PROGRAM STUDI BISNIS DIGITAL · FEB UNDIP

Pembelajaran Dalam dan Pembelajaran Mesin

Pertemuan 6: Teknik Unsupervised Learning — K-means, Hierarchical Clustering, Expectation Maximization

Mengelompokkan data tanpa label: tiga algoritma inti untuk menemukan struktur tersembunyi.

6RPS minggu 6 · 2×50 menit

Selamat datang kembali, Anda sudah melewati lima pertemuan yang membahas dasar machine learning dan berbagai teknik reduksi dimensi seperti PCA dan SVD. Hari ini kita masuk ke topik yang sangat praktis: bagaimana komputer bisa mengelompokkan data tanpa ada label jawaban sama sekali, misalnya mengelompokkan pelanggan Tokopedia berdasarkan pola belanja mereka tanpa ada yang memberi tahu "pelanggan ini tipe hemat" atau "pelanggan ini tipe impulsif". Kita akan bahas tiga pendekatan utama: K-means yang cepat dan populer, Hierarchical Clustering yang membangun struktur pohon, dan Expectation Maximization yang lebih probabilistik dan lentur. Siapkan kalkulator sederhana karena kita akan menghitung beberapa contoh dari nol supaya Anda benar-benar paham mekanismenya, bukan sekadar menghafal nama algoritma.

Bagian 1 dari 3

K-Means Clustering

Algoritma clustering paling populer: cepat, sederhana, dan jadi pijakan untuk memahami teknik lain.

Dari Taksonomi ke Praktik: Mengapa Unsupervised?

Pertemuan lalu Anda belajar tiga jenis pembelajaran mesin. Hari ini kita mendalami cabang unsupervised learning lewat teknik clustering (pengelompokan).

Recap Singkat

Supervised: ada label jawaban (mis. "churn"/"tidak churn").
Unsupervised: TIDAK ada label — algoritma mencari pola sendiri.
Semi-supervised: sebagian data berlabel, sebagian tidak.

Tujuan Pembelajaran Hari Ini

Menjalankan algoritma K-means langkah demi langkah.
Membangun & membaca dendrogram Hierarchical Clustering.
Memahami logika Expectation Maximization (EM).
Memilih teknik yang tepat untuk kasus bisnis digital.

Apa Itu Clustering?

Clustering mengelompokkan objek data sehingga objek dalam kelompok yang sama lebih mirip satu sama lain dibanding objek di kelompok lain — tanpa label yang diberikan sebelumnya.

Segmentasi Pelanggan

Tokopedia/Shopee mengelompokkan pengguna jadi "hemat", "impulsif", "loyal" berdasarkan histori transaksi.

Deteksi Anomali

BBCA/bank mengelompokkan transaksi normal vs. transaksi yang menyimpang jauh (potensi fraud).

Kompresi & Rekomendasi

GoTo mengelompokkan produk mirip untuk rekomendasi "produk serupa" di halaman toko.

Algoritma K-Means: 4 Langkah Berulang

jarak(x, centroid) = √((x₁-c₁)² + (x₂-c₂)² + ...)

Hitung dari Nol #1: Iterasi K-Means

Data nilai transaksi 4 toko UMKM (juta rupiah/bulan): 2, 4, 10, 12. Target K=2.

Langkah	Perhitungan	Nilai
Inisialisasi centroid	Pilih 2 titik acak dari data sebagai centroid awal	C1 = 2 · C2 = 12
Assign titik 4	\|4-2\| = 2 vs \|4-12\| = 8 → lebih dekat C1	4 → Klaster 1
Assign titik 10	\|10-2\| = 8 vs \|10-12\| = 2 → lebih dekat C2	10 → Klaster 2
Update centroid 1	rata-rata {2, 4} = (2+4) ÷ 2	C1 baru = 3
Update centroid 2	rata-rata {10, 12} = (10+12) ÷ 2	C2 baru = 11
Cek iterasi ke-2	Assignment tiap titik ke C1=3/C2=11 tidak berubah	Konvergen

Hasil Akhir

C1=3 · C2=11

Segmen kecil (2,4 juta) vs. Segmen besar (10,12 juta)

Sekarang mari kita hitung sendiri supaya tidak sekadar hafal teori. Kita punya empat toko UMKM dengan nilai transaksi bulanan 2, 4, 10, dan 12 juta rupiah, dan kita ingin membaginya menjadi dua segmen menggunakan K-means. Perhatikan bagaimana pada iterasi pertama, titik 4 dihitung jaraknya ke dua centroid awal yaitu 2 dan 12, hasilnya jarak ke centroid 2 hanya 2 satuan sedangkan ke centroid 12 sejauh 8 satuan, sehingga titik 4 masuk ke klaster pertama. Proses yang sama berlaku untuk titik 10 yang ternyata lebih dekat ke centroid 12. Setelah semua titik ter-assign, kita perbarui centroid dengan menghitung rata-rata anggota tiap klaster, dan ketika kita ulangi proses assignment dengan centroid baru, ternyata hasilnya sama persis seperti sebelumnya — inilah tanda algoritma sudah konvergen dan berhenti, menghasilkan segmen "toko kecil" senilai rata-rata 3 juta dan "toko besar" senilai rata-rata 11 juta.

Coba Sendiri: Jalankan Iterasi K-Means

Geser posisi titik data atau centroid awal, jalankan iterasi assign-update langkah demi langkah, amati kapan algoritma konvergen.

Memilih Jumlah Klaster: Metode Elbow

K terlalu kecil → klaster terlalu kasar. K terlalu besar → overfitting (tiap titik jadi klasternya sendiri). Solusinya: plot WCSS (jumlah kuadrat jarak dalam klaster) terhadap K, cari titik "siku".

Titik "siku" (elbow) = penurunan WCSS mulai melandai. Di titik itu, menambah K lagi hanya memberi perbaikan kecil.

Pertanyaan yang sering muncul dari mahasiswa adalah, dari mana kita tahu berapa K yang tepat? Di sinilah metode elbow berperan. WCSS singkatan dari within-cluster sum of squares, yaitu total jarak kuadrat setiap titik ke centroid klasternya masing-masing — semakin banyak klaster, semakin kecil WCSS karena titik semakin dekat ke centroidnya sendiri, namun manfaat tambahannya semakin berkurang. Perhatikan grafik ini, penurunan WCSS sangat tajam dari K=1 ke K=3, tetapi setelah K=3 penurunannya melandai membentuk siku, sehingga K=3 dipilih sebagai jumlah klaster optimal. Dalam praktik nyata, misalnya tim data BBCA menentukan jumlah segmen nasabah prioritas, mereka akan menjalankan K-means dengan berbagai nilai K lalu memplot grafik seperti ini untuk mengambil keputusan yang didukung data, bukan menebak sembarangan.

Coba Sendiri: Uji Metode Elbow untuk Memilih K

Ubah jumlah klaster K, amati bagaimana kurva WCSS berubah dan di titik K mana bentuk "siku" itu muncul.

Kelemahan K-Means yang Wajib Diwaspadai

Sensitif Inisialisasi

Centroid awal acak bisa membuat hasil klaster berbeda tiap dijalankan. Solusi: jalankan berkali-kali (K-means++).

Sensitif Outlier

Satu transaksi ekstrem (mis. Rp 500 juta di antara transaksi Rp 1–5 juta) menarik centroid menjauh dari mayoritas data.

Asumsi Bentuk Bulat

K-means asumsikan klaster berbentuk bulat (spherical) berukuran mirip — gagal untuk klaster memanjang/tak beraturan.

K juga harus ditentukan MANUAL di awal — algoritma tidak bisa menentukan jumlah klaster optimalnya sendiri.

Sebagai calon praktisi data, Anda harus tahu batas-batas sebuah algoritma, bukan hanya cara pakainya. K-means punya tiga kelemahan utama yang sering menjebak pemula. Pertama, karena centroid awal dipilih acak, dua kali menjalankan K-means pada data yang sama bisa menghasilkan pengelompokan yang berbeda — makanya versi modern seperti K-means++ dibuat untuk memilih centroid awal secara lebih cerdas. Kedua, K-means sangat terpengaruh outlier, misalnya kalau ada satu transaksi janggal senilai ratusan juta rupiah di antara data transaksi UMKM yang biasanya hanya jutaan rupiah, centroid bisa tertarik jauh dan merusak segmentasi. Ketiga, algoritma ini berasumsi bentuk klaster bulat dengan ukuran mirip, sehingga untuk pola data yang memanjang atau berbentuk sabit, hasilnya bisa keliru — inilah salah satu alasan kita perlu mempelajari Hierarchical Clustering dan EM sebagai alternatif.

Bagian 2 dari 3

Hierarchical Clustering

Membangun struktur pohon klaster tanpa perlu menentukan K di awal.

Setelah memahami K-means beserta kelemahannya, sekarang kita beralih ke Hierarchical Clustering, sebuah pendekatan yang tidak mengharuskan Anda menebak jumlah klaster K di awal. Bayangkan Anda ingin memahami hubungan kedekatan antar cabang sebuah bank atau antar toko dalam sebuah platform marketplace — Hierarchical Clustering membangun semacam pohon keluarga data, dari individu paling mirip yang digabung bertahap sampai menjadi satu kelompok besar. Teknik ini sangat berguna ketika Anda belum tahu berapa banyak segmen yang masuk akal dan ingin mengeksplorasi struktur data terlebih dahulu lewat visualisasi yang disebut dendrogram. Di bagian ini Anda akan belajar konsep penggabungan bertahap, berbagai metode pengukuran jarak antar klaster, dan cara membaca dendrogram sebagai alat bantu keputusan bisnis.

Hierarchical Clustering: Pendekatan Agglomerative

Dimulai dari setiap titik sebagai klaster sendiri, lalu digabung bertahap (bottom-up) berdasarkan kedekatan, sampai semua jadi satu klaster besar.

Keunggulan: tidak perlu menentukan K di awal — potong dendrogram di tinggi berapa pun sesuai kebutuhan bisnis.

Perhatikan diagram pohon ini sebagai gambaran konsep, bukan hasil perhitungan numerik dulu — kita akan menghitung versi numeriknya sebentar lagi. Pendekatan agglomerative dimulai dari bawah: setiap titik data, katakanlah empat toko A, B, C, dan D, dianggap sebagai klaster tunggal masing-masing. Algoritma kemudian mencari dua klaster yang paling mirip atau paling dekat jaraknya, menggabungkannya menjadi satu, lalu mengulang proses ini terus sampai akhirnya semua titik tergabung dalam satu klaster raksasa di puncak pohon. Keunggulan besar teknik ini dibanding K-means adalah Anda tidak perlu menebak jumlah klaster K sejak awal — Anda bisa membangun seluruh pohon dahulu, lalu "memotong" pohon tersebut di ketinggian tertentu untuk menentukan berapa banyak klaster yang masuk akal secara bisnis, misalnya memotongnya menjadi dua segmen besar atau empat segmen lebih detail.

Coba Sendiri: Bangun Dendrogram Sendiri

Gabungkan titik data satu per satu secara bottom-up, amati bagaimana dendrogram terbentuk dan di ketinggian mana Anda akan memotongnya.

Linkage: Cara Mengukur Jarak Antar-Klaster

Metode	Definisi Jarak	Karakteristik
Single Linkage	Jarak MINIMUM antar titik dua klaster	Bisa hasilkan klaster memanjang ("chaining")
Complete Linkage	Jarak MAKSIMUM antar titik dua klaster	Klaster lebih kompak & seimbang
Average Linkage	Rata-rata jarak SEMUA pasangan titik	Kompromi antara single & complete
Ward's Method	Minimalkan kenaikan variansi dalam klaster	Paling umum dipakai; hasil rapi & seimbang

Pemilihan linkage memengaruhi bentuk dendrogram — single linkage rawan "chaining effect" (klaster memanjang tak wajar).

Sebelum menghitung sendiri, Anda perlu tahu bahwa "kedekatan antar klaster" itu ambigu ketika sebuah klaster sudah berisi lebih dari satu titik — jarak yang mana yang dipakai? Inilah gunanya konsep linkage. Single linkage mengambil jarak paling pendek di antara semua pasangan titik dari dua klaster, tapi metode ini rawan menghasilkan efek "chaining" atau rantai memanjang yang kadang tidak masuk akal secara bisnis. Complete linkage sebaliknya mengambil jarak paling jauh, sehingga cenderung menghasilkan klaster yang lebih kompak dan bulat. Average linkage mengambil jalan tengah dengan merata-ratakan seluruh jarak, sementara Ward's method — yang paling sering dipakai di praktik data science termasuk untuk segmentasi pelanggan e-commerce — meminimalkan kenaikan variansi total sehingga hasilnya cenderung paling rapi dan mudah diinterpretasikan tim bisnis. Pada contoh hitungan kita berikutnya, kita akan memakai single linkage karena paling mudah dihitung manual.

Hitung dari Nol #2: Merge Hierarchical Clustering

4 toko dengan nilai transaksi (juta rupiah): A=2, B=4, C=10, D=13. Linkage = single (jarak minimum).

Langkah	Perhitungan	Nilai
Matriks jarak awal	\|A-B\|=2, \|A-C\|=8, \|A-D\|=11, \|B-C\|=6, \|B-D\|=9, \|C-D\|=3	Jarak minimum = 2 (A-B)
Gabung pasangan terdekat	A & B digabung → klaster {AB}	Tinggi dendrogram = 2
Update jarak (single linkage)	min(AC,BC)=min(8,6)=6 · min(AD,BD)=min(11,9)=9	Jarak {AB}-C=6 · {AB}-D=9
Gabung pasangan terdekat berikutnya	C & D digabung (jarak asli 3, lebih kecil dari 6)	Tinggi dendrogram = 3
Update jarak antar klaster tersisa	min({AB}-C, {AB}-D) = min(6, 9)	Jarak {AB}-{CD} = 6
Gabung klaster terakhir	{AB} & {CD} digabung menjadi 1 klaster	Tinggi dendrogram = 6

Urutan Tinggi Dendrogram

2 → 3 → 6

Potong di tinggi <3 → 4 klaster; potong di tinggi 4–5 → 2 klaster {AB},{CD}

Sekarang giliran Anda melihat perhitungan hierarchical clustering secara konkret dari data yang sama seperti sebelumnya. Kita mulai menghitung matriks jarak antara keenam pasangan toko yang mungkin, dan ternyata jarak paling kecil ada antara toko A dan B yaitu sebesar 2, sehingga keduanya digabung lebih dulu menjadi satu klaster pada ketinggian 2 di dendrogram. Setelah itu, kita perbarui jarak menggunakan aturan single linkage, yaitu mengambil jarak minimum dari anggota klaster gabungan ke titik lain, sehingga didapat jarak klaster {AB} ke C sebesar 6 dan ke D sebesar 9. Namun perhatikan bahwa jarak asli antara C dan D yaitu 3 justru lebih kecil, sehingga C dan D digabung lebih dulu pada ketinggian 3, baru kemudian klaster {AB} dan {CD} digabung menjadi satu pada ketinggian 6. Urutan penggabungan dan tingginya inilah yang membentuk dendrogram, dan dari situ kita bisa memilih memotong pohon di ketinggian tertentu untuk menentukan jumlah segmen akhir sesuai kebutuhan bisnis.

Bagian 3 dari 3

Expectation Maximization

Clustering "lunak" (soft clustering) berbasis probabilitas — satu titik bisa punya keanggotaan ganda.

Bagian terakhir kuliah kita hari ini membahas Expectation Maximization, biasa disingkat EM, yang secara filosofi cukup berbeda dari K-means dan Hierarchical Clustering. Kalau di K-means setiap titik data harus tegas masuk ke satu klaster saja — istilahnya hard clustering — EM justru memberi setiap titik sebuah probabilitas keanggotaan ke setiap klaster, sehingga disebut soft clustering. Misalnya alih-alih mengatakan "pelanggan ini pasti tipe hemat", EM bisa mengatakan "pelanggan ini 70 persen mirip tipe hemat dan 30 persen mirip tipe menengah", yang jauh lebih realistis untuk banyak kasus bisnis di mana batas antar segmen memang tidak selalu tegas. Kita akan bahas konsep dasarnya, dua langkah utamanya yaitu E-step dan M-step, lalu membandingkan ketiga teknik yang sudah kita pelajari hari ini secara menyeluruh.

Expectation Maximization & Gaussian Mixture Model

EM mengasumsikan data berasal dari campuran beberapa distribusi Gaussian (normal) yang tumpang tindih — disebut Gaussian Mixture Model (GMM).

Setiap klaster punya distribusi normal sendiri (rata-rata μ & sebaran σ). Titik di zona tumpang tindih punya probabilitas ke DUA klaster sekaligus.

Cocok untuk data yang bentuknya elips/lonjong — tidak seperti K-means yang asumsikan bentuk bulat.

Perhatikan kurva lonceng ganda pada diagram ini — itulah gambaran visual dua distribusi Gaussian yang saling tumpang tindih, dan inilah dasar pemikiran di balik Gaussian Mixture Model. Setiap klaster diasumsikan punya "bentuk" distribusi normal sendiri, dengan pusat rata-rata mu dan sebaran sigma yang berbeda-beda, mirip seperti kurva lonceng nilai ujian mahasiswa yang punya rata-rata dan variasi tersendiri untuk tiap kelas. Titik data yang berada tepat di area tumpang tindih dua kurva, misalnya seorang pelanggan yang polanya di antara "hemat" dan "menengah", akan diberi probabilitas keanggotaan ke kedua klaster, bukan dipaksa memilih salah satu seperti di K-means. Keunggulan pendekatan ini sangat terasa ketika bentuk data memang elips atau lonjong, bukan bulat sempurna, sehingga EM sering dipakai sebagai penyempurna ketika K-means dirasa terlalu kaku untuk data pelanggan yang kompleks.

Coba Sendiri: Eksplorasi Soft Clustering GMM

Ubah parameter rata-rata dan sebaran tiap distribusi Gaussian, amati bagaimana probabilitas keanggotaan titik di zona tumpang tindih berubah.

Dua Langkah Berulang EM: E-Step dan M-Step

E-Step (Expectation)

Dengan parameter distribusi (μ, σ) yang ADA sekarang, hitung probabilitas tiap titik menjadi anggota tiap klaster. Contoh: pelanggan X punya peluang 70% klaster A, 30% klaster B.

M-Step (Maximization)

Gunakan probabilitas dari E-step untuk MEMPERBARUI parameter (μ, σ) tiap klaster secara berbobot, agar distribusi makin cocok dengan data.

Kedua langkah diulang bergantian — mirip K-means (assign ↔ update), tapi versi "lunak" berbasis probabilitas, bukan keputusan tegas.

Kalau Anda perhatikan baik-baik, pola E-step dan M-step ini sebenarnya mirip dengan langkah assign dan update di K-means, hanya saja versinya lebih halus karena berbasis probabilitas. Pada E-step, dengan asumsi kita sudah punya perkiraan rata-rata dan sebaran tiap klaster, algoritma menghitung seberapa besar peluang setiap titik data menjadi anggota masing-masing klaster — bukan keputusan ya-atau-tidak seperti K-means, melainkan angka peluang seperti 70 persen dan 30 persen. Kemudian pada M-step, peluang-peluang tersebut dipakai sebagai bobot untuk menghitung ulang rata-rata dan sebaran tiap klaster, sehingga distribusi Gaussian semakin pas dengan sebaran data sebenarnya. Kedua langkah ini diulang bergantian berkali-kali sampai parameter stabil, persis seperti K-means yang berulang sampai konvergen, hanya bedanya di setiap iterasi EM bekerja dengan angka probabilitas yang lebih kaya informasi dibanding keputusan tegas K-means.

Perbandingan K-Means, Hierarchical, dan EM

Aspek	K-Means	Hierarchical	EM (GMM)
Tipe keanggotaan	Tegas (hard)	Tegas (hard)	Probabilistik (soft)
Tentukan K di awal?	Ya, wajib	Tidak, bisa dipotong belakangan	Ya, wajib
Bentuk klaster	Bulat (spherical)	Fleksibel	Elips (Gaussian)
Kompleksitas komputasi	Rendah — cepat	Tinggi untuk data besar	Sedang–tinggi
Sensitif outlier?	Sangat sensitif	Sensitif (tergantung linkage)	Lebih tahan (probabilistik)

Tabel perbandingan ini sangat penting untuk Anda simpan sebagai referensi ketika nanti dihadapkan pada studi kasus nyata dan harus memilih algoritma mana yang tepat. K-means unggul dalam kecepatan dan kesederhanaan, cocok untuk dataset besar dengan jutaan baris seperti data transaksi harian sebuah e-commerce, tapi kelemahannya harus menebak K di awal dan sensitif terhadap outlier. Hierarchical Clustering memberi fleksibilitas karena tidak perlu menentukan K sejak awal dan bisa memberi wawasan struktur data lewat dendrogram, namun secara komputasi jauh lebih berat untuk data besar karena harus menghitung jarak semua pasangan titik. EM dengan Gaussian Mixture Model memberi hasil paling realistis untuk data yang batas kelompoknya tidak tegas, dengan konsekuensi kompleksitas komputasi menengah ke atas. Sebagai praktisi, keputusan memilih ketiganya harus mempertimbangkan ukuran data, kebutuhan interpretasi, dan seberapa jelas batas antar kelompok dalam konteks bisnis Anda.

Studi Kasus: Segmentasi Pelanggan E-Commerce

Sebuah UMKM fesyen di Shopee ingin mensegmentasi 5.000 pelanggannya berdasarkan frekuensi belanja dan nilai transaksi rata-rata.

Langkah Analisis

Eksplorasi awal: jalankan Hierarchical Clustering pada sampel kecil untuk melihat struktur (dendrogram).
Tentukan K dari hasil dendrogram + elbow method.
Jalankan K-means pada 5.000 data penuh (lebih cepat untuk data besar).
Jika batas segmen tidak tegas (banyak pelanggan "di tengah"), pertimbangkan EM/GMM.

Hasil Segmentasi

3 Segmen

"Hemat & Jarang" (40%), "Menengah & Rutin" (45%), "Royal & Sering" (15%) — jadi dasar strategi promo tertarget.

Mari kita rangkai semua yang sudah dipelajari ke dalam satu alur kerja nyata. Bayangkan Anda diminta membantu sebuah UMKM fesyen di Shopee yang ingin memahami lebih dalam siapa saja pelanggan mereka dari lima ribu data transaksi yang ada. Langkah cerdas biasanya dimulai dengan mengambil sampel kecil data, lalu menjalankan Hierarchical Clustering untuk melihat dendrogramnya dan mendapat gambaran awal berapa banyak segmen yang masuk akal — ini jauh lebih murah komputasinya dibanding langsung menjalankan hierarchical pada lima ribu baris penuh. Setelah mendapat perkiraan K dari dendrogram dan dikonfirmasi dengan metode elbow, barulah kita jalankan K-means pada seluruh data karena jauh lebih cepat untuk skala besar. Hasil akhirnya, misalkan kita menemukan tiga segmen: pelanggan hemat dan jarang belanja sebanyak 40 persen, pelanggan menengah dan rutin 45 persen, serta pelanggan royal dan sering belanja 15 persen — informasi inilah yang kemudian dipakai tim marketing untuk merancang promo yang lebih tertarget, misalnya diskon loyalitas khusus untuk segmen royal.

Latihan Kelas: Praktik Manual

Soal: Sebuah gerai memiliki 5 transaksi harian (dalam ratus ribu rupiah): 5, 6, 20, 22, 23. Anda diminta melakukan K-means dengan K=2, centroid awal C1=5 dan C2=23.

Instruksi

Hitung jarak tiap titik ke C1 dan C2, tentukan assignment.
Update kedua centroid dengan rata-rata anggotanya.
Ulangi sampai konvergen — catat berapa iterasi dibutuhkan.
Diskusikan dengan teman sebangku, bandingkan hasil.

Pertanyaan Diskusi

Apakah hasil akhirnya masuk akal secara bisnis?
Bagaimana jika linkage Hierarchical dipakai — hasilnya sama atau beda?
Kapan sebaiknya memakai EM dibanding K-means untuk kasus ini?

Sekarang giliran Anda mempraktikkan sendiri apa yang sudah kita bahas, dan saya akan memberi waktu sekitar sepuluh menit untuk mengerjakan soal ini secara berpasangan dengan teman sebangku. Data lima transaksi harian dalam ratus ribu rupiah ini sengaja saya buat sederhana supaya Anda bisa menghitungnya dengan tangan atau kalkulator biasa, mengikuti persis pola yang tadi kita praktikkan bersama di Hitung dari Nol pertama. Perhatikan bagaimana centroid awal yang saya berikan, yaitu 5 dan 23, akan menarik titik-titik terdekatnya masing-masing, dan cobalah lihat apakah hasil akhirnya membentuk dua kelompok yang masuk akal secara bisnis, misalnya "transaksi kecil" dan "transaksi besar". Setelah selesai menghitung, kita akan diskusikan bersama di kelas, termasuk membandingkan hasilnya seandainya kita memakai Hierarchical Clustering, dan kapan sebaiknya beralih ke pendekatan EM jika ternyata batas antar kelompok tidak setegas yang dibayangkan.

Rangkuman: Peta Cepat Unsupervised Learning

Teknik	Inti Cara Kerja	Kapan Dipakai
K-Means	Assign ↔ update centroid sampai konvergen	Data besar, klaster relatif bulat, butuh cepat
Hierarchical	Gabung bertahap (agglomerative) bentuk dendrogram	Data kecil–menengah, K belum jelas, butuh eksplorasi struktur
EM / GMM	E-step (hitung peluang) ↔ M-step (update parameter)	Batas klaster tidak tegas, bentuk data elips

Ketiganya adalah unsupervised learning: tidak butuh label, semua "belajar" dari struktur kemiripan data itu sendiri.

Sebelum kita lanjut ke penutup, mari kita rangkum tiga teknik besar yang sudah dibahas selama dua jam ini sebagai satu kesatuan peta pikiran. K-means bekerja dengan siklus assign dan update centroid, ideal untuk data besar dengan bentuk klaster relatif bulat dan kebutuhan komputasi cepat, seperti segmentasi jutaan transaksi harian. Hierarchical Clustering bekerja dengan menggabungkan titik-titik secara bertahap membentuk dendrogram, sangat berguna ketika Anda belum tahu pasti berapa banyak segmen yang masuk akal dan ingin mengeksplorasi struktur data lebih dulu. EM dengan Gaussian Mixture Model memberi pendekatan paling lentur lewat probabilitas keanggotaan, cocok ketika batas antar kelompok data memang kabur secara alami. Yang menyatukan ketiganya adalah sifat unsupervised — tak satu pun dari algoritma ini butuh label jawaban, semua murni belajar dari pola kemiripan yang ada dalam data itu sendiri, dan inilah kekuatan sekaligus tantangan utama unsupervised learning dibanding supervised learning yang akan kita bahas minggu depan.

Penutup: Persiapan Pertemuan 7

Minggu Depan

Kita beralih ke Supervised Learning: Regression, SVM (Support Vector Machine), dan Neural Network — teknik yang BUTUH data berlabel.

Tugas Sebelum Pertemuan 7

Kerjakan Latihan

Selesaikan soal K-means slide 18 secara individu (tulis tangan langkah iterasinya), kumpulkan via LMS sebelum kuliah berikutnya.

Terima Kasih atas partisipasi aktif Anda hari ini dalam mempelajari tiga teknik unsupervised learning yang cukup padat ini. Sebagai penutup, saya ingin mengingatkan bahwa minggu depan kita akan berpindah topik besar ke supervised learning, dimulai dari regresi, lalu Support Vector Machine atau SVM, dan diakhiri dengan Neural Network — semua teknik ini berbeda fundamental karena membutuhkan data yang sudah berlabel, kebalikan dari apa yang kita pelajari hari ini. Sebelum pertemuan berikutnya, tolong kerjakan kembali soal latihan K-means di slide 18 secara individu dan tuliskan setiap langkah iterasinya dengan rapi, karena latihan menghitung manual seperti ini sangat membantu Anda memahami mekanisme algoritma sebelum nanti kita membahas cara mengimplementasikannya dengan pustaka seperti scikit-learn. Sampai jumpa di pertemuan berikutnya, dan jangan ragu menghubungi saya lewat email kampus jika ada bagian dari materi hari ini yang masih membingungkan.