Buku Belajar Machine Learning dengan Matlab Teknik Evaluasi Clustering

By | May 21, 2020
Print Friendly, PDF & Email

Sinopsis

Penggunaan teknik clustering sangat luas sekali mulai dari bidang bisnis ataupun bidang astronomi, misalkan saja untuk bidang bisnis dapat digunakan untuk mengetahui sebuah perilaku konsumen sehingga Perusahaan sedari awal bisa mempersiapkan strategi yang tepat melalui produk yang diinginkan oleh konsumen. Teknik clustering ada banyak sekali seperti KMean Clustering, Fuzzy C-Means Clustering, DBScan (Density-based spatial clustering of applications with noise). Adapun untuk untuk menentukan jumlah cluster terbaik/optimal pada sebuah dataset yang besar perlu dilakukan untuk menghindari trial and error. Penulis sebenarnya telah membahas cara menggunakan 3 metode  menggunakan R languange yaitu

  1. Metode Elbow
  2. Metode Silhouette
  3. Gap Statistic

Ref: http://softscients.com/2020/05/01/buku-belajar-dasar-statistika-dengan-r-analisis-cluster/ 

Namun pada postingan ini, kita akan menggunakan Matlab sebagai jawaban atas pertanyaan email yang masuk dari temen-temen. Yuk kita bahas satu metode saja dulu yaitu  Metode Silhouette

Dataset

Dataset yang digunakan terdiri dari 2 atribut yaitu suhu dan berat dengan isinya sebagai berikut

clc;clear all;close all;
data = readtable('data.csv')
X = [data.suhu,data.berat];

hasil

data =

  14×3 table

    no    suhu    berat
    __    ____    _____

     1     7        8  
     2     4       13  
     3     8        7  
     4     8        9  
     5     3       12  
     6     3        1  
     7     5        3  
     8     3       13  
     9     9        8  
    10     3        5  
    11     8        8  
    12     2       13  
    13     1        3  
    14     3       14

Metode  KMeans Clustering

Postingan ini hanya sebagai contoh saja yaitu menggunakan KMeans Clustering karena mudah algoritmanya. Pada pembahasan sebelumnya yang menggunakan R Language diketahui jumlah cluster optimal yaitu 3, maka langsung saja kita set jumlah cluster = 3, jangan lupa set bilangan random agar konsisten

http://softscients.com/2020/03/29/buku-belajar-pemrogaman-matlab-seed-random-generator/

kode lengkapnya untuk menggunakan KMeans yaitu

clc;clear all;close all;
data = readtable('data.csv');
X = [data.suhu,data.berat];
jumlah_cluster = 3;
rand('seed',10);
opts = statset('Display','final');
[label,centroid] = kmeans(X,jumlah_cluster,'Options',opts);
figure;
gscatter(X(:,1),X(:,2),label,'rbg','xod'), title('Clustering Suhu dan Berat')

 

Seumpuma kita diberikan sebuah pertanyaan, berapa sih jumlah cluster yang optimal? Agar penentuannya tidak manual seperti diatas. Nah untuk menjawab pertanyaan diatas mari kita bahas salah satu teknik cluster evaluation yaitu Silhoette

Cluster evaluation menggunakan Silhouette

Metode Silhoette ini menggabungkan dari dua metode yaitu metode cohesion yang berfungsi untuk mengukur seberapa dekat relasi antara objek dalam sebuah cluster, dan metode separation yang berfungsi untuk mengukur seberapa jauh sebuah cluster terpisah dengan cluster lain. Rumus matematika nya yaitu

    \[Si=\frac{bi-ai}{max(ai,bi)}\]

dengan keterangan sebagai berikut

  1. ai rata-rata jarak objek dengan semua objek lain yang berada di dalam satu cluster
  2. bi rata-rata jarak objek dengan semua objek lain yang berada pada cluster lain

Untuk menghitung jarak, bisa menggunakan city block, manhatan distance, ataupun eucleid distance. Nilai hasil silhouette coefficient terletak pada kisaran nilai -1 hingga 1. Semakin nilai silhouette coefficient mendekati nilai 1, maka semakin baik pengelompokan data dalam satu cluster. Sebaliknya jika silhouette coefficient mendekati nilai -1, maka semakin buruk pengelompokan data didalam satu cluster.

Function silhouette untuk mendapatkan nilai coefficient

Kalian tidak usah pusing untuk menerapkan algoritma diatas, kita panggil saja function berikut yang akan langsung menyajikan data dalam bentuk grafik.

Cara bacanya yaitu ada 3 cluster dan setiap cluster mempunyai nilai silhouette diatas 0.69, kode lengkapnya sebagai berikut

figure
[S,H] = silhouette(X, label);
title('nilai silhouette di tiap cluster')
info = array2table([S,label],'variablenames',{'nilai','label'});
disp(info)

hasil

 nilai     label
_______    _____

0.94617      2  
0.94617      1  
   0.95      2  
0.94617      2  
0.94617      1  
 0.8574      3  
0.69349      3  
0.98031      1  
0.96359      2  
0.69349      3  
0.98031      2  
0.96359      1  
 0.8574      3  
0.96359      1  

Kita coba yuk, kalau jumlah cluster = 4, seperti berikut hasilnya

Terdapat nilai yang rendah yaitu pada cluster 3 dan 4. Untuk mendapatkan nilai Score maka cukup gunakan nilai reratanya saja.

score = mean(S)

Evaluasi Cluster

Namun tidak seharusnya sih kalian melakukan hal diatas satu-persatu, mencoba mulai dari jumlah cluster = 3 sampai seterusnya, Kalian cukup menggunakan teknik evaluasi cluster dengan cara menentukan jumlah cluster minimal sampai maksimalnya. Misalkan kita akan menentukan minimal cluster 1 sampai dengan maksimal 6 cluster. Berikut hasil plot nya

Kalian bisa melihat ketika jumlah cluster ==3 merupakan peak nya, sehingga diputuskan jumlah cluster optimalnya yaitu 3. Berikut kode lengkapnya

jumlah_maximal_cluster = 6;
eva = evalclusters(X,'kmeans','silhouette','Distance','sqeuclidean','klist',1:jumlah_maximal_cluster);
figure
plot(eva),title('Nilai Silhouette disetiap jumlah cluster')
disp(eva)

hasil

SilhouetteEvaluation with properties:

  NumObservations: 14
       InspectedK: [1 2 3 4 5 6]
  CriterionValues: [NaN 0.6821 0.9063 0.7798 0.8213 0.5741]
         OptimalK: 3

Leave a Reply

Your email address will not be published. Required fields are marked *