PIP Author – Page 14

Spectral Clustering: Tipe Matriks Normalisasi Laplacian (NL)

June 4, 2021December 1, 2015 by PIP Author

Algoritma Spectral Clustering adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Ada beberapa teknik Spectral Clustering yang dapat digunakan, dan teknik yang digunakan pada kali ini adalah teknik Matriks Normalisasi Laplacian. Perhitungan Eigen Vector didapatkan dari Matriks Normalisasi Laplacian (NL), dan pengelompokan data dilakukan berdasarkan proses k-means pada matriks normalisasi Eigen Vector

Spectral Clustering: Tipe Matriks Laplacian (L)

June 4, 2021November 29, 2015 by PIP Author

Algoritma Spectral Clustering adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Ada beberapa teknik Spectral Clustering yang dapat digunakan, dan teknik yang digunakan pada kali ini adalah teknik Matriks Laplacian. Perhitungan Eigen Vector didapatkan dari Matriks Laplacian (L), dan pengelompokan data dilakukan berdasarkan proses threshold pada Eigen Vector dengan Eigen Value terbesar kedua.

Spectral Clustering: Tipe Matriks Kemiripan (A)

June 4, 2021November 27, 2015 by PIP Author

Algoritma Spectral Clustering adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Ada beberapa teknik Spectral Clustering yang dapat digunakan, dan teknik yang digunakan pada kali ini adalah teknik Matriks Kemiripan. Perhitungan Eigen Vector didapatkan dari Matriks Kemiripan (A), dan pengelompokan data dilakukan berdasarkan proses threshold pada Eigen Vector Pertama.

Algoritma EM (Expectation–Maximization)

June 4, 2021November 25, 2015 by PIP Author

Algoritma EM (Expectation–Maximization) adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Sesuai namanya, ada 2 proses utama dalam algoritma ini, yaitu proses expectation (E), yaitu fungsi untuk memperkirakan evaluasi likelihood berdasarkan beberapa parameter yang ada, dan proses maximization (M), yaitu untuk memaksimalkan nilai likelihood yang ditemukan pada proses E. Kedua proses ini digunakan untuk menentukan distribusi data untuk proses E pada perulangan selanjutnya.

Algoritma K-Medoids Clustering

June 4, 2021November 23, 2015 by PIP Author

Algoritma K-Medoids Clustering adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Algoritma ini memiliki kemiripan dengan Algoritma K-Means Clustering, tetapi terdapat beberapa perbedaan utama, dimana apabila pada Algoritma K-Means Clustering, nilai tengah dihitung dengan rata-rata (mean) dan perhitungan jarak dihitung dari data pada masing-masing mean, sedangkan pada algoritma ini, data akan digunakan sebagai nilai tengah / disebut dengan medoid, dan perhitungan jarak dihitung dari jarak antar masing-masing data.

Algoritma HS (Harmony Search)

November 21, 2015 by PIP Author

Algoritma HS (Harmony Search) adalah salah satu algoritma optimasi yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian posisi dengan pengembalian nilai fungsi maksimal.

Pengolahan Citra dengan Mean Shift

May 3, 2016November 19, 2015 by PIP Author

Algoritma Mean Shift

June 4, 2021November 17, 2015 by PIP Author

Algoritma Mean Shift adalah salah satu algoritma yang digunakan untuk klasifikasi atau pengelompokan data. Contoh yang dibahas kali ini adalah mengenai penentuan jurusan siswa berdasarkan nilai skor siswa.
Kegunaan pengelompokan data ada beberapa macam. Pada kasus yang dibahas kali ini, data akan dikelompokkan ke dalam kelompok / cluster sehingga data-data yang memiliki kemiripan akan saling terkelompok, dan kemudian dapat dihitung kelompok tersebut merupakan kelompok apa. Contoh kasus pengembangan selanjutnya dari klasifikasi ini adalah menentukan data yang paling tidak cocok berada pada masing-masing cluster. Nantinya dapat ditarik kesimpulan apakah data tersebut dibuang atau dipindah ke cluster lain.

Review 200 Algoritma

September 1, 2024November 15, 2015 by PIP Author

Review mengenai 200 buah algoritma yang sudah dijelaskan pada website ini.

Algoritma Random Search: ASSRS (Adaptive Step Size Random Search)

January 10, 2016November 13, 2015 by PIP Author

Algoritma Random Search adalah salah satu algoritma optimasi yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian posisi dengan pengembalian nilai fungsi maksimal.