Judul paper yang kami ambil adalah
1.
Aplikasi K-Means untuk
Pengelompokan Mahasiswa Nilai Body Mass Index (BMI) & Ukuran Kerangka.
2. Apllication
of K-Means clustering algorithm for prediction of student’s Academic Performance
KASUS
Dalam kasus
paper yang pertama yakni Aplikasi K-Means untuk
Pengelompokan Mahasiswa Nilai Body Mass Index (BMI) & Ukuran Kerangka.
Kasus yang diperoleh adalah untuk menegelompokan mahasiswa berdasarkan nilai
BMI dan ukuran kerangka yang membandingkan berat badan dengan tinggi badan.
Sedangkan Kasus paper yang kedua yaitu Apllication of K-Means
clustering algorithm for prediction of student’s Academic Performance dimana Kemampuan
untuk memantau kemajuan siswa prestasi
akademik didasarkan pada analisis
klaster dan menggunakan standar statistic algoritma untuk mengatur data nilai
mereka sesuai dengan tingkat kinerja mereka.
METODE
Metode dari
paper yang pertama menggunakan meode Euclidean Distance namuu ntuk menghitung nilai
BMI diperlukan 2 parameter, yaitu berat badan (cm) dan tinggi badan (m)
BMI = berat badan (Kg)/ Tinggi badan (m)
18,5 - 22,9 = berat normal
23 - 24,9 = obesitas ringan
25 - 29,9 = obesitas sedang
>= 30 = obesitas berat
Metode paper
yang kedua juga menggunakan metode Euclidean distance dimana metodologi
untuk membandingkan prediksi clustering algoritma dan jarak Euclidean sebagai
ukuran jarak kesamaan.
PARAMETER
Pada Pengelompokan Mahasiswa dimulai dengan pemilihan secara acak K, K disini
merupakan banyaknya cluster yang ingin dibentuk. Kemudian tetapkan nilai-nilai
K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau
biasa disebut dengan centroid, mean atau “means”. Lalu mengitung jarak setiap
data yang ada terhadap masing-masing centroid menggunakan rumus Euclidean
hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid.
Setelah itu setiap data diklasifikasikan berdasarkan kedekatannya dengan
centroid. Lakukan langkah tersebut hingga nilai centroid tidak berubah.
Sedangkan pada penerapan prediksi akademik mahasiswa K adalah jumlah yang
diperlukan kelompok untuk mengidentifikasi dari jumlah iterasi k ≤ n, 1 ≤ n [6]
yaitu menerima jumlah cluster untuk mengelompokan data kedalam dataset untuk
cluster sebagai input kemudian inisialisasi cluster K .- Ambil contoh K pertama
atau ambil sempel acak dari elem K
Kemudian
hitung sarana aritmatika tiap cluster yang dibentuk pada dataset. K-means
memeberikan setiap record dalam dataset hanya satu dari cluster awal kemudian
setiap record ditugaskan untuk cluster terdekat menggunakan ukuran jarak
Euclidean.
KELEBIHAN
Kelebihan dari paper yang pertama adalah jenis
dataset yang mudah untuk di pahami sedangkan kelebihan dari paper yang kedua
yakni adanya metodologi sederhana dan kualitatif untuk membandingkan prediksi
dari algoritma clustering dan jarak Euclidean
KELEMAHAN
Kelemahan dari paper yang pertama maupun yang kedua
adalah dataset yang diteliti terlalu banyak dan index algoritmanya juga tidak
terlalu membantu dalam perhitungannya.
0 komentar:
Post a Comment