Rancangan Penelitian - METODE PENELITIAN - ANALISIS ALGORITMA DBSCAN DALAM MENENTUKAN PARAMETER

BAB III METODE PENELITIAN

3.4 Rancangan Penelitian

Pada penelitian yang dilakukan, membutuhkan suatu tahap dalam mendapatkan hasil dari tujuan penelitian. Setiap langkah penelitian digambarkan menggunakan flowchart.

Penelitian ini dilakukan pertama kali yaitu penginputan dataset irisyang telah tersedia.

Kemudian menentukan parameter inputyaitu Eps dan MinPts. Parameter Eps digunakan untuk menentukan radius (jarak maksimal) titik-titik anggota cluster dari pusat cluster.

Parameter MinPts digunakan untuk memberikan batasan jumlah titik-titik yang menjadi anggota cluster dalam radius Eps dengan menentukan atribut-atribut dari data yang akan dikelompokkan misalnya sepal length, sepal width, petal length, dan petal width untuk kebutuhan pelatihan dan pengujian metode yang digunakan. Selanjutnya yaitu pada langkah analisis cluster, data yang diuji merupakan tugas pemberian nilai awal yang dilakukan saat deklarasi variabel atau obyek, serta pelatihan awal menggunakan algoritma DBSCAN. Tujuannya agar dalam pelatihan ini dengan memperhatikan nilai output dan jumlah cluster yang dihasilkan.

Setelah melakukan tahapan pelatihan maka selanjutnya yaitu langkah pengujian data, yang bertujuan agar mendapatkan clustering yang lebihbaik. Metode penentuan nilai Epsilon pada algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise)akan berpengaruh langsung terhadap jumlah clustering yangdihasilkan. Hasil dari pengolahan data kemudian dianalisis hasilnya yang kemudian dapat diambil kesimpulan dari hasil yang didapat.

Adapun rancangan dari penelitian ini dapat dilihat sebagai berikut :

Adapun rancangan dari penelitian ini dapat dilihat sebagai berikut:

Gambar 3.2. Rancangan Penelitian

Algoritma DBSCAN memiliki dua parameter masukan, yaitu Eps dan MinPts.

Parameter Eps digunakan untuk menentukan radius (jarak maksimal) titik-titik anggota cluster dari pusat cluster. Parameter MinPts digunakan untuk memberikan batasan jumlah titik-titik yang menjadi anggota cluster dalam radius Eps tersebut. Dibutuhkan penerapan k-dist plot untuk menemukan nilai parameter Eps yang sesuai dengan tingkat kepadataan data karena setiap nilai Eps pada algoritme DBSCAN diadopsi untuk menemukan semua kelompok sehubungan dengan tingkat kepadatan yang sesuai (Elbatta 2012).

Langkah-langkah yang digunakan untuk menemukan Eps yang sesuai pada setiap tingat kepadatan adalah (Elbatta 2012):

1. Menghitung k-dist untuk setiap titik dan mempartisi k-dist plot.

2. Jumlah kepadatan diberikan secara langsung oleh k-dist plot.

3. Memilih parameter Eps secara otomatis untuk setiap kepadatan.

26 BAB 4

HASIL DAN PEMBAHASAN

4.1. Hasil Implementasi

Pada percobaan ini akan dilakukan pengujian terhadap kinerja dari Density Based Spatial Clustering Algorithm with Noise (DBSCAN) adalah merupakan algoritma clustering yang didasari pada tingkat kepadatan (density) data. Pemahaman konsep density yang disebut dalam DBSCAN merupakan jumlah data yangberada dalam radius MinPts (Jumlah minimal data dalam radius ε), data tersebut masuk dalam kategori kepadatan yang diinginkan, jumlah data dalam radius tersebut termasuk data inti itu sendiri., pengukuran kinerja dilakukan dengan membandingkan nilai dari Euclidean Distance dan Canberra Distance yang dihasilkan. Nilai Cluster yang akan digunakan bervariasi sesuai dengan ketentuan dari Epslilon dan MinPts. Dataset yang digunakan dalam melakukan percobaan ini adalah Iris dataset yang diperoleh dari UCI Machine Learning repository.

4.1.1. Pengujian pada Iris dataset

Pada tahap ini dilakukan pengujian kinerja dari algoritma DBSCAN dan pengukuran kinerja dilakukan dengan membandingkan nilai dari Euclidean Distance dan Camberra Distance yang dihasilkan dari algoritma.

a. Penentuan Atribut Data

Sebelum melakukan pengujian terhadap model clustering, maka tahap yang perlu dilakukan adalah pemilihan atribut.

Gambar 4.1 Penentuan Atribut DBSCAN

Pada gambar 4.1 menunjukkan proses penentuan atribut dan label pada algoritma DBSCAN dengan menggunakan data numerik sebagai atribut-atributnya yang kegunaannya untuk memodelkan jumlah keberhasilan pada jumlah data.

b. Model Rancangan DBSCAN

Gambar 4.2 Rancangan Model DBSCAN

Pada gambar 4.2 diatas menunjukkan prosedur kerjaDBSCAN Rapidminer. Langkah pertama adalah memasukkan dataset yang memiliki format .excel (Read Excel), kemudian dilakukan Normalize dengan melakukan normalisasi data terlebih dahulu.

Hasil Normalize kemudian dimasukkan ke metode DBSCAN untuk data training dan

Fungsi Filter Example dapat mengurangi jumlah sampel dalam dataset tetapi tidak berpengaruh pada jumlah atribut. Berikut adalah Hasil pengujian data pada metode DBSCAN untuk Iris Dataset pada pengujian terhadap metode Euclidean Distance dan Camberra Distance yang disajikan pada tabel 4.1

Tabel. 4.1. Hasil Pengujian pada Iris Dataset

No.

Euclidean Distance

Camberra Distance

Jumlah Cluster

1 5 43

2 49 42

3 94 7

4 2 3

5 - 2

6 - 2

7 - 4

8 - 14

9 - 3

10 - 25

11 - 3

12 - 2

total 150 150

Gambar 4.3. Grafik Hasil Pengujian pada Iris Dataset

Gambar 4.3 menunjukkan grafik hasil clustering yang diukur berdasarkan nilai dari Euclidean Distance dan Camberra Distance yang dihasilkan dari algoritma DBSCAN.

Pembentukan cluster yang paling banyak terjadi pada metode Euclidean Distance yang mencapai 97 jumlah cluster. Tetapi, hanya terdapat 4 kali proses pembentukan cluster yang terjadi terhadap metode Euclidean Distance sedangkan pada Camberra Distance mencapai 10 kali proses clustering walaupun jumlah cluster yang tidak seimbang.

4.1.2. Hasil Cluster Euclidean Distance

Pada penelitian ini dilakukan pengelompokan dataset iris menggunakan metode Density Based Spatial Clustering Algorithm with Noise (DBSCAN). Pada penelitian denganmetode DBSCAN ini digunakan minimalpoints (Minpts) 2 dan epsilon (Eps) 0,9.Hasil dari Cluster dapat dilihat pada Tabel 4.2, sedangkan Plot pengelompokan menggunakanEuclidean Distance dapat dilihat pada Gambar 4.5.

Tabel 4.2 Hasil Cluster Euclidean Distance

Class Id Cluster Sepal Length Sepal Width Petal Length Petal Width Iris-setosa 1 cluster_1 -0.897673879 1.028611281 -1.33679402 -1.308592819 Iris-setosa 2 cluster_1 -1.139200483 -0.124540379 -1.33679402 -1.308592819 Iris-setosa 3 cluster_1 -1.380727088 0.336720285 -1.393469855 -1.308592819 Iris-setosa 4 cluster_1 -1.50149039 0.106089953 -1.280118186 -1.308592819 Iris-setosa 5 cluster_1 -1.018437181 1.259241613 -1.33679402 -1.308592819 Iris-setosa 6 cluster_1 -0.535383973 1.951132609 -1.166766516 -1.046524832

Iris-setosa 7 cluster_1 -1.50149039 0.797980949 -1.33679402 -1.177558826 Iris-setosa 8 cluster_1 -1.018437181 0.797980949 -1.280118186 -1.308592819 Iris-setosa 9 cluster_1 -1.743016994 -0.355170711 -1.33679402 -1.308592819 Iris-setosa 10 cluster_1 -1.139200483 0.106089953 -1.280118186 -1.439626813 Iris-setosa 11 cluster_1 -0.535383973 1.489871945 -1.280118186 -1.308592819 Iris-setosa 12 cluster_1 -1.259963786 0.797980949 -1.223442351 -1.308592819 Iris-setosa 13 cluster_1 -1.259963786 -0.124540379 -1.33679402 -1.439626813 Iris-setosa 14 cluster_1 -1.863780296 -0.124540379 -1.506821524 -1.439626813 Iris-setosa 15 cluster_1 -0.052330764 2.181762941 -1.45014569 -1.308592819 Iris-setosa 16 cluster_1 -0.173094066 3.104284269 -1.280118186 -1.046524832 Iris-setosa 17 cluster_1 -0.535383973 1.951132609 -1.393469855 -1.046524832 Iris-setosa 18 cluster_1 -0.897673879 1.028611281 -1.33679402 -1.177558826 Iris-setosa 19 cluster_1 -0.173094066 1.720502277 -1.166766516 -1.177558826 Iris-setosa 20 cluster_1 -0.897673879 1.720502277 -1.280118186 -1.177558826 Iris-setosa 21 cluster_1 -0.535383973 0.797980949 -1.166766516 -1.308592819 Iris-setosa 22 cluster_1 -0.897673879 1.489871945 -1.280118186 -1.046524832 Iris-setosa 23 cluster_1 -1.50149039 1.259241613 -1.563497359 -1.308592819 Iris-setosa 24 cluster_1 -0.897673879 0.567350617 -1.166766516 -0.915490838 Iris-setosa 25 cluster_1 -1.259963786 0.797980949 -1.053414847 -1.308592819 Iris-setosa 26 cluster_1 -1.018437181 -0.124540379 -1.223442351 -1.308592819 Iris-setosa 27 cluster_1 -1.018437181 0.797980949 -1.223442351 -1.046524832 Iris-setosa 28 cluster_1 -0.776910577 1.028611281 -1.280118186 -1.308592819 Iris-setosa 29 cluster_1 -0.776910577 0.797980949 -1.33679402 -1.308592819 Iris-setosa 30 cluster_1 -1.380727088 0.336720285 -1.223442351 -1.308592819 Iris-setosa 31 cluster_1 -1.259963786 0.106089953 -1.223442351 -1.308592819 Iris-setosa 32 cluster_1 -0.535383973 0.797980949 -1.280118186 -1.046524832 Iris-setosa 33 cluster_1 -0.776910577 2.412393273 -1.280118186 -1.439626813 Iris-setosa 34 cluster_1 -0.414620671 2.643023605 -1.33679402 -1.308592819 Iris-setosa 35 cluster_1 -1.139200483 0.106089953 -1.280118186 -1.439626813 Iris-setosa 36 cluster_1 -1.018437181 0.336720285 -1.45014569 -1.308592819 Iris-setosa 37 cluster_1 -0.414620671 1.028611281 -1.393469855 -1.308592819 Iris-setosa 38 cluster_1 -1.139200483 0.106089953 -1.280118186 -1.439626813 Iris-setosa 39 cluster_1 -1.743016994 -0.124540379 -1.393469855 -1.308592819 Iris-setosa 40 cluster_1 -0.897673879 0.797980949 -1.280118186 -1.308592819 Iris-setosa 41 cluster_1 -1.018437181 1.028611281 -1.393469855 -1.177558826 Iris-setosa 42 cluster_0 -1.622253692 -1.738952704 -1.393469855 -1.177558826 Iris-setosa 43 cluster_1 -1.743016994 0.336720285 -1.393469855 -1.308592819 Iris-setosa 44 cluster_1 -1.018437181 1.028611281 -1.223442351 -0.784456844 Iris-setosa 45 cluster_1 -0.897673879 1.720502277 -1.053414847 -1.046524832 Iris-setosa 46 cluster_1 -1.259963786 -0.124540379 -1.33679402 -1.177558826 Iris-setosa 47 cluster_1 -0.897673879 1.720502277 -1.223442351 -1.308592819 Iris-setosa 48 cluster_1 -1.50149039 0.336720285 -1.33679402 -1.308592819

Iris-setosa 49 cluster_1 -0.656147275 1.489871945 -1.280118186 -1.308592819 Iris-setosa 50 cluster_1 -1.018437181 0.567350617 -1.33679402 -1.308592819 Iris-versicolor 51 cluster_2 1.396828861 0.336720285 0.533508524 0.263815108 Iris-versicolor 52 cluster_2 0.672249049 0.336720285 0.420156854 0.394849102 Iris-versicolor 53 cluster_2 1.276065559 0.106089953 0.646860193 0.394849102 Iris-versicolor 54 cluster_2 -0.414620671 -1.738952704 0.136777681 0.132781114 Iris-versicolor 55 cluster_2 0.793012351 -0.585801043 0.476832689 0.394849102 Iris-versicolor 56 cluster_2 -0.173094066 -0.585801043 0.420156854 0.132781114 Iris-versicolor 57 cluster_2 0.551485746 0.567350617 0.533508524 0.525883096 Iris-versicolor 58 cluster_2 -1.139200483 -1.508322372 -0.259953162 -0.260320868 Iris-versicolor 59 cluster_2 0.913775653 -0.355170711 0.476832689 0.132781114 Iris-versicolor 60 cluster_2 -0.776910577 -0.816431375 0.080101846 0.263815108 Iris-versicolor 61 cluster_2 -1.018437181 -2.4308437 -0.146601492 -0.260320868 Iris-versicolor 62 cluster_2 0.068432538 -0.124540379 0.25012935 0.394849102 Iris-versicolor 63 cluster_2 0.18919584 -1.969583036 0.136777681 -0.260320868 Iris-versicolor 64 cluster_2 0.309959142 -0.355170711 0.533508524 0.263815108 Iris-versicolor 65 cluster_2 -0.293857369 -0.355170711 -0.089925658 0.132781114 Iris-versicolor 66 cluster_2 1.034538955 0.106089953 0.36348102 0.263815108 Iris-versicolor 67 cluster_2 -0.293857369 -0.124540379 0.420156854 0.394849102 Iris-versicolor 68 cluster_2 -0.052330764 -0.816431375 0.193453516 -0.260320868 Iris-versicolor 69 cluster_2 0.430722444 -1.969583036 0.420156854 0.394849102 Iris-versicolor 70 cluster_2 -0.293857369 -1.27769204 0.080101846 -0.129286874 Iris-versicolor 71 cluster_2 0.068432538 0.336720285 0.590184358 0.787951084 Iris-versicolor 72 cluster_2 0.309959142 -0.585801043 0.136777681 0.132781114 Iris-versicolor 73 cluster_2 0.551485746 -1.27769204 0.646860193 0.394849102 Iris-versicolor 74 cluster_2 0.309959142 -0.585801043 0.533508524 0.00174712 Iris-versicolor 75 cluster_2 0.672249049 -0.355170711 0.306805185 0.132781114 Iris-versicolor 76 cluster_2 0.913775653 -0.124540379 0.36348102 0.263815108 Iris-versicolor 77 cluster_2 1.155302257 -0.585801043 0.590184358 0.263815108 Iris-versicolor 78 cluster_2 1.034538955 -0.124540379 0.703536028 0.65691709 Iris-versicolor 79 cluster_2 0.18919584 -0.355170711 0.420156854 0.394849102 Iris-versicolor 80 cluster_2 -0.173094066 -1.047061707 -0.146601492 -0.260320868 Iris-versicolor 81 cluster_2 -0.414620671 -1.508322372 0.023426012 -0.129286874 Iris-versicolor 82 cluster_2 -0.414620671 -1.508322372 -0.033249823 -0.260320868 Iris-versicolor 83 cluster_2 -0.052330764 -0.816431375 0.080101846 0.00174712 Iris-versicolor 84 cluster_2 0.18919584 -0.816431375 0.760211862 0.525883096 Iris-versicolor 85 cluster_2 -0.535383973 -0.124540379 0.420156854 0.394849102 Iris-versicolor 86 cluster_2 0.18919584 0.797980949 0.420156854 0.525883096 Iris-versicolor 87 cluster_2 1.034538955 0.106089953 0.533508524 0.394849102 Iris-versicolor 88 cluster_2 0.551485746 -1.738952704 0.36348102 0.132781114 Iris-versicolor 89 cluster_2 -0.293857369 -0.124540379 0.193453516 0.132781114 Iris-versicolor 90 cluster_2 -0.414620671 -1.27769204 0.136777681 0.132781114

Iris-versicolor 91 cluster_2 -0.414620671 -1.047061707 0.36348102 0.00174712 Iris-versicolor 92 cluster_2 0.309959142 -0.124540379 0.476832689 0.263815108 Iris-versicolor 93 cluster_2 -0.052330764 -1.047061707 0.136777681 0.00174712 Iris-versicolor 94 cluster_2 -1.018437181 -1.738952704 -0.259953162 -0.260320868 Iris-versicolor 95 cluster_2 -0.293857369 -0.816431375 0.25012935 0.132781114 Iris-versicolor 96 cluster_2 -0.173094066 -0.124540379 0.25012935 0.00174712 Iris-versicolor 97 cluster_2 -0.173094066 -0.355170711 0.25012935 0.132781114 Iris-versicolor 98 cluster_2 0.430722444 -0.355170711 0.306805185 0.132781114 Iris-versicolor 99 cluster_2 -0.897673879 -1.27769204 -0.429980666 -0.129286874 Iris-versicolor 100 cluster_2 -0.173094066 -0.585801043 0.193453516 0.132781114 Iris-virginica 101 cluster_2 0.551485746 0.567350617 1.270294374 1.705189041 Iris-virginica 102 cluster_2 -0.052330764 -0.816431375 0.760211862 0.918985077 Iris-virginica 103 cluster_2 1.517592163 -0.124540379 1.21361854 1.181053065 Iris-virginica 104 cluster_2 0.551485746 -0.355170711 1.043591036 0.787951084 Iris-virginica 105 cluster_2 0.793012351 -0.124540379 1.156942705 1.312087059 Iris-virginica 106 cluster_2 2.121408674 -0.124540379 1.610349382 1.181053065 Iris-virginica 107 cluster_2 -1.139200483 -1.27769204 0.420156854 0.65691709 Iris-virginica 108 cluster_2 1.759118768 -0.355170711 1.440321878 0.787951084 Iris-virginica 109 cluster_2 1.034538955 -1.27769204 1.156942705 0.787951084 Iris-virginica 110 cluster_0 1.638355466 1.259241613 1.326970209 1.705189041 Iris-virginica 111 cluster_2 0.793012351 0.336720285 0.760211862 1.050019071 Iris-virginica 112 cluster_2 0.672249049 -0.816431375 0.873563532 0.918985077 Iris-virginica 113 cluster_2 1.155302257 -0.124540379 0.986915201 1.181053065 Iris-virginica 114 cluster_2 -0.173094066 -1.27769204 0.703536028 1.050019071 Iris-virginica 115 cluster_2 -0.052330764 -0.585801043 0.760211862 1.574155047 Iris-virginica 116 cluster_2 0.672249049 0.336720285 0.873563532 1.443121053 Iris-virginica 117 cluster_2 0.793012351 -0.124540379 0.986915201 0.787951084 Iris-virginica 118 cluster_3 2.242171976 1.720502277 1.667025217 1.312087059 Iris-virginica 119 cluster_2 2.242171976 -1.047061707 1.780376886 1.443121053 Iris-virginica 120 cluster_2 0.18919584 -1.969583036 0.703536028 0.394849102 Iris-virginica 121 cluster_2 1.276065559 0.336720285 1.10026687 1.443121053 Iris-virginica 122 cluster_2 -0.293857369 -0.585801043 0.646860193 1.050019071 Iris-virginica 123 cluster_2 2.242171976 -0.585801043 1.667025217 1.050019071 Iris-virginica 124 cluster_2 0.551485746 -0.816431375 0.646860193 0.787951084 Iris-virginica 125 cluster_2 1.034538955 0.567350617 1.10026687 1.181053065 Iris-virginica 126 cluster_2 1.638355466 0.336720285 1.270294374 0.787951084 Iris-virginica 127 cluster_2 0.430722444 -0.585801043 0.590184358 0.787951084 Iris-virginica 128 cluster_2 0.309959142 -0.124540379 0.646860193 0.787951084 Iris-virginica 129 cluster_2 0.672249049 -0.585801043 1.043591036 1.181053065 Iris-virginica 130 cluster_2 1.638355466 -0.124540379 1.156942705 0.525883096 Iris-virginica 131 cluster_2 1.87988207 -0.585801043 1.326970209 0.918985077 Iris-virginica 132 cluster_3 2.483698581 1.720502277 1.496997713 1.050019071

Iris-virginica 133 cluster_2 0.672249049 -0.585801043 1.043591036 1.312087059 Iris-virginica 134 cluster_2 0.551485746 -0.585801043 0.760211862 0.394849102 Iris-virginica 135 cluster_2 0.309959142 -1.047061707 1.043591036 0.263815108 Iris-virginica 136 cluster_2 2.242171976 -0.124540379 1.326970209 1.443121053 Iris-virginica 137 cluster_2 0.551485746 0.797980949 1.043591036 1.574155047 Iris-virginica 138 cluster_2 0.672249049 0.106089953 0.986915201 0.787951084 Iris-virginica 139 cluster_2 0.18919584 -0.124540379 0.590184358 0.787951084 Iris-virginica 140 cluster_2 1.276065559 0.106089953 0.930239366 1.181053065 Iris-virginica 141 cluster_2 1.034538955 0.106089953 1.043591036 1.574155047 Iris-virginica 142 cluster_2 1.276065559 0.106089953 0.760211862 1.443121053 Iris-virginica 143 cluster_2 -0.052330764 -0.816431375 0.760211862 0.918985077 Iris-virginica 144 cluster_2 1.155302257 0.336720285 1.21361854 1.443121053 Iris-virginica 145 cluster_2 1.034538955 0.567350617 1.10026687 1.705189041 Iris-virginica 146 cluster_2 1.034538955 -0.124540379 0.816887697 1.443121053 Iris-virginica 147 cluster_2 0.551485746 -1.27769204 0.703536028 0.918985077 Iris-virginica 148 cluster_2 0.793012351 -0.124540379 0.816887697 1.050019071 Iris-virginica 149 cluster_2 0.430722444 0.797980949 0.930239366 1.443121053 Iris-virginica 150 cluster_2 0.068432538 -0.124540379 0.760211862 0.787951084

Sedangkan hasil plot yang telah dilakukan dari metode EuclideanDistance adalah sebagai berikut:

Gambar 4.4 Plot Pengelompokan Euclidean Distance

Pada gambar 4.5 adalah hasil dari clustering dengan metode Euclidean distance menghasilkan pembentukan cluster. Pada gambar 4.5 terdapat 2 cluster yang terbentuk yaitu pada cluster_0 yang 1 terdapat pada data iris setosa dan 1 cluster pada iris virginica, cluster_1 mempunyai data sebanyak 49 items dengan rata-rata terdapat pada iris setosa, cluster_2 mempunyai data sebanyak 94items, yang terdapat pada iris Versi color sebanyak 50 item sedangkan pada Iris Virginica terdapat 44 item, dan cluster_3 mempunyai data sebanyak 2 items yang terdapat pada data iris Virginica.

Total keseluruhan data adalah 150 items.

4.1.3. Hasil Cluster Camberra Distance

Pada penelitian ini dilakukan pengelompokan dataset iris menggunakan metode Density Based Spatial Clustering Algorithm with Noise (DBSCAN). Pada penelitian denganmetode DBSCAN ini digunakan minimalpoints (Minpts) 2 dan epsilon (Eps) 0,9.Hasil dari Cluster dapat dilihat pada Tabel 4.3, sedangkan Plot pengelompokan menggunakanCamberra Distance dapat dilihat pada Gambar 4.7.

Tabel 4.3 Hasil Cluster Camberra Distance

Class id Cluster Sepal Length Sepal Width Petal Length Petal Width Iris-setosa 1 cluster_1 -0.8976739 1.0286113 -1.336794 -1.3085928 Iris-setosa 2 cluster_2 -1.1392005 -0.1245404 -1.336794 -1.3085928 Iris-setosa 3 cluster_1 -1.3807271 0.3367203 -1.3934699 -1.3085928 Iris-setosa 4 cluster_1 -1.5014904 0.10609 -1.2801182 -1.3085928 Iris-setosa 5 cluster_1 -1.0184372 1.2592416 -1.336794 -1.3085928 Iris-setosa 6 cluster_1 -0.535384 1.9511326 -1.1667665 -1.0465248 Iris-setosa 7 cluster_1 -1.5014904 0.7979809 -1.336794 -1.1775588 Iris-setosa 8 cluster_1 -1.0184372 0.7979809 -1.2801182 -1.3085928 Iris-setosa 9 cluster_2 -1.743017 -0.3551707 -1.336794 -1.3085928 Iris-setosa 10 cluster_1 -1.1392005 0.10609 -1.2801182 -1.4396268 Iris-setosa 11 cluster_1 -0.535384 1.4898719 -1.2801182 -1.3085928 Iris-setosa 12 cluster_1 -1.2599638 0.7979809 -1.2234424 -1.3085928 Iris-setosa 13 cluster_2 -1.2599638 -0.1245404 -1.336794 -1.4396268 Iris-setosa 14 cluster_2 -1.8637803 -0.1245404 -1.5068215 -1.4396268 Iris-setosa 15 cluster_1 -0.0523308 2.1817629 -1.4501457 -1.3085928 Iris-setosa 16 cluster_1 -0.1730941 3.1042843 -1.2801182 -1.0465248

Iris-setosa 17 cluster_1 -0.535384 1.9511326 -1.3934699 -1.0465248 Iris-setosa 18 cluster_1 -0.8976739 1.0286113 -1.336794 -1.1775588 Iris-setosa 19 cluster_1 -0.1730941 1.7205023 -1.1667665 -1.1775588 Iris-setosa 20 cluster_1 -0.8976739 1.7205023 -1.2801182 -1.1775588 Iris-setosa 21 cluster_1 -0.535384 0.7979809 -1.1667665 -1.3085928 Iris-setosa 22 cluster_1 -0.8976739 1.4898719 -1.2801182 -1.0465248 Iris-setosa 23 cluster_1 -1.5014904 1.2592416 -1.5634974 -1.3085928 Iris-setosa 24 cluster_1 -0.8976739 0.5673506 -1.1667665 -0.9154908 Iris-setosa 25 cluster_1 -1.2599638 0.7979809 -1.0534148 -1.3085928 Iris-setosa 26 cluster_2 -1.0184372 -0.1245404 -1.2234424 -1.3085928 Iris-setosa 27 cluster_1 -1.0184372 0.7979809 -1.2234424 -1.0465248 Iris-setosa 28 cluster_1 -0.7769106 1.0286113 -1.2801182 -1.3085928 Iris-setosa 29 cluster_1 -0.7769106 0.7979809 -1.336794 -1.3085928 Iris-setosa 30 cluster_1 -1.3807271 0.3367203 -1.2234424 -1.3085928 Iris-setosa 31 cluster_1 -1.2599638 0.10609 -1.2234424 -1.3085928 Iris-setosa 32 cluster_1 -0.535384 0.7979809 -1.2801182 -1.0465248 Iris-setosa 33 cluster_1 -0.7769106 2.4123933 -1.2801182 -1.4396268 Iris-setosa 34 cluster_1 -0.4146207 2.6430236 -1.336794 -1.3085928 Iris-setosa 35 cluster_1 -1.1392005 0.10609 -1.2801182 -1.4396268 Iris-setosa 36 cluster_1 -1.0184372 0.3367203 -1.4501457 -1.3085928 Iris-setosa 37 cluster_1 -0.4146207 1.0286113 -1.3934699 -1.3085928 Iris-setosa 38 cluster_1 -1.1392005 0.10609 -1.2801182 -1.4396268 Iris-setosa 39 cluster_2 -1.743017 -0.1245404 -1.3934699 -1.3085928 Iris-setosa 40 cluster_1 -0.8976739 0.7979809 -1.2801182 -1.3085928 Iris-setosa 41 cluster_1 -1.0184372 1.0286113 -1.3934699 -1.1775588 Iris-setosa 42 cluster_2 -1.6222537 -1.7389527 -1.3934699 -1.1775588 Iris-setosa 43 cluster_1 -1.743017 0.3367203 -1.3934699 -1.3085928 Iris-setosa 44 cluster_1 -1.0184372 1.0286113 -1.2234424 -0.7844568 Iris-setosa 45 cluster_1 -0.8976739 1.7205023 -1.0534148 -1.0465248 Iris-setosa 46 cluster_2 -1.2599638 -0.1245404 -1.336794 -1.1775588 Iris-setosa 47 cluster_1 -0.8976739 1.7205023 -1.2234424 -1.3085928 Iris-setosa 48 cluster_1 -1.5014904 0.3367203 -1.336794 -1.3085928 Iris-setosa 49 cluster_1 -0.6561473 1.4898719 -1.2801182 -1.3085928 Iris-setosa 50 cluster_1 -1.0184372 0.5673506 -1.336794 -1.3085928 Iris-versicolor 51 cluster_3 1.3968289 0.3367203 0.5335085 0.2638151 Iris-versicolor 52 cluster_3 0.672249 0.3367203 0.4201569 0.3948491 Iris-versicolor 53 cluster_3 1.2760656 0.10609 0.6468602 0.3948491 Iris-versicolor 54 cluster_4 -0.4146207 -1.7389527 0.1367777 0.1327811 Iris-versicolor 55 cluster_5 0.7930124 -0.585801 0.4768327 0.3948491 Iris-versicolor 56 cluster_4 -0.1730941 -0.585801 0.4201569 0.1327811 Iris-versicolor 57 cluster_3 0.5514857 0.5673506 0.5335085 0.5258831 Iris-versicolor 58 cluster_6 -1.1392005 -1.5083224 -0.2599532 -0.2603209

Iris-versicolor 59 cluster_5 0.9137757 -0.3551707 0.4768327 0.1327811 Iris-versicolor 60 cluster_0 -0.7769106 -0.8164314 0.0801018 0.2638151 Iris-versicolor 61 cluster_6 -1.0184372 -2.4308437 -0.1466015 -0.2603209 Iris-versicolor 62 cluster_5 0.0684325 -0.1245404 0.2501294 0.3948491 Iris-versicolor 63 cluster_0 0.1891958 -1.969583 0.1367777 -0.2603209 Iris-versicolor 64 cluster_5 0.3099591 -0.3551707 0.5335085 0.2638151 Iris-versicolor 65 cluster_0 -0.2938574 -0.3551707 -0.0899257 0.1327811 Iris-versicolor 66 cluster_3 1.034539 0.10609 0.363481 0.2638151 Iris-versicolor 67 cluster_4 -0.2938574 -0.1245404 0.4201569 0.3948491 Iris-versicolor 68 cluster_0 -0.0523308 -0.8164314 0.1934535 -0.2603209 Iris-versicolor 69 cluster_5 0.4307224 -1.969583 0.4201569 0.3948491 Iris-versicolor 70 cluster_7 -0.2938574 -1.277692 0.0801018 -0.1292869 Iris-versicolor 71 cluster_0 0.0684325 0.3367203 0.5901844 0.7879511 Iris-versicolor 72 cluster_5 0.3099591 -0.585801 0.1367777 0.1327811 Iris-versicolor 73 cluster_5 0.5514857 -1.277692 0.6468602 0.3948491 Iris-versicolor 74 cluster_0 0.3099591 -0.585801 0.5335085 0.0017471 Iris-versicolor 75 cluster_5 0.672249 -0.3551707 0.3068052 0.1327811 Iris-versicolor 76 cluster_5 0.9137757 -0.1245404 0.363481 0.2638151 Iris-versicolor 77 cluster_5 1.1553023 -0.585801 0.5901844 0.2638151 Iris-versicolor 78 cluster_5 1.034539 -0.1245404 0.703536 0.6569171 Iris-versicolor 79 cluster_5 0.1891958 -0.3551707 0.4201569 0.3948491 Iris-versicolor 80 cluster_0 -0.1730941 -1.0470617 -0.1466015 -0.2603209 Iris-versicolor 81 cluster_7 -0.4146207 -1.5083224 0.023426 -0.1292869 Iris-versicolor 82 cluster_0 -0.4146207 -1.5083224 -0.0332498 -0.2603209 Iris-versicolor 83 cluster_8 -0.0523308 -0.8164314 0.0801018 0.0017471 Iris-versicolor 84 cluster_5 0.1891958 -0.8164314 0.7602119 0.5258831 Iris-versicolor 85 cluster_4 -0.535384 -0.1245404 0.4201569 0.3948491 Iris-versicolor 86 cluster_3 0.1891958 0.7979809 0.4201569 0.5258831 Iris-versicolor 87 cluster_3 1.034539 0.10609 0.5335085 0.3948491 Iris-versicolor 88 cluster_5 0.5514857 -1.7389527 0.363481 0.1327811 Iris-versicolor 89 cluster_4 -0.2938574 -0.1245404 0.1934535 0.1327811 Iris-versicolor 90 cluster_4 -0.4146207 -1.277692 0.1367777 0.1327811 Iris-versicolor 91 cluster_0 -0.4146207 -1.0470617 0.363481 0.0017471 Iris-versicolor 92 cluster_5 0.3099591 -0.1245404 0.4768327 0.2638151 Iris-versicolor 93 cluster_8 -0.0523308 -1.0470617 0.1367777 0.0017471 Iris-versicolor 94 cluster_6 -1.0184372 -1.7389527 -0.2599532 -0.2603209 Iris-versicolor 95 cluster_4 -0.2938574 -0.8164314 0.2501294 0.1327811 Iris-versicolor 96 cluster_0 -0.1730941 -0.1245404 0.2501294 0.0017471 Iris-versicolor 97 cluster_4 -0.1730941 -0.3551707 0.2501294 0.1327811 Iris-versicolor 98 cluster_5 0.4307224 -0.3551707 0.3068052 0.1327811 Iris-versicolor 99 cluster_6 -0.8976739 -1.277692 -0.4299807 -0.1292869 Iris-versicolor 100 cluster_4 -0.1730941 -0.585801 0.1934535 0.1327811

Iris-virginica 101 cluster_3 0.5514857 0.5673506 1.2702944 1.705189 Iris-virginica 102 cluster_9 -0.0523308 -0.8164314 0.7602119 0.9189851 Iris-virginica 103 cluster_5 1.5175922 -0.1245404 1.2136185 1.1810531 Iris-virginica 104 cluster_5 0.5514857 -0.3551707 1.043591 0.7879511 Iris-virginica 105 cluster_5 0.7930124 -0.1245404 1.1569427 1.3120871 Iris-virginica 106 cluster_5 2.1214087 -0.1245404 1.6103494 1.1810531 Iris-virginica 107 cluster_0 -1.1392005 -1.277692 0.4201569 0.6569171 Iris-virginica 108 cluster_5 1.7591188 -0.3551707 1.4403219 0.7879511 Iris-virginica 109 cluster_5 1.034539 -1.277692 1.1569427 0.7879511 Iris-virginica 110 cluster_3 1.6383555 1.2592416 1.3269702 1.705189 Iris-virginica 111 cluster_3 0.7930124 0.3367203 0.7602119 1.0500191 Iris-virginica 112 cluster_5 0.672249 -0.8164314 0.8735635 0.9189851 Iris-virginica 113 cluster_5 1.1553023 -0.1245404 0.9869152 1.1810531 Iris-virginica 114 cluster_9 -0.1730941 -1.277692 0.703536 1.0500191 Iris-virginica 115 cluster_9 -0.0523308 -0.585801 0.7602119 1.574155 Iris-virginica 116 cluster_3 0.672249 0.3367203 0.8735635 1.4431211 Iris-virginica 117 cluster_5 0.7930124 -0.1245404 0.9869152 0.7879511 Iris-virginica 118 cluster_3 2.242172 1.7205023 1.6670252 1.3120871 Iris-virginica 119 cluster_5 2.242172 -1.0470617 1.7803769 1.4431211 Iris-virginica 120 cluster_5 0.1891958 -1.969583 0.703536 0.3948491 Iris-virginica 121 cluster_3 1.2760656 0.3367203 1.1002669 1.4431211 Iris-virginica 122 cluster_9 -0.2938574 -0.585801 0.6468602 1.0500191 Iris-virginica 123 cluster_5 2.242172 -0.585801 1.6670252 1.0500191 Iris-virginica 124 cluster_5 0.5514857 -0.8164314 0.6468602 0.7879511 Iris-virginica 125 cluster_3 1.034539 0.5673506 1.1002669 1.1810531 Iris-virginica 126 cluster_3 1.6383555 0.3367203 1.2702944 0.7879511 Iris-virginica 127 cluster_5 0.4307224 -0.585801 0.5901844 0.7879511 Iris-virginica 128 cluster_5 0.3099591 -0.1245404 0.6468602 0.7879511 Iris-virginica 129 cluster_5 0.672249 -0.585801 1.043591 1.1810531 Iris-virginica 130 cluster_5 1.6383555 -0.1245404 1.1569427 0.5258831 Iris-virginica 131 cluster_5 1.8798821 -0.585801 1.3269702 0.9189851 Iris-virginica 132 cluster_3 2.4836986 1.7205023 1.4969977 1.0500191 Iris-virginica 133 cluster_5 0.672249 -0.585801 1.043591 1.3120871 Iris-virginica 134 cluster_5 0.5514857 -0.585801 0.7602119 0.3948491 Iris-virginica 135 cluster_5 0.3099591 -1.0470617 1.043591 0.2638151 Iris-virginica 136 cluster_5 2.242172 -0.1245404 1.3269702 1.4431211 Iris-virginica 137 cluster_3 0.5514857 0.7979809 1.043591 1.574155 Iris-virginica 138 cluster_3 0.672249 0.10609 0.9869152 0.7879511 Iris-virginica 139 cluster_5 0.1891958 -0.1245404 0.5901844 0.7879511 Iris-virginica 140 cluster_3 1.2760656 0.10609 0.9302394 1.1810531 Iris-virginica 141 cluster_3 1.034539 0.10609 1.043591 1.574155 Iris-virginica 142 cluster_3 1.2760656 0.10609 0.7602119 1.4431211

Iris-virginica 143 cluster_9 -0.0523308 -0.8164314 0.7602119 0.9189851 Iris-virginica 144 cluster_3 1.1553023 0.3367203 1.2136185 1.4431211 Iris-virginica 145 cluster_3 1.034539 0.5673506 1.1002669 1.705189 Iris-virginica 146 cluster_5 1.034539 -0.1245404 0.8168877 1.4431211 Iris-virginica 147 cluster_5 0.5514857 -1.277692 0.703536 0.9189851 Iris-virginica 148 cluster_5 0.7930124 -0.1245404 0.8168877 1.0500191 Iris-virginica 149 cluster_3 0.4307224 0.7979809 0.9302394 1.4431211 Iris-virginica 150 cluster_5 0.0684325 -0.1245404 0.7602119 0.7879511

Plot pada metode Camberra Distance dapat dilihat pada gambar 4.7 :

Gambar 4.5 Plot Pengelompokan Camberra Distance

Pada gambar 4.7 adalah hasil dari clustering dengan metode Camberra distance menghasilkan pembentukan cluster. Pada gambar 4.7 terdapat 2 cluster yang terbentuk yaitu pada cluster_0 yang 10 terdapat pada data iris versicolor dan 1 cluster pada iris virginica, cluster_1 mempunyai data sebanyak 42 items dengan rata-rata terdapat pada iris setosa, cluster_2 mempunyai data sebanyak 8 items iris setosa, cluster_3 mempunyai data sebanyak 24 items yang terdapat pada data iris versicolor sebanyak 7 items dan 17 items pada virginica, pada cluster_4 terdapat 9 items pada iris versi color, pada cluster_5 terdapat 43 items yang terdiri dari 16 iris versicolor dan 27 iris Virginica, pada cluster_6 terdapat 4 items pada versicolor, pada cluster_7 terdapat 2 items Iris Versi color, cluster_8 terdapat 2 items Iris versi color, dan cluster_9 terdapat 5 items iris virginica. Total keseluruhan data adalah 150 items.

4.2. Pembahasan

Proses algoritma DBScan dengan metode Euclidean Distance dimulai dengan memasukkan epsilon 0,9 dan min Points sebesar 2. Jika nilai epsilon yang dipilih terlalu kecil, sebagian besar data tidak akan dikelompokkan. Ini akan dianggap outlier karena tidak memenuhi jumlah poin untuk membuat wilayah padat. Di sisi lain, jika nilai yang dipilih terlalu tinggi, cluster akan bergabung dan sebagian besar objek akan berada di cluster yang sama. Eps harus dipilih berdasarkan jarak dataset (kita dapat menggunakan grafik k-distance untuk menemukannya), tetapi secara umum nilai epsilon kecil lebih disukai. Oleh karena itu pada penelitian ini, Epsilon dan minPoint ditentukan yang menyesuaikan dengan jumlah dataset yang diuji.

Gambar 4.6 Penentuan Metode Euclidean Distance

Sebagai hasilnya, dapat kita lihat di Tabel 4.2 yang menunjukkan hasil cluster dengan pengukuran Euclidean Distance. Dan plot pengelompokan dapat dilihat pada Gambar 4.5

Proses algoritma DBScan dengan metode Canberra Distance dimulai dengan memasukkan epsilon 0,9 dan min Points sebesar 2. Jika nilai epsilon yang dipilih terlalu kecil, sebagian besar data tidak akan dikelompokkan. Ini akan dianggap outlier karena tidak memenuhi jumlah poin untuk membuat wilayah padat. Di sisi lain, jika nilai yang dipilih terlalu tinggi, cluster akan bergabung dan sebagian besar objek akan berada di cluster yang sama. Epsilon harus dipilih berdasarkan jarak dataset (kita dapat menggunakan grafik k-distance untuk menemukannya), tetapi secara umum nilai epsilon kecil lebih disukai. Oleh karena itu pada penelitian ini, Epsilon dan minPoint ditentukan yang menyesuaikan dengan jumlah dataset yang diuji.

Gambar 4.7Penentuan Metode Camberra Distance

Pengujian terhadap kinerja dari Density Based Spatial Clustering Algorithm with Noise (DBSCAN) yang merupakan algoritma pengelompokan yang didasarkan pada kepadatan (density) data. Konsep kepadatan yang dimaksud dalam DBSCAN adalah jumlah data yangberada dalam radius MinPts (Jumlahminimal data dalam radius ε), data tersebut masuk dalam kategori kepadatan yang diinginkan, jumlah data dalam radius tersebut termasuk data inti itu sendiri, pengukuran kinerja dilakukan dengan membandingkan nilai dari Euclidean Distance dan Camberra Distance yang dihasilkan. Nilai Cluster yang akan digunakan bervariasi sesuai denganketentuan dari Epslilon dan MinPts. Dataset yang digunakan dalam melakukan percobaan ini adalah Iris dataset yang diperoleh dari UCI Machine Learning repository.

Berdasarkan hasil percobaan yang dilakukan terhadap metode Euclidean Distance dan Camberra Distance dengan menggunakan Iris dataset, terlihat bahwa pembentukan cluster yang dihasilkan terlihat pada Camberra Distance sebanyak 10 cluster dengan jumlah 150 items. Hasil dari clustering yang telah diuji dengan metode Euclidean distance menghasilkan pembentukan cluster. Pada gambar 4.5 terdapat 2 cluster yang terbentuk yaitu pada cluster_0 yang 1 terdapat pada data iris setosa dan 1 cluster pada iris virginica, cluster_1 mempunyai data sebanyak 49 items dengan

rata-44

rata terdapat pada iris setosa, cluster_2 mempunyai data sebanyak 97items, yang terdapat pada iris Versi color sebanyak 50 item sedangkan pada Iris Virginica terdapat 47 item, dan cluster_3 mempunyai data sebanyak 2 items yang terdapat pada data iris Virginica. Total keseluruhan data adalah 150 items. Sedangkan hasil dari clustering dengan metode Camberra distance menghasilkan pembentukan cluster. Pada gambar 4.7 terdapat 2 cluster yang terbentuk yaitu pada cluster_0 yang 10 terdapat pada data iris versicolor dan 1 cluster pada iris virginica, cluster_1 mempunyai data sebanyak 42 items dengan rata-rata terdapat pada iris setosa, cluster_2 mempunyai data sebanyak 8 items iris setosa, cluster_3 mempunyai data sebanyak 24 items yang terdapat pada data iris versicolor sebanyak 7 items dan 17 items pada virginica, pada cluster_4 terdapat 9 items pada iris versi color, pada cluster_5 terdapat 43 items yang terdiri dari 16 iris versicolor dan 27 iris Virginica, pada cluster_6 terdapat 4 items pada versicolor, pada cluster_7 terdapat 2 items Iris Versi color, cluster_8 terdapat 2 items Iris versi color, dan cluster_9 terdapat 5 items iris virginica. Total keseluruhan data adalah 150 items.

Berdasarkan percobaan pada Iris dataset juga terlihat bahwa kinerja Canberra Distance lebih baik jika dibandingkan dengan Euclidean Distance yang dihasilkan, terlihat pada cluster yang dihasilkan Canberra Distance lebih banyak dibandingkan dengan Euclidean distance.

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil analisis dan pembahasan yang telah dilakukan, dapat disimpulkan bahwa :

1. MetodepenentuandanpenerapannilaiEpslilon dan MinPts pada algoritma DBSCANdapat dilakukan untuk memperoleh hasil clustering yang lebihbaik.

2. MetodepenentuandanpenerapannilaiEpslilon dan MinPts pada algoritma DBSCANakan berpengaruh langsung terhadap jumlah clustering yangdihasilkan.

3. Hasil cluster menggunakan metode Camberra Distance sangat baik, dengan menghasilkan pembentukan cluster dalam jumlah banyak serta penetralan cluster dihasilkan Camberra Distance dengan sangat baik.

5.2. Saran

Sebagai saran yang dapat diberikan pada penelitian ini adalah:

1. Perlu dilakukan penentuan nilai Epslilon dan MinPts secara variatif hingga diperoleh hasil clustering yang baik dari algoritma DBSCANdan sesuai dengan yang diharapkan.

2. Dalam penelitian ini, peneliti masih menggunakan sampel data Iris Dataset yang berjumlah tertentu sehingga untuk metode pengelompokan tertentu pengelompokan akan dapat menjadi tidak optimal untuk pengujian.

3. Pada metode DBSCAN lebih baik dikembangkan dengan jumlah data dan kasus data yang besar agar terlihat hasil yang optimal.

DAFTAR PUSTAKA

Aranganayagi, S & Thangavel, T. 2007. Clustering Categorical Data using Silhouette Coefficient as a Relocating Measure. Proceedings of 2007 Internasional Conferenceon Computational Intelligenceand Multimedia Aplication. pp.13-17

Cui, X & Wang, F. 2015. An Improved Method for K-Means Clustering. Proceedings of 2015 International Conferenceon Computational Intelligence and Communication Networks (CICN). pp.756-759

Ester, Martin, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu, A Density-Based Algorithm for Discovering Clusters, 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), 1996

Fayyad, U., Shapiro, G.P & Smyth, P. 1996. From Data Mining to Knowledge Discovery in Database. AI Magazine: pp. 37-53

Glory H. Shah, C. K. Bhensdadia, Amit P. Ganatra. 2012. An Empirical Evaluation of Density-Based Clustering Techniques. International Journal of Soft Computing and Engineering (IJSCE)

Gorunescu, F. 2011. Data Mining : Concepts, Models and Techniques. Springer:

Berlin.

Gothai, E & Balasubramanie, P. 2010. Performance Evaluation of Hierarchical Clustering Algortihms. Proceedings of The International Conference on Communication and Computational Intelligence - 2010. pp. 457-460.

Han, J. & Kamber, M. 2006. Data Mining: Concepts and Techniques. 2nd Edition.Elsevier: San Francisco.

Li, P., Ji, H., Wang, B., Huang, Z & Li, H. 2017. Adjustable Preference Affinity Propagation Clustering. Pattern Recognition Letters. 85: 72-78.

MacQueen, J. 1967. Some Methods for Classification and Analysis of Multivariate Statistics and Probability. Universityof California Press, Berkeley. California.

Manisha Naik Gaonkar & Kedar Sawant. 2012. AutoEpsDBSCAN : DBSCAN with Eps Automatic for Large Dataset. Goa College of Engineering, Computer Department, Ponda-Goa, Goa College of Engineering, Computer Department, Ponda-Goa.

Nisha & Kaur. P.J. 2015. Cluster Quality Based Performance Evaluation of Hierarchical Clustering Method. Proceedings of 2015 1st Internatinal Conference on Next Computing Technologies. pp. 649-653.

Poteras, C.M., Mihӑescu, M.C. & Mocanu, M. 2014. An optimized version of the k-means clustering algorithm. Proceedings of the 2014 Federated Conference onComputer Science and Information Systems, pp. 695–699.

Rahmah Nadia. 2015. Penentuan Nilai Epsilon (Eps) Optimal pada Algoritme DBSCAN untuk Mengelompokkan Data Titik Panas pada Lahan Gambut di Sumatera. Institut Pertanian Bogor

Rokach, L & Maimon. O. 2005. Data Mining and Knowledge Discovery Handbook.

Springer: TelAviv.

Sun, L. & Guo, C. 2014. Incremental Affinity Propagation Clustering Based on Message Passing. IEEE Transactions on Knowledge and Data Engineering.

26(11): 2731-2744

Tan, P.N., Steinbach, M & Kumar, V. 2006, Introduction to Data Mining (Vol. 1), Pearson Addison Wesley: Boston.

Wang, Y & Chen, L. 2016. K-MEAP: Multiple Exemplars Affinity Propagation With Specified K Clusters. IEEE Transactions on Neural Network and Learning System. 27(12): 2670-2682

Xiaojuan Hu, Lei Liu, Ningjia Qiu, Di Yang and Meng Li. 2017. A MapReduce-based

Dalam dokumen ANALISIS ALGORITMA DBSCAN DALAM MENENTUKAN PARAMETER EPSILON PADA PENGELOMPOKAN DATA NUMERIK TESIS HERWIN E.T SIMANJUNTAK (Halaman 37-0)