Clustering

yudi@upi.edu
Okt 2012

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
(two modes)

Dissimilarity matrix
(one mode)

x11

...
x
i1
...
x
n1

... x1f
... ...
...

xif

...

...

... xnf

... x1p

... ...
... xip

... ...
... xnp

d(2,1)

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 150200.

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:
sf 1
n (| 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
j2
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

A contingency table
Object i

1
0

sum

a
c

b
d

a b
cd

sum a c b d
Jarak untuk symmetric binary

d (i, j)

variables:
Jarak untuk asymmetric binary
variables:
Jaccard coefficient (similarity
measure untuk asymmetric
binary variables):

d (i, j)

bc
a bc d

bc
a bc

simJaccard (i, j)

a
a b c

Contoh
Name
Jack
Mary
Jim

Gender
M
F
M

Fever
Y
Y
Y

Cough
N
N
P

Test-1
P
P
N

Test-2
N
N
N

Test-3
N
P
N

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

01
0.33
2 01
11
d ( jack , jim )
0.67
111
1 2
d ( jim, m ary)
0.75
11 2
d ( jack , m ary)

Test-4
N
N
N

Nominal Variabel
Dapat memiliki > 2 states: red, yellow, blue,
green
Method 1: Simple matching
m: jumlah cocok, p: jumlah variabel

m
d (i, j) p
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|
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
8
7
6
5
4

4
3
2
1
0
0

K=2

Arbitrarily choose K
object as initial
cluster center

10

Assign
each
objects
to most
similar
center

3
2
1
0
0

10

Update
the
cluster
means

4
3
2
1
0
0

reassign
10

4
3
2
1
0
1

10

reassign

10

10

Update
the
cluster
means

4
3
2
1
0
0

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

Arbitrary
choose k
object as
initial
medoids

7
6
5
4
3
2

7
6
5
4
3
2
1

0
0

10

10

Assign
each
remainin
g object
to
nearest
medoids

7
6
5
4
3
2
1
0
0

K=2

Until no
change

10

Randomly select a
nonmedoid object,Oramdom

Total Cost = 26

Do loop

10

10

Compute
total cost of
swapping

Swapping O
and Oramdom

If quality is
improved.

7
6

8
7
6

0
0

10

10