Contoh soal perhitungan manual Algoritma K-Means
TweetSetelah kita mempelajari Penjelasan singkat tentang algoritma K-Means, kali ini kita akan mempelajari algoritma K-Means clustering secara lebih mendalam dengan melakukan perhitungan manual langkah demi langkah. Melalui contoh kasus sederhana, Anda akan memperoleh pemahaman yang lebih jelas tentang bagaimana algoritma ini bekerja dan bagaimana menerapkannya dalam situasi nyata.
Contoh Kasus: Pengelompokan Lokasi Toko
Misalkan kita memiliki sebuah perusahaan ritel yang ingin membuka toko-toko baru di berbagai lokasi. Untuk memaksimalkan efisiensi dan mencapai target pasar yang tepat, perusahaan ingin mengelompokkan lokasi-lokasi potensial tersebut ke dalam beberapa cluster berdasarkan dua faktor utama: jumlah penduduk dan pendapatan rata-rata.
Dalam contoh ini, kita akan menggunakan algoritma K-Means untuk mengelompokkan 8 lokasi potensial ke dalam 3 cluster. Data lokasi disajikan dalam tabel berikut:
| Lokasi | Jumlah Penduduk (ribuan) | Pendapatan rata-rata (ribuan) |
| A | 25 | 45 |
| B | 18 | 60 |
| C | 32 | 35 |
| D | 40 | 50 |
| E | 22 | 55 |
| F | 28 | 40 |
| G | 35 | 65 |
| H | 30 | 30 |
Langkah-langkah dalam menerapkan algoritma K-Means pada kasus ini adalah sebagai berikut:
- Tentukan jumlah cluster (k) yang diinginkan. Dalam contoh ini, kita akan menggunakan k = 3.
- Pilih tiga titik acuan (centroid) awal secara acak dari data lokasi. Misalkan kita memilih lokasi A, D, dan G sebagai centroid awal.
- Hitung jarak antara setiap lokasi dengan ketiga centroid menggunakan metrik jarak yang dipilih, misalnya jarak Euclidean. Jarak Euclidean antara dua titik (x1, y1) dan (x2, y2) dihitung dengan rumus: √((x2 - x1)^2 + (y2 - y1)^2) Berikut adalah perhitungan jarak Euclidean antara setiap lokasi dengan ketiga centroid awal:
| Lokasi | Jarak ke Centroid A | Jarak ke Centroid D | Jarak ke Centroid G |
| A | 0 | 15.62 | 20.62 |
| B | 12.04 | 22.36 | 29.15 |
| C | 10.63 | 8.06 | 17.08 |
| D | 15.62 | 0 | 15 |
| E | 8.49 | 18.03 | 25 |
| F | 5 | 12.04 | 17.08 |
| G | 20.62 | 15 | 0 |
| H | 10 | 10.63 | 25.08 |
4. Kelompokkan setiap lokasi ke dalam cluster yang memiliki centroid terdekat. Berdasarkan perhitungan jarak, pengelompokan awal lokasi ke dalam cluster adalah sebagai berikut: Cluster 1 (Centroid A): A, F Cluster 2 (Centroid D): C, D, E Cluster 3 (Centroid G): B, G, H
5. Hitung ulang centroid baru untuk setiap cluster dengan mengambil rata-rata dari data lokasi dalam cluster tersebut. Centroid baru untuk masing-masing cluster adalah: Cluster 1 (Centroid A): (26.5, 42.5) Cluster 2 (Centroid D): (30, 45) Cluster 3 (Centroid G): (26, 51.67)
6. Ulangi langkah 3, 4, dan 5 hingga centroid tidak berubah lagi atau jumlah iterasi maksimum tercapai. Setelah melakukan perhitungan ulang, ternyata pengelompokan lokasi ke dalam cluster tidak berubah. Oleh karena itu, algoritma K-Means telah mencapai konvergensi, dan kita dapat menghentikan iterasi.
Hasil akhir dari pengelompokan menggunakan algoritma K-Means adalah sebagai berikut:
Cluster 1 (Centroid A): A, F Cluster 2 (Centroid D): C, D, E Cluster 3 (Centroid G): B, G, H
Dengan hasil pengelompokan ini, perusahaan ritel dapat menganalisis karakteristik masing-masing cluster dan mengembangkan strategi pemasaran atau ekspansi yang sesuai untuk setiap kelompok lokasi.
Contoh perhitungan manual ini memberikan gambaran yang jelas tentang bagaimana algoritma K-Means bekerja secara detail. Melalui pemahaman ini, Anda dapat lebih mudah mengimplementasikan algoritma K-Means dalam kasus nyata dan mengoptimalkan kinerjanya sesuai dengan kebutuhan pengelompokan data Anda.
Meskipun dalam praktiknya, perhitungan jarak dan pengelompokan akan dilakukan secara otomatis oleh algoritma K-Means dalam bahasa pemrograman atau library machine learning, namun memahami konsep dasar dan perhitungan manual seperti ini akan sangat membantu Anda dalam menganalisis dan menginterpretasikan hasil clustering dengan lebih baik.
Kami dapat membantu teman teman yang memiliki judul skripsi terkait algoritma K-Means
Portofolio
Berikut kami tampilkan beberapa portofolio yang pernah kami kerjakan. Lihat Selengkapnya
-untuk-Prediksi-Pergerakan-Harga-Forex.jpg)
Oleh : Firda
Tanggal Publikasi :
Bebas DP bagi Skripsi dengan Judul dan Konsep yang Jelas
Sisa Kuota 2
Sisa Waktu : : : :
