Automatic kernel clustering with bee colony optimization algorithm

Kuo, R. J.; Huang, Yan-Ping; Lin, Chih-Chieh; Wu, Yung-Hung; Zulvia, Ferani E.

doi:10.1016/j.ins.2014.06.019

Cited by 52 publications

(21 citation statements)

References 40 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penelitian yang menggunakan kernel function digabungkan dengan algoritme bee colony optimization (BCO), yang merupakan algoritme evolutionary algorithm, membuktikan bahwa kernel function dan evolutionary algorithm dapat dikolaborasikan untuk menentukan jumlah cluster secara tepat [10]. Penggabungan yang telah dilakukan disebut dengan AKC-BCO.…”

Section: Pendahuluanunclassified

Pengelompokan Data Menggunakan Pattern Reduction Enhanced Ant Colony Optimization dan Kernel Clustering

Hidayat¹,

Fatichah

Ginardi

2016

Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

View full text Add to dashboard Cite

Abstract-One method of optimization that can be used for clustering is Ant Colony Optimization (ACO). This method is good in data clustering, but has disadvantage in terms of time and quality or solution convergence. In this study, ACO-based Pattern Reduction Enhanced Ant Colony Optimization (PREACO) method with a gaussian kernel function is proposed. First, it sets up initial solution. Second, the magnitude of pheromone is calculated to find the centroid randomly. With the initialized solution, the weight of the solution is calculated and the center of cluster is revised. The solution will be evaluated through a gaussian kernel functions. Function 'pattern enhanced reduction' is useful to ensure maximum value of pheromone update. Those steps will be conducted repeatedly until the best solution is chosen. Tests are performed on multiple datasets, with three test scenarios. The first test is carried out to get the right combination of parameters. Second, the error rate measurement and similarity data using Sum of Squared Errors is done. Third, level of accuracy of the methods ACO, ACO with the kernel, PREACO, and PREACO with the kernel is compared. The test results show that the proposed method has a higher accuracy rate of 99.8% for synthetic data, 93.8% for wine data than other methods. But it has a lower accuracy by 88.7% compared to the ACO. Intisari- I. PENDAHULUANCluster merupakan pengelompokan dari banyak data dengan berdasarkan pada kesamaan atau perbedaannya. Kesamaan maupun perbedaan itu dilihat dari ciri yang dipunyai data tersebut. Misalnya saja terdapat sebuah data termasuk ke dalam Cluster tertentu dikarenakan memiliki ciri yang sama dengan Cluster itu. Pengklusteran sebuah data sesuai cluster masing-masing dilakukan dengan metode tertentu. Oleh karena itu melakukan cluster terdapat dua jenis yaitu soft clustering dan hard clustering. Maksudnya, sebuah data bisa termasuk ke dalam beberapa cluster. Hal ini disebut dengan soft clustering. Sebaliknya, sebuah data harus dimasukkan ke dalam satu cluster tertentu saja, disebut dengan hard clustering.adalah satu dari beragam metode clustering. Metode tersebut dapat dengan baik melakukan clustering, tetapi masih memiliki permasalahan yaitu pada penentuan jumlah cluster di awal dan juga masih memasukkan sebuah data ke dalam beberapa cluster yang berbeda. Oleh karena itu akan menjadi masalah ketika sebuah data masuk dalam beberapa cluster yang berbeda. Itu artinya data tersebut tidak terdefinisi dengan baik pengklusterannya. Oleh sebab itu, penentuan jumlah cluster di awal diperlukan. Penelitian tentang permasalahan tersebut masih terbuka untuk diteliti. Salah satu metode yang berusaha menyelesaikan permasalahan itu adalah kernel clustering, untuk mendefinisikan dengan baik jumlah cluster, sehingga pada akhirnya sebuah data akan dimasukkan ke dalam sebuah cluster dengan tepat.Cluster analysis atau kernel clustering saat ini menjadi rujukan dalam melakukan pembelajaran tak terawasi pada proses pencarian cluster. Berangkat dari kelemahan ini, telah dilakukan p...

show abstract

Section: Pendahuluanunclassified

Pengelompokan Data Menggunakan Pattern Reduction Enhanced Ant Colony Optimization dan Kernel Clustering

Hidayat¹,

Fatichah

Ginardi

2016

Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

View full text Add to dashboard Cite

show abstract

“…Various methods for detecting community structures based on conventional graph clustering methods have been proposed, including the hierarchical clustering algorithm [12,8,25], graph partitioning [1], k-means clustering [23], particle swarm optimization [3], and bee colony optimization [18]. Subsequently, novel methods for detecting community structures were proposed.…”

Section: Detection Of Community Structuresmentioning

confidence: 99%

An integer programming approach and visual analysis for detecting hierarchical community structures in social networks

Lin

Kang

Chen

2015

Information Sciences

View full text Add to dashboard Cite

“…y una tarea es un conjunto de actividades que realiza el usuario con la interacción del teclado. [14] Ahora bien, las tareas que se realizan con frecuencia en el teclado, pueden ser clasificadas según la complejidad que se requiera para su ejecución, de la siguiente manera:…”

Section: Automatización De Tareasunclassified

Algoritmo Novedoso Para la Detección de Tareas Repetitivas en el Teclado

González¹,

Sánchez²

2015

invinning

View full text Add to dashboard Cite

In this paper a tool for the detection of repetitive tasks with logical sequences realized across command of the keyboard is proposed, by means of the design and implementation of an algorithm based on the use of finite automata deterministic and agents of bosses' search. The innovation of the developed algorithm takes root in that it is orientated to the detection of repetitive tasks which activities have a logical sequence and that nowadays are not automated by the complex thing that is this labor. Palabras clave:Automatización de tareas repetitivas, algoritmos para la detección de patrones, comandos de teclado, autómatas. ResumenEn este artículo se propone una herramienta para la detección de tareas repetitivas con secuencias lógicas realizadas a través de comandos del teclado, mediante el diseño e implementación de un algoritmo basado en el uso de autómatas finitos determinísticos y agentes de búsqueda de patrones. La novedad del algoritmo desarrollado radica en que está orientado a la detección de tareas repetitivas cuyas actividades tienen una secuencia lógica y que actualmente no se encuentran automatizadas por lo complejo que es esta labor.

show abstract

Automatic kernel clustering with bee colony optimization algorithm

Cited by 52 publications

References 40 publications

Pengelompokan Data Menggunakan Pattern Reduction Enhanced Ant Colony Optimization dan Kernel Clustering

Pengelompokan Data Menggunakan Pattern Reduction Enhanced Ant Colony Optimization dan Kernel Clustering

An integer programming approach and visual analysis for detecting hierarchical community structures in social networks

Algoritmo Novedoso Para la Detección de Tareas Repetitivas en el Teclado

Contact Info

Product

Resources

About