ALGORITMA WEIGHTED ROBUST SPARSE K-MEANS (WRSK) UNTUK ALTERNATIF ANALISIS KLASTER ROBUST DAN SPARSE YANG EFISIEN PADA DATA BERDIMENSI TINGGI

DITA DWI APRILLIANI AYU LESTARI, Prof. Drs. Subanar, Ph.D

2018 | Skripsi | S1 STATISTIKA

Minat yang semakin tinggi pada analisis data multivariat didorong oleh kebutuhan penelitian saat ini, yang mengarah pada sekumpulan peristiwa kompleks atau data berdimensi tinggi. Salah satu metode analisis data multivariat yang cukup populer adalah K-Means. Namun ketika dihadapkan pada data berdimensi tinggi, metode K-Means menjadi kurang optimal, mengingat semakin banyak permasalahan data yang muncul, diantaranya keberadaan outliers dan variabel mubazir (noise). Metode K-Means standar bersifat tidak robust karena menggunakan mean sebagai ukuran pusat klaster. Di samping itu, metode K-Means standar melibatkan keseluruhan variabel dalam proses clustering, sehingga sangat rentan terhadap pengaruh variabel mubazir (noise) yang mampu menyamarkan struktur klaster sesungguhnya. Data real world juga sering kali tidak memberikan informasi awal (prior), sehingga sulit melakukan estimasi terhadap parameter yang dibutuhkan dalam analisis klaster. Untuk itu, pada skripsi ini membahas algoritma Weighted Robust Sparse K-Means (WRSK) sebagai metode analisis klaster untuk data berdimensi tinggi yang mampu melakukan identifikasi klaster, mendeteksi outliers serta menemukan variabel informatif secara bersamaan. Algoritma WRSK memuat tiga tahapan secara iterasi, yakni inisialisasi pusat klaster melalui metode ROBIN (Robust Initialization), deteksi outliers dengan pendekatan bobot (weighted) berdasarkan LOF (Local Outliers Factor), serta seleksi variabel berbasis algoritma Sparse K-Means dengan kendala jumlahan nilai mutlak bobot w kurang dari sama dengan s dan jumlahan nilai mutlak kuadrat bobot w kurang dari sama dengan 1. Dalam hal ini, estimasi terhadap parameter pusat awal maupun outliers dilakukan secara otomatis, sehingga WRSK dapat menjadi alternatif yang efisien bagi RSK (Robust Sparse K-Means). Selain itu, berdasarkan studi kasus yang dilakukan, diperoleh bahwa algoritma WRSK lebih unggul dalam melakukan analisis klaster pada data berdimensi tinggi.

Increasing of interest in multivariate data analysis is driven by current research needs, leading to a set of complex events or high-dimensional data. One of the most popular methods of multivariate data analysis is K-Means. However, when high dimensional data, K-Means method becomes less optimal, facing the number of data problems, containing both outliers and variable redundant (noise). The standard K-Means method is not robust because it uses the mean as the seed of the cluster. In addition, the standard K-Means method involves the entire variables in the clustering process, so it is particularly susceptible to the effect of redundant variables that can easily mask a real cluster structures. Real world data also often does not provide preliminary information, which make it difficult to estimate the parameters required in cluster analysis. Therefore, this thesis discusses the Weighted Robust Sparse K-Means (WRSK) algorithm as a cluster analysis method for high-dimensional data that is able to identify clusters, detect outliers and find informative variables simultaneously. The WRSK algorithm contains three stages in iteration, i.e. cluster seed initialization through ROBIN (Robust Initialization) method, outliers detection with weighted approach based on LOF (Local Outlier Factor), and variable selection based on the Sparse K-Means with the constraint of the sum of the absolute value of w weights less than equal to s and the sum of the absolute value of the square of w weights less than equal to 1. In this case, estimation of the initial seed parameters and outliers are done automatically, so WRSK can be an efficient alternative to RSK (Robust Sparse K-Means). In addition, based on case studies, it was found that WRSK algorithm is superior in conducting cluster analysis on high-dimensional data.

Kata Kunci : K-Means, Robust Initialization, Local Outliers Factor, Seleksi Variabel, Weighted Robust Sparse K-Means, Data Berdimensi Tinggi/K-Means, Robust Initialization, Local Outliers Factor, Variable Selection, Weighted Robust Sparse K-Means, High Dimensional Dat