OPTICS

1. Apa Bedanya dengan DBSCAN?

DBSCAN punya satu kelemahan besar: Epsilon ($\epsilon$) fix. Jika ada dua cluster, satu padat sekali (butuh $\epsilon$ kecil), satu renggang (butuh $\epsilon$ besar), DBSCAN akan gagal mendeteksi salah satunya.

OPTICS mengatasi ini dengan tidak memaksakan cluster langsung. Alih-alih, dia membuat Urutan (Ordering) dan Reachability Distance. Bayangkan OPTICS seperti scan peta kontur gunung dan lembah.

2. Visualisasi: Reachability Plot

Grafik batang di bawah ini bukan Histogram biasa. Ini adalah "Jarak yang harus ditempuh untuk mencapai titik berikutnya".

Dengan OPTICS, kita bisa memotong bukit di ketinggian berapapun untuk mendapatkan cluster dengan kepadatan berbeda!

3. Core & Reachability Distance

• Core Distance: Jarak terkecil untuk mendapatkan MinPts tetangga. (Seberapa padat area sekitar saya?)
• Reachability Distance: Jarak dari titik A ke B. "Kalau saya berdiri di A (Core), seberapa jauh saya harus merangkul untuk mencapai B?"

4. Implementasi Python (Scikit-Learn)

from sklearn.cluster import OPTICS
import numpy as np
import matplotlib.pyplot as plt

# 1. Data Dummy
X = np.array([[1, 2], [2, 5], [3, 6],
              [8, 7], [8, 8], [7, 3]])

# 2. Model OPTICS
# min_samples=2 (Minimal tetangga)
# xi dan min_cluster_size mengatur sensitivitas pemotongan lembah
clust = OPTICS(min_samples=2, xi=0.05, min_cluster_size=0.05)

# 3. Training
clust.fit(X)

# 4. Hasil Reachability
print("Reachability Distances:", clust.reachability_)
print("Labels:", clust.labels_)
# Label -1 artinya Noise.

# Kita bisa plot reachability_ untuk melihat struktur lembah seperti visualisasi di atas.