Algoritma Unsupervised Learning

---

1. 📌 Pengertian Unsupervised Learning

6

🔎 Definisi

Unsupervised Learning adalah metode Machine Learning di mana model belajar dari data tanpa label, sehingga sistem harus menemukan pola atau struktur sendiri.

📖 Narasi

Berbeda dengan supervised learning:

• Tidak ada “jawaban benar” yang diberikan
• Model harus menemukan pola tersembunyi
• Digunakan untuk eksplorasi data

Contoh:

• Mengelompokkan pelanggan
• Analisis pola perilaku

---

2. 🧠 Konsep Dasar Unsupervised Learning

📊 Karakteristik

Aspek	Penjelasan
Data	Tidak berlabel
Tujuan	Menemukan pola
Output	Cluster atau struktur

---

📖 Narasi

Unsupervised Learning fokus pada:

• Similarity (kemiripan data)
• Struktur tersembunyi
• Hubungan antar data

---

3. 🔄 Jenis-Jenis Unsupervised Learning

7

📊 Klasifikasi

Jenis	Deskripsi
Clustering	Mengelompokkan data
Dimensionality Reduction	Mengurangi fitur

---

📖 Narasi

• Clustering → mencari kelompok data
• Dimensionality Reduction → menyederhanakan data

---

4. ⚙️ Algoritma Clustering

---

🔹 4.1 K-Means Clustering

6

📌 Konsep

Mengelompokkan data menjadi K cluster berdasarkan jarak ke centroid.

---

📊 Langkah K-Means

1. Tentukan jumlah cluster (K)
2. Pilih centroid awal
3. Hitung jarak data ke centroid
4. Update centroid
5. Ulangi hingga stabil

---

📖 Narasi

K-Means sangat populer karena:

• Sederhana
• Cepat
• Mudah diimplementasikan

---

🔹 4.2 Hierarchical Clustering

6

📌 Konsep

Membentuk cluster secara bertahap (tree/dendrogram).

---

📊 Jenis

Jenis	Penjelasan
Agglomerative	Dari bawah ke atas
Divisive	Dari atas ke bawah

---

📖 Narasi

Digunakan untuk analisis hubungan data secara hierarkis.

---

5. 📉 Dimensionality Reduction

---

🔹 5.1 Principal Component Analysis (PCA)

7

📌 Konsep

Mengurangi jumlah fitur dengan mempertahankan informasi penting.

---

📖 Narasi

PCA digunakan untuk:

• Visualisasi data
• Mengurangi kompleksitas
• Menghindari overfitting

---

6. 📏 Pengukuran Kemiripan (Similarity)

📊 Metode

Metode	Penjelasan
Euclidean Distance	Jarak garis lurus
Manhattan Distance	Jarak grid
Cosine Similarity	Sudut antar vektor

---

📖 Narasi

Kemiripan menentukan bagaimana data dikelompokkan.

---

7. ⚠️ Tantangan Unsupervised Learning

🔍 Permasalahan

• Tidak ada label → sulit evaluasi
• Menentukan jumlah cluster (K)
• Sensitif terhadap noise
• Interpretasi hasil sulit

---

8. ⚖️ Perbandingan Clustering vs Classification

📊 Tabel

Aspek	Clustering	Classification
Label	Tidak ada	Ada
Tujuan	Kelompokkan data	Prediksi kelas
Metode	K-Means	KNN

---

9. 💡 Studi Kasus

6

📖 Contoh

• Segmentasi pelanggan
• Analisis perilaku pengguna
• Deteksi anomali

---

10. ⚙️ Tools Unsupervised Learning

📊 Tools

Tools	Fungsi
Python	Bahasa utama
Scikit-learn	ML library
Matplotlib	Visualisasi

---

11. 🎯 Kesimpulan

• Unsupervised Learning bekerja tanpa label
• Digunakan untuk eksplorasi data
• Algoritma utama: K-Means, Hierarchical, PCA
• Berguna dalam analisis data besar
• Tantangan utama adalah evaluasi

---

📚 Aktivitas Pembelajaran

• Latihan: Clustering dataset sederhana
• Diskusi: “Bagaimana menentukan jumlah cluster?”
• Praktikum: Implementasi K-Means di Python