Tugas Kapita Selekta Ilmu Komputer 1

Tugas Kapita Selekta Ilmu Komputer 1

1. IRISa) Deskripsi Data

Data “IRIS” merupakan data hasil pengukuran panjang dan lebarnya bagian bunga. Bagian bunga yang diukur panjang dan lebarnya adalah tangkai bunga dan kelopak bunga. Dari hasil pengukuran ini bunga dibedakan menjadi 3 class, yakni Iris Setosa, Iris Versicolour, Iris Virginica.

b) AtributAtribut yang ada di dalam database : sepalength : panjang tangkai dalam cm sepalwidth : lebar tangkai dalam cm petallength : panjang kelopak dalam cm petalwidth : lebar kelopak dalam cm

c) Class

Terdapat 3 class :-- Iris Setosa-- Iris Versicolour-- Iris Virginica

d) Jumlah InstanceJumlah instance dari database ini adalah 30 kelopak bunga.

e) Hasil ClusteringUntuk melakukan clustering, maka atribut class tidak akan menjadi atribut yang dicluster. Kemudian akan dilakukan clustering dan akan dijadikan 3 cluster menggunakan metode – metode di bawah ini :(1). Simple K-Means

AkurasiDengan setting seperti di bawah ini,

maka didapatkan hasil seperti di bawah ini :

Scheme: weka.clusterers.SimpleKMeans -N 3 -A "weka.core.EuclideanDistance -R first-last" -I 500 -S 10Relation: irisInstances: 30Attributes: 5 sepallength sepalwidth petallength petalwidthIgnored: classTest mode: evaluate on training data

=== Model and evaluation on training set ===

kMeans======

Number of iterations: 6Within cluster sum of squared errors: 1.913551539144951Missing values globally replaced with mean/mode

Cluster centroids: Cluster#Attribute Full Data 0 1 2 (30) (10) (14) (6)=========================================================sepallength 5.8433 4.86 6.7643 5.3333sepalwidth 3.04 3.31 3.05 2.5667petallength 3.8633 1.45 5.4357 4.2167petalwidth 1.2133 0.22 1.8286 1.4333

Clustered Instances

0 10 ( 33%)1 14 ( 47%)2 6 ( 20%)

Waktu14:42:13: Command: weka.clusterers.SimpleKMeans -N 3 -A "weka.core.EuclideanDistance -R first-last" -I 500 -S 1014:42:13: Finished weka.clusterers.SimpleKMeans

Analisis

(2). Hierarchical Clusterer Akurasi

Dengan setting seperti di bawah ini,

maka didapatkan :

Scheme: weka.clusterers.HierarchicalClusterer -N 3 -L COMPLETE -P -A "weka.core.EuclideanDistance -R first-last"Relation: irisInstances: 30Attributes: 5 sepallength sepalwidth petallength petalwidthIgnored: classTest mode: evaluate on training data


Cluster 0(((((0.2:0.06988,0.2:0.06988):0.05654,0.2:0.12642):0.0552,0.3:0.18162):0.2247,0.4:0.40632):0.29968,(((0.2:0.07745,0.1:0.07745):0.06357,(0.2:0.07942,0.2:0.07942):0.06161):0.06946,0.2:0.21048):0.49552)

Cluster 1(((((1.4:0.08968,1.5:0.08968):0.1526,(1.5:0.08968,1.6:0.08968):0.1526):0.07967,(1.5:0.10875,1.3:0.10875):0.2132):0.23987,

((1.9:0.3375,1.8:0.3375):0.02214,(1.8:0.19239,2.2:0.19239):0.16725):0.20218):0.21658,((2.5:0.33855,2.5:0.33855):0.18954,((2.1:0.17069,1.8:0.17069):0.03391,2.1:0.20459):0.3235):0.25032)

Cluster 2((1.3:0.26857,1.0:0.26857):0.16948,((1.3:0.20706,1.4:0.20706):0.14711,1.7:0.35417):0.08388)

Clustered Instances

0 10 ( 33%)1 15 ( 50%)2 5 ( 17%)

Waktu12:53:00: Command: weka.clusterers.EM -I 100 -N 3 -M 1.0E-6 -S 10012:53:00: Finished weka.clusterers.EM

Analisis

(3). Simple EM (expectation maximisation) class Akurasi


maka didapatkan 3 kluster, yakni :

Scheme: weka.clusterers.EM -I 100 -N 3 -M 1.0E-6 -S 100Relation: irisInstances: 30Attributes: 5 sepallength sepalwidth petallength petalwidthIgnored: classTest mode: evaluate on training data


EM==

Number of clusters: 3

ClusterAttribute 0 1 2 (0.16) (0.5) (0.33)======================================sepallength mean 5.2338 6.6953 4.86 std. dev. 0.3181 0.4646 0.2764

sepalwidth mean 2.5361 3.0257 3.31 std. dev. 0.1839 0.2617 0.2914

petallength mean 4.0348 5.4087 1.45 std. dev. 0.4474 0.6904 0.1025

petalwidth mean 1.3418 1.8305 0.22 std. dev. 0.2275 0.3694 0.0748

Clustered Instances

0 5 ( 17%)1 15 ( 50%)2 10 ( 33%)

Log likelihood: -1.62297


Analisis

2. Diabetesa) Deskripsi Data

Data “Diabetes” merupakan data hasil pemeriksaan pasien untuk mendiagnosa penyakit diabetes.

b) AtributAtribut yang ada di dalam database : Preg : Jumlah kali hamil Plas : Konsentrasi glukosa plasma 2 jam dalam tes toleransi glukosa oral Prees : Tekanan darah diastolik (mm Hg) Skin : Ketebalan lipatan trisep (mm) Insu : Jam serum insulin (mu U / ml) Mass : Indeks massa tubuh (berat dalam kg / (tinggi dalam m) ^ 2) Pedi : Diabetes silsilah fungsi Age : Umur (Dalam Tahun)

c) Class

Ada 2 class yakni tested_positive dan tested_negative.

d) Jumlah InstanceJumlah instance dari database ini adalah 30.

e) Hasil ClusteringUntuk melakukan clustering, maka atribut class tidak akan menjadi atribut yang dicluster. Kemudian akan dilakukan clustering dan akan dijadikan 2 cluster menggunakan metode – metode di bawah ini :(1). Simple K-Means


maka didapatkan :

Scheme: weka.clusterers.SimpleKMeans -N 2 -A "weka.core.EuclideanDistance -R first-last" -I 500 -S 10Relation: pima_diabetesInstances: 30Attributes: 9 preg plas pres skin insu mass pedi age

Ignored: classTest mode: evaluate on training data


kMeans======


Cluster centroids: Cluster#Attribute Full Data 0 1 (30) (16) (14)============================================preg 5.4667 3.4375 7.7857plas 130.0667 127.1875 133.3571pres 68.5333 67.375 69.8571skin 17.5 31.625 1.3571insu 102.3 184.9375 7.8571mass 31.6367 33.2313 29.8143pedi 0.4608 0.5 0.416age 38.2667 36.875 39.8571

Clustered Instances

0 16 ( 53%)1 14 ( 47%)


Analisis



maka didapatkan :

Scheme: weka.clusterers.HierarchicalClusterer -N 2 -L COMPLETE -P -A "weka.core.EuclideanDistance -R first-last"Relation: pima_diabetesInstances: 30Attributes: 9 preg plas pres skin insu mass

pedi ageIgnored: classTest mode: evaluate on training data


Cluster 0(((((50.0:0.46639,51.0:0.46639):0.28299,(51.0:0.5039,57.0:0.5039):0.24547):0.16752,(29.0:0.42072,41.0:0.42072):0.49617):0.27996,(((32.0:0.59795,((34.0:0.39844,43.0:0.39844):0.05075,41.0:0.44919):0.14876):0.32575,(((30.0:0.19574,31.0:0.19574):0.15226,(30.0:0.25324,38.0:0.25324):0.09476):0.29608,50.0:0.64408):0.27962):0.19358,(54.0:0.85829,57.0:0.85829):0.25899):0.07957):0.2383,(29.0:0.33937,32.0:0.33937):1.09579)

Cluster 1((((((31.0:0.31405,26.0:0.31405):0.1483,32.0:0.46236):0.0514,(21.0:0.26581,22.0:0.26581):0.24794):0.40688,((31.0:0.33483,27.0:0.33483):0.40912,33.0:0.74395):0.17668):0.30059,33.0:1.22122):0.36421,(53.0:0.63725,59.0:0.63725):0.94818)

Clustered Instances

0 19 ( 63%)1 11 ( 37%)

Waktu13:28:21: Command: weka.clusterers.HierarchicalClusterer -N 2 -L COMPLETE -P -A "weka.core.EuclideanDistance -R first-last"13:28:22: Finished weka.clusterers.HierarchicalClusterer

Analisis

(3). EM Akurasi

Dengan setting seperti di bawah ini :

maka didapatkan 2 kluster, yakni :

Scheme: weka.clusterers.EM -I 100 -N 2 -M 1.0E-6 -S 100Relation: pima_diabetesInstances: 30Attributes: 9 preg plas pres skin insu mass pedi ageIgnored: classTest mode: evaluate on training data


EM==


ClusterAttribute 0 1 (0.36) (0.64)==============================preg

mean 1.2695 7.8785 std. dev. 0.9612 2.3326

plas mean 121.4449 135.021 std. dev. 37.9009 27.2698

pres mean 62.758 71.852 std. dev. 16.4957 26.1592

skin mean 32.5661 8.8426 std. dev. 9.4485 13.5367

insu mean 230.0458 28.8932 std. dev. 237.8522 56.9629

mass mean 34.1669 30.1827 std. dev. 7.2617 8.8454

pedi mean 0.5524 0.4082 std. dev. 0.5762 0.29

age mean 33.4912 41.0108 std. dev. 11.4278 10.01

Clustered Instances

0 11 ( 37%)1 19 ( 63%)



Analisis

3. Companiesa) Deskripsi Data

Data “Company” merupakan data fakta tentang perusahaan yang dipilih dari daftar Forbes 500 untuk tahun 1986. Di dalam data ini hanya memuat 1/10 dari data keseluruhan yang disusun secara sistematis berdasarkan abjad nama perusahaan. The Forbes 500 mencakup 500 perusahaan terbaik berdasarkan suatu kriteria.

b) AtributAtribut yang ada di dalam database :

Company : Nama Perusahaan Assets : Amount of assets (in millions) Sales : Jumlah penjualan (dalam jutaan) Market_Value : Nilai pasar perusahaan (dalam jutaan) Profits : Laba (dalam jutaan) Cash_Flow: Cash Flow (dalam jutaan) Employees: Jumlah karyawan (dalam ribuan) Sector: Jenis pasar perusahaan terkait dengan

c) Class

Tidak ada class.d) Jumlah Instance

Jumlah instance dari database ini adalah 30 perusahaan.

e) Hasil ClusteringJumlah klaster yang kan dibentuk adalah 4 klaster menggunakan metode – metode di bawah ini :(1). Simple K-Means


maka didapatkan :

Scheme: weka.clusterers.SimpleKMeans -N 4 -A "weka.core.EuclideanDistance -R first-last" -I 500 -S 10Relation: relationInstances: 30Attributes: 8 Assets Sales Market_Value Profits Cash_Flow EmployeesIgnored: Company sectorTest mode: evaluate on training data


kMeans======


Cluster centroids: Cluster#Attribute Full Data 0 1 2 3 (30) (19) (1) (4) (6)=========================================================Assets 5476.4667 1888.1053 44736 11097.75 6548.8333Sales 2921.7333 880.0526 16197 8505.25 3452.1667Market_Value 2103.2 673.4737 4653 7810.5 2400.8333Profits 101.8067 45.0158 -732.5 374.525 238.8833Cash_Flow 259.1667 76.9632 -651.9 967.75 515.6Employees 25.7367 8.1632 48.5 109.625 21.6667

Clustered Instances

0 19 ( 63%)1 1 ( 3%)2 4 ( 13%)3 6 ( 20%)


Analisis



maka didapatkan :Scheme: weka.clusterers.HierarchicalClusterer -N 4 -L COMPLETE -P -A "weka.core.EuclideanDistance -R first-last"Relation: relationInstances: 30Attributes: 8 Assets Sales Market_Value Profits

Cash_Flow EmployeesIgnored: Company sectorTest mode: evaluate on training data


Cluster 0(((((18.2:0.11383,21.9:0.11383):0.03855,6.2:0.15238):0.14323,10.8:0.2956):0.04322,((((1.1:0.0295,(2.1:0.01291,2.1:0.01291):0.01659):0.04114,((4.1:0.01,4.1:0.01):0.00919,3.0:0.0192):0.05144):0.09718,(4.8:0.11296,(((2.8:0.02581,3.8:0.02581):0.0058,0.7:0.03161):0.05233,(3.8:0.03522,2.8:0.03522):0.04872):0.02901):0.05487):0.03626,(((20.8:0.0538,22.5:0.0538):0.02151,(12.6:0.02879,16.0:0.02879):0.04652):0.04714,((19.4:0.04674,15.4:0.04674):0.0245,13.2:0.07124):0.05121):0.08163):0.13474):0.35165,(23.4:0.34169,49.5:0.34169):0.34879)

Cluster 1(143.8:0.61292,(128.0:0.46779,87.3:0.46779):0.14513)

Clustered Instances

0 25 ( 83%)1 3 ( 10%)2 1 ( 3%)3 1 ( 3%)

Waktu13:44:30: Command: weka.clusterers.HierarchicalClusterer -N 4 -L COMPLETE -P -A "weka.core.EuclideanDistance -R first-last"13:44:30: Finished weka.clusterers.HierarchicalClusterer

Analisis

(3). Simple EM (expectation maximisation) class Akurasi


maka didapatkan :

Scheme: weka.clusterers.EM -I 100 -N 4 -M 1.0E-6 -S 100Relation: relationInstances: 30Attributes: 8 Assets Sales Market_Value Profits Cash_Flow EmployeesIgnored: Company sectorTest mode: evaluate on training data


EM==


ClusterAttribute 0 1 2 3 (0.03) (0.13) (0.63) (0.2)

===========================================================Assets mean 44736 11097.7023 1888.3692 6543.0483 std. dev. 8673.648 5965.852 1649.3666 3380.1425

Sales mean 16197 8505.2202 879.7877 3450.2544 std. dev. 3750.7583 861.5581 540.9635 1713.8357

Market_Value mean 4653 7810.4384 673.3435 2399.41 std. dev. 2652.5976 2201.2806 360.6344 1003.3248

Profits mean -732.5 374.5248 44.9984 238.7316 std. dev. 283.697 487.8764 30.6113 180.9456

Cash_Flow mean -651.9 967.7468 76.9354 515.2209 std. dev. 522.2425 958.9774 41.8034 236.0391

Employees mean 48.5 109.6243 8.1591 21.6649 std. dev. 36.9972 27.0078 7.2381 13.8197

Clustered Instances

0 1 ( 3%)1 4 ( 13%)2 19 ( 63%)3 6 ( 20%)



Analisis

Tugas Kapita Selekta Ilmu Komputer 1

Documents

Transcript of Tugas Kapita Selekta Ilmu Komputer 1