Measuring Hybrid SC-FCM Clustering with Cluster Validity Index

Utomo, Victor Gayuh; Marutho, Dhendra

doi:10.1109/isriti.2018.8864459

Cited by 5 publications

(2 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…[4] Pada pendekatan dengan teknik komputasi terdapat beberapa penelitian dengan berbagai metode. Metode ini menggunakan berbasis pada kecerdasan buatan seperti clusterin [5] atau Naïve Bayes. [6] Metode yang digunakan antara lain Support Vector Machine (SVM), random forest [7], Artificial Neural Network [8,9] dan MinMax [10].Ada pula yang menggabungkan dengan Imperialist Competition Algorithm (ICA) dan Genetic Algorithm (GA) [11] Parameter yang digunakan pada jurnal tersebut juga berbagai macam.…”

Section: Pendahuluanunclassified

Prediksi Harga Saham Dengan SVM (Support Vector Machine) Dan Pemilihan Fitur F-Score

Utomo

Wakhidah

Putri

2020

JIU

View full text Add to dashboard Cite

Dalam pasar modal terdapat dua buah metode yang digunakan investor untuk membuat prediksi harga saham yaitu analisa fundamental dan analisa teknikal. Penelitian ini melakukan prediksi harga saham berdasarkan analisa teknikal dengan menggunakan indikator teknikal sebagai fiturnya. Penelitian menggunakan metode Support Vector Machine (SVM) untuk prediksi dan melakukan pemilihan fitur (feature selection) dengan metode F-Score.Penelitian telah menyelesaikan pengembangan prototype yang dibutuhkan untuk melakukan prediksi saham. Pengumpulan data saham dari Bursa Efek Indonesia telah dilaksanakan dan proses prediksi yang dibutuhkan juga telah dilaksanakan.Metode F-Score membutuhkan proses yang jauh lebih sedikit daripada proses maksimal yang mungkin dilakukan untuk mencari fitur terbaik terutama setelah jumlah fitur melebihi 5. Metode F-Score juga memberikan hasil 70% F-Score dan 71% akurasi. Hasil ini hanya 3% lebih buruk daripada pilihan fitur terbaik yang mungkin dicapai

show abstract

Section: Pendahuluanunclassified

Prediksi Harga Saham Dengan SVM (Support Vector Machine) Dan Pemilihan Fitur F-Score

Utomo

Wakhidah

Putri

2020

JIU

View full text Add to dashboard Cite

show abstract

“…Some clustering algorithms, such as K‐means algorithm, are only suitable for spherical data, while more algorithms (e.g. DBSCAN, CLIQUE or DPC algorithm (Lotfi et al, 2016; Sarma et al, 2019; Utomo & Marutho, 2018) are suitable for arbitrary data.…”

Section: Introductionmentioning

confidence: 99%

Improved K‐means algorithm for clustering non‐spherical data

He¹,

Wang³

et al. 2022

Expert Systems

View full text Add to dashboard Cite

As one of the commonly used data mining algorithms, K-means has the advantage of fast clustering speed, but the disadvantage is that it is less effective for clustering non-spherical data. An improved K-means algorithm (IK-means) is proposed to enhance clustering efficiency for non-spherical data. The original dataset is clustered into a relatively larger number of high-density sub-clusters, and the final result is obtained by merging connected sub-clusters respectively. The connectivity among sub-clusters is evaluated by the sub-clusters density and the nearest distance class between sub-clusters. By testing on University of California, Irvine(UCI) datasets and several other artificial simulation datasets, the comparison of proposed IK-means algorithm against DBSCAN, KGFCM shows its clustering capability for data of arbitrary shape. The clustering Adjusted Rand Index (ARI) value for 72,000 sizes data is 24% higher than DBSCAN, and 95.2% higher than KGFCM. For larger datasets, the IK-means algorithm is faster than DBSCAN and KGFCM.

show abstract