Nama: Alfina Chairunisa Riyadi
Nim: 20230040136
Kelas: TI23C
Tugas Machine Learning 7
Bagian 1
a. Pengertian Clustering
Clustering adalah proses pengelompokan sekumpulan data atau objek ke dalam grup
(disebut cluster) berdasarkan kesamaan karakteristik atau fitur. Tujuannya adalah agar
data dalam satu cluster memiliki kemiripan tinggi satu sama lain dan berbeda sejauh
mungkin dengan data di cluster lain. Clustering termasuk dalam teknik unsupervised
learning karena tidak memerlukan label pada data.
b. Tipe-tipe Clustering
Partitioning Clustering
Membagi data ke dalam k cluster yang tidak saling tumpang tindih.
Contoh: k-Means, k-Medoids.
Cocok untuk data berukuran besar dan struktur cluster yang jelas.
Hierarchical Clustering
Membangun hirarki cluster dengan dua pendekatan:
• Agglomerative (bottom-up): setiap data mulai sebagai cluster sendiri, lalu
digabungkan.
• Divisive (top-down): seluruh data adalah satu cluster besar, lalu dipecah.
Hasil biasanya berupa dendrogram (diagram pohon).
Density-Based Clustering
Mengelompokkan data berdasarkan area yang padat titik data.
Cocok untuk bentuk cluster yang tidak teratur.
Contoh: DBSCAN, OPTICS.
Dapat mendeteksi outlier sebagai data yang tidak termasuk cluster mana pun.
c. Urutan Algoritma K-Means
1. Menentukan jumlah cluster (k).
2. Inisialisasi centroid awal (bisa dipilih secara acak).
3. Mengelompokkan data berdasarkan kedekatan ke centroid terdekat (biasanya
pakai jarak Euclidean).
4. Menghitung ulang posisi centroid dengan mengambil rata-rata dari titik-titik
dalam cluster.
5. Ulangi langkah 3 dan 4 hingga:
Tidak ada perubahan signifikan pada centroid, atau Iterasi maksimal tercapai.
d. perbedaan K-Means dengan Hierarchical clustering
• k-Means membutuhkan jumlah cluster (k) ditentukan di awal, sedangkan
hierarchical clustering tidak perlu menentukan jumlah cluster sejak awal karena
membentuk struktur hierarki.
• k-Means bersifat partisi (langsung membagi data ke dalam kelompok), sedangkan
hierarchical clustering bersifat bertahap dan membentuk pohon (dendrogram).
• k-Means lebih cepat dan cocok untuk data besar, sementara hierarchical clustering
lebih lambat dan kurang efisien untuk data besar.
• Hasil k-Means bisa berubah tergantung inisialisasi centroid, sedangkan hasil
hierarchical clustering lebih konsisten
Bagian 2
menunjukkan peta penyebaran COVID-19 di Kabupaten Situbondo yang dikelompokkan
berdasarkan tingkat kasus, ditandai dengan warna hijau, kuning, oranye, dan merah. Ini
merupakan contoh penerapan clustering, yaitu proses pengelompokan wilayah
berdasarkan kesamaan karakteristik dalam hal jumlah kasus COVID-19.
Setiap kecamatan dikelompokkan ke dalam cluster tertentu berdasarkan jumlah ODP
(Orang Dalam Pemantauan), PDP (Pasien Dalam Pengawasan), dan kasus positif
COVID-19.
Misalnya, wilayah yang berwarna merah merupakan cluster dengan tingkat kasus
tertinggi (jumlah kasus positif tinggi), sedangkan wilayah hijau menunjukkan cluster
dengan risiko rendah (jumlah kasus rendah atau nol).
Proses pengelompokan ini memungkinkan pihak terkait seperti pemerintah atau tim
medis untuk mengambil keputusan yang lebih tepat dan mengalokasikan sumber daya
(seperti tenaga medis, alat pelindung diri, atau vaksin) secara efisien berdasarkan tingkat
risiko tiap wilayah.
Peta ini merupakan hasil dari penerapan clustering untuk mengelompokkan kecamatan
berdasarkan tingkat penyebaran COVID-19, sehingga membantu dalam pengambilan
kebijakan dan prioritas penanganan pandemi secara lebih terarah.
Gambar ke 2
Gambar menunjukkan contoh penerapan clustering dalam dunia nyata, khususnya dalam
bidang pemasaran atau bisnis.
Di sisi kiri gambar, seseorang sedang mencoba mengidentifikasi calon pelanggan yang
potensial untuk produk yang dijual.
Kemudian, dengan menggunakan algoritma clustering, pelanggan dikelompokkan
menjadi beberapa segmen atau cluster berdasarkan kesamaan karakteristik, seperti minat,
kebiasaan belanja, usia, atau lokasi.
Setelah terbentuk beberapa kelompok pelanggan yang berbeda, penjual dapat
menyesuaikan strategi penjualan atau promosi untuk masing-masing kelompok
(misalnya, memberikan produk yang tepat kepada kelompok yang paling membutuhkan
atau tertarik).
Hasil akhirnya adalah strategi pemasaran yang lebih tepat sasaran, hemat biaya, dan
berpeluang lebih besar menghasilkan keuntungan.
Gambar ini menggambarkan bahwa clustering membantu bisnis untuk mengelompokkan
pelanggan secara otomatis berdasarkan data, sehingga perusahaan dapat melakukan
pemasaran yang lebih efektif dan efisien.