Category Archives: Data mining

Data Mining dengan pemrograman matlab

k-means clustering menggunakan matlab


Data clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised).

Ada dua jenis data clustering yang sering digunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering.

K-means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam satu atau lebih cluster/kelompok.

Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.

Ilustrasi algoritma k-means ditunjukkan pada gambar di bawah ini:


-read more->

k-Nearest Neighbor (k-NN) Menggunakan Matlab


Algoritma k-nearest neighbor (k-NN atau KNN) merupakan sebuah algoritma untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.

Ilustrasi dari metode yang digunakan oleh algoritma k-nn ditunjukkan pada gambar di bawah ini:

-read more->

Cara menghitung koefisien korelasi menggunakan matlab


Koefisien korelasi merupakan suatu nilai yang digunakan untuk mengukur tingkat kedekatan hubungan antara dua variabel.

Koefisien korelasi memiliki nilai berkisar antara -1 sampai dengan +1.

Koefisien korelasi bernilai +1 berarti bahwa dua variabel berkorelasi sempurna antara satu dengan yang lain atau dapat dikatakan dua variabel tersebut identik.

Nilai positif (+) menunjukkan hubungan dua variabel yang sebanding atau berbanding lurus.

Koefisien korelasi bernilai 0 berarti bahwa dua variabel sama sekali tidak berhubungan/berkaitan satu sama lain.

Dan koefisien korelasi bernilai negatif (-) berarti bahwa dua variabel memiliki hubungan yang berbanding terbalik.

Koefisien korelasi dapat dihitung menggunakan persamaan berikut:

Berikut ini merupakan contoh aplikasi pemrograman matlab untuk menghitung koefisien korelasi antara dua variabel.

Sebagai contoh, misalnya kita ingin merancang bangun alat untuk mengukur suhu menggunakan sensor jenis LM35, maka setelah alat tersebut dibuat perlu kita validasi dengan hasil pengukuran alat ukur suhu standar seperti termometer digital.

Langkah-langkah menghitung koefisien korelasi menggunakan matlab adalah sebagai berikut:
1. Mempersiapkan data, pada contoh ini data terdiri dari hasil pengukuran suhu menggunakan alat dan hasil pengukuran suhu menggunakan termometer digital. Data disajikan dalam format .xlsx (excel)

-read more->

Logika Fuzzy untuk Sistem Pengatur Kecepatan Mesin


Dalam paper yang berjudul Fuzzy Sets*, pada tahun 1965 Dr. Lotfi Aliasker Zadeh (Ilmuwan Amerika Serikat berkebangsaan Iran dari University of California, Berkeley, California) memperkenalkan teori fuzzy yang mampu memetakan nilai masukan menuju nilai keluaran. Tidak seperti pada logika Boolean yang menyatakan suatu nilai dengan tegas (0 atau 1, hitam atau putih, ya atau tidak, benar atau salah, hidup atau mati), teori fuzzy menggunakan logika yang menyatakan bahwa suatu nilai dapat memiliki range atau derajat level (0 s.d 1, hitam s.d putih). Logika fuzzy dapat diartikan sebagai logika yang samar, kabur, tidak jelas, atau tidak tegas. Logika fuzzy umumnya diterapkan pada masalah-masalah yang mengandung unsur ketidakpastian (uncertainty), ketidaktepatan (imprecise), noisy, dan sebagainya. Logika fuzzy menjembatani bahasa mesin yang presisi dengan bahasa manusia yang menekankan pada makna atau arti (significance). Logika fuzzy dikembangkan berdasarkan bahasa manusia (bahasa alami).

Berikut ini merupakan contoh aplikasi pemrograman logika fuzzy untuk sistem pengatur kecepatan mesin menggunakan sensor suhu dan sensor cahaya sebagai masukan.
Langkah-langkahnya adalah sebagai berikut:
1. Menyusun konsep sistem kontrol dengan logika fuzzy
Misalnya keadaan sensor suhu (input 1) dibagi menjadi lima kategori yaitu:
-read more->

Jaringan Syaraf Tiruan untuk Identifikasi Wajah


Berikut ini merupakan contoh aplikasi pemrograman Jaringan Syaraf Tiruan Backpropagation sederhana untuk identifikasi wajah seseorang berdasarkan ciri mata, hidung, mulut, dan telinga.


1. Langkah pertama yaitu mempersiapkan data untuk proses pelatihan dan pengujian
Berikut ini merupakan contoh data untuk proses pelatihan

No Ciri/ Feature Target
Mata Hidung Mulut Telinga Nama Orang
1 0.35 0.47 0.88 0.34 Adi
2 0.59 0.11 0.90 0.56 Budi
3 0.19 0.89 0.54 0.38 Candra
4 0.36 0.90 0.39 0.82 Dedi
5 0.58 0.45 0.80 0.91 Erik
6 0.40 0.45 0.80 0.35 Adi
7 0.61 0.11 0.90 0.55 Budi
8 0.20 0.87 0.56 0.41 Candra
9 0.38 0.88 0.35 0.85 Dedi
10 0.57 0.46 0.82 0.92 Erik
11 0.33 0.45 0.85 0.37 Adi
12 0.55 0.14 0.90 0.57 Budi
13 0.18 0.87 0.55 0.40 Candra
14 0.38 0.89 0.37 0.85 Dedi
15 0.56 0.47 0.83 0.91 Erik

-read more->

Pengenalan logika AND


Berikut ini merupakan algoritma pengenalan pola sederhana untuk mengenali pola logika AND menggunakan Jaringan Syaraf Tiruan.

Tabel Kebenaran Logika AND

1. Mempersiapkan input dan target

input = [0 0 1 1;0 1 0 1];
target = [0 0 0 1];

-read more->

%d bloggers like this: