Berita Geografi Terbaru Hari Ini

Pengertian Dan Makna Geografi Secara Umum

Berbagai Macam Pengertian Tentang Cluster/Clustering

Ada berbagai macam pengertian tentang cluster/clustering. Singkatnya cluster adalah fenomena dimana search engine mendata dua atau lebih halaman sebuah web site bersama sebuah query pencari. Clustering yang ini bermakna metode penganalisaan information yang tujuannya untuk mengelompokkan information bersama cirikhas dan karateristik yang mirip dalam suatu wilayah

Berbagai Macam Pengertian Tentang Cluster/Clustering

taruhan bola Beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering bersama pendekatan partisi dan clustering bersama pendekatan hirarki. Clustering bersama pendekatan partisi atau kerap disebut bersama partition-based clustering mengelompokkan information bersama memilah-milah information yang dianalisa ke dalam cluster-cluster yang ada. Clustering bersama pendekatan hirarki atau kerap disebut bersama hierarchical clustering mengelompokkan information bersama memicu suatu hirarki berupa dendogram dimana information yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan.

Pendekatan Partisi
Salah satu metode yang banyak digunakan dalam melaksanakan clustering bersama partisi ini adalah metode k-means. Secara lazim metode k-means ini melaksanakan sistem pengelompokan bersama prosedur sebagai berikut:

-Tentukan jumlah cluster
-Alokasikan information secara random ke cluster yang ada
-Hitung biasanya setiap cluster dari information yang tergabung di dalamnya
-Alokasikan kembali seluruh information ke cluster terdekat
-Ulang sistem no 3, sampai tidak ada pergantian atau pergantian yang berjalan tetap udah di bawah treshold

Prosedur basic ini dapat beralih ikuti pendekatan pengalokasian information yang diterapkan, apakah crisp atau fuzzy. Setelah meneliti clustering dari sudut yang lain, aku mendapatkan bahwa k-means clusteringmempunyai sebagian kelemahan.Penjelasan lengkap tentang k-means dapat termasuk dilihat pada

Mixture Modelling (Mixture Modeling)
Mixture modelling (mixture modeling) merupakan metode pengelompokan
data yang mirip bersama k-means bersama berlebihan pemanfaatan distribusi
statistik dalam mengartikan setiap cluster yang ditemukan.
Dibandingkan bersama k-means yang hanya menggunakan cluster center,
penggunaan distribusi statistik ini mengijinkan kami untuk:

Memodel information yang kami mempunyai bersama setting karakteristik yang berbeda-beda
Jumlah cluster yang cocok bersama kondisi information dapat ditemukan
seiring bersama sistem pemodelan karakteristik dari tiap-tiap cluster
Hasil pemodelan clustering yang dikerjakan dapat diuji tingkat keakuratannya

Distribusi statistik yang digunakan dapat bermacam macam menjadi dari
yang digunakan untuk information categorical sampai yang continuous, termasuk
di antaranya distribusi binomial, multinomial, normal dan lain-lain.
Beberapa distribusi yang berupa tidak normal seperti distribusi
Poisson, von-Mises, Gamma dan Student t, termasuk diterapkan untuk bisa
mengakomodasi berbagai kondisi information yang ada di lapangan. Beberapa
pendekatan multivariate termasuk banyak diterapkan untuk memperhitungkan
tingkat keterkaitan antara variabel information yang satu bersama yang lainnya.

Pendekatan hirarki.
Clustering bersama pendekatan hirarki mengelompokkan information yang mirip
dalam hirarki yang mirip dan yang tidak mirip di hirarki yang agak jauh.
Ada dua metode yang kerap diterapkan yakni agglomerative hieararchical clustering dan divisive hierarchical clustering. Agglomerative melaksanakan sistem clustering dari N cluster menjadi satu kesatuan cluster, dimana N adalah jumlah data, sedangkan divisive melaksanakan sistem clustering yang sebaliknya yakni dari satu cluster menjadi N cluster.

Beberapa metode hierarchical clustering yang kerap digunakan dibedakan menurut cara mereka untuk menghitung tingkat kemiripan. Ada yang menggunakan Single Linkage, Complete Linkage, Average Linkage, Average Group Linkage dan lain-lainnya. Seperti termasuk halnya bersama partition-based clustering, kami termasuk dapat memilih model jarak yang digunakan untuk menghitung tingkat kemiripan antar data.

Salah satu cara untuk mempermudah pengembangan dendogram untuk
hierarchical clustering ini adalah bersama memicu similarity matrix yang
memuat tingkat kemiripan antar information yang dikelompokkan. Tingkat
kemiripan dapat dihitung bersama berbagai macam cara seperti dengan
Euclidean Distance Space. Berangkat dari similarity matrix ini, kita
bisa memilih lingkage model mana yang akan digunakan untuk
mengelompokkan information yang dianalisa

Leave a Reply

Your email address will not be published. Required fields are marked *