Implementasi Metode Clustering pada Dataset Online Shoppers Intention
Nasliyatul Intani (097) & Devita Nur Aisyah (125)
2026-04-02
Install & Load Package
Pada tahap ini dilakukan instalasi dan pemanggilan beberapa package di RStudio yang digunakan untuk proses clustering, visualisasi, dan evaluasi. Package seperti tidyverse, dbscan, dan cluster membantu dalam pengolahan data serta penerapan berbagai metode clustering. #install.packages(tidyverse) #install.packages(flexclust) # k-median #install.packages(dbscan) # dbscan #install.packages(meanShiftR) # meanshift #install.packages(e1071) # fuzzy c-means #install.packages(cluster) # shilhoutte score #install.packages(fpc) # another metrics #install.packages(mclust) # ARI metrics to compare cluster with true label
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.0 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.2 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ✔ purrr 1.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(flexclust)
library(dbscan)##
## Attaching package: 'dbscan'
##
## The following object is masked from 'package:stats':
##
## as.dendrogramlibrary(meanShiftR)
library(e1071)##
## Attaching package: 'e1071'
##
## The following object is masked from 'package:flexclust':
##
## bclust
##
## The following object is masked from 'package:ggplot2':
##
## elementlibrary(cluster)
library(fpc)##
## Attaching package: 'fpc'
##
## The following object is masked from 'package:dbscan':
##
## dbscanlibrary(mclust)## Package 'mclust' version 6.1.2
## Type 'citation("mclust")' for citing this R package in publications.
##
## Attaching package: 'mclust'
##
## The following object is masked from 'package:dplyr':
##
## count
##
## The following object is masked from 'package:purrr':
##
## mapLoad Data
Dataset Online Shoppers Intention dibaca ke dalam R menggunakan fungsi read.csv(). Selanjutnya dilakukan pengecekan awal menggunakan head() dan str() untuk melihat struktur data dan tipe setiap variabel.
df <- read.csv("online_shoppers_intention.csv")
head(df)## Administrative Administrative_Duration Informational Informational_Duration
## 1 0 0 0 0
## 2 0 0 0 0
## 3 0 0 0 0
## 4 0 0 0 0
## 5 0 0 0 0
## 6 0 0 0 0
## ProductRelated ProductRelated_Duration BounceRates ExitRates PageValues
## 1 1 0.000000 0.20000000 0.2000000 0
## 2 2 64.000000 0.00000000 0.1000000 0
## 3 1 0.000000 0.20000000 0.2000000 0
## 4 2 2.666667 0.05000000 0.1400000 0
## 5 10 627.500000 0.02000000 0.0500000 0
## 6 19 154.216667 0.01578947 0.0245614 0
## SpecialDay Month OperatingSystems Browser Region TrafficType
## 1 0 Feb 1 1 1 1
## 2 0 Feb 2 2 1 2
## 3 0 Feb 4 1 9 3
## 4 0 Feb 3 2 2 4
## 5 0 Feb 3 3 1 4
## 6 0 Feb 2 2 1 3
## VisitorType Weekend Revenue
## 1 Returning_Visitor FALSE FALSE
## 2 Returning_Visitor FALSE FALSE
## 3 Returning_Visitor FALSE FALSE
## 4 Returning_Visitor FALSE FALSE
## 5 Returning_Visitor TRUE FALSE
## 6 Returning_Visitor FALSE FALSEstr(df)## 'data.frame': 12330 obs. of 18 variables:
## $ Administrative : int 0 0 0 0 0 0 0 1 0 0 ...
## $ Administrative_Duration: num 0 0 0 0 0 0 0 0 0 0 ...
## $ Informational : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Informational_Duration : num 0 0 0 0 0 0 0 0 0 0 ...
## $ ProductRelated : int 1 2 1 2 10 19 1 0 2 3 ...
## $ ProductRelated_Duration: num 0 64 0 2.67 627.5 ...
## $ BounceRates : num 0.2 0 0.2 0.05 0.02 ...
## $ ExitRates : num 0.2 0.1 0.2 0.14 0.05 ...
## $ PageValues : num 0 0 0 0 0 0 0 0 0 0 ...
## $ SpecialDay : num 0 0 0 0 0 0 0.4 0 0.8 0.4 ...
## $ Month : chr "Feb" "Feb" "Feb" "Feb" ...
## $ OperatingSystems : int 1 2 4 3 3 2 2 1 2 2 ...
## $ Browser : int 1 2 1 2 3 2 4 2 2 4 ...
## $ Region : int 1 1 9 2 1 1 3 1 2 1 ...
## $ TrafficType : int 1 2 3 4 4 3 3 5 3 2 ...
## $ VisitorType : chr "Returning_Visitor" "Returning_Visitor" "Returning_Visitor" "Returning_Visitor" ...
## $ Weekend : logi FALSE FALSE FALSE FALSE TRUE FALSE ...
## $ Revenue : logi FALSE FALSE FALSE FALSE FALSE FALSE ...Preprocessing
encoding
Beberapa variabel kategorikal seperti Month, VisitorType, dan Weekend diubah menjadi bentuk numerik agar dapat digunakan dalam proses clustering.
df$Month <- as.numeric(as.factor(df$Month))
df$VisitorType <- as.numeric(as.factor(df$VisitorType))
df$Weekend <- as.numeric(df$Weekend)Menghapus target (Revenue)
Variabel Revenue dipisahkan sebagai label dan tidak digunakan dalam proses clustering karena metode clustering termasuk unsupervised learning.
label <- df$Revenue
df$Revenue <- NULLAmbil fitur numerik
Memilih fitur numerik yang relevan untuk digunakan dalam analisis clustering.
df_num <- df[, c(
"Administrative","Administrative_Duration",
"Informational","Informational_Duration",
"ProductRelated","ProductRelated_Duration",
"BounceRates","ExitRates","PageValues","SpecialDay",
"Month","VisitorType","Weekend"
)]Scaling
Data dinormalisasi menggunakan fungsi scale() agar semua fitur memiliki skala yang sama, sehingga perhitungan jarak antar data menjadi lebih akurat.
df_scaled <- scale(df_num)Sampling
Dilakukan pengambilan sampel sebanyak 3000 data untuk mempercepat proses komputasi tanpa mengurangi representasi data secara signifikan.
set.seed(123)
index <- sample(1:nrow(df_scaled), 3000)
df_sample <- df_scaled[index, ]
label_sample <- label[index]Menentukan Jumlah Cluster
Elbow Method
Metode ini digunakan untuk menentukan jumlah cluster optimal dengan melihat grafik perubahan nilai WCSS. Titik “siku” pada grafik menunjukkan jumlah cluster yang baik.
wss <- sapply(1:10, function(k){
kmeans(df_sample, centers = k, nstart = 20)$tot.withinss
})
plot(1:10, wss, type="b", pch=19,
main="Elbow Method",
xlab="Jumlah Cluster", ylab="WCSS")
Silhouette
Silhouette score digunakan untuk mengukur kualitas cluster. Nilai yang lebih tinggi menunjukkan bahwa cluster yang terbentuk semakin baik.
avg_sil <- function(k){
km <- kmeans(df_sample, centers = k, nstart = 25)
ss <- silhouette(km$cluster, dist(df_sample))
mean(ss[,3])
}
k_values <- 2:10
sil <- sapply(k_values, avg_sil)
plot(k_values, sil, type="b", pch=19,
main="Silhouette Score")
## Clustering # K-Means Metode K-Means digunakan untuk mengelompokkan
data berdasarkan jarak ke pusat cluster (centroid).
km <- kmeans(df_sample, centers = 3)K-Median
K-Median mirip dengan K-Means, namun menggunakan median sebagai pusat cluster sehingga lebih tahan terhadap outlier.
kmed <- kcca(df_sample, k = 3, family = kccaFamily("kmedians"))## Found more than one class "kcca" in cache; using the first, from namespace 'flexclust'## Also defined by 'kernlab'## Found more than one class "kcca" in cache; using the first, from namespace 'flexclust'## Also defined by 'kernlab'DBSCAN
DBSCAN mengelompokkan data berdasarkan kepadatan (density) dan mampu mendeteksi data yang dianggap sebagai noise atau outlier.
db <- dbscan::dbscan(df_sample, eps = 0.5, minPts = 5)Mean Shift
Mean Shift mencari pusat cluster secara otomatis tanpa menentukan jumlah cluster di awal.
ms <- meanShift(df_sample)Fuzzy C-Means
Fuzzy C-Means memungkinkan satu data masuk ke lebih dari satu cluster dengan tingkat keanggotaan tertentu.
fcm <- cmeans(df_sample, centers = 3, m = 2)Visualisasi
Visualisasi dilakukan untuk melihat hasil pengelompokan dari masing-masing metode clustering. Setiap warna menunjukkan cluster yang berbeda sehingga memudahkan dalam interpretasi hasil.
par(mfrow=c(2,3))
plot(df_sample, col=km$cluster, main="K-Means")
plot(df_sample, col=clusters(kmed), main="K-Median")
plot(df_sample, col=db$cluster+1, main="DBSCAN")
plot(df_sample, col=ms$assignment, main="Mean Shift")
plot(df_sample, col=fcm$cluster, main="Fuzzy C-Means")
plot(df_sample, col=as.numeric(label_sample), main="Original Revenue")
## Evaluasi metrix # Silhoutte Digunakan untuk mengukur seberapa baik
suatu data cocok dengan cluster-nya dibandingkan dengan cluster
lain.
mean(silhouette(km$cluster, dist(df_sample))[,3])## [1] 0.3084682Dunn Index
Dunn Index digunakan untuk mengevaluasi kualitas cluster berdasarkan jarak antar cluster dan kepadatan dalam cluster. Nilai yang lebih tinggi menunjukkan cluster yang lebih baik.
stats <- cluster.stats(dist(df_sample), km$cluster)
stats$dunn## [1] 0.01656521Adjusted Rand Index (ARI)
ARI digunakan untuk membandingkan hasil clustering dengan label asli (Revenue) untuk melihat seberapa sesuai hasil pengelompokan.
adjustedRandIndex(km$cluster, label_sample)## [1] 0.03169522