Lompat ke konten
nalar

Partitioning & Hierarchical Clustering

Clustering tanpa label — K-Means (SSE), K-Medoids/PAM, Agglomerative Hierarchical Clustering (single, complete, average, Ward), Elbow Method, dan Silhouette Score untuk segmentasi pelanggan.

0 dari 16 dijawabSkor 0
  1. 01Pilihan ganda

    Perbedaan utama clustering dengan klasifikasi adalah …

  2. 02Pilihan ganda

    Fungsi objektif yang diminimalkan K-Means adalah …

  3. 03Pilihan ganda

    Mengapa K-Medoids lebih tahan outlier dibanding K-Means?

  4. 04Pilihan ganda

    Linkage yang rawan efek chaining (klaster memanjang bersambung) adalah …

  5. 05Pilihan ganda

    Pada Elbow Method, k dipilih …

  6. 06Pilihan ganda

    Nilai silhouette sebuah titik −0.4 berarti …

  7. 07Pilihan ganda

    Kelemahan K-Means yang diatasi oleh DBSCAN (Minggu 11) adalah …

  8. 08Hitung

    Klaster berisi titik (1,1) dan (1.5,2). Hitung koordinat-x centroid-nya.

  9. 09Hitung

    Hitung jarak Euclidean kuadrat dari titik D(5,7) ke centroid (3,4).

  10. 10Hitung

    Klaster 1 = {(1,1), (1.5,2)} dengan centroid (1.25, 1.5). Hitung SSE klaster 1. (4 desimal)

  11. 11Hitung

    A = {(1,1), (1.5,2)}, B = {(3,4), (3.5,4.5)}. Hitung jarak single linkage A–B.

  12. 12Hitung

    Masih A dan B di atas. Hitung jarak complete linkage (3 desimal).

  13. 13Hitung

    Untuk titik i: a(i) = 2 (rata-rata jarak ke klaster sendiri), b(i) = 5 (ke klaster terdekat lain). Hitung s(i).

  14. 14Hitung

    Data 1D klaster: {2, 3, 4, 100}. Hitung mean-nya (bandingkan dengan medoid = 3).

  15. 15Uraian

    Jalankan satu iterasi K-Means (k = 2) pada data 1D {2, 4, 10, 12, 3, 20, 30, 11, 25} dengan centroid awal 2 dan 4. Tuliskan klaster dan centroid baru.

  16. 16Uraian

    Studi kasus. Toko online sudah menjalankan K-Means pada fitur RFM dan mendapat 4 klaster. Jelaskan langkah agar hasilnya bisa dipakai tim marketing.