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.

[thumbnail of 5111100087-Undergraduate Thesis.pdf]
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