Website Mata Kuliah Pengenalan Pola
Dosen: Dr. Agus Zainal Arifin
Email: agus.za (at) its-sby . edu
Kelas: A dan X
Kode: CI1423
Jurusan: Teknik Informatika, FTIF, ITS

OTHER CLUSTERING ALGORITMA

• Ada beberapa algoritma yang dapat dipelajari selain algoritma clustering. Namun dasar dari algoritma-algoritma ini adalah algoritma clutsering.
• Algoritma yang dipelajari yaitu:
  • Graph theory based clustering algorithms.
  • Competitive learning algorithms.
  • Valley seeking clustering algorithms
• Sebelum kita mengklarifikasi tergolong algoritma clustering atau bukan maka kita harus memahami dulu dasar dari algoritma clustering. Dasar dari algoritma clustering diantaranya :
  • The Minimum Spanning Tree (MST).
  • Regions of influence.
  • Directed trees
• Untuk membuat sketsa algoritmanya, ada beberapa hal yang menjadi acuan, diantaranya :
  • Menentukan MSG dari G
  • Menghapus edge yang tidak konsisten
  • Mengidentifikasi klutser yang berhubungan dengan MST
  • Identifikasi edge tidak konsisten
• Untuk setiap edge e pada MST dari G:
• Anggap semua edges yang melewati k menjauh dari edge e
  Tentukan mean me dan standard deviation σe dari weights.
  If we melewati lebih dari q (biasanya q=2) standard deviations σe dari me, maka:
  e dianggap tidak konsisten
  Else e
  dianggap konsisten
  End if
  Cara mengidentifikasi tidak konsistennya edge sesuai dengan algoritma diatas, dengan menentukan “the mean me and the standard deviation σe of their weights”.
  
• Algoritma berdasarkan ROI digunakan untuk menambahkan edge yang terkoneksi antara xi dan xj. Jika tidak ada vektor lain pada X yang membentang pada R(xi,xj).
• Tujuan dari Generalized Competitive Learning Scheme (GCLS) untuk meg-update kondisi terbaru dari wj sampai didapat converge occurred atau (t > tmax).
• Valley ? Seeking Clustering Algorithms,Membiarkan p(x) menjadi fungsi yang ringkas yang didistribusikan dari vector dalam X. Himpunan terlihat seperti puncak dari p(x) (himpunan) yang dipisahkan oleh lembah
  
• Clustering Via Cost Optimization
  • Branch and Bound Clustering Algorithms
  • Memperhitungkan solusi optimal secara global dengan masalah kombinatorial.
  • Menghindari seluruh pencarian dengan pekerjaan criteria monotonic J.
  • Kriteria monotonic J: Jika vector k bagian Xditempatkan pada himpunan, tugas dari extra vector pada himpunan tidak berkurang nilainya dari J.
• Clustering using genetic algorithms? Mutation:
  • Algoritma ini diterapkan setelah reproduksi dan operator di crossover.
  • Algoritma ini memilih secara acak sebuah elemen dari solusi dan menambahkannya pada beberapa kemungkinan.
  • Algoritma ini dapat dilihat sebagai jalan keluar ketika terbentur masalah minimal lokal.
• Density ? Based Algorithms For Large Data Sets
  • Anggap cluster sebagai wilayah pada ruang l-dimensi? yang berpotongan di titik X.
  • Memiliki kemampuan untuk memulihkan bentuk? arbitary cluster.
  • Menghandle secara efisien.?. Memilikin waktu? kompleksitas kurang dari O(N2).
  • Dalam mengidentifikasi HI’ digunakan beberapa metode, antara lain
    • Feature generation methods?
      • Digunakan untuk menjaga jarak antara points dalam high-dimensional space, ketika dirancang untuk lower-dimensional space.
      • Semuanya sangat berguna pada produksi representasi compact dari the original high-dimensional feature space.
      • Semuanya berguna dalam berbagai kasus dimana nilai yang sering muncul dari suatu fitur yang tercontribut untuk mengidentifikasi clusters.
      • Cara-cara yang? dipakai pada kategori ini adalah
        • Principal component analysis (PCA).
        • Singular value decomposition (SVD).
        • Nonlinear PCA.
        • Independent component analysis (ICA)
          
          
    • Feature selection methods?
      • Pengidentifikasian fitur-fitur yang menjadi? kontributor utama untuk informasi clusters.
      • Wrapper model (algoritma cluster adalah pilihan utama dan sebuah set dari fitur Fi yg terevaluasi hasilnya tercampur dari aplikasi algorithm ke X, dimana masing-masing point hanya bersama dalam Fi yang mengambil dalam akun). Filter model (evaluasi dari sebuah subset untuk fitur-fitur yang menggunakan interinsik datri property-properti data, sebelim terjadi aplikasi algoritma cluster).
      • Biasanya digunakan ketika semua clusters terhubung dalam subspace? yang sama dari suatu feature space?
    • Random projections
      

Contoh Paper 1

Contoh Paper 2