Nama :1. Ayu Agustiani (2003110392)
2. Farisssa Sanurtillah ( 2003111100)
1. Tujuan Unsupervised Learning adalah penggunaan algopritma kecerdasan buatan atau
aftifical intelligence (AI) untuk mengidentifikasi pola dalam kumpulan data yang berisi
titik data yang tidak diklasifikasikan atau di beri dan juga pendekatan machine learning
menggunakan algoritma untuk menganalisis atau menemukan pola dari suatu data tanpa
bantuan maupun interpensi dari manusia, untuk mengurangi dimensi agar lebih terkelola,,
melihat hubungan antarvaribel yang berbeda.
2. Clustering analysis adalah suatu teknik. yang bertujuan mengelompokkan obyek -obyek
berdasarkan karakteristik yang dimiliki masing masing obyek, untuk mengidentifikasi
obyek obyek, untuk menddukung system pendukung keputusan dan data mining.analisis
ini merupakan teknik analisis ststistik multivariat yang mengelompokkan observasi
berdasarkan beberapa variable atau feature.
3. Gambar 1: clustering, karena mengelompokkan data berdasarkan kemiripan bentuknya.
Gambar 2 : clustering, karena mengelompokkan data berdasarkan jarak kedekatan setiap
data dengan k-means
Gambar 3 : klasifikasi dimana data sudah diberi label yaitu lingkaran dan tanda silang
sudah ditentukan sebelum diproses. Klasifikasi termasuk kedalam supervised learning.
Metodenya seperti KNN,Naive Bayes,dll.
4. Perbedaan clustering hierarchical dan clustering nonhierarchical:
 clustering hierarchical merupakan metode pengelompokan dengan proses berhirarki
(bertingkat)., missal dalam proses pembagian taksonomi hewan di bidang biologi.
Analisi bertingkat dibagi menjadi dua yaitu divisive ( top-down ) dan agglomerative(
battom-up).Namun belum diketahui banyaknya yang diinginkan. Adapun analisis
klasyter hirarki dengan pendekatan aglomeratif lebih banyak digunakan karena
secara sistematis metode ini lebih akurat dan konsisten.
 clustering nonhierarchical merupakan metode pengelompokan objek dimana
banyaknya cluster yang akan dibentuk dapat ditentukan terlebih dahulu.klaster non
hirarki melakukan proses pengklasteran secara langsung pada semua observasi yang
ada di data set , sehingga pengklasrteran hanya terjadi dalam satu level atau tidak
bertingkat. Beberapa algoritma yang termasuk jenis non hirarki antara lain k-means
clustering, k-medoids dan DBSCAN.
.
5. K-Means adalah salah satu metode dari unservised learning yang termasuk kedalam
clustering dengan menentukan nilai k terlebih dahulu. Nilai K merupakan banyaknya
klister yang akan kita bentuk,setelah itu melakukan perhitungan menggunakan jarak
Euclidean. Kelebihan dari k-means diantaranya mudah dipahami, dapat menangani data
besar, dan anggota dalam cluster dapat disesuaikan, relative sederhana dan mudah untuk
diterapkan, dapat diskalakan untuk dataset dalam jumlah besar, mudah beradaptasi dengan
contoh baru dan umum diimplementasikan ke cluster dengan bentuk dan ukuran yang
berbeda , seperti cluster elips. Sedangkan kekurangannya, yaitu perlu menentukan jumlah
cluster yang optimal terlebih dahulu, sensitive terhadap pencilan, tidak mampu digunakan
untuk cluster yang bervariasi, sensitive terhadap skala data, centroid awal yang berbeda
menghasilkan hasil yang berbeda. Perlu menentukan nilai k secara manual, sangat
bergantung pada inisialisasi awal.
6. Variabel yang bisa diidentifikasi dari gambar untuk melakukan clustering, yaitu bentuk
kaki, bentuk telinga, bentuk hidung, bentuk poni, bentuk kepala, bentuk ekor.memiliki
tanduk.
7. Dari gambar terdapat 5 cluster yang terbentuk yaitu YAK,RAT,DOG,PIG,dan FOX.
8. Bentuk telinga, ada atau tidaknya kumis, bentuk kaki, bentuk kepala,bentuk
9. Bentuk rambut/bulu, jumlah kaki,bentuk telinga
10. Jenis rambut/bulu, ada tidaknya memiliki poni,bentuk telinga
11. Bisa, seperti singa memiliki kemiripan bentuk kaki dengan anjing, kucing dan singa bisa
masuk kedalam clastering PIG berdasarkan bentuk poni.
12. Bisa. Karena memiliki kararteristik berdasrakan kemiripan dari data sebelumnya yaitu
pada RAT,DOG,PIG.