Tanpa label, kita tetap bisa menemukan struktur: kelompok objek yang mirip, arah variasi utama, dan pola beli yang sering muncul bersama. Section ini membahas keluarga clustering — K-Means, hierarchical, DBSCAN — beserta cara mengevaluasinya, dilanjutkan reduksi dimensi dengan PCA dan t-SNE untuk visualisasi data berdimensi banyak, association rule mining sederhana, dan ditutup dengan disiplin menamai cluster agar hasilnya bermakna bagi pemangku kepentingan.

# Pengenalan Clustering

Pahami gagasan clustering, matriks jarak, dan skala permasalahannya.

Buka → # K-Means Clustering

Kelompokkan data dengan K-Means dan pilih k dengan elbow serta silhouette.

Buka → # Hierarchical Clustering

Bangun hierarki cluster dengan agglomerative clustering dan dendrogram.

Buka → # Density-Based Clustering (DBSCAN)

Temukan cluster bentuk bebas dan pencilan dengan DBSCAN.

Buka → # Evaluasi Clustering

Evaluasi hasil clustering dengan silhouette, Davies-Bouldin, dan stabilitas.

Buka → # Principal Component Analysis

Pahami intuisi dan penerapan PCA untuk meringkas informasi banyak fitur.

Buka → # Reduksi Dimensi Nonlinear

Visualisasikan data berdimensi tinggi dengan t-SNE beserta perangkapnya.

Buka → # Association Rule Mining

Temukan pola beli bersama dengan algoritma Apriori sederhana yang kita bangun sendiri.

Buka → # Interpretasi Hasil Clustering

Beri nama dan makna pada cluster melalui profil fitur dan visualisasi.

Buka →