Clustering adalah Metode Pengelompokan Data, Berikut Penjelasannya

Seperti yang telah disebutkan sebelumnya, clustering adalah suatu metode pengelompokan data. Lebih lengkapnya, clustering adalah metode pengelompokan data yang digunakan untuk mengenali kelompok-kelompok (cluster) yang dihasilkan dari pengelompokkan unsur-unsur yang lebih kecil berdasarkan adanya kemiripan satu sama lain. Kemiripan yang menjadi dasar pengelompokkan tidaklah bersifat universal, sehingga ukuran-ukuran penyamanya harus dijabarkan terlebih dahulu oleh peneliti atau penganalisis.

Jadi, clustering adalah proses mengelompokkan data ke dalam beberapa cluster atau kelompok sehingga data dalam suatu clsuter memiliki tingkat kemiripan yang maksimum dan data antar cluster yang berbeda memiliki kemiripan minimum.

Clustering adalah metode pengelompokan data yang sering digunakan sebagai salah satu metode data mining atau penggalian data. Clustering adalah proses partisi satu set objek data ke dalam himpunan bagian yang disebut dengan cluster. Oleh karena itu, metode clustering ini sangat berguna untuk menemukan kelompok yang tidak dikenal dalam data.

Seperti yang telah disebutkan sebelumnya, clustering adalah metode yang bisanya digunakan pada business inteligence, pengenalan pola citra, web search, bidang ilmu biologi, dan untuk keamanan (security). Dalam business inteligence, clustering bisa mengelompokkan banyak customer ke menjadi beberapa kelompok. Contohnya mengelompokan customer ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat. 

Clustering ini juga dikenal sebagai data segmentasi karena clustering mempartisi banyak data set ke dalam banyak group berdasarkan kesamaannya.

Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi dan clustering dengan pendekatan hirarki.

Partition-based Clustering Hierarki

Clustering dengan pendekatan partisi atau sering disebut dengan partition-based clustering adalah mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam beberapa cluster yang sudah ada. Hal ini tidak memperhitungkan hierarki dari data tersebut.

Pada metode partitional clustering setiap cluster memiliki titik pusat cluster (centroid) dan secara umum metode ini memiliki fungsi tujuan yaitu meminimumkan jarak (dissimilarity) dari seluruh data ke pusat cluster masing-masing. Contoh metode partitional clustering:  K-Means, Fuzzy K-means dan Mixture Modelling.

Metode K-means merupakan metode clustering yang paling sederhana dan umum. Hal ini dikarenakan K-means mempunyai kemampuan mengelompokkan data dalam jumlah yang cukup besar dengan waktu komputasi yang cepat dan efisien.

Hierarchical Clustering

Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan.

Pada hierarchical clustering, data dikelompokkan melalui suatu bagan yang berupa hierarki, di mana terdapat penggabungan dua grup yang terdekat di setiap iterasinya ataupun pembagian dari seluruh set data ke dalam cluster.

Langkah melakukan clustering hierarki adalah dengan pertama-tama identifikasi item dengan jarak dekat, kemudian gabungkan item itu ke dalam satu cluster, lalu hitung jarak antar cluster, terakhir ulangi dari awal sampai semua terhubung.

Contoh metode clustering hierarki di antaranya adalah Single Linkage, Complete Linkage, Average Linkage, Average Group Linkage. 

Seperti Liputan6.com kutip dari SOSC Binus, berikut beberapa syarat clustering yang harus dipenuhi:

Skalabilitas. Suatu metode clustering harus mampu menangani data dalam jumlah yang besar. Saat ini data dalam jumlah besar sudah sangat umum digunakan dalam berbagai bidang misalnya suatu database. Tidak hanya berisi ratusan objek, suatu database dengan ukuran besar bahkan berisi lebih dari jutaan objek.

Kemampuan analisa beragam bentuk data. Algortima klasteriasi harus mampu dimplementasikan pada berbagai macam bentuk data seperti data nominal, ordinal maupun gabungannya.

Menemukan cluster dengan bentuk yang tidak terduga. Banyak algoritma clustering yang menggunakan metode Euclidean atau Manhattan yang hasilnya berbentuk bulat. Padahal hasil clustering dapat berbentuk aneh dan tidak sama antara satu dengan yang lain. Jadi, dibutuhkan kemampuan untuk menganalisa cluster dengan bentuk apapun pada suatu algoritma clustering.

Kemampuan untuk dapat menangani noise. Data tidak selalu dalam keadaan baik. Ada kalanya terdapat data yang rusak, tidak dimengerti atau hilang. Karena sistem inilah, suatu algortima clustering dituntut untuk mampu menangani data yang rusak.

Sensitifitas terhadap perubahan input. Perubahan atau penambahan data pada input dapat menyebabkan terjadi perubahan pada cluster yang telah ada bahkan bisa menyebabkan perubahan yang mencolok apabila menggunakan algoritma clustering yang memiliki tingkat sensitifitas rendah.

Mampu melakukan clustering untuk data dimensi tinggi. Suatu kelompok data dapat berisi banyak dimensi ataupun atribut. Untuk itu diperlukan algoritma clustering yang mampu menangani data dengan dimensi yang jumlahnya tidak sedikit.

Interpresasi dan kegunaan. Hasil dari clustering harus dapat diinterpretasikan dan berguna.