam data.
Clustering adalah teknik untuk mengelompokkan data menjadi sejumlah kelompok. Dalam algoritma k-means, kelompok-kelompok ini disebut cluster.
Centroid adalah titik pusat dari sebuah cluster. Centroid dihitung sebagai rata-rata dari semua titik data yang ada dalam cluster tersebut.
Euclidean distance adalah metrik yang digunakan untuk mengukur jarak antara dua titik dalam ruang dimensi n. Dalam algoritma k-means, Euclidean distance digunakan untuk menghitung jarak antara titik data dengan centroid cluster.
Algoritma k-means adalah algoritma iteratif. Hal ini berarti bahwa algoritma ini akan mengulangi prosesnya hingga mencapai kondisi tertentu.
Misalnya, kita memiliki data tentang lokasi empat jenis tanaman, yaitu A, B, C, dan D. Kita ingin mengelompokkan tanaman tersebut menjadi dua cluster, berdasarkan lokasinya.
Langkah pertama adalah menentukan jumlah cluster (k). Dalam hal ini, kita menetapkan k=2.
Langkah kedua adalah memilih titik k sebagai centroid awal secara acak. Kita dapat memilih titik A, B, C, atau D secara acak.
Langkah ketiga adalah menetapkan setiap titik data ke cluster yang terdekat dengan centroid. Dalam hal ini, titik A dan B akan masuk ke cluster pertama, sedangkan titik C dan D akan masuk ke cluster kedua.
Langkah keempat adalah menghitung centroid baru untuk masing-masing cluster. Centroid baru untuk cluster pertama adalah rata-rata dari titik A dan B, yaitu (0.5, 0.5). Centroid baru untuk cluster kedua adalah rata-rata dari titik C dan D, yaitu (1.5, 1.5).
Langkah ketiga dan keempat akan diulang hingga tidak ada perubahan pada centroid cluster.
* Relatif sederhana dan mudah untuk diterapkan.
* Dapat diskalakan untuk dataset dalam jumlah besar.
* Mudah beradaptasi dengan contoh baru.
* Umum diimplementasikan ke cluster dengan bentuk dan ukuran yang berbeda.
* Sensitif terhadap pemilihan centroid awal.
* Dapat menghasilkan cluster yang tidak optimal jika jumlah cluster yang ditentukan terlalu banyak atau terlalu sedikit.
Algoritma k-means dapat digunakan untuk berbagai aplikasi, antara lain:
* Segmentasi pelanggan
* Pengelompokan dokumen
* Analisis data
* Pengolahan citra
* Klasifikasi data
Algoritma k-means adalah algoritma unsupervised machine learning yang populer untuk mengelompokkan data. Algoritma ini relatif sederhana dan mudah untuk diterapkan, serta dapat digunakan untuk berbagai aplikasi.
0 Komentar