Contoh pengklusteran dalam bisnis dan penelitian adalah: 1. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan
kemiripan perilaku dari gen dalam jumlah besar. 2. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu
produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar. 3. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap
perilakufinansial dalam baik dan mencurigakan.
6. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam
satu waktu.Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah :
1. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan.
2. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respons positif terhadap penawaran upgrade
layanan yang diberikan.
2.3. Clustering
Clustering pengelompokan data mempertimbangkan sebuah pendekatan penting
untuk mencari kesamaan dalam data dan menempatkan data yang sama ke dalam kelompok-kelompok. Clustering membagi kumpulan data ke dalam beberapa
kelompok dimana kesamaan dalam sebuah kelompok adalah lebih besar daripada diantara kelompok-kelompok yang lain Rui Xu Donald 2009. Gagasan mengenai
pengelompokan data, atau clustering, memiliki sifat yang sederhana dan dekat dengan cara berpikir manusia kapanpun kepada kita dipresentasikan jumlah data yang besar,
kita biasanya cenderung merangkumkan jumlah data yang besar ini ke dalam sejumlah kecil kelompok-kelompok atau kategori-kategori untuk memfasilitasi analisanya lebih
lanjut. Selain dari itu, sebagian besar data yang dikumpulkan dalam banyak masalah
terlihat memiliki beberapa sifat yang melekat yang mengalami pengelompokan- pengelompokan natural Hammouda Karray, 2003.
Namun demikian, penemuan pengelompokan-pengelompokan ini atau upaya untuk mengkategorikan data adalah bukan sebuah tugas yang sederhana bagi manusia
kecuali data memiliki dimensionalitas rendah dua atau tiga dimensi paling banyak.Inilah sebabnya mengapa beberapa metode dalam soft computing telah
dikemukakan untuk menyelesaikan jenis masalah ini.Metode ini disebut “Metode- Metode Pengelompokan Data” Hammouda Karray, 2003.
Algoritma-algoritma clustering digunakan secara ekstensif tidak hanya untuk mengorganisasikan dan mengkategorikan data, akan tetapi juga sangat bermanfaat
untuk kompresi data dan konstruksi model. Melalui pencarian kesamaan dalam data, seseorang dapat merepresentasikan data yang sama dengan lebih sedikit simbol. Dan
juga, jika kita dapat menemukan kelompok-kelompok data, kita dapat membangun sebuah model masalah berdasarkan pengelompokan-pengelompokan ini Dubes
Jain, 1988. Clustering
menunjuk pada pengelompokan record, observasi-observasi, atau kasus-kasus ke dalam kelas-kelas objek yang sama. Cluster adalah sekumpulan record
yang sama dengan satu sama lain dan tidak sama dengan record dalam cluster lain. Clustering
berbeda dari klasifikasi dimana tidak ada variabel target untuk clustering. Tugas clustering mencoba untuk tidak mengklasifikasikan, mengestimasi, atau
memprediksi nilai variabel target Larose, 2005. Bahkan, algoritma clustering berusaha mensegmentasikan seluruh kumpulan data ke dalam subkelompok-
subkelompok atau cluster-cluster homogen secara relatif. Dimana kesamaan record dalam cluster dimaksimalkan dan kesamaan dengan record diluar cluster ini
diminimalkan. Clustering
sering dilaksanakan sebagai langkah pendahuluan dalam proses pengumpulan data, dengan cluster-cluster yang dihasilkan digunakan sebagai input
lebih lanjut ke dalam sebuah teknik yang berbeda, seperti neural network. Karena ukuran yang besar dari banyak database yang dipresentasikan saat ini, dapat
membantu untuk menggunakan analisa clustering terlebih dahulu, untuk mengurangi ruang pencarian untuk algoritma-algoritma downstream.
Aktivitas clustering pola khusus meliputi langkah-langkah berikut Dubes Jain, 1988 :
1. Representasi pola secara opsional termasuk ekstraksi danatau seleksi sifat. 2. Defenisi ukuran kedekatan pola yang tepat untuk domain data.
3. Clustering pengelompokan. 4. Penarikan data jika dibutuhkan.
5. Pengkajian output jika dibutuhkan.
Representasi pola merujuk pada jumlah kelas, jumlah pola-pola yang ada, dan jumlah, tipe dan skala fitur yang tersedia untuk algoritma clustering. Beberapa informasi ini
dapat tidak bisa dikontrol oleh praktisioner. Seleksi sifat fitur adalah proses pengidentifikasian subset fitur original yang paling efektif untuk digunakan dalam
clustering . Ekstraksi fitur adalah penggunaan satu atau lebih transformasi dari sifat-
sifat input untuk menghasilkan sifat-sifat baru yang lebih baik. Pertimbangkan data himpunan X dataset yang terdiri dari point-point data atau
secara sinonim, objek-objek, hal-hal, kasus-kasus, pola, tuple, transaksi xi = xi1, …,xid
A dalam ruang atribut A, dimana i = 1, N, dan setiap komponen adalah sebuah atribut A kategori numerik atau nominal. Sasaran akhir dari clustering adalah
untuk menentukan point-point pada sebuah sistem terbatas dari subset k, cluster. Biasanya subset tidak berpotongan asumsi ini terkadang dilanggar, dan kesatuan
mereka sama dengan dataset penuh dengan pengecualian yang memungkinkan outlier. Ci adalah sekelompok point data dalam dataset X, dimana X = Ci ..Ck .. Coutliers, Cj1
.. Cj2 =0 .
Secara garis besar, terdapat beberapa metode clustering data.Pemilihan metode clustering bergantung pada tipe data dan tujuan clustering itu sendiri. Metode-metode
beserta algortima yang termasuk didalamnya adalah sebagai berikut:
1. Partitioning Methdos Metode yang membangun berbagai partisi dan kemudian mengevaluasi partisi tersebut
dengan beberapa kriteria.Algoritma yang dipakai pada metode ini adalah K-Means, K- Medoid
, PROCLUS, CLARA, CLARANS dan PAM.
2. Hierarchical Methods Metode yang membuat suatu penguraian secara hierarchical dari himpunan data
dengan menggunakan beberapa kriteria. Metode ini terdiri atas dua jenis, yaitu Agglomerative
yang menggunakan strategi bottom-up dan Disisive yang menggunakan strategi top-down. Metode ini meliputi algoritma BIRCH, AGNES,
DIANA, CURE dan CHAMELEON.
3. Density-Based Methods Metode ini berdasarkan konektivitas dan fungsi densitas.Metode ini meliputi
algoritma DBSCAN, OPTICS dan DENCLU.
4. Grid-Based Methods Metode ini berdasarkan suatu struktur granularitas multi-level.Metode clustering ini
meliputi algoritma STING, WaveCluster dan CLIQUE.
5. Model-Based Methods Suatu model dihipotesakan untuk masing-masing cluster dan ide untuk mencari best
fit dari model tersebut untuk masing-masing yang lain. Metode clustering ini meliputi
pendekatan statistik, yaitu algoritma COBWEB dan jaringan syaraf tiruan SOM.
2.4. Fuzzy C-Means