Oleh: Bagas Heningswara | Tanggal: 3 Juli 2026Halo, rekan-rekan pembelajar Data Science!Kemarin, tanggal 2 Juli 2026, suasana di ruang kelas SSMI terasa begitu ...
Oleh: Bagas Heningswara | Tanggal: 3 Juli 2026
Halo, rekan-rekan pembelajar Data Science!
Kemarin, tanggal 2 Juli 2026, suasana di ruang kelas SSMI terasa begitu hidup. Kenapa? Karena kami baru saja menyelesaikan sesi workshop yang sangat intens sekaligus seru mengenai salah satu topik paling menarik di dunia Machine Learning: Unsupervised Learning. Dan yang membuat sesi ini spesial adalah kehadiran mentor kece kita, Bang Steven, yang membimbing kami dari nol sampai paham!
Bagi kalian yang terlewat sesinya, jangan khawatir. Artikel ini akan merangkum keseruan dan poin-poin penting yang kami pelajari bersama Bang Steven. Yuk, kita simak!
Suasana Kelas yang Kondusif dan Penuh Semangat
Sejak pagi, rekan-rekan mahasiswa sudah memadati ruangan dengan laptop masing-masing. Terlihat jelas antusiasme di wajah mereka untuk menyerap ilmu baru. Ruangan kelas dengan kursi hitam ikonik dan papan tulis putih ini siap menjadi saksi bisu perjalanan kami menyelami pola tersembunyi di dalam data.
(Masukkan foto suasana kelas di sini - referensi: image_13.png)
Sesi dimulai dengan perkenalan hangat dari Bang Steven. Gaya bicaranya yang santai namun terstruktur langsung membuat suasana menjadi cair dan interaktif.
Membedah Isi Materi: Unsupervised Learning & Pendahuluan Clustering
Masuk ke inti materi, Bang Steven membuka wawasan kami tentang perbedaan mendasar antara Supervised dan Unsupervised Learning.
Apa Itu Unsupervised Learning?
Singkatnya, jika Supervised Learning memiliki "guru" (label data) yang memberi tahu jawaban yang benar, maka Unsupervised Learning bekerja sendiri tanpa guru. Algoritma ini bertugas mencari pola, struktur, atau hubungan tersembunyi di dalam data tanpa label target (unlabeled data).
Salah satu teknik paling populer dalam Unsupervised Learning adalah Clustering (Pengelompokan).
Menyelami Konsep Dasar Clustering
Bang Steven menjelaskan bahwa Clustering adalah teknik mengelompokkan data berdasarkan tingkat kemiripannya.
Prinsip Utamanya: Objek di dalam satu kelompok (cluster) harus sangat mirip satu sama lain (high intra-class similarity), dan harus sangat berbeda dengan objek di cluster lain (low inter-class similarity).