ABSTRAKSI: Data mining merupakan suatu eksplorasi dan analisis dari suatu kuantitas data yang besar yang bertujuan untuk menemukan pattern yang bermakna. Banyaknya data berdimensi tinggi yang tidak berlabel class dalam dunia ini mendorong untuk dilakukannya klasterisasi. Klasterisasi adalah mengelompokkan data ke dalam klaster-klaster tertentu berdasarkan pendekatan kemiripan antar objek dalam suatu klaster dan perbedaannya antar klaster.
Principal Component Analysis Self Organizing Map (PCA-SOM) merupakan salah satu algoritma klasterisasi yang berusaha menerapkan prinsip kerja PCA pada algoritma klasterisasi SOM. PCA-SOM melakukan mapping ke neuron-neuron untuk mencari neuron pemenang dengan cara memproyeksikan data ke vektor basis dari neuron itu sendiri.
Tugas akhir ini diimplementasikan menggunakan Matlab 7.6 dan Microsoft Excel 2007. Parameter performansi hasil diukur dari pencapaian nilai akurasi, nilai overall purity dan evaluasi nilai variansi untuk tiap klaster terbentuk.
Kata Kunci : data mining, pattern, class, klasterisasi, PCA-SOM, mappingABSTRACT: Data mining is an exploration and analysis from a big quantity of data to find the meaningful pattern. Many high dimensionality data which are not labeled of class in this world push to be clustering. Clustering is classifying data into certain clusters based on approachment of similarity in a cluster and dissimilarity intercluster.
Principal Component Analysis Self Organizing Map (PCA-SOM) is one of clustering algorithm which is trying to imply PCA method at SOM clustering algorithm. PCA-SOM is mapping to the neurons in order to figure out the winner neuron by projecting data to the basis vector from the neuron itself.
This final assignment is implented using Matlab 7.6 and Microsoft Excel 2007. Parameter of the result performance is measured from achievement of accuracy mark, overall purity mark, and variance mark evaluation for each formed cluster.
Keyword: data mining, pattern, class, clustering, PCA-SOM, mapping