Implementasi Algoritma Penentuan Parameter Densitas Pada Metode Dbscan Untuk Pengelompokan Data

Ilmi, Akhmad Bakhrul (2016) Implementasi Algoritma Penentuan Parameter Densitas Pada Metode Dbscan Untuk Pengelompokan Data. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5111100087-Undergraduate Thesis.pdf

Download (1MB) | Preview

Abstract

DBSCAN adalah salah satu metode klastering dengan konsep kerapatan data. Ketika data memiliki densitas beragam maka hasil pengklasteran DBSCAN tidak maksimal. Hal ini disebabkan nilai parameter densitas bersifat global untuk seluruh data. Implementasi tugas akhir ini menyelesaikan permasalahan tersebut menggunakan modifikasi DBSCAN sehingga nilai parameter densitas akan berbeda untuk setiap klaster. Nilai parameter densitas didapatkan dari hasil knearest neighbor beberapa data agar data terambil bukanlah noise atau outlier. Uji coba dilakukan dengan membandingkan hasil metode DBSCAN dengan DBSCAN yang telah dimodifikasi. Indikator keberhasilan uji coba menggunakan uji validitas klaster Indeks Dunn. Hasil uji coba validitas indeks menunjukkan bahwa DBSCAN modifikasi memiliki hasil klaster yang kurang baik dibandingkan hasil DBSCAN dengan nilai rata-rata Indeks Dunn 0.12 dan 0.146. Uji coba juga dilakukan dengan melihat label data dari kelas yang dihasilkan dengan kelas groundtruth. Pada uji coba ini DBSCAN modifikasi dapat mengidentifikasi hasil klaster yang lebih mirip dengan data aslinya dibanding dengan hasil DBSCAN tanpa modifikasi. =============================================================================================== DBSCAN is a clustering algorithm based on density concept. DBSCAN clustering results could not be optimal if data have a variation of densities level because density parameter values applied for the entire data clusters. Our implementation resolved the problems using a modified DBSCAN so that the density parameter values will be different for each cluster. Density parameter values are obtained from the k-nearest neighbor implementation in some data to recognize data outliers. Our experiments were comparing clustering results of DBSCAN and modified DBSCAN algorithms. We used Dunn Index as cluster validity measures. The results showed that Dunn Index values of modified DBSCAN were not better compared to the results of standard DBSCAN with Dunn Index of 0.12 and 0.146 respectively. However our experiments also compared data label of clustering results with label in groundtruth dataset. Labelling experiments showed that clustering results of modified DBSCAN algorithms had more similar label with ground-truth dataset.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 004.35 Ilm i
Uncontrolled Keywords: DBSCAN, parameter densitas, indeks dunn.
Subjects: Q Science > QA Mathematics > QA76.9 Computer algorithms. Virtual Reality. Computer simulation.
Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics)
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 02 Oct 2017 06:24
Last Modified: 27 Dec 2018 01:50
URI: http://repository.its.ac.id/id/eprint/48888

Actions (login required)

View Item View Item