Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   2 ,  Febr uar y   201 9 , pp.  521 ~ 526   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 2 .pp 521 - 526          521       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   A dyn am ic K - m ea ns   c lus ter in g for da ta min ing       Md. Z ak ir  H ossain 1 , Md .   N as im   Ak h ta r 2 ,  R .B.  Ahm ad 3 ,  M os t afi ju r  R ah m an 4   1,2 Depa rtment   of   Com pute r  Sci en ce   and Engi ne ering,  Dhak a  Unive rsit y   of Engin ee r ing  and   T ec hnol og y ,   Bang la d esh   3 Facul t y   of  Infor m at ic s a nd   Com puti ng,   Univer sit i  Sulta n   Z ai n al   Abidin  (UniSZA ),   Mal a y s ia   4 Depa rtment of  Software   Eng ineeri ng,   Daffodi l  I nte rna ti ona l  Uni ver sit y   (DIU ), B angl ad esh       Art ic le  In f o     ABSTR A CT    Art ic le   hist or y:   Re cei ved   Sep  25 , 201 8   Re vised  N ov   2 4 , 2 018   Accepte d  Dec  8 , 2 018       Data   m ini ng  is  t he  proc ess  of  fi nding  struct ur e  of  dat a   from   la r ge  data  sets .   W it h  thi s  proc e ss ,   the   decision  m ake rs  ca n  m ake   a  par t ic u la r  dec ision  fo r   furthe r  dev el o pm ent   of  th e  r e al - world   proble m s.  Sever al   d ata  cl uster ingt e chniques  are   used  in  dat a  m ini ng  for  findi ng  a  spec if ic   patter n  o f   dat a .   The   K - m ea ns  m et hod  iso ne  of  the   familiar  cl uster ing  te c hnique s  for   cl uster ing  la rge   dat a  sets.   Th e  K - m ea ns  cl usteri n g  m et hod  par ti tions   th e  dat a   set  base d  on  the  assum pti on  tha t  the   num ber   of  cl usters  are   f ixed.   The   m ai n   proble m   of  thi s  m et hod  is  tha t  if   the   num ber   of  c luste rs  is  to  be  c hosen  sm al l   the n  the r e  is  a  highe r  proba bi lit y   of  add ing  dissim il ar  it ems   into  the   sam e  group.   On  the   ot he r  hand,   if  th e  num ber   of  cl uste rs  is  chose n  to  be  high,   th en   the re   is  a  h igher  cha n ce   of   add ing  sim il ar  it em s  in  the  differe nt  groups.     In  thi s  pape r,   we  addr ess  thi s  is sue  b y   proposing  a  new  K - Mea ns  cl usteri n g   al gorit hm .   Th e   proposed  m ethod  per form s  dat a   cl ust eri ng   d y n amical l y .     The   proposed  m et hod  initiall y   c a lc ul at es  a thre sh old  val ue as  a  c e ntroi d  of  K - Mea ns  and  b ase d  on  thi s  v al ue   the   num ber   of   c luste rs  ar e  form ed.   At   each   it er at ion  of  K - Mea ns,  if  the   E ucl idian  dista n c e  bet wee n  two  point s  is  le ss   tha n  or  equa l  to  the   thre shold  value,   the n  th ese   two  dat a  point s  will   be  in  th e   sam e  group.   Oth erwise ,   the  prop osed  m et hod  wil l  cr ea t e  a  n ew  c luste r  wi th   the   dissim il ar  dat a  poin t.   Th e   result s  show   tha t  th e  proposed  m et hod  outpe rform s the  origi nal K - Mea n s m et ho d.   Ke yw or ds:   Ce ntro i d    Cl us te rin g   Data m ining   Eucli dea n dist ance   K - Me a ns   Thr e shold  v al ue   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed.   Corres pond in g  Aut h or :   Md.  Za kir  Hos sai n,     Dep a rtm ent o f C om pu te r  Scie nce a nd E ng i ne erin g,     Dh a ka U niv e rs it y of  E ng i neeri ng  a nd  Tec hn ology,  Gazip ur, Ban glades h.   Em a il : zakircse11.d uet@ gm a il .co m       1.   INTROD U CTION     The  new  inter discipli nar y  fie ld  of  c om pu te r   sci ence  is  dat a  m ining .   This   is  the  process   of  fi nd i ng  data  patte rn   a ut om a ti cal l y  fr om   the  la rg e  database  [ 1].   The  necessit y  of   da ta   m ining   is  increasin g  day  by   day  since  pre vious ten  or f ifte en  y ears  a nd  so  no w  in  t his  ti m e  on  the  m ark et pl ace  is  ver y  c ha ll eng in g  c ompeti ti on  to  eff ic ie ncy  of  inf or m a ti on   and   in f or m at ion   ra pid ly   perf or m ed  an  i m po rta nt  ro le   to  f ind   out  a  decis ion   of   plan   an d  pro vi ded  a  gr e at   of fer   of  in f or m at ion   i n  in dustr y,  so ci et y  a nd  al l  tog et her.  I n  real - world,  a   la rg e  nu m ber   of  data  is  avail able   in  w hich   it   is  diff ic ult  to  ret rieve   t he  us ef ul  in form at ion .  D ue  to   the   pr act ic al  i m po rtance ,  it   is  i m po rtant  to   retrieve  the  st ru ct ur e  of   data   within  the  gi ven   ti m e  bu dg et .  The  da ta   m ining   pro vid es  t he  w ay   of   el im inatin gu nn ece ssary   noise s  f r om   data.  It  he lpsto pro vid e   neces sa ry  inf or m at ion  f r o m   the  la rg e  da ta set   and   prese nt  it   in  the  pr oper   fo rm   wh e n  it   i s  necessary  f or   a  sp eci fic  ta sk.  It' s  ver y  helpful  to   analy ze  the  m ark et   tre nd,  se arch   t he  ne w  t echnolo gy,  pro du ct io n  c ontro l  based   on  the   dem and   of  c ust om er  and  s o  on. In  a  word, the  data m i nin g  is harv est ing  of kn owle dg e f r om  a  lar ge  am ou nt  of   data.  W e ca n  predic t   the ty pe or  b e ha vior  of  a ny  pa tt ern   us in g dat a m ining .     Cl us te r  eval ua ti on   of   data   is  an  im po rtant  ta sk   i n  kno wled ge  fin ding  an d  data  m ining .   Cl us te r  f orm ation   is   the  pro cess  of  c r eat in g  data  gr oup  base d  on  the  data  sim i la riti e s  from   la rg e  da ta set .    The  cl us te rin g process  is do ne  b y s uper vised ,  sem i - su pervis ed or  uns up e r vi sed  m ann er  [ 2] .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   2 ,  Fe bru ary 2 019   :   521   –   526   522   The  cl us te ri ng  al go rithm s  are  powerfu l  m et a - le arn i ng   to ols  for  analy zi ng   the  data  pro duced  by   m od ern   a pp li c at ion s.  T he  purpose  of   cl ust erin g  is  to  cl ass ify   the  data  into  gro ups  acc ordin g  to  sim il ar it ie s,  trai ts, an d be ha vior  of   data  [3 ] .   Ma ny  cl us te rin g  al gorithm s  hav e  bee n  pro pose d  for  cl assifi cat ion   of  dat a.  Most  of   thes e  al go rithm s   are  base d  on   the  assum ption  that  the  nu m ber   of  cl us te r s   in  a  la rg e  data  is  fixed .T he   pr oble m   with  this   assum ption   is  that  if  the  ass um ed  nu m ber  o f   cl us te r  is  sm all  then  the re  is  a   higher  c ha nce o f  a ddin g  dissi m il ar  it e m s  into  the  sam e   gr ou p.   O n  the  ot her   hand,   if  the  nu m ber   of   cl us te r  is  la rg e,  the n  the r e  is  a  hig her   c hanc e   of  ad ding  sim ilar  data  place d  into  differe nt  gro ups  [4 ] .  I n  a dd it io n,   i n  t he  real  sit uatio n,   i t  is  dif ficult   to   know   the num ber   of   cl us te rs  i n  a dvance.   In   t his  pa pe r,   we  dev el op   a  dy nam ic   K - Me a ns   cl ust erin g  al gorithm .  This  al gorithm   firstl y  cal culat es  a  threshold  value  base d  on  th e  data  set   and   then  gro up s  the   data  set   without  fixing  the  num ber   of   cl us t ers  (K) .   In   t he  pro po se d  al go rithm   analy ze  the  data set   base d  on  th e  thres hold v al ue  a nd  fin al ly   th e d at a  set   is  cl us te rs .  The  th reshold  value  is  the  ke y  to  this  propo sed  m et ho d.   T he  thre shold  va lue  determ ines  the  data  are  sam e   gro up or c reate a ne w g rou p.       2.   THE  K - MEA NS   CLU STE RING  ALGO RITH M   In  this  s ect ion,   we   des cribe   t he  K - Me a ns   al gorithm   first  then   t he   detai l  of  the   pro pose d  al gorithm   will   be  pro vide d  in  the  f ollo wing  sect io n.   The  K - Me a ns   cl us te rin g  al go rithm   is  a  po pula r  al gorit hm  wh ic h  works  f or   var i ou s  ty pes  of   data  nam el y  m edical   i m age,  te xt  and   s o  on.  The  perf orm ance  of   cl ust ering  al gorithm s  depe nds  on  t he  ini ti al   centro id   of   K - Me a ns .   I f  t he  sel ect io n  of  centr oid  is  w r ong,  the n  cl us t erin g  resu lt   is  vo la t il e  and   t he  num ber   of  it er at ion s  will   be   increase d.  T her e fore,  both   the  ti m e  and   sp ace   com plexity  w il l be inc rease d pro portion al ly   [5 ] .   The  K - Me an s  al gorithm   is  widely   us ed  te chn i qu e  wh ic h  is  a  si m ple   clu ste rin g  te ch ni qu e  in  data   m ining .  It  isa   non - supe rv ise d  le arn ing   al go rithm   wh ic h  is   us ed  to  so l ve   well - known  c luster  pro blem   [6 ] .   Partit ion   ba sed   cl us te rin g  is  a  way  to  cl us te r  la rg e  data  set s  in  wh ic h  a  nu m ber   of  ob j ect s  are  gi ve n  first ,     then  t hese obj e ct s ar e  par ti ti oned  into  a  nu m ber o f gro up s  a nd each  gr oup con ta in s sim il a r data  points  [ 7] .   The  K - m eans  al gorithm   cl ass ifie s  the  data  into  K  dif fer e nt   cl us te r  thr ough  the  it erati ve,  convergin g  proces s .  T he  ge ner at e d  cl us te rs  of  K - Me an s   are   in dep e nde nt.   T he   K - Me ans  cl us te rin g  al gorithm   wo r ks   i n  two  diff e re nt  pa rts.  Firstl y,   it   sel ect s  a  K - value,  w he re K   is t he  num ber   of clusters. Ano t he r  pa rt  is  to  c onside r  each  data  point   to  the  nea rest  center  [8 ] .  A f te r  com pleti ng   t he  fi rst  ste p  t he n  cal culat e  th e  Eucli dea n  distance   betwee n  the  da ta   po int  to  K  centr oid s.  T he n  al l  the  data  po i nts  are  use d  to  create   s om e  gr oup.  Thi s  proces s   will  b e c on ti nuing   unti l m inim u m .   The  K - Me ans  al go rith m  g iven  bel ow.   Her e , K is  the   nu m ber   of clus te rs  an d D is  th e d at a set  w hich  c on ta in s  n da ta  o bject s.     Step - 1: Select   k data o bject s  f ro m  D  as a n  i ni ti al  cluster cen te rs.   Step - 2: Repe at  Step 3 a nd Ste p 4,  i f  the  cent er  of  cl us te rs  rem ai ns  unch a nged .   Step - 3:  Ca lc ul at e  the  distanc e  betwee n  eac h  data  obj e ct   di ,  w her e  i= 0,1,2,… K - 1  a nd  al l  k  cl us te r   cent ers  c j ,   wh e re  j = 0,1,2 …K - 1. A ssig n data o bject   di to  the  n ea rest cl us te r.   Step - 4: F or eac h  cl ust er  j , reca lc ulate  the clus te r  cente r.   The  K - Me an s   cl us te rin g   al gorithm   resu lt ,  it   is  so   cl os e  to  each  data  points  in  eac h  data  gro up.     In   K - Me a ns   al gorithm ,  the  data  gr ou ps   are  create d  be f or e  cal culat ing   the   distance  bet w een  centr oi d  to   each   data  po i nt  an d  this  process   con ti nues  a  nu m ber   of  ti m es  un ti l  eac h  data  po ints   are  purely   gro up  [9 ] .     So   the  ti m e  com plexit y  of   th e  K - Me a ns   cl ust ering   al gorithm   is  O( m kt).   Wh e re  ‘m ’  is  the  data  po i nts,   ‘k’  is  the init ia l centr oid s ,‘ t’  is the  num ber  of ite rat ion s  [10 ] .       3.   RELATE D  W ORK   In   t his  sect io n,  w e  will   gi ve  a b rief d isc us si on  of  the   existi ng  K - m eans  al gorithm s.   In  [2],  a  m od ifie d  K - Me a ns   al go rithm   is  pr opose d  to   sel ect   the  init ia l  cent er  of  cl us te r  base d  on  t he  i m pr ovem ent  of   t he   sensiti vity .  Th is  al gorithm   div ides  the   w hole   sp ace   in  s egm ent  and   ca lc ulate s  the  f r equ e ncy  betw e en  the   segm ent  and   e ach  data  point .   The  m axi m u m   fr eq uen cy   of  data  point  se le ct s  the  centr oid .  In   t his  m et hod,     the  num ber   K   is  de fine d  by   us e r  as   de fin ed  by  the   tra di ti on al   K - m ea n  al go rithm .  Fo r   this  al gorithm ,   the  nu m ber   of d i vision s  w il l be  k*k,  wh e re  ‘ k’  ve rtic al ly  as w el l as ‘ k’ hor iz onta ll y.    In  [ 10 ] ,   an   im pro ved  k - m ea ns   al gorithm   i s  pro pose d.   In  this  al go rith m ,  the  inform at ion   of  dat a   structu re  needs  to  store  i n  e ach  it erati on.  This  in form ati on   us e d  in  ne xt  it erati on .  T his  pro posed  m et hod  without  cal cul at ing   the  distance  bet ween   e ach  data  po i nts  and   cl us te r  centers  re peat edly ,  so   sa ving  the   run ning ti m e.   In  [ 11 ] ,   an   opti m iz ed  k - m eans   cl us te ri ng  m eth od  is   pr opos e d  base d  on  th r ee  opti m iz at io n  pr i nciples  nam ed  k* - m eans.  Firstl y,  a  hierar chical   optim iz ati on   pr i nc iple  init ia li ze d  by  k*   cl us te r  centers  ( k*>   k)   to  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       A d y namic K - Mea ns  Cl us te ri ng for  data  m i ning  ( Md . Zaki r Hoss ain )   523   reduce  the  ris k  of   ra ndom ly  s eeds  sel ect ion .   Secondly ,  a  cl us te r  pru ni ng   s trat egy  is  pr op os e d  for  i m pr ovin g  the  ef fici ency  of  k - m eans.  F inall y,  it   i m pl e m ents  an  optim iz ed  update   theo ry  to   opt i m iz e  t he  k -   m eans  it erati on   updating.        4.   PROP OSE D MET HO D   Our  pro po se d  m et ho d  cl us te r s  dyna m ic a ll y  al l  data  f ro m   a  la r ge  data  s et   without  s pe ci fyi ng   (K)   value,  w her e   ( K)   is  t he  num ber   of  cl us te rs.   I n  K - Me an s  fir s tl y  sel ect   the  (K )  value   the n  sta rt  cl us te rin g  base d  on   the  value  of  (K).  But,  at   f irst,  it   is   the  diff ic ult  ta sk   to   sel ect .  Fo r  this  reason  K - m e ans  cl us te ri ng   resu lt   qu al it y  bec ome s  poor.   I n  our   pro posed   m eth od  t o  cl us te r  l arg e  data  set   ba sed  on  the  t hresh old   value  a nd  the  resu lt   of cluste rin g qu al it y   is i m pr ov e d.     ) 1 ( ) , ( 1 0 1 0 eq N N x x di s t N i N j j i                   (1)     ) 2 ( ) , ( 1 0 , 0 eq x x d i s t M i n N j i j i                 (2)     Our pr opose d  al gorithm  g iven belo w.   Wh e re  ‘ D’   ( d 1 ,   d 2 ,  …… …d n )  is  data  set s.  ‘n’   is  the  data  points.  ‘ K’   is  the  cl us te rs.   ‘X’  ( x 1 ,  x 2 ,  x 3 ,  …… …x n )  is t he data  poin t. Th e  Th   is t he  thr es hold.  ‘ c ’  i s cluster  cente r .   Step - 1: Cal cul at e d ist ance m at rix dist ance  di (x i ,x j ) , whe re i =0,   1, 2, … …. N - 1  a nd  j =0 , 1,  2 ,  … N - 1.   Step - 2: Cal cul at e the th res ho l d value  Th  u si ng  ( 1 ) .   Step - 3: Fi nd th e m ini m u m  M ean  from  x i   to  x j   us in g   (2).   Step - 4:  Fi nd th e m ini m u m   m e an value i ndex   x i . Sel ect  x i   t h data p oin t  as a  first ce ntro i d.   Step - 5: Repe at  Step - 6 an d St ep - 7 u ntil  d at a points c ha ng es   gro up o t herwis e Step - 8.   Step - 6: Cal cul at e the d ist a nc e b et wee n  e ach  d at a  po i nt  x i   a nd all  K  cl us te r  centers  c j .     if  (Th> = d i )     Assig n da t a poi nt xi to t he ne ar est  clu ste r.     el se     K=K +1;   Step - 7: r ecal c ul at e the each  cluster ce nter .   Step - 8: E nd.       5.   E X PERI MEN TAL RES UL T AND  A NAL YS IS   5 . 1.       E xp eri m ent al Setup   We h ave   sim ul at ed  ou r  propo sed  m et ho d  us i ng  MAT LAB,  Jav a,   Ma pRe du ce,  a nd  C+ +  i n  a p e rsonal   com pu te r.   T he   per s on al   c om pu te r  sp eci f ic at ion   is  4GB  RAM  2. 4  GH z  Co rei5   process or .  A t  first,     our  pro posed   m et ho d  de velo ped  in   C+ +  a nd  t hen  it   is  c onve rted   into   j a va  Ma pRed uc e.  T he  res ult  of  our   pro po se d  m et ho d  is  a ppli ed  in  the  M AT L AB  to  see  the   cl us te r  an d  da ta   po int  posit ion .  The n  we  hav e  dev el op e d ge ne ral K - Me ans   al gorithm  to  co m par e w it h our  prop os ed  m eth od.     5 . 2 .     Result  Analysis   In   th e  res ult  an al ysi s,  com par e  betwee n  pr opose d  m et ho d  and   ge ner al   K - Me ans  cl us te ri ng   base d  on   var i ou s  par am et ers  su c h  as  inter  cl us te r  dis ta nce,  intra  cl ust er  distance  a nd   s um   of   sq ua re  error   (S SE ) .  If   SS E  and  intra   cl us t er  distance  a r e  m ini m u m ,  t hen  the   qual it y  of  cl us te r   is   good.   I f  i nter  cl us te r  distance  is   m axi m u m ,   then  the  qual it y  of   cl us te r  is  good.  F or  res ult  a naly sis,  we  a re   gen e rated   so m e  data  set   us i ng  j a va .  The  range  of   da ta   set s  betwee n  0  to  100  a nd   nu m ber   of  dat a  point  is  10 0,  200,3 00,  400,  5 00 ,  10 00  an d  al so  us e  iris  data  se t.  Table  1  s ho wn  the  iris   dat a  set   res ult  an d  com par e  betw een  pro po se d  m et ho d  a nd  K - Me ans   cl us te rin g  base d  on  su m   of   inter  cl us te r  dist ance  an d  su m   of   s qu a re  er ror .  In   iris  set os a  and   Ir is  ve rsic olour   each  has 5 0  ins ta nces .             Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   2 ,  Fe bru ary 2 019   :   521   –   526   524   Table  1.  Res ult f or   Ir is  D at a  S et   Data po in t  g rou p   The p rop o sed  M et h o d  Algo rith m   Gen eral K - M eans   Alg o rith m   #  of   clu ster(K)   Su m  of  inter clus te r  d istan ce   Su m  of  sq u are  err o r   #  of   clu ster(K)   Su m  of  inter clus te r  d istan ce   Su m  of  sq u are  err o r   Ir is  seto sa   (petal leng h t)  (petal wid th )   6   5 .97   4 .71   6   3 .25   7 .20   Ir is v ersicol o u r  (sep al leng h t)  (sep al width )   3   3 .02   1 4 .74   3   2 .48   1 8 .27   Ir is v ersicol o u r  (petal leng h t)  (petal wid th )   3   2 .41   1 0 .74   3   2 .25   1 2 .28       Figure  1(a)  s howi ng   the  c omparis on   betwee n  K - Me a ns   al gorithm   and   pro po s e  al gorithm   based   on   su m   of   i nter - cl us te r  distanc e.  O ur  pro po s ed  al gorithm s   ap ply  in  i ris  set os a.   It   cre at es  six  data  gr ou p  dynam ic al l y  based   on   sim il arit y.  So   the  s um  of   i nter - cl us te r  dista nc e  is  in creased .  I n  K - Me ans  al gorith m   su m   of   i nter - cl us te r   distance  is  de creased  sho wn  in  Fig ur e  1( a ) .   Fig ur e  1(b )  s howing  the  c om par ison   bet w een  K - Me ans  al gorith m   and   pro pose   al go rithm   based   on  su m   of   s qu a re  er ror.   O ur   propose d  al gorithm s  app ly   in  iris   dat a sets. T he n sum  o f  s quare  error  is  d ec reas e. In  K - Me a ns   al gorithm  su m  o f sq ua re  er ror i s incr ease d  s how n  in Figu re  1(b).   Fo r  Ou r gene ra te d  data  set s r e su lt  g i ven in  T able 2.         (a)     (b)     Figure  1 (a ) .  S um  o f  inter cl us te r dist ance  for i ris d at a set ,  (b) . Sum  o f sq ua re err or   f or  i ris d at a set       Table  2 . Res ult f or   Ge ner at e d Data  Set   Nu m b e r  o f  Data  p o in ts   Ou r  p rop o sed  M et h o d  Algo rith m   Gen eral K - M eans   Alg o rith m   #  of   clu ster  (K)   Su m  of   in ter  clu ster  d istan ce   Su m  of   sq u are  err o r   #  of   clu ster   (K)   Su m  of   in ter  clu ster  d istan ce   Su m  of   sq u are  err o r   100   4   2 .02   1 .00 3   3   0 .84   1 .06 6   200   3   0 .92 4 3   2 .01   3   0 .86 7 3   2 .31 2   300   6   0 .98 5 6   1 .53 4   6   0 .89 7 5   1 .98 7   400   4   1 .71 7 7   3 .96 4   4   0 .88 1 3   4 .71 6   500   4   1 .68 6   4 .78 4   4   0 .80 8 4   5 .85 8   1000   8   2 .78   3 .38   6   1 .48   5 .1       Table  2  s hows   our  ge ne rated   data  set   resu lt   and   c om par e  betwee n  pro po sed  m et ho d  an d  K - Me an s   cl us te rin g  base d  on  s um   of   in te r  cl us te r   distance  a nd  s um   of  squa re  e rror.  W e   are   gen e r at ed  s om e  data  set s.   The ran ge o f d at a sets betwe e n 0 to 1 00 a nd  each  data set   ha s 10 0,   200,   300,   400,   500, an d 100 0  in sta nc e.   Figure  2(a)  s howi ng   the  c omparis on   betwee n  K - Me a ns   al gorithm   and   pro po s e  al gorithm   based   on   su m   of   inter - c luster  distance   us in g  our  generate d  data  set s.  Fig ur e   2(a)  sh ow  w hen   nu m ber   of   data  po i nts  increase  th en  su m   of   inter  c luster  dista nce   increase  for  our  propose d  m et ho d.   So,  da ta   po ints  a re   gro up  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       A d y namic K - Mea ns  Cl us te ri ng for  data  m i ning  ( Md . Zaki r Hoss ain )   525   eff ic ie ntly .  In  K - Me ans  al gorithm   su m   of   inter - cl us te r   distance  is  decr ease.   Fig ur e  2( b)  sho wing  the   com par ison   be tween  K - Me an s  al go rithm   and   pro pose  al go rithm   based   on  su m   of   squa re  error.  Fig ure  2(b)  sh ow  s um   of   s qu a re  e rror   is  decr ease   f or   our  pro posed  m et hod.   In   K - m eans  s um   of   square  e rro r  is  in creased .   So ,  Cl us te r  qua li ty  is p oor.         (a)     (b)     Figure  2( a ) .  S um  o f  inter cl us te r dist ance  for our  ge ner at ed   data set ,  (b) .  S um  o f  s qu a re e rror f or our  gen e rated  d at a  set       6.   CONCL US I O N   In   t his  pa pe r,   we  propose  a   new  K - Me ans   al gorithm   to  re m ov e  the   dif f ic ulti es  of   t he  existi ng   K - Me ans  al gorith m .   The  pro po s ed  m et ho d  dynam ic al l y  fo rm s   the   cl us te rs  f or  a  giv e n  data  s et .   W e  com pare  our   pro po se d  m eth od  with  t he   existi ng   K - Me ans  al gorithm .  The  resul ts  sh ow   t hat  the  propose d  m et ho d  ou t perform s the ex ist in g  m et ho d f or the  well - kn own  iris  d at a set.       REFERE NCE S    [1]   S.  Sharm a,   J.   Agrawal ,   S.  Agar wal,   S.   Sharm a,  “Machine  Learning  Techn iqu es   for  Data  M ini n g:  A  Surv ey ” ,   i n   IEE E   Internat ion al   Conf ere n ce o n  Com puta ti on al Int e ll ig ence  an d   Com puti ng  Res ea rch ,   2013 .   [2]   R.   V.   Singh,  M.P.S.  Bhat i a,  “D ata  Cluste r ing  wit h  Modified  K - means  Al gorithm” ,   in  IEE E - In te rna ti o n a l   Confer ence  on   R ec en t  T ren ds i n   I nform at ion  T ec h nolog y   (ICRTI T   2011),   June  201 1.   [3]   V.  W .   Ajin,   L. D.   Kum ar,   “Big  da ta  and  cl ustering   algorit hms ” ,   in   Inte rna ti ona l  Confer ence  on  Resea rch   Advan ce s   in  Int egr ated  Na viga ti on   S y st ems   (RAIN S),  Ma y   2016.   [4]   A.  Shafe eq .   B.   M,  Hare esha .   K.  S,  “D ynamic   C luste ring  of   Data  wit h  Mo dif ie d  K - M eans   Al gorithm” ,   in  Inte rna ti ona l  Co nfe ren c e  on  Inf orm at ion  and   C om pute r  Networ ks  (ICICN  2012),   IPCS IT  vol .   2 7  IACS IT  Press ,   Singapore ,   2012.   [5]   L.   Guol i,  W .   T i ngti ng,   Y.Lim ei ,   “T he  improve d   research  on   k - means  cl usterin g  algorit hm  in  i nit ial  va lue s” ,   i n   Inte rna ti ona l  Co nfe ren c e  on  Mec hat roni c  Scie n ces ,   El e ct ri c  Engi n ee ring  and  Com pute r  (MEC),   Sh eng y ang,   Ch ina,   2013.   [6]   S.  Jigui, L.  Ji e,  Z.   Lian y u ,   “ Cluste ring   al gor it hm s R ese arc h ”,   in   J ournal  of  So ft wa re ,   2008;   19 ( 1 ):   48 - 61.   [7]   D . Neha ,   B. M.  Vid y av at h i,   “ A  Surve y   on  A ppli c at ions  of  Data   Mining  using  Cluste ring   Te chni qu es” ,   in  Inte rnational   Jo urnal  of  Comput er  Applications   ( 0975 – 8887)  Vol um e  126  –   No.2 ,   2015.   [8]   M.Fahi m ,   A.  M.  Sale m ,   F .   A.  Torkey ,   “ An  eff ic i ent   e nhanced   k - m ea ns  cl uste r ing  al gor it hm ”,  in  Journal  o f   Zheji ang  Uni ve r sity   S ci en ce A ,  2 006;  10 :   1626 - 1 633.   [9]   K. A.  Abdul   Naz e er,   M . P.  Se basti an ,  “Im proving  th e  A cc ur acy   and  Ef f ic i e ncy   of   the   k - m eans  Cluste ring  Al gorithm” ,   in  P roc ee d ing  of   the  W orld  Congress  on  Engi n ee ring ,   vol  1,   Lon don ,   J ul y   2009.   [10]   L.   ShiNa,   G.  Xu m in,   “Researc h  on  k - means  Cluste ring  Al gori thm  an   Impr ove d  k - means  Cluste ring  Al gorithm” ,   i n   Thi rd  In te rn at io nal   S y m posium   on  Intelli g ent Inf orm at ion  T ec hn olog y   and   Secur i t y   Inform at i cs.   [11]   J.  Qi,   Y.  Yu ,   L .   W ang,   J.  L iu ,  “K * - Me ans:  An  Ef f ec t ive  and  E ff icient  K - means  Cluste ring  A lg orithm” ,   in  IE E E   Inte rna ti ona l  Co nfe ren c es  on  Bi g  Data   and  Clo ud  Com puti ng  ( BDCloud),  Soci al   Com puti ng  a nd  Networki ng   (Socia lCom ),   Su stai nable  Com pu ti ng  and  Com m unic a ti ons (Sus ta i nCom ),   2016.           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   2 ,  Fe bru ary 2 019   :   521   –   526   526   BIOGR AP HI ES OF  A UTH ORS        Md.  Za kir  Hos sain  recei v ed  the   B. Sc  Engi ne eri n g  degr ee   in  Com pute r  Scie n ce   an d  Engi nee r ing  Depa rtment  f ro m   Dhaka   Univ ersity   of   Enginee ring   and  T ec hnolog y   (DU ET ),  Gaz ipur,   Bangl ad esh,   in  2015  and  he  is  cur ren t l y   pursui ng  the   M.Sc  Engi nee r ing  degr e e  in  Com pute r   Scie nc e  and  En gine er ing  Dep ar tment  in   Dhaka   Univer sit y   of  Engi ne eri ng  an d  Technol o g y   (DU ET ),   Ga zi pu r.   His  res ea rch   i nte rest   includes  Data   Min ing,   B i g  Data,  AI,   Mac hine   Le arn ing,  Cloud  Com puti ng,   Software   Eng ine er ing,   Com pute r   Network,   I oT.   He  has  pre s ent ed  pap ers  at  conf ere n ce s bo th   at hom e  and   abr oad.         Md.  Nasim   Akht ar  recei ved  the   M.E ng  and  Ph.D  degr ee s  from   N at ion al   T ec hni cal  Univer sit y   of   Ukrai ne,  Kiev ,   Ukrai ne  and  M oscow  Stat e   Ac ade m y   of  Fine   Chemica l   Techn olog y ,   Russ ia,    in  1998  and  20 10,   respe ctively .   Curre ntly ,   he  i s  a  Profes sor  in   the   Depa rtment   of  Co m pute r  Scie nc e  and  En gine er ing,   Dhak a  Univer sit y   of  Engi ne eri ng  and   Te chnol og y   (DU ET ),   Gaz ipur ,   Bangl ad esh.   Hi s  rese arc h  int er ests  inc lud es  Distribut ed   Data   W are house  S y st em  On  La rge   Cluste rs,  Dig it a l  Im age   Proc essing  and  W ater   Marking,  Peer   to  Pe er  Netw orking,   C loud   Com puti ng,   Ope rat ing   S y st em.  He  has  pr ese nt ed  pape rs  a t  conf er enc es  bo th  at   ho m e  an d  abr oad ,   publi shed  art i cle s a nd  pap ers  in   v ari ous j ourn al s.         R.   Badlishah  Ahm ad  obta ined  Bac he lor  of  Engi ne eri ng  wit h  Honors   (B. E ng.   (Hons ))  in  El e ct ri ca l  &  Ele ct roni c  Engi n ee r ing  from   Glasgow  Univer sit y ,   U K  in  1994.   Conti nued  Master   of  Scie nc es  (M.S c.)  in  Opt ic a l  E l ec tron ic   Engi n e eri ng  at   Univ er sit y   of  Str at hc l y de ,   UK   and   gra duated  in  1 995  and  in  20 00  complet ed  PhD .   Resea rch   int er ests  are   i n  Com pute r  and  Te l ec om m unic ation  Network  Modell ing   include  W SN   and  Optic al   Network  usin g  discre t e  ev en t   sim ula to rs (OMN eT ++ ) ,   Opt ical   Networki ng   and   Embedde d   S y st em ba sed  on   GN U/Li nux.         Mos ta fij ur   Rah m an  complet ed   his  BS c  in   C om pute r  Scie n c e  from   Nati on a l  Univer sit y   of  Bangl ad esh  (2003).   He  Purs ued  h is  MS c  (2009)   and  PhD  (2017)  i n  Com pute r  Engi nee r ing,   from  UN IMAP,   Malay sia .   He  worke d  as  Lectu rer   since   2009  to  S ept ember,  2017   for  School  of  Com pute r   and  Com m unic at ion  Engi ne eri ng  in   UN IMA P.  Curr ent l y   h e  is  serv i ng  as  As sistant   Profess or  in  the   Depa rtment  of   Software   Engi ne e ring  at  Daffodi l  Inte rna ti ona l  Un ive rsit y   (DIU ),  Bangl ad esh.   His  rese arc h  in te re st  in  Software   Te sting ,   Multi m edi a  and  Cr ea t i vity   in  Medical   Scie nc e,   Com pute r  Secur ity ,   Cloud  Com puti ng,   Algorit hm   Optimiza ti on ,   Para llel  and   Distribut ed   S y st em,  Devi ce Driv er  for   GN U/Li nu x  base d  embedd ed  OS .     Evaluation Warning : The document was created with Spire.PDF for Python.