klastering dengan metode partitional clustering · pengambilan sampel awal dari data penentuan...
TRANSCRIPT
KLASTERING DENGAN METODE K-MEANS
Partitional clustering
PENDAHULUAN
K-mean merupakan teknik klastering yang paling umumdan sederhana.
Tujuan klastering ini adalah mengelompokkan obyek kedalam k klaster/kelompok.
Nilai k harus ditentukan terlebih dahulu (berbedadengan hierarchical clustering).
Ukuran ketidakmiripan masih tetap digunakan untukmengelompokkan obyek yang ada.
ALGORITMA K-MEANS
Secara ringkas algoritma K-means adalah
sebagai berikut:
1. Pilih jumlah klaster k
2. Inisialisasi k pusat klaster
3. Tempatkan setiap data/obyek ke klaster terdekat
4. Perhitungan kembali pusat klaster
5. Ulangi langkah 3 dengan memakai pusat klaster
yang baru. Jika pusat klaster tidak berubah lagi
maka proses pengklasteran dihentikan.
PENENTUAN JUMLAH DAN PUSAT KLASTER
Inisialisasi atau penentuan nilai awal pusat klasterdapat dilakukan dengan berbagai macam cara, antaralain: Pemberian nilai secara random
Pengambilan sampel awal dari data
Penentuan nilai awal hasil dari klaster hirarki denganjumlah klaster yang sesuai dengan penentuan awal.
Dalam hal ini biasanya user memiliki pertimbanganintuitif karena dia memiliki informasi awal tentang obyekyang sedang dipelajari, termasuk jumlah klaster yang paling tepat.
PENEMPATAN OBYEK KE DALAM KLASTER
Penempatan obyek ke dalam klaster didasarkanpada kedekatannya dengan pusat klaster
Dalam tahap ini perlu dihitung jarak tiap data ketiap pusat klaster yang telah ditentukan.
Jarak paling dekat antara suatu data denganpusat klaster tertentu merupakan hal penentudata tersebut akan masuk klaster yang mana.
PERHITUNGAN KEMBALI PUSAT KLASTER
Pusat klaster ditentukan kembali dengan cara dihitung nilai rata-rata
data/obyek dalam klaster tertentu.
Jika dikehendaki dapat pula digunakan perhitungan median dari anggota
klaster yang dimaksud
Mean bukan satu-satunya ukuran yang bisa dipakai
Pada kasus tertentu pemakaian median memberikan hasil yang lebih baik.
Karena median tidak sensitif terhadap data outlier (data yang terletak jauh
dari yang lain, meskipun dalam satu klaster - pencilan)
Contoh:
Mean dari 1, 3, 5, 7, 9 adalah 5
Mean dari 1, 3, 5, 7, 1009 adalah 205
Median dari 1, 3, 5, 7, 1009 adalah 5
KONVERGENSI ATAU TERMINASI
Untuk mengentikan proses iterasi dalam mencaripengklasteran yang optimum, maka digunakan ratio perbandingan antara nilai kovarian antar klaster dan di dalamklaster:
Dimana, m nilai pusat dari setiap cluster, p merepresentasikan setiap titik data
Semakin besar nilai ratio, semakin tepat klaster yg terbentuk
CONTOH
Data points untuk k-means
Maka, dengan algoritma k-means:1. Menanyakan user berapa jumlah klaster k (misal k=2)
2. Menentukan secara random untuk inisialisasi lokasi pusatklaster; m1=(1,1) dan m2=(2,1)
3. Untuk setiap record dicari nilai pusat klaster terdekat, dengan menghitung jarak tiap2 titik terhadap pusatklaster.
1ST ITERATION
Sehingga dengan kedekatannya
mengindikasikan ke klaster mana
Expectation: increasing for the ratio
2ND ITERATION
4. Mengupdate nilai titik pusat cluster -1& 2 dengan
mean dari setiap klaster yg terbentuk:
m1’=[(1+1+1)/3, (3+2+1)/3]= (1, 2)
m2’=[(3+4+5+4+2)/5, (3+3+3+2+1)/5]=(3.6, 2.4)
5. Kemudian dihitung jarak tiap2 titik dengan pusat yg
baru
HASIL PERHITUNGAN ITERASI KE 2
Catatan : untuk point h pada gambar masuk C2, semestinya
masuk C1
Jadi anggota dari cluster 1 dan cluster 2 sekarang menjadi
sama-sama 4
C1
Sehingga diperoleh jumlah error kuadrat dari pusatklaster
Dan ratio:
Karena nilainya lbh besar dari sebelumnya, shgterjadi peningkatan
3RD ITERATION
Menemukan kembali lokasi pusat klaster dengan
mengupdatenya dari mean:
m1’’=[(1+1+1+2)/4,(3+2+1+1)/4]=(1.25, 1.75)
m2’’=[(3+4+5+4)/4,(3+3+3+2)/4]=(4,2.75)
Kemudian dicari jaraknya tiap2 titik terhadap titik
pusat klaster yang baru
Karena nilainya lebih besar dari
sebelumnya,maka dilakukan
iterasi lagi
PENGHENTIAN ITERASI
Jika tidak juga ditemukan pusat kluster yang sama dengan
iterasi sebelumnya, maka penghentian iterasi bisa dilakukan
dengan :
1. menggunakan nilai threshold. Iterasi dihentikan jika nilai deltanya <
threshold. 2. menggunakan ratio perbandingan antara nilai kovarian antar klaster
dan di dalam klaster:
Jika rasionya > dari rasio maka iterasi dihentikan
Kelebihan
Relatively efficient: O(tkn), dimana n adalah # objects, k adalah # clusters, dan t merupakan # iterations. Umumnya, k, t << n.
Biasanya berhenti pada nilai optimum lokal (local optimum). Nilaiglobal optimum dapat ditentukan dengan menggunakan teknikseperti deterministic annealing dan genetic algorithms
Kekurangan
Dapat diterapkan hanya saat nilai mean telah ditentukan, bagaimana untuk data-data bersifat kategori?
Perlu ditentukan k, jumlah klaster
Tidak dapat menangani noisy data dan outliers
Tidak tepat untuk membentuk klaster dengan data non-convex shapes
LATIHAN SOAL
Given the samples X1 = {1, 0}, X2 = {0, 1}, X3 =
{2, 1}, and X4 = {3, 3}, suppose that the
samples are randomly clustered into two
clusters C1 = {X1, X3} and C2 = {X2, X4}.
Apply one iteration of the K-means partitional-
clustering algorithm, and find a new distribution of
samples in clusters. What are the new centroids?
How can you prove that the new distribution of
samples is better than the initial one?