"Apa beda widget ini dengan simulator K-Means Explorer (kmeans-clustering-explorer)?"

"Widget ini mengasumsikan kedua centroid (C1 dan C2) SUDAH ditemukan lebih dulu — fokusnya murni pada interpretasi bisnis: 'objek/nasabah baru ini lebih cocok masuk segmen mana?'. Simulator K-Means Explorer sebaliknya menunjukkan bagaimana centroid-centroid itu ditemukan dari nol lewat iterasi assignment-update berulang pada puluhan titik sampai konvergen. Singkatnya: widget ini = memakai hasil kluster untuk mengambil keputusan; widget satunya = mekanisme di baliknya membentuk kluster."

"Kalau jarak ke dua kluster hampir sama, apa artinya?"

"Objek tersebut berada di wilayah perbatasan (borderline) antara dua segmen — tidak jelas-jelas milik salah satu. Dalam praktik, ini bisa jadi sinyal bahwa jumlah kluster kurang detail (perlu k lebih besar untuk memisahkan segmen campuran ini), atau bahwa segmentasi keras (hard clustering) memang kurang cocok dan sebaiknya dipakai pendekatan keanggotaan parsial seperti Fuzzy C-Means."

"Kenapa sumbu widget ini berlabel 'x1 (terstandar)' dan 'x2 (terstandar)', bukan satuan asli?"

"Karena posisi centroid pada K-Means sangat sensitif terhadap skala variabel — kalau satu variabel berskala jutaan dan variabel lain berskala puluhan, variabel berskala besar akan mendominasi perhitungan jarak. Praktik standarnya adalah menstandarkan (z-score) semua variabel dulu sebelum clustering, sehingga posisi C1 dan C2 di widget ini sudah dalam skala terstandar, bukan satuan rupiah atau unit asli."

Analisis Kluster — Menempatkan Objek Baru ke Segmen Terdekat

Setelah proses clustering selesai dan centroid tiap segmen sudah ditemukan, pertanyaan yang sering muncul di lapangan adalah: kalau ada objek atau pelanggan baru, dia paling cocok masuk segmen yang mana? Widget ini mensimulasikan langkah interpretasi itu — satu objek digeser bebas di bidang dua dimensi, lalu jaraknya ke dua centroid tetap dibandingkan untuk menentukan keanggotaan klusternya.

Cara Pakai

Geser slider x1 dan x2 untuk memindahkan posisi objek A. Dua centroid ditampilkan tetap: C1 di (1, 1) berwarna biru dan C2 di (4, 5) berwarna oranye. Panel metrik menghitung jarak Euclidean objek A ke masing-masing centroid secara langsung, lalu garis putus-putus pada grafik menghubungkan objek A ke centroid terdekatnya — warna objek A ikut berubah mengikuti kluster mana yang menang.

Rumus Kunci

$$d(A, C_k) = \sqrt{(x_1 - c_{k1})^2 + (x_2 - c_{k2})^2}$$

Objek $A$ ditugaskan ke kluster dengan jarak terkecil:

$$\text{kluster}(A) = \arg\min_{k \in \{1,2\}} d(A, C_k)$$

Contoh Angka

Centroid tetap: $C_1 = (1, 1)$ dan $C_2 = (4, 5)$. Objek A digeser ke posisi $(3, 3)$.

Jarak ke C1:

$$d(A, C_1) = \sqrt{(3-1)^2+(3-1)^2} = \sqrt{4+4} = \sqrt{8} = 2{,}828$$

Jarak ke C2:

$$d(A, C_2) = \sqrt{(3-4)^2+(3-5)^2} = \sqrt{1+4} = \sqrt{5} = 2{,}236$$

Karena $d(A, C_2) = 2{,}236$ lebih kecil daripada $d(A, C_1) = 2{,}828$, objek A ditugaskan ke Kluster 2 — meskipun secara kasat mata posisi $(3,3)$ terlihat “di tengah-tengah”, perhitungan jarak eksak menunjukkan objek ini sedikit lebih dekat ke centroid C2. Inilah yang membuat aturan penempatan berbasis jarak lebih andal dibanding menebak secara visual.