Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, pelanggan sebuah mal yang terbagi otomatis menjadi lima segmen, dari pelanggan hemat sampai pelanggan sultan, lengkap dengan pusat setiap kelompok. Tidak ada label sama sekali, algoritma menemukan sendiri kelompoknya. Kita juga membandingkan K-Means dengan Hierarchical Clustering dan The Base Can. Ayo kita mulai. Halo, selamat datang di episode ke-13 seri Machine Learning dengan Python. Kita masuk ke Unsupervisate Learning, di mana data tidak punya label. Tugas pertama yang paling populer adalah clustering, yaitu mengelompokkan data yang mirip. Contoh nyatanya segmentasi pelanggan. Tim pemasaran ingin tahu ada kelompok pelanggan apa saja, supaya promonya tepat sasaran. Kita buat file pelanggan.py.
Langkah 1: Data pelanggan tanpa label
Datanya 200 pelanggan mal dengan 2 fitur, pendapatan tahunan dalam juta rupiah dan skor belanja dari 1 sampai 100. Kita buat dari 5 kelompok tersembunyi, tapi labelnya tidak kita simpan, karena dalam dunia nyata kita memang tidak tahu. Skater plot pertama memperlihatkan titik-titik yang belum diberi warna.
Langkah 2: Memilih K: elbow dan silhouette
K-Means butuh jumlah kelompok KA. Bagaimana memilihnya? Metode elbow menggambar inersia, yaitu jumlah jarak kwadrat titik ke pusat kelompoknya, untuk KA dari 1 sampai 10. Kita cari siku, titik ketika penurunannya mulai melandai. Metode kedua, silhouette skor, mengukur seberapa pas setiap titik di kelompoknya dibanding kelompok lain, semakin tinggi semakin baik. Keduanya menunjuk KA sama dengan 5.
Langkah 3: K-Means lima segmen
Kita latih K-Means dengan 5 kelompok. Fitur distandardisasi dulu supaya pendapatan dan skor punya bobot yang sama. Hasilnya kita gambar dengan warna per kelompok, dan pusat setiap kelompok ditandai silang hitam.
Langkah 4: Profil setiap segmen
Plustering baru berguna jika kita bisa menjelaskan setiap kelompok. Dengan group buy, kita hitung rata-rata pendapatan, skor belanja, dan jumlah anggota setiap kelompok. Dari sini tim pemasaran bisa memberi nama, misalnya pendapatan tinggi dan belanja tinggi adalah pelanggan sultan. Pendapatan tinggi tapi belanja rendah adalah pelanggan hemat yang perlu dibujuk.
Langkah 5: Hierarchical clustering dan dendrogram
Algoritma kedua, Hierarchical Clustering. Buat file hierarki.py. Aglomerative Clustering mulai dengan setiap titik sebagai kelompok sendiri, lalu menggabungkan dua kelompok terdekat berulang-ulang. Prosesnya bisa digambar sebagai dendrogram. Memotong dendrogram di ketinggian tertentu menentukan jumlah kelompok.
Langkah 6: DBSCAN untuk bentuk tidak bulat
Algoritma ketiga, debeskan, mengelompokkan berdasarkan kepadatan, dan tidak perlu menentukan jumlah kelompok. Kita uji pada data bulan sabit. K-Means gagal karena selalu membuat kelompok bulat, sedangkan debeskan berhasil mengikuti bentuk bulan sabit. Bonusnya, titik yang terpencil diberi label minus satu sebagai nice.
Selesai!
Selesai. Kita sudah melakukan segmentasi pelanggan dengan K-Means, memilih KA dengan elbow dan silhouette, membuat profil kelompok, serta mengenal Hierarchical Clustering dan debeskan. Di episode berikutnya kita belajar reduksi dimensi dengan PCA, TSNI, dan UMAP. Ingin menguasai machine learning dan data science? Cerdas inovasi digital membuka kursus Python, machine learning, dan AI dari dasar, jasa pembuatan model prediksi, analisis data, dan aplikasi AI untuk bisnis maupun penelitian, serta menjual source code lengkap tutorial ini. Ingin menguasai seluruh seri ini, dari pengenalan machine learning sampai diplo model ke web? Semua 18 episode, lengkap dengan PDF panduan langkah demi langkah, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
