Path: Top > S2-Theses > Informatics-STEI > 2017

PENGEMBANGAN ALGORITMA EVOLUTIONARY CLUSTERING UNTUK GRAF HETEROGEN KOMPLEKS

EVOLUTIONARY CLUSTERING ALGORITHM DEVELOPMENT FOR COMPLEX HETEROGENEOUS GRAPH

Undergraduate Theses from JBPTITBPP / 2017-10-03 09:34:19
Oleh : EDY MARYADI - NIM : 23515028 , S2 - Informatics-STEI
Dibuat : 2017-10-03, dengan 1 file

Keyword : evolutionary clustering, clustering graf

Graf sering digunakan sebagai model di berbagai bidang, sejalan dengan hal tersebut model graf yang dihasilkan beraneka ragam, mulai dari yang sederhana seperti graf yang memodelkan pertemanan di aplikasi sosial media yang dikenal dengan graf homogen, sampai pada graf heterogen yang kompleks seperti graf yang memodelkan kasus bioinformatika. Pengolahan graf yang kompleks khususnya deteksi komunitas atau pembentukan cluster masih bersifat statis yaitu pengolahan untuk satu graf yang utuh. Adapun pengolahan sekumpulan graf dengan evolutionary clustering masih terbatas pada graf homogen, dan graf heterogen dengan skema tertentu. Belum ada algoritma evolutionary clustering yang menangani graf heterogen kompleks. Berdasarkan penjelasan tersebut, Tesis ini akan membahas mengenai pengembangan metode evolutionary clustering untuk graf heterogen kompleks temporal. Algoritma GPNRankClus dan ENetClus diadopsi sebagai algoritma untuk proses cluster setiap snapshot graf kompleks dan evolutionary clustering. Dengan melakukan analisis terhadap algoritma evolutionary clustering, mempelajari setiap tahap pada algoritma tersebut dan melakukan analisis terhadap algoritma evolutionary clustering, dan selanjutnya mengembangkan algoritma evolutionary clustering untuk graf heterogen kompleks. Pengembangan dilakukan dengan menambah beberapa tahap pada algoritma clustering graf GPNRankClus berdasarkan pada algoritma evolutionary clustering ENetClus. Tahapan yang ditambahkan tersebut menerima input dari hasil clustering dari snapshot sebelumnya yaitu nilai parameter-parameter distribusi gamma dan poisson dan variable bantu, selain itu skor rangking sebelumnya ditambahkan pada skor rangking yang didapat dengan bobot tertentu. Eksperimen dilakukan dengan beberapa graf temporal. Hasil pengujian menunjukkan algoritma evolutionary clustering untuk graf heterogen kompleks memberikan hasil clustering yang konsisten antar snapshot. Bobot untuk skor rangking berpengaruh terhadap konsistensi antar snapshot dan kualitas hasil clustering. Berdasarkan penelitian yang dilakukan dapat disimpulkan bahwa untuk melakukan evolutionary clustering pada graf heterogen kompleks dapat dilakukan dengam mengembangkan algoritma clustering graf yang menangani graf heterogen kompleks, dengan menambahkan tahapan yang menerima input dari hasil sebelumnya sehingga memberikan hasil clustering yang konsisten.

Deskripsi Alternatif :

Graf is often used as a model in many fields, so the resulting graph model is diverse, ranging from simple graphs that model friendships in social media applications known as homogeneous graphs, to complex heterogeneous graphs such as graphs modeling bioinformatics. Processing of complex graphs, especially community detection or cluster formation is still static, ie processing for a complete graph. The processing of a set of graphs with evolutionary clustering is still limited to homogeneous graphs, and heterogeneous graphs with certain schemes. There is no evolutionary clustering algorithm for complex heterogeneous graphs. This thesis will discuss about developing evolutionary clustering method for temporal complex heterogeneous graph. The algorithms GPNRankClus and ENetClus are adopted as algorithms for the cluster process of each complex graph snapshot and evolutionary clustering. By analyzing the evolutionary clustering algorithm, study each stage of the algorithm and perform an analysis of the evolutionary clustering algorithm. Based on the results of the analysis, the development of evolutionary clustering algorithm for complex heterogeneous graphs. The development is done by adding several stages to the GPNRankclus algorithm based on EnetClus evolutionary clustering algorithm. The added stage receives input from the clustering result from the previous snapshot which is the parameter values of the gamma and poisson distributions and auxiliary variable, in addition the previous ranking score is added to the rank score obtained by certain weights. Experiments were performed with some temporal graphs. The experiment results show the evolutionary clustering algorithm for complex heterogeneous graphs gives consistent clustering results between snapshots. The weight for the ranking score affects the consistency between snapshots and the quality of clustering results. Based on the research, it can be concluded that to perform evolutionary clustering on complex heterogeneous graphs can be done by developing clustering graph algorithms that handle complex heterogeneous graphs, by adding stages that receive input from previous results so as to provide consistent clustering results.

Copyrights : Copyright (c) 2001 by Perpustakaan Digital ITB. Verbatim copying and distribution of this entire article is permitted by author in any medium, provided this notice is preserved.

Beri Komentar ?#(0) | Bookmark

PropertiNilai Properti
ID PublisherJBPTITBPP
OrganisasiS
Nama KontakUPT Perpustakaan ITB
AlamatJl. Ganesha 10
KotaBandung
DaerahJawa Barat
NegaraIndonesia
Telepon62-22-2509118, 2500089
Fax62-22-2500089
E-mail Administratordigilib@lib.itb.ac.id
E-mail CKOinfo@lib.itb.ac.id

Print ...

Kontributor...

  • Dr. Ir. Gusti Ayu Putri Saptawati M.Comm, Editor: Irwan Sofiyan

File PDF...