Lompat ke konten
nalar

Density-Based Clustering (DBSCAN) & Outlier Detection Dasar

Keterbatasan K-Means pada data non-sferis, parameter eps dan MinPts, titik core/border/noise, pemilihan eps dengan k-distance, serta deteksi outlier dengan z-score dan LOF.

0 dari 12 dijawabSkor 0
  1. 01Pilihan ganda

    Mengapa K-Means gagal mengelompokkan data berbentuk dua bulan sabit (make_moons)?

  2. 02Pilihan ganda

    Sebuah titik bukan core, tetapi berada di dalam ε-neighborhood sebuah titik core. Titik tersebut disebut …

  3. 03Pilihan ganda

    Parameter DBSCAN yang perlu ditentukan pengguna adalah …

  4. 04Pilihan ganda

    Pada k-distance plot, nilai eps yang baik dipilih di …

  5. 05Pilihan ganda

    Mengapa fitur harus distandarisasi sebelum DBSCAN?

  6. 06Pilihan ganda

    Nilai LOF sebuah titik = 2.8. Interpretasinya …

  7. 07Pilihan ganda

    Kelemahan utama DBSCAN adalah …

  8. 08Hitung

    Data 1D: 1, 2, 3, 8, 9, 10, 25, eps = 1.5, MinPts = 3 (termasuk titik itu sendiri). Berapa jumlah titik core?

  9. 09Hitung

    Data yang sama (1, 2, 3, 8, 9, 10, 25), tetapi eps = 1.5 dan MinPts = 2. Berapa jumlah titik noise?

  10. 10Hitung

    Rata-rata nilai transaksi seorang nasabah μ = Rp 200rb, σ = Rp 50rb. Berapa z-score transaksi Rp 420rb?

  11. 11Hitung

    Titik P=(0,0) dengan eps = 2. Dari titik A=(1,1), B=(2,1), C=(0,2), D=(3,0), berapa banyak yang termasuk ε-neighborhood P (tidak termasuk P)?

  12. 12Uraian

    Studi kasus. Perusahaan ojek online punya jutaan titik GPS penjemputan. Mereka ingin menemukan hotspot penjemputan tanpa tahu jumlahnya, dan mengabaikan titik nyasar. Jelaskan mengapa DBSCAN cocok, parameter apa yang dipilih, dan bagaimana menentukannya.