107 lines
4.9 KiB
Plaintext
107 lines
4.9 KiB
Plaintext
{\rtf1\ansi\deff0
|
|
{\fonttbl{\f0 Calibri;}}
|
|
\fs28\b Penjelasan Contoh Input Harga, Tahun, dan Mesin CC pada Rekomendasi K-Means\b0\par
|
|
\par
|
|
\fs24\b 1. Gambaran Umum\b0\par
|
|
Fitur rekomendasi mobil menggunakan metode K-Means untuk mengelompokkan data mobil berdasarkan kemiripan atribut numerik. Atribut utama yang digunakan sebagai fitur perhitungan adalah harga, tahun, dan mesin_cc.\par
|
|
\par
|
|
Ketiga atribut tersebut dipakai karena harga menunjukkan kisaran budget pengguna, tahun menunjukkan usia atau kebaruan mobil, dan mesin cc menunjukkan kapasitas mesin mobil.\par
|
|
\par
|
|
\b 2. Contoh Input Pengguna\b0\par
|
|
Misalnya pengguna memasukkan data berikut:\par
|
|
\par
|
|
Harga/Budget : Rp 200.000.000\par
|
|
Tahun Minimal : 2018\par
|
|
Mesin CC : 1500\par
|
|
\par
|
|
Artinya pengguna ingin mencari mobil dengan harga maksimal Rp 200.000.000, tahun minimal 2018, dan kapasitas mesin yang mendekati 1500 cc.\par
|
|
\par
|
|
\b 3. Contoh Data Mobil\b0\par
|
|
Misalnya terdapat lima data mobil yang memenuhi batas budget dan tahun:\par
|
|
\par
|
|
A = [130000000, 2018, 1200]\par
|
|
B = [150000000, 2019, 1500]\par
|
|
C = [170000000, 2020, 1500]\par
|
|
D = [190000000, 2021, 1800]\par
|
|
E = [200000000, 2022, 2000]\par
|
|
\par
|
|
Setiap mobil direpresentasikan ke dalam fitur [harga, tahun, mesin_cc].\par
|
|
\par
|
|
\b 4. Penentuan Centroid Awal\b0\par
|
|
Dalam K-Means, centroid adalah titik pusat dari sebuah cluster. Misalnya jumlah cluster yang digunakan adalah 2, maka contoh centroid awal dapat berupa:\par
|
|
\par
|
|
Centroid 0 = [130000000, 2018, 1200]\par
|
|
Centroid 1 = [200000000, 2022, 2000]\par
|
|
\par
|
|
Centroid awal ini menjadi acuan sementara untuk menentukan mobil mana yang paling dekat dengan masing-masing cluster.\par
|
|
\par
|
|
\b 5. Proses Pemilihan Cluster\b0\par
|
|
Setiap mobil dihitung jaraknya terhadap centroid. Mobil akan masuk ke cluster dengan jarak paling dekat.\par
|
|
\par
|
|
Contoh hasil pengelompokan awal:\par
|
|
\par
|
|
Cluster 0:\par
|
|
A = [130000000, 2018, 1200]\par
|
|
B = [150000000, 2019, 1500]\par
|
|
C = [170000000, 2020, 1500]\par
|
|
\par
|
|
Cluster 1:\par
|
|
D = [190000000, 2021, 1800]\par
|
|
E = [200000000, 2022, 2000]\par
|
|
\par
|
|
Mobil A, B, dan C lebih dekat dengan Centroid 0, sedangkan mobil D dan E lebih dekat dengan Centroid 1.\par
|
|
\par
|
|
\b 6. Pergeseran Centroid\b0\par
|
|
Setelah anggota cluster terbentuk, centroid baru dihitung berdasarkan rata-rata nilai setiap fitur dari anggota cluster tersebut.\par
|
|
\par
|
|
\b Centroid Baru Cluster 0\b0\par
|
|
Anggota Cluster 0 adalah A, B, dan C.\par
|
|
\par
|
|
Harga = (130000000 + 150000000 + 170000000) / 3 = 150000000\par
|
|
Tahun = (2018 + 2019 + 2020) / 3 = 2019\par
|
|
Mesin CC = (1200 + 1500 + 1500) / 3 = 1400\par
|
|
\par
|
|
Centroid 0 baru = [150000000, 2019, 1400]\par
|
|
\par
|
|
\b Centroid Baru Cluster 1\b0\par
|
|
Anggota Cluster 1 adalah D dan E.\par
|
|
\par
|
|
Harga = (190000000 + 200000000) / 2 = 195000000\par
|
|
Tahun = (2021 + 2022) / 2 = 2021.5\par
|
|
Mesin CC = (1800 + 2000) / 2 = 1900\par
|
|
\par
|
|
Centroid 1 baru = [195000000, 2021.5, 1900]\par
|
|
\par
|
|
Pergeseran centroid terjadi karena titik pusat cluster diperbarui mengikuti rata-rata anggota cluster. Proses ini diulang sampai posisi cluster stabil atau anggota cluster tidak berubah lagi.\par
|
|
\par
|
|
\b 7. Pemilihan Hasil Rekomendasi\b0\par
|
|
Setelah cluster terbentuk, sistem memilih mobil yang paling sesuai dengan input pengguna. Dalam contoh ini, input pengguna adalah [200000000, 2018, 1500].\par
|
|
\par
|
|
Mobil yang memiliki harga di bawah atau mendekati budget, tahun sesuai, dan mesin cc mendekati 1500 akan mendapat skor rekomendasi yang lebih baik.\par
|
|
\par
|
|
Contoh mobil yang cocok adalah C = [170000000, 2020, 1500]. Mobil C dapat menjadi rekomendasi yang baik karena harga masih di bawah budget, tahun 2020 lebih baru dari batas minimal 2018, dan mesin 1500 cc sesuai dengan input pengguna.\par
|
|
\par
|
|
\b 8. Hubungan dengan Kode Program\b0\par
|
|
Pada kode API Flask, fitur yang digunakan untuk K-Means terdapat pada fungsi berikut:\par
|
|
\par
|
|
def car_features(car):\par
|
|
return [car["harga"], car["tahun"], car["mesin_cc"]]\par
|
|
\par
|
|
Fungsi tersebut menunjukkan bahwa proses clustering menggunakan tiga atribut utama, yaitu harga, tahun, dan mesin cc.\par
|
|
\par
|
|
Proses pergeseran centroid terdapat pada bagian berikut:\par
|
|
\par
|
|
new_centroids.append(\par
|
|
[sum(member[column] for member in members) / len(members) for column in range(len(vectors[0]))]\par
|
|
)\par
|
|
\par
|
|
centroids = new_centroids\par
|
|
\par
|
|
Kode tersebut menghitung rata-rata anggota cluster untuk membentuk centroid baru.\par
|
|
\par
|
|
\b 9. Kesimpulan\b0\par
|
|
Berdasarkan contoh di atas, input harga, tahun, dan mesin cc dapat digunakan sebagai acuan dalam proses rekomendasi mobil. K-Means akan mengelompokkan data mobil berdasarkan kemiripan harga, tahun, dan kapasitas mesin. Setelah cluster terbentuk, centroid akan bergeser mengikuti rata-rata anggota cluster sampai hasil pengelompokan stabil.\par
|
|
\par
|
|
Dengan demikian, fitur rekomendasi dapat memberikan hasil yang lebih sesuai karena mempertimbangkan budget pengguna, batas tahun kendaraan, dan kapasitas mesin yang diinginkan.\par
|
|
}
|