1 Introduction

1.1 Clustering

Clustering merupakan salah satu metode machine learning dan termasuk dalam unsupervised learning. Unsupervised learning adalah metode machine learning dimana dalam data yang akan dianalisis tidak terdapat target variabel. Dalam unsupervised learning lebih fokus dalam melakukan eksplorasi data seperti mencari pola dalam data. Clustering sendiri bertujuan dalam mencari pola data yang mirip sehingga memiliki kemungkinan dalam mengelompokkan data-data yang mirip tersebut. Dalam yang telah dikelompokkan dalam clusterung biasanya disebut juga sebagai cluster. Dalam menentukan cluster yang baik adalah ketika suatu anggota dalam cluster memiliki kemiripan semirip mungkin sedangkan antar anggota cluster memiliki perbedaan yang cukup signifikan. Clustering banyak digunakan dalam berbagai bidang seperti segmentasi customer, rekomendasi produk, profiling data, dan masih banyak lagi.¹

Ada dua jenis clustering yaitu non-fuzzy clustering (hard clustering) dan fuzzy clustering (soft clustering). Perbedaan yang paling mendasar diantara dua jenis clustering tersebut adalah dalam non-fuzzy clustering (hard custering), setiap data akan dibagi menjadi dalam beberapa kelompok dan setiap data poin hanya dapat dimiliki dalam 1 cluster saja. Berbeda dengan fuzzy clustering (soft clustering), setiap data poin memiliki kesempatan untuk dimiliki oleh lebih dari 1 cluster.²

Dalam fuzzy clustering, setiap data poin akan diberikan nilai seperti peluang atau bobot untuk masuk pada setiap cluster. Setiap data poin yang memiliki jarang paling dekat dengan suatu pusat cluster, akan memiliki nilai yang lebih tinggi untuk masuk ke cluster tersebut dibandingkan dengan cluster lain. Nilai yang diberikan untuk setiap data poin menjadi bagian suatu cluster berkisar dalam rentang 0 hingga 1 seperti nilai probabilitas.³

Pada artikel ini akan membahas bagaimana melakukan clustering menggunakan metode Fuzzy C-Means.

1.2 Training Objective

Tujuan dari artikel ini adalah untuk :

memahami konsep Fuzzy C-Means clustering
memahami validasi cluster
mengimplementasikan Fuzzy C-Means clustering

1.3 Setup

Berikut ini beberapa package yang diperlukan untuk melakukan analisis clustering menggunakan Fuzzy C-Means.

# Data wrangling
library(dplyr)
library(stringr)

# Visualization
library(factoextra)
library(ggplot2)
library(algothemes)

# Fuzzy C-Means
library(cluster)

2 Fuzzy C-Means Clustering

Fuzzy c-means clustering merupakan suatu metode clustering yang hampir mirip seperti k-means clustering. Karena metode clustering ini mirip dengan k-means clustering, ada yang menyebut metode ini fuzzy k-means clustering. Fuzzy c-means merupakan salah satu jenis soft clustering dimana dalam mengelompokan suatu data, setiap data bisa dimiliki lebih dari satu cluster. Contohnya sebuah tomat bisa dikelompokkan ke warna merah atau warna hijau jika dalam hard clustering, namun tomat bisa dikelompokkan ke warna merah dan hijau dalam fuzzy clustering. Tomat berwarna merah memiliki tingkatan yang sama dengan tomat berwarna hijau. Jika dimisalkan dengan angka dari 0 sampai 1, tomat warna merah 0.5 dan tomat warna hijau 0.5.

Cara kerja dari fuzzy c-means clustering dalam mengelompokkan datanya adalah sebagai berikut :

Menentukan banyak cluster (k) yang akan dibuat.
Menentukan nilai proporsi untuk setiap data poin secara random untuk masuk dalam suatu cluster.
Menghitung nilai centroid. Dalam menghitung nilai centroid, kita menggunakan formula berikut :

\[C_j = \frac{\sum u_{ij}^mx}{\sum u_{ij}^m}\]

Menghtung kembali nilai proporsi untuk setiap data poin untuk masuk pada setiap cluster. fprmula yang digunakan yaitu sebagai berikut :

\[u_{ij}^m = \frac{1}{\sum (\frac{|x_i - c_j|}{|x_i - c_k|})^\frac{2}{m-1}}\]

3 Validasi Cluster

Suatu clustering sangat sulit untuk bisa kita tentukan keakuratan dari cluster yang kita bentuk. Oleh karena itu terdapat validasi cluster yang dapat digunakan untuk mengukur kebaikan dari hasil clustering. Menurut paper yang ditulis oleh Charrad et al. validasi cluster dibedakan menjadi 3 macam yaitu⁴ :

Internal cluster validation
External cluster validation
Relative cluster validation

Perbedaan antara validasi cluster diatas adalah sebagai berikut :

3.1 Internal Cluster Validation

Pada validasi cluster ini menggunakan informasi internal pada data untuk melakukan evaluasi cluster yang baik dan tepat tanpa menggunakan informasi eksternal data. Biasanya yang diukur pada validasi cluster ini adalah tingkat kepadatan (compactness), keterhubungan (connectedness), dan separasi yang ada pada cluster.

compactness mengukur seberapa dekat suatu objek pada cluster yang sama. Biasanya dilihat dari nilai within-cluster variation yang kecil atau rata-rata jarak antar cluster.
connectivity berhubungan dengan sejauh mana suatu data poin dikelompokkan menjadi satu cluster dengan tetangga terdekatnya (nearest neighbor).
separation mengukur seberapa baik pemisah antar satu cluster dengan cluster yang lain. Biasanya dapat diukur berdasarkan jarak antar pusat cluster.

Untuk mengukur internal cluster validation kita bisa menggunakan suatu indeks yaitu :

3.1.1 Silhouette coefficient

Silhouette mengukur seberapa baik suatu observasi menjadi satu cluster atau memperkirakan nilai rata-rata jarak antar cluster. Nilai dari silhouette coefficient menginterpretasikan seberapa dekat suatu data pada satu cluster terhadap tetangga pada cluster yang lain. Semakin besar nilai silhouette (mendekati 1), maka semakin baik cluster tersebut.

3.1.2 Dunn index

Dunn index menilai seberapa rapat anggota dalam suatu cluster dengan variansi yang kecil dan seberapa terpisah cluster yang satu dengan yang lainnya. Cluster yang baik adalah yang memiliki nilai dunn index besar.

3.2 External Cluster Validation

Dalam melakukan evaluasi cluster, validasi cluster ini menggunakan informasi eksternal pada suatu data seperti label kelas atau kelas target yang disediakan dari sumber eksternal. Hal ini biasanya digunakan untuk mengukur kecocokan label suatu cluster yang terbentuk dengan label kelas yang ada.

3.3 Relative Cluster Validation

Dalam mengevaluasi suatu metode clustering, validasi cluster ini menggunakan pendekatan dengan memberikan beberapa variasi nilai parameter yang berbeda seperti banyaknya jumlah cluster (k) pada satu metode yang sama. Biasanya cara ini digunakan untuk menentukan banyak cluster yang paling optimal.

4 Clustering Mood Berdasarkan Lagu

Spotify merupakan salah satu platform musik yang dapat kita gunakan untuk mendengarkan lagu. Spotify sudah menyimpan banyak sekali jenis-jenis lagu baik dari genre pop, akustik, maupun metal. Spotify juga terdapat API yang dapat digunakan oleh developer untuk mendapatkan beberapa lagu dari platform tersebut. Namun, kali ini kita akan menggunakan data spotify yang sudah tersedia dari Kaggle .

Menggunakan data Spotify ini kita akan coba melakukan clustering pada beberapa data yang ada kedalam beberapa kelompok mood yang nantinya bisa digunakan untuk membuat rekomendasi lagu dalam keadaan mood tertentu. Dalam melakukan clustering, kita akan terapkan metode clustering fuzzy c-means.

4.1 Import Data

Sebelum melakukan clustering seperti biasa kita import terlebih dahulu data yang kita butuhkan. Untuk data Spotify yang tersedia, nantinya tidak akan digunakan semua karena datanya cukup besar, oleh karena itu pada artikel ini hanya akan menggunakan 1000 data saja (hal ini dikarenakan komputasi).

spotify <- read.csv("data_input/SpotifyFeatures.csv", encoding = "UTF-8") %>% 
  rename(genre = X.U.FEFF.genre)
head(spotify)

glimpse(spotify)

#> Observations: 232,725
#> Variables: 18
#> $ genre            <fct> Movie, Movie, Movie, Movie, Movie, Movie, Movie, M...
#> $ artist_name      <fct> Henri Salvador, Martin & les fées, Joseph Williams...
#> $ track_name       <fct> "C'est beau de faire un Show", "Perdu d'avance (pa...
#> $ track_id         <fct> 0BRjO6ga9RKCKjfDqeFgWV, 0BjC1NfoEOOusryehmNudP, 0C...
#> $ popularity       <int> 0, 1, 3, 0, 4, 0, 2, 15, 0, 10, 0, 2, 4, 3, 0, 0, ...
#> $ acousticness     <dbl> 0.61100, 0.24600, 0.95200, 0.70300, 0.95000, 0.749...
#> $ danceability     <dbl> 0.389, 0.590, 0.663, 0.240, 0.331, 0.578, 0.703, 0...
#> $ duration_ms      <int> 99373, 137373, 170267, 152427, 82625, 160627, 2122...
#> $ energy           <dbl> 0.9100, 0.7370, 0.1310, 0.3260, 0.2250, 0.0948, 0....
#> $ instrumentalness <dbl> 0.00000000, 0.00000000, 0.00000000, 0.00000000, 0....
#> $ key              <fct> C#, F#, C, C#, F, C#, C#, F#, C, G, E, C, F#, D#, ...
#> $ liveness         <dbl> 0.3460, 0.1510, 0.1030, 0.0985, 0.2020, 0.1070, 0....
#> $ loudness         <dbl> -1.828, -5.559, -13.879, -12.178, -21.150, -14.970...
#> $ mode             <fct> Major, Minor, Minor, Major, Major, Major, Major, M...
#> $ speechiness      <dbl> 0.0525, 0.0868, 0.0362, 0.0395, 0.0456, 0.1430, 0....
#> $ tempo            <dbl> 166.969, 174.003, 99.488, 171.758, 140.576, 87.479...
#> $ time_signature   <fct> 4/4, 4/4, 5/4, 4/4, 4/4, 4/4, 4/4, 4/4, 4/4, 4/4, ...
#> $ valence          <dbl> 0.8140, 0.8160, 0.3680, 0.2270, 0.3900, 0.3580, 0....

Data spotify terdapat 18 kolom dan 232,725 baris dengan deskripsi masing-masing kolom sebagai berikut:

genre: genre dari sebuah track lagu.
artist_name: nama penyanyi.
track_name: judul lagu.
track_id: nomor id dari track.
popullarity: rating popularitas track.
acousticness: ukuran kepercayaan bahwa lagu tersebut adalah akustik, rentang nilai 0-1.
danceability: menggambarkan seberapa cocok sebuah trek untuk menari berdasarkan kombinasi elemen musik termasuk tempo, stabilitas ritme, kekuatan ketukan, dan keteraturan keseluruhan. Nilai 0 paling tidak bisa menari dan 1 paling bisa membuat menari.
duration_ms: durasi lagu dalam millisecond
energy: mewakili ukuran persepsi dari intensitas dan aktivitas dengan rentang 0-1. Biasanya, trek energik terasa cepat, keras, dan berisik. Semakin mendekati ke rentang 1 artinya semakin cepat sedangkan yang mendekati angka 0 artinya sebuah lagu semakin bertempo pelan dan lembut.
instrumentalness: mendeteksi suatu lagu tidak berisi vokal. Bunyi “Ooh” dan “aah” diperlakukan sebagai instrumen dalam konteks ini. Suatu lagu yang terdapat rap atau track dengan kata disebut sebagai vocal. Semakin dekat nilai instrumen ke 1, semakin besar kemungkinan lagu tersebut tidak berisi konten vokal. Nilai di atas 0.5 dimaksudkan untuk mewakili trek instrumen, tetapi kepercayaan diri lebih tinggi saat nilai mendekati 1.
key: kunci keseluruhan trek yang diperkirakan. Pemetaan nilai ke pitch menggunakan notasi Pitch Class standar. Misalnya. 0 = C, 1 = C♯ / D♭, 2 = D, dan seterusnya. Jika tidak ada kunci yang terdeteksi, nilainya adalah -1.
liveness: mendeteksi kehadiran penonton dalam rekaman. Nilai kehidupan yang lebih tinggi menunjukkan peningkatan probabilitas bahwa lagu tersebut dimainkan secara langsung. Nilai di atas 0.8 memberikan kemungkinan yang kuat bahwa trek tersebut hidup.
loudness: kenyaringan keseluruhan trek dalam desibel (dB). Nilai kenyaringan dirata-ratakan di seluruh trek dan berguna untuk membandingkan kenyaringan relatif track.
mode: menunjukkan modalitas (major atau minor) dari sebuah track, jenis skala dari mana konten melodinya berasal. Major diwakili oleh 1 dan minor adalah 0.
speechiness: mendeteksi keberadaan kata-kata yang diucapkan di track. Rekaman yang lebih eksklusif menyerupai ucapan (misal Talk show, buku audio, puisi), semakin mendekati 1 nilai atributnya. Nilai di atas 0.66 menggambarkan track yang mungkin seluruhnya terbuat dari kata-kata yang diucapkan. Nilai antara 0.33 dan 0.66 menggambarkan track yang mungkin berisi musik dan ucapan, baik dalam bagian atau berlapis, termasuk kasus seperti musik rap. Nilai di bawah 0.33 kemungkinan besar mewakili musik dan track non-ucapan lainnya.
tempo: perkiraan tempo keseluruhan track dalam ketukan per menit (BPM). Dalam terminologi musik, tempo adalah kecepatan atau langkah dari suatu karya tertentu dan diturunkan langsung dari durasi ketukan rata-rata.
time_signature: perkiraan tanda birama keseluruhan suatu track. Tanda birama (meter) adalah konvensi notasi untuk menentukan berapa banyak ketukan di setiap batang (atau ukuran).
valence: ukuran dari 0-1 yang mendeskripsikan musik positif yang disampaikan oleh sebuah track. Track dengan valence tinggi terdengar lebih positif (misal bahagia, ceria, gembira), sedangkan trek dengan valence rendah terdengar lebih negatif (misal sedih, tertekan, marah).

4.2 Data Pre-Processing

Pertama, kita akan cek seberapa bersih data yang kita miliki dari missing value.

colSums(is.na(spotify))

#>            genre      artist_name       track_name         track_id 
#>                0                0                0                0 
#>       popularity     acousticness     danceability      duration_ms 
#>                0                0                0                0 
#>           energy instrumentalness              key         liveness 
#>                0                0                0                0 
#>         loudness             mode      speechiness            tempo 
#>                0                0                0                0 
#>   time_signature          valence 
#>                0                0

Seluruh kolom data spotify sudah bersih dari missing value. Selanjutnya kita akan melakukan data transformation dengan menyesuaikan beberapa tipe data pada kolom yang belum sesuai.

glimpse(spotify)

#> Observations: 232,725
#> Variables: 18
#> $ genre            <fct> Movie, Movie, Movie, Movie, Movie, Movie, Movie, M...
#> $ artist_name      <fct> Henri Salvador, Martin & les fées, Joseph Williams...
#> $ track_name       <fct> "C'est beau de faire un Show", "Perdu d'avance (pa...
#> $ track_id         <fct> 0BRjO6ga9RKCKjfDqeFgWV, 0BjC1NfoEOOusryehmNudP, 0C...
#> $ popularity       <int> 0, 1, 3, 0, 4, 0, 2, 15, 0, 10, 0, 2, 4, 3, 0, 0, ...
#> $ acousticness     <dbl> 0.61100, 0.24600, 0.95200, 0.70300, 0.95000, 0.749...
#> $ danceability     <dbl> 0.389, 0.590, 0.663, 0.240, 0.331, 0.578, 0.703, 0...
#> $ duration_ms      <int> 99373, 137373, 170267, 152427, 82625, 160627, 2122...
#> $ energy           <dbl> 0.9100, 0.7370, 0.1310, 0.3260, 0.2250, 0.0948, 0....
#> $ instrumentalness <dbl> 0.00000000, 0.00000000, 0.00000000, 0.00000000, 0....
#> $ key              <fct> C#, F#, C, C#, F, C#, C#, F#, C, G, E, C, F#, D#, ...
#> $ liveness         <dbl> 0.3460, 0.1510, 0.1030, 0.0985, 0.2020, 0.1070, 0....
#> $ loudness         <dbl> -1.828, -5.559, -13.879, -12.178, -21.150, -14.970...
#> $ mode             <fct> Major, Minor, Minor, Major, Major, Major, Major, M...
#> $ speechiness      <dbl> 0.0525, 0.0868, 0.0362, 0.0395, 0.0456, 0.1430, 0....
#> $ tempo            <dbl> 166.969, 174.003, 99.488, 171.758, 140.576, 87.479...
#> $ time_signature   <fct> 4/4, 4/4, 5/4, 4/4, 4/4, 4/4, 4/4, 4/4, 4/4, 4/4, ...
#> $ valence          <dbl> 0.8140, 0.8160, 0.3680, 0.2270, 0.3900, 0.3580, 0....

genre: tipe data factor
key: tipe data factor
mode: tipe data factor
time_signature: tipe data factor

# cleansing
spotify_clean <- spotify %>% 
  mutate(genre = str_replace_all(genre, "[[:punct:]]", "")) %>% 
  mutate(genre = as.factor(genre),
         key = as.factor(key),
         mode = as.factor(mode),
         time_signature = as.factor(time_signature))
# quick check
head(spotify_clean)

4.3 Exploratory Data

Sebelum melakukan clustering, kita akan melakukan eksplorasi data terlebih dahulu. Hal ini akan penting dalam menentukan variabel mana saja yang akan kita gunakan dalam membuat clustering mood.

Klasifikasi mood berdasarkan musik berdasarkan tradisional model mood oleh seorang psikologis Robert Thanyer membedakan setiap mood berdasarkan energi dan stres sebagai bentuk mood senang, sedih, tenang, dan energetik⁵. Empat jenis mood ini yang akan kita jadikan acuan dalam mengelompokkan data lagu yang kita miliki untuk dikelompokkan menjadi 4 kelompok.

Thayer’s mood model

Variabel acousticness, danceability, energy, instrumentalness, loudness, tempo, time_signature, dan valence adalah beberapa variabel yang bisa menjadi penunjang untuk membedakan suatu musik yang positif dan negatif dalam mengelompokkan suatu mood. Contohnya suatu musik yang positif memiliki nilai valence yang mendekati 1 sedangkan musik yang negatif memiliki nilai valence yang mendekati 0. Kita bisa lihat dari data yang kita miliki, seperti apa sebaran dari valence keseluruhan genre musik yang ada.

summary(spotify_clean$valence)

#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>  0.0000  0.2370  0.4440  0.4549  0.6600  1.0000

Beberapa track yang ada pada data ternyata memiliki nilai valence 0 dan kebanyakan dari track memiliki nilai valence kurang dari 0.5. Hal ini bisa menjadi indikasi bahwa berdasarkan data yang kita miliki memungkinkan sebaran track yang bernuansa negatif (marah, sedih, tertekan) lebih banyak dibandingkan track dengan nuansa positif.

Jika kita lihat dari tempo dan time_signature pada suatu musik, semakin tinggi nilai tempo pada suatu musik bisa mengindikasikan bahwa musik tersebut memiliki nuansa senang maupun energetik. Apabila kita lihat berdasarkan time_signature yang memiliki tempo 4/4 mengindikasikan suatu musik yang memiliki tempo yang cepat.

Ketika kita mengidentifikasi musik yang bernuansa negatif berdasarkan nilai valence hal ini juga didukung dengan persebaran nilai tempo yang condong lebih banyak dengan nilai tempo yang lebih rendah. Jika kita lihat berdasarkan pengelompokkan time_signature

Bisa dikatakan bahwa dari keseluruhan dataset, banyak musik yang memiliki time signature 1/4 - 4/4.

4.4 Clustering Analysis

Dikarenakan data yang ada sangat besar, sehingga untuk mengurangi komputasi dan untuk melakukan exploratory cluster yang akan terbentuk, maka akan digunakan sebanyak 1000 data random dari total keseluruhan data yang ada.

# pemilihan data untuk dilakukan clustering
set.seed(100)
intrain <- sample(nrow(spotify_clean), nrow(spotify_clean)*0.0043)
spotify_sample <- spotify_clean[intrain,]

Perlu diingat bahwa clustering melakukan perhitungan jarak antar satu observasi dalam satu variabel dengan yang lainnya. Maka perlu diperhatikan juga mengenai kesamaan range data yang ada. Apabila diperhatikan, range data untuk keseluruhan variable numerik sangat beragam. Oleh karena itu, diperlukan proses scaling atau standarisasi data sehingga datanya lebih seragam.

spotify_sample %>% select_if(is.numeric) %>% summary()

#>    popularity     acousticness        danceability     duration_ms     
#>  Min.   : 0.00   Min.   :0.0000019   Min.   :0.0610   Min.   :  26933  
#>  1st Qu.:30.00   1st Qu.:0.0349750   1st Qu.:0.4358   1st Qu.: 180927  
#>  Median :43.00   Median :0.2195000   Median :0.5705   Median : 220114  
#>  Mean   :41.73   Mean   :0.3517370   Mean   :0.5531   Mean   : 236631  
#>  3rd Qu.:55.00   3rd Qu.:0.6947500   3rd Qu.:0.6953   3rd Qu.: 270540  
#>  Max.   :87.00   Max.   :0.9960000   Max.   :0.9640   Max.   :1190478  
#>      energy        instrumentalness       liveness          loudness      
#>  Min.   :0.00171   Min.   :0.0000000   Min.   :0.02240   Min.   :-43.025  
#>  1st Qu.:0.39475   1st Qu.:0.0000000   1st Qu.:0.09788   1st Qu.:-11.489  
#>  Median :0.62650   Median :0.0000548   Median :0.12950   Median : -7.663  
#>  Mean   :0.57519   Mean   :0.1518611   Mean   :0.21203   Mean   : -9.508  
#>  3rd Qu.:0.78950   3rd Qu.:0.0561250   3rd Qu.:0.25225   3rd Qu.: -5.453  
#>  Max.   :0.99600   Max.   :0.9760000   Max.   :0.97900   Max.   : -0.573  
#>   speechiness          tempo           valence      
#>  Min.   :0.02310   Min.   : 39.90   Min.   :0.0289  
#>  1st Qu.:0.03670   1st Qu.: 92.17   1st Qu.:0.2527  
#>  Median :0.04985   Median :113.99   Median :0.4485  
#>  Mean   :0.11331   Mean   :116.29   Mean   :0.4536  
#>  3rd Qu.:0.10225   3rd Qu.:136.13   3rd Qu.:0.6482  
#>  Max.   :0.95600   Max.   :210.05   Max.   :0.9730

# scaling data untuk menyamakan range data untuk kolom numerik
spotify_z <- spotify_sample %>% 
  select_if(is.numeric) %>% 
  scale()

Pada proses clustering menggunakan fuzzy c-means, kita bisa memanfaatkan fungsi fanny() dari package cluster dimana nama dari fanny() adalah kepanjangan dari Fuzzy Analysis Clustering.

Argumen yang diperlukan dalam membuat clustering adalah:

x: data yang akan digunakan untuk clustering
k: banyak cluster yang akan dibentuk
metric: metric yang digunakan untuk mengukur ketidaksamaan antar observasi
stand: melakukan standarisasi dalam proses clustering, default = FALSE

# clustering menggunakan funny()
sp_clust <- fanny(x = spotify_z, k = 4, metric = "euclidean")

4.5 Cluster Exploration

Beberapa hal yang bisa dilakukan eksplorasi dalam clustering menggunakan fuzzy c-means adalah nilai keanggotaan dalam cluster, Dunn index, dan clustering yang terbentuk.

# melihat matrix keanggotaan dalam masing-masing cluster
sp_clust$membership %>% head()

#>        [,1] [,2] [,3] [,4]
#> 82423  0.25 0.25 0.25 0.25
#> 69232  0.25 0.25 0.25 0.25
#> 162777 0.25 0.25 0.25 0.25
#> 89806  0.25 0.25 0.25 0.25
#> 207767 0.25 0.25 0.25 0.25
#> 91652  0.25 0.25 0.25 0.25

Apabila kita perhatikan berdasarkan 6 data pertama yang akan dibuat clustering memiliki derajat keanggotaan yang sama sebesar 0.25. Hal ini tentunya akan biar dan membuat setiap data memiliki kesempatan yang sama untuk bisa masuk kedalam seluruh cluster yang terbentuk. Hal ini bisa disebabkan karena beberapa hal:

menggunakan metric Euclidean distance belum mampu membedakan setiap karakteristik dari masing-masing cluster yang akan dibentuk.
banyak k yang digunakan belum optimal

Oleh karena itu, kita akan coba ubah metric yang digunakan dalam membuat clustering menggunakan SqEuclidean distance atau square root dari euclidean distance dengan banyak k=4.

sp_clust2 <- fanny(x = spotify_z, k = 4, metric = "SqEuclidean")
# cek membership
sp_clust2$membership %>% head()

#>              [,1]      [,2]      [,3]      [,4]
#> 82423  0.46061302 0.1797957 0.1797957 0.1797957
#> 69232  0.10577276 0.2980757 0.2980757 0.2980757
#> 162777 0.07685970 0.3077134 0.3077134 0.3077134
#> 89806  0.04412561 0.3186248 0.3186248 0.3186248
#> 207767 0.15141678 0.2828611 0.2828611 0.2828611
#> 91652  0.05787671 0.3140411 0.3140411 0.3140411

Setelah kita ubah ukuran jarak yang digunakan, nilai derajat keangggotaan untuk setiap data dan masing-masing cluster lebih beragam dan lebih terlihat sebuah cluser akan masuk kedalam cluster yang mana. Contoh pada baris pertama akan lebih codong untuk di cluster 1 dengan derajat keanggotaan paling besar.

Selanjutnya kita akan coba lihat nilai Dunn index pada cluster kedua yang telah kita bentuk.

sp_clust2$coeff

#> dunn_coeff normalized 
#> 0.29505943 0.06007924

Nilai Dunn index yang kita peroleh sebesar 0.295. Untuk mengetahui hasil cluster yang kita bentuk sudah baik berdasarkan nilai Dunn index yaitu dengan mendapatkan Dunn index yang semakin besar.

Sebelum membuat visualisasi dari cluster, kita perlu mengetahui berapa banyak cluster yang terbentuk dari nilai derajat keanggotaan yang ada.

sp_clust2$clustering %>% unique()

#> [1] 1 2 3

Dari hasil pengelompokan menjadi 4 kelompok, ternyata hanya 3 kelompok yang berhasil terisi. Artinya bahwa dengan menggunakan k=4, fuzzy c-means hanya mampu menseparasikan data berdasarkan 3 kelompok yang berbeda. Apabila kita lihat berdasarkan visualisasi cluster yang terbentuk dari 1000 data yang digunakan yaitu sebagai berikut.

fviz_cluster(sp_clust2, legend = "right", geom = "point")+
  theme_algo(mode = "dark")+
  scale_color_algo(mode = "dark")+
  labs(title = "Cluster Plot of Spotify Dataset using k=4") +
  theme(panel.grid.minor = element_line(linetype = "dashed"),
        panel.grid.major = element_line(linetype = "dashed"))

Ternyata dari hasil visualisasi cluster dan berdasarkan sebaran data yang terlihat, data akan lebih condong apabila di kelompokkan menjadi 3 cluster. Bisa saja ketika kita paksakan menjadi 4 cluster, terdapat 2 cluster yang memiliki kesamaan didalamnya dan ini sangat bertentangan dalam tujuan clustering yaitu mengelompokkan data yang memiliki perbedaan yang signifikan.

Kita akan coba buat clustering kembali dengan menggunakan k=3 dan memvisualisasikannya.

sp_clust3 <- fanny(x = spotify_z, k = 3, metric = "SqEuclidean")
fviz_cluster(sp_clust3, legend = "right", geom = "point")+
  theme_algo(mode = "dark")+
  scale_color_algo(mode = "dark")+
  labs(title = "Cluster Plot of Spotify Dataset using k=3") +
  theme(panel.grid.minor = element_line(linetype = "dashed"),
        panel.grid.major = element_line(linetype = "dashed"))

Boom!!! Hasilnya sama dengan ketika menggunakan k=4. Oleh karena itu, kita akan menggunakan k=3 yang artinya kita hanya akan mengklasifikasikan mood menjadi 3 jenis mood.Selain itu apabila kita lihat berdasarkan nilai Dunn index yang dihasilkan ketika membentuk 3 cluster, maka nilai Dunn index naik menjadi 0.388 yang artinya dengan k=3 lebih baik dibandingkan k=4.

sp_clust3$coeff

#> dunn_coeff normalized 
#> 0.38833935 0.08250902

Untuk mengetahui karakteristik dari setiap cluster, kita akan coba lihat berdasarkan variabel yang kita gunakan dalam clustering.

5 Karakteristik Cluster

Setiap cluster tentunya akan memiliki karakteristik yang berbeda-beda. Hal ini diperoleh berdasarkan kondisi data yang ada. Untuk mengetahuinya, kita akan lihat berdasarkan analisis secara deskriptif dari masing-masing clusternya.

5.1 Karakteristik General Cluster

Cluster yang telah terbentuk terdapat 3 cluster. Anggota dari masing-masing cluster juga tentunya berbeda. Jika kita perhatikan, cluster yang paling banyak memiliki anggota adalah cluster 2 sebanyak 464 data, diikuti dengan cluster 3 sebanyak 301 data, dan cluster 1 sebanyak 235 data.

5.2 Cluster 1

5.2.1 Cluster yang Menunjukkan Energetic

Cluster 1 merupakan cluster yang memiliki tingkat valence, energy, danceability, loudness, tempo, dan popularity yang tinggi. Cluster ini memiliki banyak anggota 235 data.

5.3 Cluster 2

5.3.1 Anggota Terbanyak

Cluster 2 merupakan cluster yang memiliki anggota paling banyak dengan banyak anggota sebanyak 464 data. Cluster 2 ini dicirikan sebagai penggambaran mood happy. Nilai speechiness dan liveness terlihat sangat tinggi untuk cluster ini.

5.4 Cluster 3

5.4.1 Nilai Acousticness Tinggi

Cluster 3 merupakan cluster dengan tingkat acousticness dan instrumentalness sangat tinggi. Hal ini bisa mengindikasikan bahwa tipe mood yang bisa diklasifikasikan adalah mood sad (sedih) atau mood calm.

Berdasarkan karakteristik mood tersebut, kita akan ubah nama label dari setiap cluster berdasarkan mood yang terbentuk

spotify_sample <- spotify_sample %>% 
  mutate(mood = ifelse(cluster == 1, "Energic", ifelse(cluster == 2, "Happy", "Energic")))

6 Kesimpulan

Clustering mood yang dilakukan pada beberapa lagu Spotify hanya menggunakan komponen pada suatu musik itu sendiri. Menggunakan 1000 lagu secara random yang diperoleh ternyata belum bisa mengelompokkan menjadi 4 mood yang diinginkan sebelumnya sehingga pada data yang digunakan lebih cocok dikelompokkan menjadi 3 mood: energic, happy, dan sad/calm. Menggunakan 3 cluster, setiap cluster memiliki karakteristik yang cukup berbeda walaupun untuk cluster dengan mood energic dan happy sedikit memiliki kemiripan secara karakteristik. Dalam kasus ini, cluster yang baik adalah cluster yang memiliki nilai Dunn index yang tinggi.

Fuzzy C-Means Clustering

Klasifikasi Mood Lagu Berdasarkan Data Spotify

Inayatus

4/28/2020