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)Hapus 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
Dipilih fitur-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), 1000)
df_sample <- df_scaled[index, ]
label_sample <- label[index]Mengecek OUtlier
Deteksi outlier dilakukan menggunakan metode Mahalanobis Distance yang mempertimbangkan hubungan antar variabel (multivariat). Setiap observasi dihitung jaraknya terhadap pusat data, kemudian dibandingkan dengan nilai threshold berdasarkan distribusi chi-square. Data yang memiliki nilai Mahalanobis Distance lebih besar dari threshold dikategorikan sebagai outlier.
df_numeric <- as.data.frame(df_sample)
center <- colMeans(df_numeric)
cov_matrix <- cov(df_numeric)
mahalanobis_dist <- mahalanobis(df_numeric, center, cov_matrix)
threshold <- qchisq(0.975, df = ncol(df_numeric))
outlier_mahalanobis <- mahalanobis_dist > threshold
cat("Jumlah Outlier:", sum(outlier_mahalanobis), "\n")## Jumlah Outlier: 98Boxplot digunakan untuk memvisualisasikan distribusi nilai Mahalanobis Distance secara keseluruhan. Garis vertikal berwarna merah menunjukkan batas (threshold) outlier. Data yang berada di sebelah kanan garis tersebut merupakan observasi yang terindikasi sebagai outlier.
df_numeric <- as.data.frame(df_sample)
center <- colMeans(df_numeric)
cov_matrix <- cov(df_numeric)
mahalanobis_dist <- mahalanobis(df_numeric, center, cov_matrix)
threshold <- qchisq(0.975, df = ncol(df_numeric))
boxplot(mahalanobis_dist,
horizontal = TRUE,
main = "Boxplot Mahalanobis Distance",
xlab = "Mahalanobis Distance",
col = "lightgray")
abline(v = threshold, col = "red", lwd = 2)
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
dist_matrix <- dist(df_sample)K_Means
Silhoutte
Digunakan untuk mengukur seberapa baik suatu data cocok dengan cluster-nya dibandingkan dengan cluster lain.
sil_mean <- mean(silhouette(km$cluster, dist(df_sample))[,3])
sil_mean## [1] 0.1286353Dunn Index
Dunn Index digunakan untuk mengevaluasi kualitas cluster berdasarkan jarak antar cluster dan kepadatan dalam cluster. Nilai yang lebih tinggi menunjukkan cluster yang lebih baik.
stats <- cluster.stats(dist(df_sample), km$cluster)
stats$dunn## [1] 0.02817072Adjusted Rand Index (ARI)
ARI digunakan untuk membandingkan hasil clustering dengan label asli (Revenue) untuk melihat seberapa sesuai hasil pengelompokan.
ari_mean <- adjustedRandIndex(km$cluster, label_sample)
ari_mean## [1] 0.03589561K-Median
Evaluasi pada metode K-Median dilakukan menggunakan tiga metrik utama, yaitu Silhouette Score, Dunn Index, dan Adjusted Rand Index (ARI).
cluster_kmed <- clusters(kmed)Silhoutte
Silhouette Score digunakan untuk mengukur seberapa baik pemisahan antar cluster
sil_kmed <- mean(silhouette(cluster_kmed, dist_matrix)[,3])
sil_kmed## [1] 0.1529381Dunn Index
Dunn Index untuk melihat rasio antara jarak antar cluster dan kepadatan dalam cluster
dunn_kmed <- cluster.stats(dist_matrix, cluster_kmed)$dunn
dunn_kmed## [1] 0.01524909Adjusted Rand Index (ARI)
ARI untuk membandingkan hasil clustering dengan label asli.
ari_kmed <- adjustedRandIndex(cluster_kmed, label_sample)
ari_kmed## [1] 0.01805934DBSCAN
Pada metode DBSCAN, data yang dianggap sebagai noise (cluster = 0) tidak disertakan dalam evaluasi. Hal ini dilakukan agar penilaian kualitas cluster lebih akurat dan tidak dipengaruhi oleh data yang tidak termasuk dalam cluster manapun.
db_cluster <- db$clusternon_noise <- db_cluster != 0
df_db <- df_sample[non_noise, ]
db_cluster_clean <- db_cluster[non_noise]
label_db <- label_sample[non_noise]
dist_db <- dist(df_db)
if(length(unique(db_cluster_clean)) > 1){
sil_db <- mean(silhouette(db_cluster_clean, dist_db)[,3])
dunn_db <- cluster.stats(dist_db, db_cluster_clean)$dunn
ari_db <- adjustedRandIndex(db_cluster_clean, label_db)
} else {
sil_db <- NA
dunn_db <- NA
ari_db <- NA
}
sil_db## [1] 0.4306407dunn_db## [1] 0.2032923ari_db## [1] -0.00457333Mean Shift
Evaluasi Mean Shift dilakukan dengan menggunakan metrik yang sama, yaitu Silhouette Score, Dunn Index, dan ARI. Metode ini secara otomatis menentukan jumlah cluster sehingga evaluasi bertujuan untuk melihat seberapa baik hasil pengelompokan yang terbentuk tanpa parameter jumlah cluster di awal.
cluster_ms <- ms$assignmentSilhoutte
sil_ms <- mean(silhouette(cluster_ms, dist_matrix)[,3])
sil_ms## [1] 0.01551995Dunn Index
dunn_ms <- cluster.stats(dist_matrix, cluster_ms)$dunn
dunn_ms## [1] 0.02289094Adjusted Rand Index (ARI)
ari_ms <- adjustedRandIndex(cluster_ms, label_sample)
ari_ms## [1] 0.06641142Fuzzy C-Means
Pada Fuzzy C-Means, setiap data memiliki derajat keanggotaan pada setiap cluster. tetapi, untuk keperluan evaluasi, digunakan label cluster dengan nilai keanggotaan tertinggi.
cluster_fcm <- fcm$clusterSilhoutte
sil_fcm <- mean(silhouette(cluster_fcm, dist_matrix)[,3])
sil_fcm## [1] 0.173657Dunn Index
dunn_fcm <- cluster.stats(dist_matrix, cluster_fcm)$dunn## Warning in cluster.stats(dist_matrix, cluster_fcm): clustering renumbered
## because maximum != number of clustersdunn_fcm## [1] 0.01886552Adjusted Rand Index (ARI)
ari_fcm <- adjustedRandIndex(cluster_fcm, label_sample)
ari_fcm## [1] 0.06968427Kesimpulan
Berdasarkan hasil perbandingan lima metode clustering yaitu K-Means, K-Median, DBSCAN, Mean Shift, dan Fuzzy C-Means, didapatkan hasil bahwa setiap metode memiliki performa yang berbeda-beda tergantung pada karakteristik data.
Metode berbasis centroid seperti K-Means dan K-Median cenderung menghasilkan cluster yang stabil, namun sensitif terhadap outlier. DBSCAN mampu mendeteksi noise dengan baik, tetapi hasilnya sangat bergantung pada parameter yang digunakan. Mean Shift memiliki keunggulan dalam menentukan jumlah cluster secara otomatis, sedangkan Fuzzy C-Means memberikan fleksibilitas dengan memungkinkan satu data berada pada beberapa cluster.
Berdasarkan metrik evaluasi yang digunakan, metode dengan nilai Silhouette Score dan Dunn Index yang lebih tinggi serta ARI yang mendekati 1 menunjukkan performa clustering yang lebih baik. Oleh karena itu, metode terbaik dipilih berdasarkan hasil evaluasi tersebut dengan mempertimbangkan keseimbangan antara pemisahan cluster dan kesesuaian dengan label asli.