K-means adalah Apa? Cara Membagi Data menjadi k Kelompok Tanpa Label
K-means (pengklasteran k rata-rata) adalah algoritma pengelompokan dalam pembelajaran tak terbimbing yang membagi data menjadi (k) kelompok. Titik dalam kelompok yang sama terletak dekat dengan sebuah titik yang disebut pusat klaster (sentroid), sedangkan kelompok yang berbeda saling terpisah. Algoritma mengulangi proses penugasan titik ke kelompok terdekat dan pembaruan pusat klaster sampai hasilnya stabil.
Apa Itu K-means
Ketika kita memiliki data tetapi tidak ada label yang memberi tahu setiap titik termasuk kelompok mana, k-means mencari struktur kelompok sendiri berdasarkan kemiripan. Ini merupakan bentuk kuantisasi vektor: banyak titik diwakili oleh sejumlah pusat klaster.
Bayangkan menyusun barang di atas meja menjadi beberapa kelompok menurut kedekatannya tanpa daftar kategori sebelumnya. K-means melakukan hal serupa pada data numerik.
Konsep Utama
- Pusat klaster (Sentroid): titik yang mewakili pusat setiap kelompok
- Jarak: dipakai untuk menentukan titik terdekat ke pusat klaster, sering berupa jarak Euclid
- Jumlah kelompok (k): harus dipilih sebelum menjalankan algoritma
Langkah Kerja
- Memilih (k): menentukan jumlah kelompok dan menempatkan pusat klaster awal
- Menugaskan kelompok: memasukkan setiap titik ke pusat klaster terdekat
- Memperbarui pusat klaster: menghitung rata-rata titik dalam kelompok untuk menetapkan pusat baru
- Mengulangi: kembali ke langkah penugasan sampai pusat klaster nyaris tidak berubah
Rumus Pusat Klaster
Untuk kelompok (C) dengan (|C|) titik, pusat klaster baru adalah rata-rata:
[ \mu = \frac{1}{|C|}\sum_{x \in C} x ]
Cara Memilih Jumlah k
Jumlah kelompok berpengaruh langsung pada kualitas:
- (k) terlalu kecil: kelompok yang berbeda tergabung menjadi satu
- (k) terlalu besar: kelompok terpecah kecil sehingga sulit melihat gambaran umum
Cara umum adalah mencoba beberapa nilai lalu mengamati perbaikan saat (k) bertambah, dan memilih titik ketika manfaatnya mulai melandai.
Tabel Ringkasan
| Aspek | Isi |
|---|---|
| Jenis pembelajaran | Tak terbimbing |
| Masukan yang diperlukan | Jumlah kelompok (k) |
| Kriteria penugasan | Jarak ke pusat klaster |
| Kondisi berhenti | Pusat klaster tidak berubah atau berubah sangat sedikit |
Penerapan
- Segmentasi pelanggan: kelompok berdasarkan perilaku dan pengeluaran
- Visi komputer: membagi wilayah gambar menurut kemiripan
- Teks: mengelompokkan artikel menggunakan embedding
- Pemasaran: membagi audiens untuk menyesuaikan konten
- Eksplorasi data: menemukan struktur awal sebelum membangun model
Kelebihan dan Keterbatasan
Kelebihan
- Mudah dipahami dan diterapkan
- Perhitungan cepat dibanding metode pengelompokan yang lebih rumit
- Berskala baik dengan data besar
Keterbatasan
- Harus memilih (k) terlebih dahulu
- Hasil dapat berubah menurut pusat klaster awal, sehingga sering dijalankan beberapa kali
- Mengasumsikan kelompok berbentuk bulat dan berukuran mirip
- Titik pencil dapat menggeser pusat klaster dan terkait dengan overfitting jika tidak dipilih dengan tepat
FAQ
K-means Termasuk Pembelajaran Apa?
Pembelajaran tak terbimbing, karena tidak membutuhkan label jawaban untuk mengelompokkan data.
Haruskah Jumlah Kelompok Diketahui Sebelumnya?
Ya, nilai (k) perlu ditentukan lebih dulu. Jika belum yakin, cobalah beberapa nilai dan bandingkan.
Apa Itu Pusat Klaster?
Titik rata-rata yang mewakili setiap kelompok, dipakai untuk menentukan kelompok suatu titik.
K-means Berhenti Kapan?
Ketika pusat klaster tidak bergeser atau penugasan titik tidak berubah, artinya hasil sudah stabil.
Apakah K-means Cocok untuk Semua Data?
Tidak selalu. Ia cocok ketika kelompok cukup bulat dan berukuran serupa; data berbentuk aneh atau banyak pencil membutuhkan metode lain.
Ringkasan
- K-means membagi data menjadi (k) kelompok tanpa label
- Memakai pusat klaster dan jarak untuk menugaskan titik
- Mengulangi penugasan dan pembaruan pusat sampai stabil
- Perlu memilih (k) secara hati-hati
- Dipakai untuk segmentasi pelanggan, teks, gambar dan eksplorasi data
- Memiliki keterbatasan pada bentuk kelompok dan titik pencil
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free