CLUSTERING

Contoh
Cluster Analysis?
 Cluster: kumpulan objek data
 Anggota cluster yang sama memiliki kemiripan satu sama lain, tetapi berbeda
dengan anggota cluster lain.
 Cluster analysis
 Menemukan kemiripan data berdasarkan karakteristik dan mengelompokan
data yang mirip ke dalam cluster.
 Unsupervised learning: class tidak ditentukan sebelumnya
 Penggunaan
 Tool untuk melihat distribusi data
 Preprocessing untuk langkah berikutnya
Aplikasi Cluster Analysis
 Pengenalan Pola
 Spatial Data Analysis
 Cluster spatial
 Pemrosesan gambar
 Economic Science (terutama market research)
 WWW
 Berita, hasil pencarian
 Cluster Weblog data to discover groups of similar access patterns
Aplikasi clustering (lanj)
 Marketing: Membantu pihak pemasaran untuk menentukan
grup khusus dan membuat program khusus untuk grup ini.
 Land use: Identifikasi area yang digunakan untuk hal yang
sama.
 Asuransi: Identifikasi grup yang memiliki tingkat claim yang
tinggi.
 Tata kota: Identifikasi rumah-rumah berdasrkan tipe, harga
dan lokasi.
Cluster yang berkualitas:
 Metode yang bagus akan menghasilkan:
 intra-class similarity yang tinggi (anggota di dalam kelas yang sama
mirip)
 low inter-class similarity (anggota di kelas yang lain, jauh berbeda)

 Kualitas cluter bergantung kepada ukuran kemiripan yang

digunakan oleh metode clustering.
 Kualitas juga ditentukan sejauh mana clustering dapat
menemukan pola tersembunyi.
Ukuran Kesamaan
 Kesamaan/kemiripan diukur berdasarkan fungsi jarak, d(i, j)
 Definisi distance functions bisanya sangat berbeda untuk
interval-scaled, boolean, categorical, ordinal ratio, and vector
variables.
 Bobot diasosiasikan dengan aplikasi dan arti data.
 Sulit untuk mendefinsikan “cukup sama ” or “cukup bagus”
karena subyektif.
Requirement Clustering
 Scalability  untuk data dalam jumlah besar
 Menangani berbagai macam tipe atribut.
 clusters dengan berbagai bentuk.
 Sesedikit mungkin parameter
 Meanangani noise dan outliers
 Tidak peduli urutan input record
 High dimensionality  banyak atribut
 Incorporation of user-specified constraints
 Interpretability and usability
 Struktur Data
 Data matrix
 x11 ... x1f ... x1p 
 (two modes)  
 ... ... ... ... ... 
x ... xif ... xip 
 i1 
 ... ... ... ... ... 
x ... xnf ... xnp 
 n1 

 Dissimilarity matrix  0 
 (one mode)  d(2,1) 0 
 
 d(3,1) d ( 3, 2 ) 0 
 
 : : : 
d ( n,1) d ( n, 2 ) ... ... 0
Tipe data dalam clustering

 Interval-scaled variables
 Binary variables  ada atau tidak
 Nominal, ordinal, and ratio variables
 Campuran
Interval-Scaled Variable
 Skala linear (bukan eksponensial, bukan logaritimik)
 Positif atau negatif, pecahan atau bulat.
 Tinggi badan, berat badan, jarak dst.
 Contoh:
 jarak 50m ke 100m sama dengan jarak 150-200.
Contoh yang bukan
interval-Scaled Variable

 skala richter
gempa
 naik satu level =
10 kali lipat level
sebelumnya.

http://www.sdgs.usd.edu/publications/maps/earthquakes/images/RichterScale.gif
Interval Variable

 Jika ada beberapa atribut dan punya distribusi

berbeda: perlu distandardkan.
 Buat data menjadi standard, z-score:
 Hitung mean absolute deviation:
s f  1n (| x1 f  m f |  | x2 f  m f | ... | xnf  m f |)

dimana m f  1n (x1 f  x2 f  ...  xnf )

.

 Hitung standardized measurement (z-score)

xif  m f
zif  sf
Mengapa z-score?
 Tidak bisa membandingkan atribut dengan
distribusi berbeda.
 Contoh:
 Seseorang mendapatkan nilai 70 untuk bhs Inggris
(rata2 kelas: 60, std deviasi: 15). Dia mendapat nilai
72 untuk matematika (rata2: 68, std deviasi: 6). Nilai
mana yang lebih baik?
Lanj

 z-score nilai bhs Inggris:

(70-60) /15 = 0.67
 z-score nilai Matematika:
(72-68)/6 = 0.67

Dari tabel standard distribusi, probabilitas z=0.67 adalah 0.24

(25%), artinya baik untuk bhs Inggris maupun Matematika, nilai siswa
ini lebih baik dari 75% siswa yg lain.
Jarak antara
Interval-Scaled Variable
 similarity atau dissimilarity antar dua objek: jarak
kedua objek
 Yang populer: Minkowski distance:

d (i, j)  q (| x  x |q  | x  x |q ... | x  x |q )
i1 j1 i2 j2 ip jp

q : integer positif

 If q = 1, d is Manhattan distance
d (i, j) | x  x |  | x  x | ... | x  x |
i1 j1 i2 j 2 ip jp
Interval Variable (lanj)
 Jika q = 2, d adalah Euclidean distance:
d (i, j)  (| x  x |2  | x  x |2 ... | x  x |2 )
i1 j1 i2 j2 ip jp
 Properties
 d(i,j)  0
 d(i,i) = 0
 d(i,j) = d(j,i)
 d(i,j)  d(i,k) + d(k,j)

 Cara lain: weighted distance, parametric Pearson

product moment correlation
Variabel Binary
Object j
1 0 sum
 A contingency table  1 a b a b
Object i
0 c d cd
sum a  c b  d p

d (i, j)  bc
 Jarak untuk symmetric binary a bc  d
variables:
d (i, j)  bc
 Jarak untuk asymmetric binary a bc
variables:
Jaccard coefficient (similarity

simJaccard (i, j)  a
measure untuk asymmetric binary a b c
variables):
Contoh

Name Gender Fever Cough Test-1 Test-2 Test-3 Test-4

Jack M Y N P N N N
Mary F Y N P N P N
Jim M Y P N N N N
01
d ( jack , mary )   0.33
2 01
11
d ( jack , jim )   0.67
111
1 2
d ( jim , mary )   0.75
11 2

•gender is a symmetric attribute

•the remaining attributes are asymmetric binary
•let the values Y and P be set to 1, and the value N be set to 0
Nominal Variabel
 Dapat memiliki > 2 states: red, yellow, blue, green
 Method 1: Simple matching
 m: jumlah cocok, p: jumlah variabel

p
d (i, j)  p m
 Method 2: banyak binary variables
 Buat binary variable sebanyak states
Ordinal
 Dapat discrete atau continuous
 Urutan penting: misalnya rank
 Dapat diperlakukan sebagai interval-scaled
 ganti xif dengan peringkat rif {1,..., M f }

 Petakan ke [0, 1] dengan mengganti objek ke i dan variabel

ke f dengan r 1
zif  if
M f 1
 Hitung seperti interval variabel
Ratio-Scaled Variables

 Ratio-scaled variable: nilai positif dengan skala

nonlinear (exponential scale) seperti AeBt or Ae-Bt
 Cara:
 Gunakan logarithmic transformation
yif = log(xif)
 Pelakukan sebagai continuous ordinal data
Campuran
 Database dapat mengandung semua tipe:
 symmetric binary, asymmetric binary, nominal, ordinal,
interval and ratio
 Gunakan weighted formula untuk mengkombinasikan
semua variabel:

 pf  1 ij( f ) dij( f )
d (i, j) 
 pf  1 ij( f )
 Pendekatan Clustering
 Partisi :
 Buat partisi dan evaluasi berdasarkan kriteria tertentu, misalnya meminimalkan sum
of square errors
 Metode: k-means, k-medoids, CLARANS
 Hirarkis:
 Buat struktur hierarchical menggunakan kriteria tertentu
 Metode: Diana, Agnes, BIRCH, ROCK, CAMELEON
 Density-based :
 Berdasarkan connectivity dan density functions
 Metode: DBSACN, OPTICS, DenClue
 Yang lain: Grid-based approach, model-based, frequent pattern-based, user-guided or
constraint-based:
Jarak antar cluster
 Single link: jarak terpendek antar elemen di dua cluster dis(Ki, Kj) =
min(tip, tjq)

 Complete link: jarak terjauh antar elemen di dua cluster, i.e., dis(Ki, Kj)
= max(tip, tjq)

 Average: rata2 jarak i.e., dis(Ki, Kj) = avg(tip, tjq)

 Centroid: jarak antara centroids, i.e., dis(Ki, Kj) = dis(Ci, Cj)
 Medoid: jarak antarta medoids, i.e., dis(Ki, Kj) = dis(Mi, Mj)
 Medoid: elemen yang dipilih dan dianggap merupakan titik tengah cluster
Metode Partisi: K-means

1. Partisi objek ke k nonempty subset

2. Hitung centroid (centroid adalah titik tengah
cluster)
3. Masukkan setiap objek ke cluster dengan centroid
terdekat
4. Kembali ke langkah 2, sampai tidak ada posisi
yang berubah
Contoh K-Means
 Anda diminta mencluster 8 point berikut: A1(2, 10),
A2(2, 5), A3(8, 4), B1(5, 8), B2(7, 5), B3(6, 4),
C1(1, 2), C2(4, 9). gunakan K-Means dengan
euclidean distance. Asumsikan A2, B2 dan C2
sebagai inisial cluster untuk cluster A, B dan C.
Tampilkan perhitungan dan isi cluster (termasuk
centroid cluster yang dihitung dengan rata-rata).
Contoh K-Means
 A1(2, 10), A2(2, 5), A3(8, 4), B1(5, 8),
B2(7, 5), B3(6, 4), C1(1, 2), C2(4, 9).
 Jarak antara setiap titik dengan setiap
cluster.
Cluster A, centroid: (2,5)
Cluster B, centroid: (7,5)
Cluster C, centroid: (4,9)

A1  cluster A
d ( A1, A)  (| 2  2 |  |10  5|
2 2

d ( A1, A)  5
A3  cluster A, d(A3,A) =
B1  cluster A, d(B1,A) =
B3  cluster A, d(B3,A) =
C1  cluster A, d(C1,A) =
 Contoh K-Means:

10 10
10
9 9
9
8 8
8
7 7
7
6 6
6
5 5
5
4 4
4
Assign 3 Update 3

the
3

each
2 2
2

1
objects
1

0
cluster 1

0
0
0 1 2 3 4 5 6 7 8 9 10 to most
0 1 2 3 4 5 6 7 8 9 10 means 0 1 2 3 4 5 6 7 8 9 10

similar
center reassign reassign
10 10

K=2 9 9

8 8

Arbitrarily choose K 7 7

object as initial
6 6

5 5

cluster center 4 Update 4

2
the 3

1 cluster 1

0
0 1 2 3 4 5 6 7 8 9 10
means 0
0 1 2 3 4 5 6 7 8 9 10
K-Medoids
 Kelemahan utama centroid  jika ada outlier posisi
centroid akan terpengaruhi.
 Centroid diganti Modoids  salah satu data dipilih
sebagai titik tengah
 Contoh K-Metoid (PAM)
10 10 10

9 9 9

8 8 8

Arbitrary Assign
7 7 7

6 6 6

5
choose k 5 each 5

4 object as 4 remainin 4

3
initial 3
g object 3

2
medoids 2
to 2

nearest
1 1 1

0 0 0

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
medoids 0 1 2 3 4 5 6 7 8 9 10

K=2 Randomly select a

Total Cost = 26 nonmedoid object,Oramdom
10 10

Do loop 9
Compute
9

Swapping O
8 8

total cost of
Until no
7 7

and Oramdom 6
swapping 6

change
5 5

If quality is 4 4

improved. 3 3

2 2

1 1

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10