Interpretasi Hasil Clustering

Algoritma clustering mengembalikan apa yang dimintanya: deretan angka 0, 1, 2 pada kolom cluster. Bagi mesin, itu jawaban final; bagi tim pemasaran, manajer toko, atau pemangku kepentingan lainnya, itu belum menjawab apa-apa — “cluster 1” tidak bisa dipakai menyusun strategi. Interpretasi adalah proses menerjemahkan hasil hitung menjadi cerita yang bisa ditindaklanjuti: membaca profil tiap cluster, memberinya nama yang berarti, menguji nama itu terhadap pengetahuan domain, lalu memvisualisasikannya agar meyakinkan. Pada chapter penutup Section ini kita mengerjakan proses itu dari awal sampai akhir pada 20 pelanggan Toko Kopi Kita, menutupnya dengan daftar kesalahan over-interpretasi yang paling sering terjadi, dan merangkai seluruh peralatan unsupervised learning yang telah kita kumpulkan.

Dari Nomor ke Nama #

Ingat peringatan dari chapter K-Means Clustering : nomor cluster adalah penanda, bukan peringkat — dan penomorannya bisa berganti bila seed atau urutan data berubah. Nama yang baik menghapus ketergantungan pada nomor itu. Ia lahir dari profil — ringkasan statistik tiap cluster pada fitur aslinya — dan bukan dari tebakan. Alurnya selalu empat langkah:

1. Profil: hitung agregat per cluster (jumlah anggota, rata-rata tiap fitur, porsi data).
2. Beri nama: rumuskan label dari pola profilnya, memakai bahasa audiens.
3. Validasi: uji nama itu terhadap pengetahuan domain — anggota yang kita kenal, rentang nilai, stabilitas antar-periode.
4. Tindak lanjut: tiap segmen mendapat keputusan berbeda yang masuk akal untuk profilnya.

Langkah pertama adalah pekerjaan groupby — teknik yang sudah akrab dari Section statistika, kini dipakai pada kolom keluaran algoritma:

Memrofil Cluster dengan groupby #

Kita jalankan ulang pipeline lengkap pada data 20 pelanggan — standarisasi, K-Means k=3 dengan seed yang sama seperti chapter evaluasi — lalu merangkum tiap cluster dengan agregasi:

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 20 pelanggan Toko Kopi Kita: belanja (ribu Rp/bulan), frekuensi (kali/bulan)
pelanggan = pd.DataFrame({
    "nama": ["Budi", "Siti", "Dewi", "Rani", "Agus", "Tuti",
             "Joko", "Wati", "Rudi", "Lina", "Andi", "Fitri",
             "Bayu", "Nadia", "Eko", "Yuni", "Hendra", "Maya", "Tono", "Sri"],
    "belanja": [40, 55, 35, 60, 45, 50,
                150, 170, 160, 140, 175, 165,
                380, 420, 350, 400, 390, 360, 410, 370],
    "frekuensi": [2, 1, 3, 2, 4, 2,
                  11, 9, 12, 10, 8, 10,
                  6, 8, 7, 5, 9, 6, 7, 5],
})

X = StandardScaler().fit_transform(pelanggan[["belanja", "frekuensi"]])
pelanggan["cluster"] = KMeans(n_clusters=3, random_state=42,
                              n_init="auto").fit_predict(X)

profil = pelanggan.groupby("cluster").agg(
    jumlah=("nama", "size"),
    belanja_rata2=("belanja", "mean"),
    frekuensi_rata2=("frekuensi", "mean"),
)
profil["porsi"] = (profil["jumlah"] / len(pelanggan) * 100).round(1)
print(profil.round(1))

Output yang Dihasilkan:

         jumlah  belanja_rata2  frekuensi_rata2  porsi
cluster                                               
0             6          160.0             10.0   30.0
1             8          385.0              6.6   40.0
2             6           47.5              2.3   30.0

Mari kita telaah kode dan hasilnya:

1. Standarisasi lalu fit_predict persis seperti chapter K-Means — urutan data dan seed yang sama mengembalikan penomoran cluster yang sama, itulah mengapa hasil di sini bisa dibandingkan langsung dengan profil di sana.
2. groupby("cluster").agg(...) merangkum tiap cluster: berapa anggotanya (size), rata-rata belanja dan frekuensi (mean), dan — lewat profil["porsi"] — seberapa besar bagiannya dari 20 pelanggan.
3. Tiga profil terbaca jelas: cluster 0 datang 10 kali sebulan dengan belanja 160 ribu (sekitar 16 ribu per mampiran); cluster 1 hanya 6-7 kali tetapi menghabiskan 385 ribu (sekitar 58 ribu per mampiran); cluster 2 nyaris tidak terlihat — 2 kali sebulan, belanja 47,5 ribu.

Dari profil itulah nama dirumuskan — bukan dari nomornya. Cluster 0 kita namai Langganan Harian: frekuensi tinggi, nilai per kunjungan kecil, perilaku khas pembeli kopi segelas tiap pagi. Cluster 1 menjadi Pembeli Stok: jarang datang tetapi sekali datang belanja besar — pola orang membeli biji kopi untuk kantor atau rumah. Cluster 2 menjadi Pengunjung Sesekali. Perhatikan bahwa tiap nama memuat dua dimensi data sekaligus (belanja dan frekuensi), bukan satu saja — nama yang hanya menangkap satu kolom biasanya setengah benar.

Validasi dengan Pengetahuan Domain #

Profil yang rapi di kertas belum tentu benar di lapangan — dan satu-satunya cara mengeceknya adalah menghadapkan hasil pada kenyataan yang kita kenal. Dua pemeriksaan paling murah: apakah rentang antar-cluster saling tumpang tindih, dan apakah pelanggan yang kita kenal baik jatuh ke segmen yang masuk akal:

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

pelanggan = pd.DataFrame({
    "nama": ["Budi", "Siti", "Dewi", "Rani", "Agus", "Tuti",
             "Joko", "Wati", "Rudi", "Lina", "Andi", "Fitri",
             "Bayu", "Nadia", "Eko", "Yuni", "Hendra", "Maya", "Tono", "Sri"],
    "belanja": [40, 55, 35, 60, 45, 50,
                150, 170, 160, 140, 175, 165,
                380, 420, 350, 400, 390, 360, 410, 370],
    "frekuensi": [2, 1, 3, 2, 4, 2,
                  11, 9, 12, 10, 8, 10,
                  6, 8, 7, 5, 9, 6, 7, 5],
})

X = StandardScaler().fit_transform(pelanggan[["belanja", "frekuensi"]])
pelanggan["cluster"] = KMeans(n_clusters=3, random_state=42,
                              n_init="auto").fit_predict(X)

rentang = pelanggan.groupby("cluster").agg(
    belanja_min=("belanja", "min"),
    belanja_maks=("belanja", "max"),
    frekuensi_min=("frekuensi", "min"),
    frekuensi_maks=("frekuensi", "max"),
)
print(rentang)
print()

kenal = ["Budi", "Joko", "Bayu"]
print(pelanggan[pelanggan["nama"].isin(kenal)].to_string(index=False))

Output yang Dihasilkan:

         belanja_min  belanja_maks  frekuensi_min  frekuensi_maks
cluster                                                          
0                140           175              8              12
1                350           420              5               9
2                 35            60              1               4

nama  belanja  frekuensi  cluster
Budi       40          2        2
Joko      150         11        0
Bayu      380          6        1

Bedah hasilnya dari dua sisi:

1. Rentang belanja tiga cluster tidak saling tumpang tindih sama sekali — 35-60, 140-175, 350-420. Segmen ini terpisah bersih; tidak ada pelanggan yang berdiri di antara dua kelompok, sehingga nama segmen tidak perlu memperjuangkan perbatasan.
2. Audit tiga wajah kenalan: Budi — mahasiswa yang memang cuma mampir saat ada promo — jatuh ke Pengunjung Sesekali (cluster 2) ✓. Joko — pengemudi ojek daring yang parkir di depan toko setiap pagi — jatuh ke Langganan Harian (cluster 0) ✓. Bayu — admin kantor yang membeli biji kopi untuk pantry kantornya tiap awal bulan — jatuh ke Pembeli Stok (cluster 1) ✓. Ketiganya cocok dengan yang kita ketahui tentang mereka.

Ketika hasil seperti ini, kepercayaan pada segmentasi naik satu tingkat. Ketika sebaliknya muncul — pelanggan yang jelas-jelas langganan harian tapi masuk segmen salah, atau dua segmen saling bertumpuk di rentang belanja — itu tanda ada yang perlu diperbaiki: fitur kurang informatif, k kurang tepat, atau skalanya belum distandarisasi. Pemeriksaan stabilitas dari chapter Evaluasi Clustering melengkapi rangkaian ini: ulangi clustering pada data bulan berikutnya, bandingkan labelnya dengan adjusted rand index, dan lihat apakah segmennya bertahan.

Memvisualisasikan Segmen untuk Audiens #

Tabel profil untuk analis, gambar untuk ruang rapat. Visualisasi yang baik menampilkan titik pada fitur asli, diwarnai per segmen dengan namanya — bukan nomornya — plus penanda posisi centroid agar pusat tiap kelompok terbaca:

import matplotlib.pyplot as plt
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

pelanggan = pd.DataFrame({
    "nama": ["Budi", "Siti", "Dewi", "Rani", "Agus", "Tuti",
             "Joko", "Wati", "Rudi", "Lina", "Andi", "Fitri",
             "Bayu", "Nadia", "Eko", "Yuni", "Hendra", "Maya", "Tono", "Sri"],
    "belanja": [40, 55, 35, 60, 45, 50,
                150, 170, 160, 140, 175, 165,
                380, 420, 350, 400, 390, 360, 410, 370],
    "frekuensi": [2, 1, 3, 2, 4, 2,
                  11, 9, 12, 10, 8, 10,
                  6, 8, 7, 5, 9, 6, 7, 5],
})

fitur = ["belanja", "frekuensi"]
skala = StandardScaler()
X = skala.fit_transform(pelanggan[fitur])
model = KMeans(n_clusters=3, random_state=42, n_init="auto").fit(X)
pelanggan["cluster"] = model.labels_

# nama segmen hasil membaca profil (bukan hasil menebak nomor)
nama_segmen = {0: "Langganan Harian", 1: "Pembeli Stok", 2: "Pengunjung Sesekali"}
warna = {0: "#4a7ba6", 1: "#c06040", 2: "#7a9a54"}

pusat = skala.inverse_transform(model.cluster_centers_)

fig, ax = plt.subplots(figsize=(7, 5))
for c in sorted(nama_segmen):
    m = pelanggan["cluster"] == c
    ax.scatter(pelanggan.loc[m, "belanja"], pelanggan.loc[m, "frekuensi"],
               s=50, color=warna[c], label=nama_segmen[c])
    ax.scatter(pusat[c, 0], pusat[c, 1], marker="X", s=160,
               color=warna[c], edgecolor="black", linewidths=1.2)
ax.set_xlabel("Belanja (ribu Rp/bulan)")
ax.set_ylabel("Frekuensi (kali/bulan)")
ax.set_title("Segmen pelanggan Toko Kopi Kita")
ax.legend(loc="upper left", bbox_to_anchor=(1.0, 1.0))
plt.tight_layout()
plt.show()

Bayangkan hasilnya di layar: bidang dengan sumbu mendatar belanja dan sumbu tegak frekuensi, tertutup tiga kelompok titik berwarna. Di kiri-bawah berkerumun hijau Pengunjung Sesekali yang rendah di kedua sumbu; di tengah naik biru Langganan Harian yang mencuat ke atas (frekuensi 8-12 kali); di kanan merah Pembeli Stok yang menjorok jauh ke kanan (350-420 ribu) tetapi tengah di frekuensi. Tanda silang besar bertepi hitam menandai pusat tiap segmen — ketiganya berjauhan rapi, gambar yang sama dengan tabel rentang tadi. Grafik semacam ini biasanya menjadi halaman pembuka presentasi: satu lihat, semua orang paham ada tiga jenis pelanggan.

Kesalahan Over-Interpretasi yang Perlu Dijauhi #

Interpretasi berada di zona paling rawan kekeliruan karena di sinilah angka bertemu keinginan untuk bercerita. Lima kekeliruan berikut muncul berulang di lapangan:

• Menganggap cluster pasti ada karena algoritmenya menghasilkan. K-Means membelah data apa pun menjadi k bagian — data acak pun akan “berhasil” tersgmentasi. Selalu dukung klaim cluster dengan bukti struktur: silhouette, stabilitas antar-seed, atau kejelasan rentang seperti di atas.
• Membaca perbedaan kecil sebagai bermakna. Dalam Langganan Harian ada yang belanja 140 dan ada yang 175 — perbedaan itu variasi wajar di dalam segmen, bukan sub-segmen baru. Sebelum memecah segmen, periksa apakah pemecahannya memperbaiki silhouette atau hanya menambah cerita.
• Menganggap batas segmen tegas. Pelanggan bersilhouette rendah dari chapter evaluasi adalah penghuni perbatasan; keanggotaan mereka bisa berganti begitu data bulan depan datang. Keputusan bernilai tinggi untuk satu pelanggan sebaiknya tidak digantungkan pada satu kolom label.
• Menamai segmen dari satu anggota yang dikenal. Karena Bayu si admin kantor ada di cluster 1, seluruh segmen dinamai “Pembeli Kantoran” — padahal delapan anggotanya bisa beralasan lain. Nama harus mewakili profil rata-rata, bukan satu wajah yang paling mudah diingat.
• Melompat ke sebab-akibat. Cluster mengelompokkan berdasarkan korelasi fitur; ia tidak tahu mengapa. “Pembeli Stok belanja besar karena belanja untuk kantor” adalah hipotesis domain — layak diuji lewat wawancara atau data tambahan, bukan kesimpulan dari algoritma.

Merangkai Seluruh Section #

Kita kini memegang seluruh peralatan unsupervised learning, dan chapter ini adalah tempat semuanya bertemu menjadi satu alur kerja:

Urutannya membentuk disiplin yang tetap: kenali datanya dulu (skala, pencilan, dimensi), pilih alat sesuai bentuk masalahnya, validasi dengan lebih dari satu ukuran, lalu interpretasi dengan jujur terhadap keterbatasannya. Di seluruh proses itu tidak ada satu pun label yang disentuh — kekuatan sekaligus batas unsupervised learning: strukturnya ditemukan dari data, tetapi maknanya tetap harus dibawa oleh manusia yang memahami konteksnya.

Rangkuman #

• Interpretasi menerjemahkan label angka menjadi segmen bernama melalui empat langkah: profil dengan groupby, pemberian nama dari pola profil, validasi domain, dan tindak lanjut.
• Profil 20 pelanggan menghasilkan tiga segmen bersih: Langganan Harian (160 ribu, 10 kali), Pembeli Stok (385 ribu, 6-7 kali), dan Pengunjung Sesekali (47,5 ribu, 2 kali) — rentang belanjanya tidak saling tumpang tindih.
• Validasi domain menghadapkan hasil pada kenyataan: rentang antar-segmen dan keanggotaan pelanggan yang kita kenal; stabilitas antar-periode melengkapi pemeriksaan ini.
• Visualisasi dengan nama segmen plus penanda centroid menjadi bahasa bersama antara analis dan pemangku kepentingan.
• Lima kekeliruan over-interpretasi yang lazim: percaya cluster pasti ada, membaca variasi kecil sebagai bermakna, menganggap batas tegas, menamai dari satu anggota, dan melompat ke sebab-akibat.

Dengan selesainya pembahasan interpretasi, perjalanan kita di dunia tanpa label untuk sementara tamat: kita telah mengelompokkan, mengevaluasi, memroyalkan dimensi, menambang aturan, dan menamai segmen. Perjalanan berikutnya kembali ke dunia yang berlabel — dan mengangkat satu pertanyaan yang bahkan lebih menentukan daripada melatih model: bagaimana mengevaluasi dan memvalidasi model secara jujur, agar keyakinan kita pada angkanya setinggi angkanya sendiri. Lanjut ke Section Evaluasi dan Validasi Model .

Referensi #

1. pandas — DataFrame.groupby
2. scikit-learn — Clustering