Analisis cluster adalah metode yang tepat untuk mengidentifikasi objek- objek yang homogen ke dalam kelompok-kelompok yang disebut cluster. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Data test_labels menjelaskan tentang Klasifikasi Jenis Rempah Rempah Pertama kita install packages factoextra

#install.packages
library("factoextra")
## Loading required package: ggplot2
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

lalu kita import data. di sini saya menggunakan data test_labels

data <- read.csv("C:/Users/LENOVO/Downloads/test_labels.csv", sep=";") 
head(data)
##     filename width height     class xmin ymin xmax ymax
## 1 136478.jpg  2364   1773  Lengkuas   94  553 2267 1402
## 2 136487.jpg  2364   1773  Lengkuas  126  459 2205 1234
## 3 136489.jpg  2364   1773  Lengkuas  232  453 2221 1315
## 4 136496.jpg  2364   1773  Lengkuas  175  383 2143 1445
## 5 136500.jpg  2364   1773  Lengkuas  235  453 2167 1307
## 6 136503.jpg  2364   1773 Temulawak  599  410 1683 1594
dim(data)
## [1] 25  8

Peubah yang digunakan untuk menerapkan k-means adalah peubah xmin, ymin,xmax, dan ymax. Oleh karena itu peubah yang tidak kita gunakan akan kita hilangkan tersebih dahulu.

data <- data[,c("xmin","ymin","xmax","ymax")]
head(data)
##   xmin ymin xmax ymax
## 1   94  553 2267 1402
## 2  126  459 2205 1234
## 3  232  453 2221 1315
## 4  175  383 2143 1445
## 5  235  453 2167 1307
## 6  599  410 1683 1594

Standarisasi peubah merupakan proses transformasi peubah menjadi peubah yang memiliki rata-rata nol dan simpangan baku satu. Process standarisasi ini dilakukan jika kita melihat perbedanan satuan pengukuran peubah-peubah yang digunakan contoh(umur dan pendapatan). Standarisasi dilakukan karena metode k-means menggunakan konsep jarak antara objek/amatan, yang mana sensitif terhadap satuan pengukuran. dengan merupakan rata-rata dari dan merupakan simpangan baku dari y. Dalam R, standarisasi data bisa dilakukan dengan menggunakan fungsi scale .

data_standardize <- scale(data)
apply(data_standardize,2,mean)
##          xmin          ymin          xmax          ymax 
## -1.310323e-16 -1.098774e-16  2.564702e-16 -5.606583e-16
apply(data_standardize,2,sd)
## xmin ymin xmax ymax 
##    1    1    1    1

Umumnya, banyaknya cluster dapat ditentukan dengan menggunakan beberapa kriteria statistik, seperti koefisien silhouette dan WSS atau (Within Sum of Square). Kriteria koefisien silhouette dihitung berdasarkan jarak antar amatan. Koefisien ini mengukur seberapa dekat suatu amatan dengan amatan lain yang berada di cluster yang sama (dikenal sebagai ukuran cohesion) dibandingkan dengan jarak terhadap amatan lain yang berada di cluster berbeda (dikenal sebagai ukuran separation). Koefisien yang nilainya semakin besar menunjukkan bahwa cluster yang terbentuk sudah sesuai. Kriteria WSS merupakan kriteria yangmenghitung keragamaan dalam cluster yang terbentuk. Semakin kecil keragaman dalam cluster yang terbentuk menunjukkan bahwa cluster yang terbentuk sudah sesuai. Dengan menggunakan kriteria tersebut, kita bisa membandingkan banyaknya cluster yang paling sesuai pada data yang kita sedang analisis. Dalam R, fungsi fviz_nbclust dari package factoextra dapat digunakan untuk memilih banyaknya cluster.

fviz_nbclust(data_standardize,FUNcluster = kmeans,method = "silhouette")

fviz_nbclust(data_standardize,FUNcluster = kmeans,method = "wss")

Setelah kita mendapatkan banyaknya cluster terbaik, maka selajutnya kita akan menerapkan metode kmenas untuk mendapatkan label cluster pada setiap amatan. Fungsi eclust dari package factoextra digunakan untuk menerpkan metode kmeans. Pada fungsi eclust , kita cukup memasukan data yang sebelum distandarisasi, karena dalam fungsi tersebut terdapat argumen stand , yang jika diatur stand=TRUE secara otomatis data yang kita gunakan akan distandarisasi.

kmeans_data <- eclust(data,stand = TRUE,FUNcluster = "kmeans",k=8,graph = F)
kmeans_data$cluster
##  [1] 4 4 4 4 4 3 5 3 3 3 7 1 1 3 1 5 6 2 2 6 7 8 7 7 8
kmeans_data$centers
##          xmin       ymin        xmax        ymax
## 1  0.80143042  0.5713895 -0.51519518 -1.02808218
## 2 -0.20130002 -0.8348338  0.20583234  1.64524260
## 3  1.28017765 -0.3916065 -0.78549967  0.67200686
## 4 -1.45433610  0.1904632  1.56188141 -0.62714619
## 5  0.18886013 -1.8361004 -1.38010488  0.09845262
## 6 -0.11082810 -1.0840380 -0.71808521  1.58126346
## 7  0.03901602  0.8317188 -0.09486524 -0.36445533
## 8 -0.72151355  1.7373088  0.91392663 -1.16607642

fungsi aggregate untuk melihat rata-ratanya dalam skala aslinya. Fungsi ini dapat menghitung rata-rata setiap peubah berdasarkan cluster yang terbentuk.

aggregate(data,by =list(cluster=kmeans_data$cluster),FUN = mean)
##   cluster     xmin   ymin     xmax     ymax
## 1       1 571.3333 503.00 1772.333 1287.333
## 2       2 394.0000 345.00 1921.000 1642.500
## 3       3 656.0000 394.80 1716.600 1513.200
## 4       4 172.4000 460.20 2200.600 1340.600
## 5       5 463.0000 232.50 1594.000 1437.000
## 6       6 410.0000 317.00 1730.500 1634.000
## 7       7 436.5000 532.25 1859.000 1375.500
## 8       8 302.0000 634.00 2067.000 1269.000

Cara lain untuk memnginterpretasikan hasil cluster adalah menggunakan scatterplot. Jika peubah untuk membangun kluster lebih dari dua, maka sebelum dibentuk scatterplot peubah tersebut direduksi terlebih dahulu menggunakan analisis komponen utama menjadi dua komponen utama. Namun, untuk interpretasinya setiap clusternya kita harus mengetahui interpretasi dari kedua komponen utama dan belum tentu dengan dua komponen utama tersebut sudah mampu menjelaskan keragaman data asal dengan baik.

fviz_cluster(kmeans_data)

Interpretasi dua komponen utama bisa dilihat dengan akar cirinya

pca_data <- prcomp(data_standardize)
pca_data$rotation
##             PC1        PC2        PC3        PC4
## xmin  0.4792900 -0.5976342 -0.2032647 -0.6097524
## ymin -0.4737537 -0.5259956 -0.6146177  0.3480390
## xmax -0.5703987  0.3443247 -0.2523642 -0.7017109
## ymax  0.4695571  0.4975968 -0.7191946  0.1211312