Module Question 5
- Describe the steps of the k-Means clustering algorithm. What does the ‘k’ represent?
- Why is dimensionality reduction useful in machine learning?
- Provide a real-world application for clustering (e.g., customer segmentation).
- What is the main objective of PCA?
Jawaban dibuat sesuai dengan 4 Standarisasi iDu yang terdiri dari Pertanyaan, Status, Keterangan, Bukti (berupa link iMe BisDi).
Status : 100%
Keterangan : Saya telah mengerjakan tugas dengan baik dan benar
Bukti :
- Jelaskan langkah-langkah algoritma clustering k-Means. Apa yang direpresentasikan oleh ‘k’?
- Mengapa reduksi dimensi bermanfaat dalam machine learning?
- Berikan contoh penerapan clustering di dunia nyata (misalnya, segmentasi pelanggan).
- Apa tujuan utama dari PCA?
Jawaban
- k-Means adalah metode AI untuk mengelompokkan data berdasarkan kemiripannya. Langkah-langkahnya adalah menentukan jumlah kelompok, memilih titik pusat setiap kelompok, mengelompokkan data berdasarkan titik pusat terdekat, lalu memperbarui titik pusat dan mengulangi proses sampai kelompoknya stabil. Huruf k menunjukkan jumlah kelompok yang ingin dibuat.
- Dimensionality reduction berguna untuk mengurangi jumlah informasi atau fitur dalam data tanpa kehilangan terlalu banyak informasi penting. Cara ini bisa membuat proses AI lebih cepat, lebih sederhana, dan lebih mudah dipahami.
- Contohnya adalah toko online yang ingin mengelompokkan pelanggan berdasarkan kebiasaan belanja. Pelanggan yang sering membeli produk mahal bisa masuk ke satu kelompok, sedangkan pelanggan yang lebih sering membeli produk diskon bisa masuk ke kelompok lain. Dengan begitu, toko dapat membuat promosi yang sesuai untuk setiap kelompok pelanggan.
- PCA (Principal Component Analysis) bertujuan mengurangi jumlah fitur dalam data dengan tetap mempertahankan sebanyak mungkin informasi penting. Contohnya, data pelanggan yang memiliki banyak informasi dapat disederhanakan agar lebih mudah dianalisis dan dipahami.