Data Mining - Clustering

Clustering Clustering dan Karakteristiknya Topik utama pertemuan ini adalah unsupervised lear...

Clustering dan Karakteristiknya

Topik utama pertemuan ini adalah unsupervised learning, konsep clustering, ukuran kemiripan atau jarak (similarity/distance measure), serta kebutuhan clustering dalam analisis data. Dalam unsupervised learning, data dianalisis tanpa label target, dan clustering menjadi salah satu teknik utama untuk membentuk kelompok data berdasarkan kemiripan karakteristiknya.

Pengantar Unsupervised Learning

Unsupervised learning adalah pendekatan pembelajaran mesin yang bekerja pada data tanpa label kelas. Berbeda dengan supervised learning yang membutuhkan target, unsupervised learning hanya menggunakan fitur atau atribut data untuk menemukan struktur, pola, atau kelompok alami pada dataset.

Salah satu teknik utama dalam unsupervised learning adalah clustering, yaitu proses mengelompokkan data ke dalam beberapa cluster sehingga data dalam satu cluster lebih mirip satu sama lain dibandingkan dengan data pada cluster lain.

Inti konsep: pada clustering, sistem tidak diberi tahu kelas yang benar. Sistem harus menemukan pola kelompok secara mandiri dari struktur data yang tersedia.

Apa Itu Clustering?

Clustering adalah teknik pengelompokan data berdasarkan tingkat kemiripan. Tujuan utamanya adalah membentuk kelompok yang homogen di dalam cluster dan heterogen antar cluster. Artinya, objek dalam satu kelompok harus memiliki karakteristik yang relatif dekat, sedangkan objek antar kelompok harus cukup berbeda.

Dalam praktik data mining, clustering dipakai untuk segmentasi pelanggan, pengelompokan data sensor, analisis pola lalu lintas jaringan, pengelompokan dokumen, hingga eksplorasi data awal sebelum proses analisis lanjutan.

Karakteristik Clustering

• Tidak membutuhkan label target.
• Berbasis kemiripan atau kedekatan antar data.
• Bersifat eksploratif, sering digunakan untuk mencari pola awal dataset.
• Hasil cluster dapat berbeda tergantung algoritma dan ukuran jarak yang dipakai.
• Sering digunakan pada tahap awal analisis untuk memahami struktur data.

Perbedaan Supervised dan Unsupervised Learning

Aspek	Supervised Learning	Unsupervised Learning
Label data	Menggunakan data berlabel.	Tidak menggunakan label.
Tujuan	Memprediksi kelas atau nilai target.	Mencari pola, kelompok, atau struktur data.
Contoh teknik	Klasifikasi, regresi.	Clustering, reduksi dimensi.
Contoh kasus	Prediksi lulus/tidak lulus.	Segmentasi mahasiswa berdasarkan karakteristik belajar.

Perbedaan utama terletak pada ada atau tidaknya label target. Pada clustering, kita tidak mengetahui kelas sebelumnya, sehingga sistem harus menemukan pola kelompok secara otomatis dari data yang ada.

Similarity dan Distance Measure

Dalam clustering, kualitas pengelompokan sangat dipengaruhi oleh cara mengukur kemiripan atau jarak antar data. Jika dua data memiliki jarak kecil, maka keduanya dianggap mirip. Sebaliknya, jika jaraknya besar, maka keduanya dianggap berbeda.

a. Euclidean Distance

Euclidean distance adalah ukuran jarak paling umum pada data numerik. Konsepnya mirip dengan jarak garis lurus antara dua titik dalam ruang.

d(x,y) = √Σ(xᵢ - yᵢ)²

b. Manhattan Distance

Manhattan distance menghitung jarak berdasarkan jumlah selisih absolut tiap atribut. Ukuran ini cocok jika data direpresentasikan seperti pergerakan di grid atau blok jalan.

d(x,y) = Σ|xᵢ - yᵢ|

c. Cosine Similarity

Cosine similarity sering digunakan pada data teks atau data berdimensi tinggi. Ukuran ini tidak fokus pada besar nilai, tetapi pada arah vektor dua data.

Catatan penting: jika skala antar atribut sangat berbeda, maka proses clustering dapat bias. Karena itu, normalisasi data sering dibutuhkan sebelum clustering dilakukan, terutama pada algoritma berbasis jarak.

Mengapa Clustering Dibutuhkan?

Clustering dibutuhkan ketika data belum memiliki label, tetapi analis ingin memahami struktur tersembunyi dalam data. Teknik ini sangat berguna pada tahap eksplorasi karena dapat membantu menemukan kelompok alami yang sebelumnya tidak terlihat.

Beberapa alasan kebutuhan clustering:

• Untuk segmentasi data menjadi kelompok yang lebih mudah dipahami.
• Untuk menemukan pola tersembunyi pada dataset besar.
• Untuk mendukung pengambilan keputusan berbasis kelompok.
• Untuk tahap awal eksplorasi data sebelum klasifikasi atau prediksi.
• Untuk mendeteksi kelompok normal dan data yang menyimpang.

Contoh Penerapan Clustering

• Pendidikan: mengelompokkan mahasiswa berdasarkan pola belajar, kehadiran, dan nilai.
• Bisnis: segmentasi pelanggan berdasarkan perilaku pembelian.
• Jaringan komputer: mengelompokkan pola trafik normal dan tidak normal.
• IoT dan sensor: mengelompokkan data sensor berdasarkan pola suhu, kelembapan, atau aktivitas perangkat.
• Dokumen dan teks: mengelompokkan berita atau artikel berdasarkan topik yang mirip.

Gambaran Algoritma Clustering

Ada banyak algoritma clustering, dan masing-masing memiliki karakteristik berbeda. Pada tahap awal, mahasiswa cukup memahami bahwa algoritma yang berbeda dapat menghasilkan kelompok yang berbeda pula, tergantung bentuk data dan ukuran jarak yang digunakan.

Algoritma	Karakteristik	Cocok Untuk
K-Means	Mengelompokkan data berdasarkan pusat cluster (centroid).	Data numerik dengan bentuk cluster relatif bulat.
Hierarchical Clustering	Membentuk struktur bertingkat atau dendrogram.	Analisis hubungan bertahap antar data.
DBSCAN	Berbasis kepadatan data.	Data dengan noise atau bentuk cluster tidak beraturan.

Insight Awal Sebelum Clustering

Sebelum melakukan clustering, beberapa hal yang perlu diperhatikan adalah:

1. Periksa tipe data dan pastikan fitur yang digunakan relevan.
2. Tangani missing value dan noise terlebih dahulu.
3. Lakukan normalisasi bila skala antar atribut berbeda jauh.
4. Pahami apakah data bersifat numerik, kategorik, atau campuran.
5. Tentukan ukuran jarak yang paling sesuai dengan karakter data.

Ringkasan Materi

• Clustering adalah teknik unsupervised learning untuk mengelompokkan data tanpa label.
• Tujuan clustering adalah membentuk kelompok data yang mirip di dalam dan berbeda antar kelompok.
• Ukuran jarak sangat penting karena memengaruhi hasil pengelompokan.
• Clustering banyak digunakan untuk segmentasi, eksplorasi pola, dan analisis struktur data.
• Normalisasi dan pemilihan fitur yang tepat sangat membantu kualitas clustering.

Materi ini ditulis untuk membantu pemahaman dalam mata kuliah Data Mining.