Machine LearningMenengahFase D–FE4E6

K-MEANS CLUSTERING

K-Means mengelompokkan data ke dalam K klaster tanpa label. Tiap iterasi berjalan dua fase: ASSIGN — setiap titik ikut centroid terdekat (jarak Euclidean); MOVE — tiap centroid pindah ke rata-rata anggotanya. Kedua fase diulang sampai penempatan tak berubah lagi (konvergen).

Example use case

Segmentasi pelanggan toko online: mengelompokkan pembeli berdasarkan frekuensi dan nilai belanja menjadi beberapa segmen untuk penargetan promo per segmen.

Syllabus

Kelompokkan data tanpa label ke dalam K klaster berdasarkan kedekatannya ke pusat kelompok.

Objectives

·Memahami cara AI mengelompokkan data mirip tanpa contoh jawaban
·Menjelaskan dua fase berulang: ASSIGN (ikut pusat terdekat) dan MOVE (geser pusat)
·Menerapkan konsep jarak untuk membentuk segmen atau kelompok

How It Works

·Tentukan K titik pusat (centroid) secara acak sebagai awal.
·ASSIGN: tiap data ikut centroid yang paling dekat dengannya.
·MOVE: tiap centroid pindah ke posisi rata-rata anggotanya.
·Ulangi ASSIGN dan MOVE sampai pengelompokan tidak berubah lagi (konvergen).

Prerequisites

·Koordinat dan jarak antar titik

Real-World Uses

·Shopee mengelompokkan pembeli jadi segmen untuk kirim promo yang pas.
·Spotify atau TikTok mengelompokkan lagu bergaya mirip jadi satu playlist.
·AI galeri HP yang otomatis mengumpulkan foto orang yang sama.

Complexity O(iterasi * n * K)