Program Studi Bisnis Digital • FEB

Pembelajaran Dalam dan Pembelajaran Mesin

Pertemuan 5 — Klasifikasi Tipe Pembelajaran: Unsupervised, Supervised, Semi-supervised

Setelah reduksi dimensi (PCA, SVD, ICA, LDA), kini kita naik satu tingkat: mengenal tiga taksonomi besar cara mesin belajar dari data — fondasi untuk memilih algoritma yang tepat mulai pertemuan berikutnya.

RPS MINGGU 5 • DURASI 2 × 50 MENIT

Selamat datang kembali, Anda semua sudah menempuh empat pertemuan yang cukup berat — kita membahas PCA, SVD, ICA, dan Linear Discriminant Analysis, teknik-teknik untuk memampatkan data berdimensi besar. Hari ini kita mengambil jeda konseptual yang penting: sebelum lanjut ke algoritma-algoritma spesifik seperti K-means atau Neural Network di pertemuan berikutnya, Anda perlu punya peta besar dulu — bagaimana sebenarnya cara mesin "belajar" itu dikelompokkan? Bayangkan Anda bekerja di tim data Tokopedia: kadang Anda punya data pelanggan tanpa label apa pun dan diminta menemukan pola tersembunyi sendiri, kadang Anda punya data historis lengkap dengan jawaban benarnya dan tinggal melatih model memprediksi, dan kadang data Anda cuma sebagian berlabel. Tiga situasi ini adalah tiga taksonomi yang akan kita bedah tuntas hari ini: unsupervised, supervised, dan semi-supervised learning. Pahami taksonomi ini dengan baik, karena ini adalah kerangka berpikir yang akan menuntun Anda memilih algoritma yang tepat sepanjang sisa semester.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu mengklasifikasikan tipe pembelajaran mesin dan memilih pendekatan yang tepat untuk suatu masalah data. Secara rinci:

CAPAIAN 1

DEFINISI

Menjelaskan perbedaan mendasar unsupervised, supervised, dan semi-supervised learning berdasarkan ketersediaan label.

CAPAIAN 2

CIRI DATA

Mengenali ciri dataset (berlabel/tak berlabel/campuran) untuk menentukan tipe pembelajaran yang cocok.

CAPAIAN 3

CONTOH KASUS

Memetakan kasus bisnis digital nyata (segmentasi pelanggan, deteksi fraud, rekomendasi produk) ke tipe pembelajaran yang tepat.

CAPAIAN 4

TRADE-OFF

Menghitung rasio biaya-manfaat pelabelan data untuk memutuskan strategi semi-supervised.

Bayangkan Anda Data Scientist di Sebuah E-Commerce

Hari pertama kerja di sebuah platform seperti Tokopedia, tiga permintaan berbeda datang dari tim bisnis dalam satu pagi:

PERMINTAAN 1

SEGMENTASI

"Kelompokkan 2 juta pelanggan jadi beberapa segmen — kami tidak tahu segmen apa saja yang ada." Tidak ada label.

PERMINTAAN 2

FRAUD

"Kami punya 1 juta transaksi lama yang sudah ditandai fraud/bukan. Latih model untuk transaksi baru." Label lengkap.

PERMINTAAN 3

ULASAN

"Dari 500 ribu ulasan produk, cuma 2 ribu yang sudah ditandai sentimennya oleh tim." Label sebagian.

Tiga permintaan itu butuh tiga pendekatan pembelajaran mesin yang berbeda — inilah taksonomi yang akan kita kupas hari ini.

Saya suka membuka topik taksonomi ini dengan skenario nyata karena konsepnya baru terasa hidup kalau ada masalah konkret. Permintaan pertama meminta Anda menemukan struktur di dalam data pelanggan tanpa ada jawaban benar yang diberikan sebelumnya — inilah unsupervised learning. Permintaan kedua memberi Anda data historis lengkap dengan label fraud atau bukan fraud, dan tugas Anda melatih model memprediksi transaksi baru — inilah supervised learning. Permintaan ketiga memberi Anda data yang sebagian besar tidak berlabel dan hanya sedikit yang berlabel — situasi yang sangat umum di dunia nyata karena melabeli data itu mahal dan makan waktu — inilah semi-supervised learning. Perhatikan, dalam satu pagi saja seorang data scientist bisa dihadapkan ketiga situasi ini sekaligus, sehingga menguasai ketiga taksonominya adalah keterampilan wajib, bukan pilihan.

Bagian 1 dari 4

Unsupervised Learning

Belajar dari data tanpa "jawaban benar" — mesin menemukan pola dan struktur tersembunyi sendiri.

Apa Itu Unsupervised Learning?

Mesin belajar tanpa label/jawaban benar — tugasnya menemukan struktur, pola, atau pengelompokan tersembunyi dalam data (unlabeled data).

CIRI DATA MASUKAN

Hanya ada variabel fitur (X), tanpa variabel target (Y)
Contoh: data transaksi pelanggan tanpa label "loyal/tidak"
Tugas mesin: cari pola/kelompok/struktur sendiri

TEKNIK UTAMA (PERTEMUAN 6)

Clustering — K-means, Hierarchical Clustering
Estimasi kepadatan — Expectation Maximization (EM)
Juga mencakup PCA/SVD/ICA yang sudah Anda pelajari (unsupervised!)

Definisi paling sederhana: dalam unsupervised learning, mesin hanya diberi fitur atau variabel bebas, tanpa ada variabel target yang menjadi jawaban benar. Tugas mesin bukan memprediksi sesuatu, melainkan menemukan struktur tersembunyi — misalnya kelompok mana yang mirip satu sama lain. Perlu Anda sadari, teknik-teknik yang sudah kita pelajari di pertemuan dua sampai empat — PCA, SVD, ICA, dan Factor Analysis — semuanya sebenarnya termasuk unsupervised learning, karena tidak ada label yang dipakai untuk memandu prosesnya. Di pertemuan keenam nanti, kita akan mendalami teknik clustering seperti K-means dan Hierarchical Clustering, serta Expectation Maximization untuk estimasi kepadatan probabilitas. Untuk sekarang, cukup pahami bahwa unsupervised learning adalah tentang eksplorasi tanpa peta jawaban.

Visualisasi: Alur Kerja Unsupervised Learning

DATA MENTAH → ALGORITMA → KELOMPOK TEMUAN

Contoh Kasus: Unsupervised di Bisnis Digital

SEGMENTASI PELANGGAN

TOKOPEDIA

Mengelompokkan jutaan pelanggan berdasarkan pola belanja tanpa kategori yang ditentukan sebelumnya — hasilnya baru diberi nama seperti "hemat", "impulsif", "loyal".

DETEKSI ANOMALI

PERBANKAN

Menemukan transaksi yang polanya sangat berbeda dari mayoritas — dicurigai fraud — tanpa contoh fraud berlabel sebelumnya.

Jebakan umum: unsupervised learning TIDAK memberi "jawaban benar" otomatis. Interpretasi hasil kelompok tetap butuh domain knowledge manusia — mesin hanya menemukan pola, bukan makna.

Bagian 2 dari 4

Supervised Learning

Belajar dari data yang sudah punya "jawaban benar" — mesin dilatih meniru pola input-output untuk memprediksi data baru.

Apa Itu Supervised Learning?

Mesin belajar dari data yang sudah punya label/jawaban benar — dilatih memetakan input (X) ke output (Y) yang diketahui, agar bisa memprediksi Y pada data baru.

DUA JENIS TUGAS

Klasifikasi — Y berupa kategori (fraud/bukan, churn/tidak)
Regresi — Y berupa angka kontinu (harga rumah, omzet bulan depan)

TEKNIK UTAMA (PERTEMUAN 7)

Regression — hubungan linear/nonlinear X-Y
Support Vector Machine (SVM) — cari batas pemisah optimal
Neural Network — jaringan berlapis meniru pola kompleks

Perbedaan paling mendasar dari unsupervised adalah keberadaan label atau variabel target. Dalam supervised learning, setiap baris data punya "jawaban benar" yang sudah diketahui — misalnya riwayat pelanggan yang sudah ditandai berhenti berlangganan atau tidak, yang disebut churn. Ada dua jenis tugas utama: klasifikasi, kalau jawabannya berupa kategori seperti fraud atau bukan fraud, dan regresi, kalau jawabannya berupa angka kontinu seperti memprediksi omzet bulan depan. Tiga teknik utama yang akan kita pelajari mendalam di pertemuan ketujuh adalah regresi, Support Vector Machine yang mencari batas pemisah optimal antar kategori, dan Neural Network yang meniru cara kerja jaringan saraf untuk menangkap pola yang sangat kompleks. Ingat, kualitas model supervised sangat bergantung pada kualitas dan jumlah data berlabel yang tersedia untuk melatihnya.

Visualisasi: Alur Kerja Supervised Learning

DATA BERLABEL → PELATIHAN MODEL → PREDIKSI DATA BARU

Bandingkan diagram ini dengan diagram unsupervised sebelumnya, karena perbedaannya sangat mencolok. Di sini kita mulai dari data latih yang sudah lengkap dengan fitur dan label jawaban benar — misalnya data historis lima ribu transaksi kartu kredit yang sudah ditandai fraud atau bukan. Model kemudian belajar menemukan pola hubungan antara fitur dan label tersebut, menggunakan teknik seperti regresi, SVM, atau neural network. Setelah model terlatih, ia dipakai untuk memprediksi label pada data baru yang belum diketahui jawabannya, misalnya transaksi hari ini. Yang membedakan lagi dari unsupervised, di sini kita bisa mengukur akurasi model secara objektif, karena ada jawaban benar yang bisa dijadikan pembanding — inilah kelebihan besar supervised learning yang membuatnya paling banyak dipakai di industri.

Hitung dari Nol: Akurasi Model Deteksi Fraud

Sebuah bank menguji model supervised pada 1.000 transaksi yang sudah diketahui label sebenarnya (fraud/bukan). Hasil pengujian: model benar menebak 40 dari 50 transaksi fraud, dan benar menebak 900 dari 950 transaksi bukan-fraud.

Langkah	Perhitungan	Nilai
1. Prediksi benar untuk kelas fraud	40 dari 50 transaksi fraud	40
2. Prediksi benar untuk kelas bukan-fraud	900 dari 950 transaksi bukan-fraud	900
3. Total prediksi benar	40 + 900	940
4. Total transaksi diuji	50 + 950	1.000
5. Akurasi model	940 ÷ 1.000 × 100	94%

AKURASI KESELURUHAN

94%

940 benar dari 1.000 transaksi diuji

Hati-hati: akurasi 94% terdengar tinggi, tapi model hanya benar 40/50 = 80% untuk kelas fraud (kelas yang paling penting!). Ini contoh class imbalance — akurasi keseluruhan bisa menyesatkan.

Mari kita hitung bersama, langkah demi langkah, supaya Anda paham betul apa itu akurasi dan mengapa ia bisa menipu. Pertama, dari lima puluh transaksi fraud sesungguhnya, model benar menebak empat puluh. Kedua, dari sembilan ratus lima puluh transaksi bukan-fraud, model benar menebak sembilan ratus. Ketiga, kita jumlahkan total prediksi benar menjadi sembilan ratus empat puluh. Keempat, total transaksi yang diuji adalah seribu. Kelima, kita bagi prediksi benar dengan total transaksi, dikali seratus, hasilnya sembilan puluh empat persen. Angka ini terlihat mengesankan, tapi perhatikan callout peringatan: kalau kita fokus hanya pada kelas fraud yang justru paling penting untuk ditemukan, akurasinya hanya delapan puluh persen, karena sepuluh dari lima puluh fraud lolos tak terdeteksi. Ini yang disebut class imbalance, sebuah jebakan umum saat data punya kelas mayoritas jauh lebih banyak dari kelas minoritas — bank tentu lebih peduli menangkap fraud daripada sekadar akurasi keseluruhan yang tinggi.

Contoh Kasus: Supervised di Bisnis Digital

KLASIFIKASI

CHURN PREDICTION

Memprediksi apakah pelanggan akan berhenti berlangganan (churn) berdasarkan riwayat penggunaan — dilatih dari data pelanggan lama yang sudah diketahui hasilnya.

REGRESI

PREDIKSI HARGA

Memprediksi harga saham BBCA besok atau estimasi omzet UMKM bulan depan berdasarkan data historis berlabel angka aktual.

Kunci supervised learning: semakin banyak & semakin bersih data berlabel, semakin akurat model. Tapi melabeli data itu mahal — inilah alasan semi-supervised learning lahir (bagian berikutnya).

Dua contoh ini sangat umum ditemui di industri digital Indonesia. Churn prediction dipakai oleh hampir semua platform berlangganan — bayangkan sebuah layanan streaming yang ingin tahu pelanggan mana yang berisiko berhenti berlangganan bulan depan, supaya tim retensi bisa menawarkan promo lebih dulu. Prediksi harga adalah contoh regresi klasik, misalnya memperkirakan pergerakan harga saham BBCA di Bursa Efek Indonesia besok, atau membantu UMKM memperkirakan omzet bulan depan berdasarkan data penjualan historis. Perhatikan callout kesimpulan ini baik-baik, karena ia adalah jembatan ke topik berikutnya: performa supervised learning sangat bergantung pada kuantitas dan kualitas data berlabel, padahal proses pelabelan itu makan waktu dan biaya besar — inilah mengapa dunia nyata sering memakai pendekatan semi-supervised yang akan kita bahas sekarang.

Bagian 3 dari 4

Semi-supervised Learning

Jalan tengah realistis: sedikit data berlabel + banyak data tak berlabel, memanfaatkan keduanya sekaligus.

Apa Itu Semi-supervised Learning?

Pembelajaran dengan sebagian kecil data berlabel + sebagian besar data tak berlabel — memanfaatkan struktur dari data tak berlabel untuk memperkuat model yang dilatih dari data berlabel.

MENGAPA DIBUTUHKAN?

Melabeli data mahal & makan waktu (butuh manusia/ahli)
Data tak berlabel biasanya melimpah & murah dikumpulkan
Solusi: pakai sedikit label sebagai "jangkar", sisanya bantu perkuat pola

POSISI DI SPEKTRUM

Unsupervised (0% berlabel) ←—→ Semi-supervised (sedikit berlabel) ←—→ Supervised (100% berlabel)
Semi-supervised = titik tengah realistis

Semi-supervised learning lahir dari kenyataan praktis: melabeli data butuh manusia yang paham konteks, misalnya seorang ahli yang membaca satu per satu ulasan produk dan menandai sentimennya positif atau negatif — proses ini mahal dan lambat. Sementara itu, data tak berlabel biasanya melimpah dan murah dikumpulkan, misalnya jutaan ulasan yang otomatis masuk setiap hari tanpa perlu diberi label. Solusinya, semi-supervised learning memakai sedikit data berlabel sebagai "jangkar" atau titik acuan, lalu memanfaatkan struktur dan pola dari data tak berlabel yang jauh lebih banyak untuk memperkuat dan menyempurnakan model. Bayangkan spektrum dengan unsupervised di ujung kiri, tanpa label sama sekali, dan supervised di ujung kanan, dengan label penuh; semi-supervised berdiri di titik tengah yang jauh lebih realistis untuk kondisi data di dunia nyata.

Hitung dari Nol: Menghitung Penghematan Biaya Pelabelan

Tim anotasi sebuah platform marketplace perlu memberi label sentimen pada 500.000 ulasan produk. Biaya melabeli manual Rp 500/ulasan. Dengan semi-supervised, cukup melabeli 2.000 ulasan secara manual, sisanya dipelajari otomatis dari pola.

Langkah	Perhitungan	Nilai
1. Biaya jika SEMUA data dilabeli (supervised penuh)	500.000 × Rp 500	Rp 250.000.000
2. Biaya dengan semi-supervised (hanya 2.000 dilabeli)	2.000 × Rp 500	Rp 1.000.000
3. Penghematan biaya	Rp 250.000.000 − Rp 1.000.000	Rp 249.000.000
4. Persentase data yang perlu dilabeli manual	2.000 ÷ 500.000 × 100	0,4%
5. Persentase penghematan biaya	Rp 249.000.000 ÷ Rp 250.000.000 × 100	~99,6%

PENGHEMATAN BIAYA PELABELAN

~99,6%

hanya dengan melabeli 0,4% dari total data

Sekarang mari kita hitung bersama mengapa semi-supervised learning begitu menarik secara bisnis, bukan hanya secara teori. Pertama, kalau seluruh lima ratus ribu ulasan harus dilabeli manual dengan biaya lima ratus rupiah per ulasan, totalnya mencapai dua ratus lima puluh juta rupiah — biaya yang sangat besar untuk tim anotasi. Kedua, dengan pendekatan semi-supervised, tim hanya perlu melabeli dua ribu ulasan, dengan biaya satu juta rupiah saja. Ketiga, kita hitung selisihnya, penghematannya mencapai dua ratus empat puluh sembilan juta rupiah. Keempat, ini berarti tim hanya perlu melabeli nol koma empat persen dari total data. Kelima, kalau kita ubah penghematan itu jadi persentase, hasilnya sekitar sembilan puluh sembilan koma enam persen penghematan biaya. Angka-angka ini menjelaskan kenapa hampir semua perusahaan teknologi besar mengadopsi semi-supervised learning ketika volume datanya sangat besar — pelabelan penuh sekadar tidak masuk akal secara anggaran.

Contoh Kasus: Semi-supervised di Bisnis Digital

ANALISIS SENTIMEN

ULASAN PRODUK

Ribuan ulasan e-commerce dilabeli sebagian oleh tim, sisanya "dipelajari" model dari kemiripan pola bahasa dengan yang sudah berlabel.

PENGENALAN GAMBAR

KATALOG PRODUK

Sebagian foto produk diberi kategori manual, model belajar mengategorikan jutaan foto baru yang diunggah penjual UMKM setiap hari.

Prinsip inti: semi-supervised bekerja karena data tak berlabel biasanya punya struktur yang mirip data berlabel — model "menyebarkan" label dari titik berlabel ke titik tak berlabel yang mirip.

Dua contoh ini memperlihatkan penerapan semi-supervised learning yang sangat relevan dengan bisnis digital di Indonesia. Analisis sentimen ulasan produk di marketplace biasanya memakai pendekatan ini karena volume ulasan yang masuk setiap hari sangat besar, sementara tim yang bisa melabeli secara manual terbatas. Pengenalan gambar untuk katalog produk juga serupa — platform yang menerima ribuan foto produk baru dari penjual UMKM setiap hari tidak mungkin melabeli semuanya secara manual, sehingga model dilatih dari sebagian kecil yang sudah dikategorikan, lalu menyebarkan pengetahuan itu ke data yang jauh lebih banyak. Prinsip inti yang perlu Anda pahami adalah asumsi bahwa data yang mirip secara struktur cenderung punya label yang sama — model pada dasarnya "menyebarkan" label dari titik-titik yang sudah diketahui ke titik-titik tetangganya yang belum diketahui.

Ringkasan: Tiga Tipe Pembelajaran Berdampingan

Aspek	Unsupervised	Supervised	Semi-supervised
Ketersediaan label	Tidak ada	Lengkap (100%)	Sebagian kecil
Tujuan utama	Temukan struktur/pola	Prediksi Y dari X	Prediksi + eksplorasi
Contoh teknik	K-means, PCA, EM	Regresi, SVM, Neural Network	Label propagation, self-training
Biaya data	Rendah (tanpa label)	Tinggi (label penuh)	Sedang (label sebagian)
Ukur akurasi objektif?	Sulit (tanpa "jawaban")	Mudah (ada label uji)	Mungkin (pakai label yang ada)

Tabel ringkasan ini adalah alat bantu belajar Anda yang paling penting hari ini — simpan baik-baik. Perhatikan bagaimana kelima aspek berubah secara sistematis dari kiri ke kanan: ketersediaan label naik dari tidak ada, ke sebagian, ke lengkap. Tujuan utama juga bergeser dari sekadar menemukan struktur tersembunyi, menjadi kombinasi eksplorasi dan prediksi, sampai murni memprediksi berdasarkan aturan yang dipelajari. Contoh tekniknya pun berbeda total, dari K-means dan PCA di unsupervised, sampai regresi dan neural network di supervised. Yang paling penting untuk diingat adalah baris terakhir soal biaya data — semakin lengkap labelnya, semakin mahal biayanya, tapi semakin mudah pula kita mengukur akurasi modelnya secara objektif. Inilah trade-off fundamental yang akan terus Anda hadapi sebagai praktisi data.

Bagian 4 dari 4

Memilih Tipe yang Tepat

Bagaimana menentukan tipe pembelajaran mana yang cocok untuk suatu masalah data — kerangka pengambilan keputusan praktis.

Kerangka Keputusan: Pertanyaan Panduan

Gunakan alur pertanyaan berikut untuk menentukan tipe pembelajaran yang tepat, langkah demi langkah:

Langkah	Pertanyaan Panduan	Jika "Ya"
1	Apakah SEMUA data punya label/jawaban benar?	→ Supervised learning
2	Apakah TIDAK ADA data yang punya label sama sekali?	→ Unsupervised learning
3	Apakah HANYA SEBAGIAN KECIL data punya label (sisanya tidak)?	→ Semi-supervised learning
4	Apakah tujuannya memprediksi Y spesifik atau sekadar eksplorasi pola?	→ Prediksi = supervised; eksplorasi = unsupervised

Kerangka ini bukan rumus kaku — di praktik, banyak masalah nyata butuh kombinasi (mis. clustering dulu untuk eksplorasi, baru supervised untuk prediksi akhir).

Mari kita jalankan kerangka ini langkah demi langkah, karena inilah alat praktis yang bisa Anda pakai kapan pun menghadapi dataset baru. Langkah pertama, tanyakan apakah semua data Anda sudah punya jawaban benar — kalau ya, hampir pasti Anda berada di wilayah supervised learning. Langkah kedua, kalau tidak ada satu pun data yang berlabel, Anda berada di wilayah unsupervised learning, tugas Anda murni eksplorasi. Langkah ketiga, kalau hanya sebagian kecil data yang berlabel dan sisanya tidak, ini sinyal jelas untuk semi-supervised learning. Langkah keempat adalah pertanyaan yang lebih konseptual, soal tujuan akhir Anda — apakah Anda ingin memprediksi sesuatu yang spesifik, atau sekadar memahami struktur data. Perhatikan callout terakhir: di dunia nyata, batasan ini sering kabur, dan praktisi data berpengalaman kerap mengombinasikan beberapa pendekatan sekaligus, misalnya melakukan clustering dulu untuk memahami data, baru kemudian membangun model supervised untuk prediksi akhir.

Latihan Kelas: Tentukan Tipe Pembelajarannya!

Kerjakan berpasangan (5 menit). Untuk tiap skenario, tentukan tipe pembelajaran yang paling tepat dan sebutkan alasannya:

SKENARIO A

Sebuah startup fintech punya 10.000 data pengajuan pinjaman lengkap dengan status "lunas" atau "gagal bayar" dari 3 tahun terakhir. Mereka ingin memprediksi risiko pengajuan baru.

SKENARIO B

Sebuah platform berita punya 1 juta artikel tanpa kategori topik sama sekali. Editor ingin tahu topik-topik utama apa saja yang ada, tapi belum tahu daftar kategorinya.

Setelah 5 menit, kita bahas bersama — perhatikan bagaimana kata kunci "lengkap dengan status" vs "tanpa kategori sama sekali" menjadi petunjuk kuncinya.

Rangkuman: Cheat Sheet Tiga Taksonomi

UNSUPERVISED

0% Label

Temukan pola tersembunyi. Contoh: segmentasi pelanggan, deteksi anomali.

SEMI-SUPERVISED

<10% Label

Sedikit label + banyak data tak berlabel. Contoh: sentimen ulasan, kategori foto produk.

SUPERVISED

100% Label

Prediksi Y dari X yang sudah diketahui. Contoh: churn prediction, deteksi fraud.

Minggu depan (pertemuan 6), kita masuk ke algoritma unsupervised secara teknis: K-means, Hierarchical Clustering, dan Expectation Maximization — lengkap dengan perhitungan langkah demi langkah.

Penutup: Persiapan Pertemuan Berikutnya

PERTEMUAN 6: MINGGU DEPAN

Teknik Unsupervised Learning: K-means, Hierarchical Clustering
Expectation Maximization (EM) — estimasi kepadatan probabilitas
Perhitungan jarak & iterasi klaster dari nol

TUGAS SEBELUM PERTEMUAN 6

BACA & CATAT

Cari 1 contoh nyata (berita/artikel) penggunaan clustering di perusahaan Indonesia (BEI, e-commerce, atau perbankan). Siapkan 3 kalimat ringkasan untuk dibahas di awal kelas.

Sampai di sini, Anda sudah menguasai peta besar taksonomi pembelajaran mesin — modal penting sebelum kita masuk ke algoritma-algoritma spesifik. Pertemuan keenam minggu depan akan jauh lebih teknis, karena kita akan menghitung sendiri bagaimana K-means mengelompokkan data lewat iterasi jarak, bagaimana Hierarchical Clustering membangun struktur pohon, dan bagaimana Expectation Maximization mengestimasi kepadatan probabilitas. Sebagai tugas sebelum pertemuan berikutnya, saya minta Anda mencari satu contoh nyata dari berita atau artikel tentang penggunaan clustering di perusahaan Indonesia, baik itu di Bursa Efek Indonesia, platform e-commerce, atau sektor perbankan, lalu siapkan tiga kalimat ringkasan. Kita akan mulai kelas minggu depan dengan membahas temuan Anda masing-masing, jadi pastikan tugas ini benar-benar dikerjakan. Sampai jumpa di pertemuan keenam, dan selamat berlatih!