CLARANS (Clustering Large Applications based on RANdomized Search)

CLARANS adalah varian algoritma k-medoid. Algoritma ini melanjutkan kerja dari
Algoritma PAM dan CLARA dengan melakukan pencarian graph secara acak untuk
mendapatkan medoid-medoid yang mewakili sejumlah cluster. Medoid adalah data point
yang terletak pada tengah-tengah group. Algoritma ini menggunakan maxneighbour dan
numlocal sebagai parameter. Maxneighbbour adalah jumlah maksimum node sekawan yang
diuji. Numlocal adalah nilai maksimal dari local minimum yang dapat dikumpulkan. Secara
umum, langkah-langkah dalam algoritma CLARANS adalah:
1. Masukkan parameter numlocal and maxneighbor. Inisialisasi i dengan 1, dan mincost
dengan suatu angka yang besar.
2. Set current dengan suatu node acak di dalam Gn;k.
3. Set j menjadi 1.
4. Pilih objek sekawan (tetangga) S dari current, dan hitung selisih cost kedua nodes.
5. Jika S memiliki cost lebih rendah, set current menjadi S, dan kembali ke tahap 3.
6. Jika tidak, set j = j + 1. Jika j ≤ maxneighbor, kembali ke tahap 4.
7. Jika tidak, ketika j > maxneighbor, bandingkan cost current dengan mincost. Jika cost
current lebih kecil dari mincost, set mincost dengan cost current dan set bestnode to
current.
8. Set i = i + 1. Jika i > numlocal, tampilkan output bestnode dan hentikan proses. Jika
tidak, kembali ke tahap 2.
Langkah 3 sampai 6 di atas melakukan pencarian node dengan cost yang lebih rendah. Tetapi,
jika node current dibandingkan dengan jumlah maksimum dari node sekawan (maxneighbor)
dan masih memberikan cost yang paling rendah, node current dinyatakan menjadi local
minimum. Kemudian, pada langkah 7, cost dari local minimum ini dibandingkan dengan cost
paling rendah yang diperoleh sejauh ini. Yang paling rendah dari kedua cost di atas disimpan
dalam mincost. Algoritma CLARANS kemudian mengulangi untuk mencari lokal minima
yang lain, sampai nilai numlocal dipenuhi. Fungsi yang digunakan pada langkah 5 diatas
diambil dari PAM. Persamaan ini digunakan untuk menghitung Cih yaitu biaya pergantian
(swap) antara current medoid (Oi) dengan non-medoid (Oi). Notasi umum Cjih adalah :
Cjih = d(Oj ;Oh) - d(Oj ;Oi)
Sedangkan d(O1,O2) diperoleh dari :
d(O1;O2) = minOed(O1;O2)
dimana notasi minOe menandakan nilai minimum atas semua medoids Oe dan notasi
d(O1;O2) menyatakan jarak atau perbedaan antara obyek O1 dan O2.
CLARANS biasa digunakan pada proses spatial data mining. Contohnya, untuk
mencari pola-pola dan karakteristik dari data-data spasial yang didapat dari citra satelit,
peralatan medis, kamera video dan sebagainya.
Referensi:
• Ng Raymond T., and Han J, ”CLARANS: A Method for Clustering Objects for
Spatial Data Mining ”, IEEE Transaction on Knowledge and Data Engineering, vol
14, no.5, 2002
• B.Setiyono and I.Mukhlash, ” Kajian Algoritma GDBScan, Clarans dan Cure untuk
Spatial Clustering”, Limits: Journal Mathematics and its Aplications, vol 2, no.2,
2005