Pengembang Platform & Instruktur Utama

Thoriqi Firdaus, S.Pd., M.Pd.

Dosen Universitas Pelita Bangsa

💻 Digital Pedagogy 🤖 AI in Science Education 🌱 STEM-Green Integration 🌍 Socio-scientific Issues

Mata Kuliah AI - Pertemuan 7

Klastering & Evaluasi Model AI

Untuk Pengambilan Keputusan Manajerial

Pembelajaran berbasis eksplorasi data industri. Temukan insight strategis melalui simulasi algoritma K-Means, visualisasi klastering, dan evaluasi model.

Mulai Simulasi Eksplorasi Data

Bagian 1

Data Tanpa Label, Pola Tersembunyi

Memahami urgensi Unsupervised Learning dalam pengambilan keputusan rantai pasok.

Skenario Pengadaan

Sebuah perusahaan manufaktur memiliki data 12 pemasok. Selama 6 bulan terakhir, perusahaan mencatat dua metrik utama:

Keterlambatan pengiriman (Hari)
Persentase produk cacat / tidak standar (%)

Manajer pengadaan ingin mengelompokkan pemasok ini untuk menentukan strategi pembinaan, namun perusahaan belum memiliki kategori baku.

Klik pertanyaan di bawah untuk melihat jawaban & simulasi:

1. Apakah semua pemasok perlu diperlakukan dengan strategi yang sama?

Jawaban: Tidak. Menyamaratakan strategi akan membuang sumber daya. Memberikan penalti logistik kepada pemasok yang sudah tepat waktu, atau memberikan bonus kepada pemasok yang produknya cacat, adalah inefisiensi manajerial.

2. Bagaimana jika ada pemasok yang tepat waktu, tapi kualitasnya rendah?

Jawaban: Ini adalah "Pola Spesifik". Pemasok ini unggul di manajemen armada (logistik) tetapi buruk di lini produksi. Intervensi manajer harus difokuskan pada audit Quality Control (QC) mereka, bukan menegur sistem pengirimannya.

3. Bagaimana cara menemukan kelompok tanpa kategori awal?

Jawaban: Unsupervised Learning. Algoritma (seperti K-Means) akan mengukur "jarak data" antar pemasok untuk secara otomatis membentuk klaster. Algoritma mengenali pola tersembunyi yang mungkin tidak terlihat oleh mata manusia.

Simulasi Data 12 Pemasok

Tingkat Cacat (%)

Keterlambatan (Hari)

Klik pertanyaan di sebelah kiri untuk menganalisis data.

Bagian 2

Konsep Dasar Clustering vs Klasifikasi

Menemukan struktur tersembunyi dari data yang tidak memiliki label kelas.

Kilas Balik Pertemuan 6: Decision Tree

Pada Decision Tree, kita menggunakan data berlabel (Supervised Learning) untuk memprediksi kelas produk. Hari ini, kita menghadapi tantangan berbeda: data kita belum memiliki label. Bagaimana algoritma bisa menemukan struktur kelompok dari data mentah tersebut? Jawabannya adalah Unsupervised Learning (Clustering).

Aspek	Klasifikasi (cth: Decision Tree)	Clustering (cth: K-Means)
Jenis Pembelajaran	Supervised Learning	Unsupervised Learning
Label Awal	Tersedia (Data Historis)	Umumnya Tidak Tersedia
Tujuan Utama	Memprediksi kelas baru	Menemukan kelompok tersembunyi
Contoh di Industri	Memprediksi produk "Baik" atau "Cacat"	Segmentasi kinerja Pemasok
Hasil Output	Kelas Prediksi (Probabilitas)	Keanggotaan Klaster (Cluster ID)

Aktivitas: Kelompokkan Menurut Pengamatanmu

Di bawah ini terdapat 8 pemasok berdasarkan tingkat Cacat (%) dan Keterlambatan (Hari). Coba kelompokkan mereka menurut intuisimu.

Langkah 1: 👆 Klik langsung pada lingkaran (angka 1-8) di diagram untuk mengubah warnanya.
Langkah 2: Setelah selesai, klik tombol di bawah untuk membandingkannya dengan mesin.

Insight Manajerial: K-Means menggunakan perhitungan jarak matematis (Euclidean Distance). Tujuannya bukan membuktikan intuisi manusia salah, tetapi menunjukkan bahwa algoritma mampu mengukur jarak antar fitur secara presisi pada dataset industri berskala besar.

Persentase Cacat (%)

Keterlambatan (Hari)

Bagian 3

Mengenal Algoritma K-Means

Memahami logika matematis di balik pembentukan klaster sebelum melakukan simulasi.

A. Apa itu K-Means?

K-Means adalah algoritma clustering yang membagi data menjadi K kelompok berdasarkan kedekatan observasi terhadap pusat kelompoknya, yang disebut Centroid.

Secara sederhana, algoritma ini berusaha membentuk kelompok dengan meminimalkan jumlah kuadrat jarak (squared distance) setiap titik data terhadap centroid klasternya.

Tujuan Pembelajaran: Mahasiswa memahami logika algoritma pembentuk struktur sebelum mempraktekkan simulasi industri.

Meminimalkan Jarak ke Centroid

B. Empat Konsep Utama

Data Point

Satu observasi tunggal di dalam dataset yang sedang dianalisis.

Ilustrasi Industri: Satu Pemasok (Supplier)

Feature

Karakteristik atau variabel pengukur yang dianalisis dari data.

Ilustrasi Industri: Keterlambatan (Hari) & Persentase Cacat (%)

Centroid

Pusat representatif atau titik tengah matematis dari suatu klaster.

Ilustrasi Industri: Titik pusat rata-rata performa dari kelompok pemasok

Cluster

Kumpulan observasi yang berhasil dikelompokkan oleh algoritma.

Ilustrasi Industri: Kelompok pemasok dengan pola kinerja serupa

Bagian 4

Cara Algoritma Bekerja

4 Tahapan interaktif K-Means dan logika matematis di baliknya.

Menentukan jumlah klaster (K)

Pengguna menentukan nilai K (misal K=3). Algoritma akan dipaksa membentuk 3 klaster, terlepas dari apakah data alami benar-benar terbagi tiga.

Menentukan Centroid Awal

Algoritma melempar 3 titik pusat awal (centroid) secara acak. Inisialisasi cerdas seperti K-Means++ sering digunakan agar posisi awal tidak menumpuk.

Menempatkan data ke terdekat

Setiap pemasok (observasi) dimasukkan ke klaster berdasarkan jarak terpendeknya terhadap centroid.

Memperbarui Centroid

Posisi centroid dihitung ulang berdasar rata-rata fitur anggotanya. Langkah 3 & 4 diulang terus hingga posisi centroid tidak berubah (konvergen).

D. Formula Dasar K-Means

Bagaimana jarak dan batas optimal dihitung secara presisi?

Jarak Euclidean

d(x, c) = √∑_j=1^p (x_j - c_j)²

x_j : Nilai fitur ke-j pada pemasok (observasi).
c_j : Nilai fitur ke-j pada centroid.
p : Jumlah fitur (contoh: 2 fitur yaitu cacat & telat).

Fungsi Objektif (Minimasi)

J = ∑_i=1^K ∑_{x ∈ C_i} || x - μ_i ||²

K : Jumlah klaster.
C_i : Kumpulan observasi dalam klaster ke-i.
μ_i : Centroid klaster ke-i.

Pesan Pembelajaran: K-Means secara matematis berusaha merapatkan data di dalam klaster (meminimalkan fungsi J). Namun, di dunia nyata, klaster matematis tidak otomatis berarti paling berguna untuk kebutuhan manajerial. Oleh karena itu, mari tinggalkan rumus ini sejenak dan beralih ke Simulasi Visual.

Laboratorium Interaktif

Laboratorium Simulasi K-Means

Gunakan data 12 pemasok di bawah ini untuk melihat langsung bagaimana algoritma K-Means bekerja langkah demi langkah.

Pengaturan Algoritma

Jumlah Klaster (K):

Metode Inisialisasi:

Status: Menunggu Konfigurasi

Hasil Profiling Klaster

Jalankan algoritma sampai selesai untuk melihat hasil evaluasi manajerial di sini.

Diagram Pemetaan Kinerja Pemasok Data: 12 Pemasok (A-L)

Persentase Produk Cacat (%)

Keterlambatan Pengiriman (Hari)

Bagian 5

Dari Mesin ke Keputusan Manajer

Mesin hanya mengelompokkan angka, tetapi Anda (Manajer) yang memberikan makna dan mengambil keputusan.

🤖 Bahasa Mesin (Algoritma) 💼 Bahasa Manajer (Bisnis)

Coba klik sakelar di atas untuk menerjemahkan angka algoritma menjadi keputusan bisnis.

Kelompok "Si Bintang"

Profil Data:

Keterlambatan sangat rendah, tingkat produk cacat sangat kecil.

Keputusan Anda:

Jadikan mereka Mitra Utama. Berikan kontrak jangka panjang dan prioritas pesanan karena mereka sangat bisa diandalkan.

Kelompok "Cepat tapi Ceroboh"

Profil Data:

Pengiriman selalu tepat waktu, tetapi barang yang dikirim banyak yang rusak.

Keputusan Anda:

Jangan putus kontrak dulu. Logistik mereka bagus. Kirim tim audit ke pabrik mereka untuk membantu memperbaiki proses Quality Control (QC) mereka.

Kelompok "Lampu Merah"

Profil Data:

Pengirimannya sangat lambat dan barang yang sampai pun banyak yang rusak.

Keputusan Anda:

Beri peringatan keras (Surat Teguran) atau mulai kurangi pesanan dan cari pemasok cadangan (Supplier pengganti).

Kesimpulan Perkuliahan: Algoritma AI (seperti K-Means) bekerja untuk menemukan pola yang tidak terlihat oleh mata manusia. Namun, kebijaksanaan strategis menentukan apakah pemasok harus dibina, dipertahankan, atau diputus kontraknya tetaplah 100% berada di tangan Anda sebagai Insinyur Teknik Industri dan Manajer.

Bagian 6

Evaluasi & Kalibrasi Model

Memahami mengapa algoritma mengambil keputusan tertentu dan bagaimana kita dapat mengkalibrasinya agar lebih akurat.

Pertanyaan Refleksi Pasca-Simulasi

Klik pada setiap pertanyaan di bawah ini untuk mengungkap jawaban dan insight manajerialnya.

Jawaban: Karena posisi centroid selalu dihitung ulang sebagai titik rata-rata (mean) dari semua anggota yang ada di dalam klasternya. Setiap kali ada pemasok yang berpindah klaster, nilai rata-rata kelompok tersebut otomatis berubah, sehingga centroid harus "bergerak" ke pusat keseimbangan yang baru.

Jawaban: Kelompok yang terbentuk menjadi lebih banyak, lebih kecil, dan lebih spesifik. Jarak anggota ke centroid menjadi lebih rapat. Namun hati-hati: K yang terlalu besar bisa membuat pengelompokan menjadi terlalu rumit dan kehilangan makna operasional bagi manajer.

Jawaban: Tidak. Mesin murni mengelompokkan data berdasarkan jarak angka matematis (tanpa konteks). Adalah tugas Analis dan Manajer Teknik Industri untuk melihat profil kelompok tersebut dan memutuskan apakah kelompok tersebut relevan untuk dijadikan dasar strategi bisnis atau sekadar kebetulan matematis.

Jawaban: K-Means memiliki kelemahan yaitu sering terjebak pada kondisi Local Optima. Jika dua centroid awal terlempar di area yang terlalu berdekatan, mereka mungkin akan membelah satu kelompok yang sama menjadi dua, alih-alih menemukan kelompok lain yang berjauhan. (Itulah mengapa metode inisialisasi cerdas seperti K-Means++ diciptakan).

            Key Takeaway: Hasil dari algoritma K-Means sangat bergantung pada 4 hal: Fitur yang dipilih, Skala Data, Nilai K, dan Metode Inisialisasi.
        

Konsep Krusial: Standardisasi Data

Dalam studi kasus kita, Keterlambatan diukur dalam rentang Hari (misal: 1-10), sedangkan Produk Cacat diukur dalam Persentase (0-100%).

Masalahnya: Karena K-Means menggunakan perhitungan jarak (Euclidean), fitur dengan angka yang besar (Persentase 100%) akan "menelan" atau mendominasi fitur berangka kecil (Hari). Jarak algoritma menjadi bias dan tidak seimbang.

Solusinya: Kita perlu menyetarakan skala sebelum memasukkannya ke mesin. Metode paling umum adalah menggunakan Z-Score Standardization.

z = x - μ σ

x = Nilai asli | μ = Rata-rata populasi | σ = Standar deviasi

Catatan Manajer: Standardisasi meratakan skala matematis, namun tetap pertimbangkan makna bisnisnya. Terkadang, satu fitur memang *seharusnya* lebih berbobot daripada fitur lainnya berdasarkan prioritas perusahaan.

Cacat (%)
0 - 100

Telat (Hari) 0 - 10

Fitur cacat mendominasi! Jarak ke atas-bawah (Cacat) jauh lebih memengaruhi perhitungan mesin daripada jarak kiri-kanan (Hari).

Bagian 7

Menginterpretasikan Hasil Klaster

Mengubah hasil matematis (angka) menjadi informasi intelijen bisnis yang dapat dieksekusi oleh Manajer.

1. Klaster Bukan Urutan Kualitas

Nomor klaster (1, 2, 3) yang dihasilkan mesin hanyalah ID acak. Klaster 1 tidak selalu lebih baik atau lebih penting daripada Klaster 3.

2. Makna Diciptakan Manusia

Algoritma hanya melihat proksimitas angka numerik. Nama dan arti klaster (misal: "Si Bintang") ditetapkan oleh Anda berdasarkan konteks bisnis.

3. Bukan Bukti Sebab-Akibat

Jika pemasok yang sering telat juga memiliki cacat tinggi, itu adalah Korelasi, bukan otomatis membuktikan bahwa keterlambatan yang menyebabkan cacat.

Aktivitas: Tetapkan Strategi Pemasok

Instruksi: Di bawah ini adalah profil dari 3 Klaster hasil algoritma. Seret (Drag & Drop)Klik kartu lalu klik kotak strategi di sebelah kanan yang paling sesuai dengan profil datanya!

Klaster A

Rata Telat: 1,8 Hari

Rata Cacat: 1,8%

Klaster B

Rata Telat: 7,5 Hari

Rata Cacat: 5,9%

Klaster C

Rata Telat: 4,5 Hari

Rata Cacat: 5,8%

Kinerja Relatif Baik

Pertahankan & Prioritaskan

Memerlukan Pemantauan

Tepat waktu lumayan, kualitas kurang

Evaluasi / Perbaikan

Risiko tinggi pada supply chain

Pesan evaluasi akan muncul di sini.

Pertanyaan Kunci Manajerial

Melihat buruknya Klaster B (Telat & Cacat tinggi), apakah hasil segmentasi ini sudah cukup untuk memutuskan agar pemasok tersebut dihentikan kontraknya hari ini juga?

TIDAK.
Hasil klastering K-Means hanyalah masukan (input) keputusan, bukan keputusan akhir. Sebelum memutus kontrak, Anda harus mempertimbangkan variabel yang tidak ada di model ini, seperti:

Harga yang ditawarkan (apakah mereka jauh lebih murah?).
Ketersediaan pemasok alternatif di pasar.
SOP Perusahaan mengenai surat peringatan (SP).
Risiko kelangkaan pasokan jika mereka diputus mendadak.

Bagian 8

Apakah Model Sudah Baik? Evaluasi & Metrik Kinerja

Membedakan antara model yang menghasilkan kelompok matematis dan model yang benar-benar layak digunakan untuk keputusan manajerial.

Subbagian A

1. Evaluasi K-Means (Inertia, Elbow & Silhouette)

Karena K-Means adalah teknik yang mengelompokkan data tanpa label acuan sebelumnya (Unsupervised), kita tidak bisa menghitung akurasi seperti biasa. Kita harus menggunakan metrik berbasis jarak titik data untuk menilai kualitas kelompoknya.

Inertia

Kepadatan Anggota Klaster

Mengukur total jarak dari setiap titik data ke pusat kelompoknya (centroid).

Fungsi utamanya: Menilai seberapa padat/rapat sebuah klaster. Semakin kecil nilai Inertia, semakin baik, karena itu artinya anggota di dalam klaster tersebut memiliki karakteristik yang sangat mirip satu sama lain.

Inertia = ∑_i=1^K ∑_{x ∈ C_i} || x - μ_i ||²

Catatan Manajerial: Nilai Inertia akan selalu turun jika jumlah klaster (K) terus ditambah. Tapi ingat, membuat kelompok yang terlalu banyak bukan berarti keputusannya menjadi lebih optimal!

Elbow Method

Mencari Titik Siku

Metode visual untuk mencari jumlah klaster (K) yang paling pas.

Fungsi utamanya: Membantu kita menemukan titik 'siku' pada grafik, yaitu titik di mana penambahan kelompok baru sudah tidak lagi memberikan perubahan/penurunan yang signifikan pada nilai Inertia.

Catatan Manajerial: Lekukan siku pada grafik tidak selalu terlihat tajam. Hasil matematis ini harus selalu dikombinasikan dengan kebutuhan logika bisnis perusahaan.

Silhouette Score

Kualitas Pemisahan Klaster (-1 hingga +1)

Fungsi utamanya: Memastikan sebuah data benar-benar berada di kelompok yang tepat dan posisinya berjauhan dengan kelompok lain. Metrik ini menilai seberapa dekat suatu data dengan kelompoknya sendiri dibandingkan dengan kelompok tetangganya.

-1 Salah Masuk Kelompok

0 Tumpang Tindih / Di Perbatasan

+1 Sangat Cocok & Terpisah Jelas

Simulasi Interaktif: Pengaruh Nilai K terhadap Inertia

Klik tombol nilai K (Jumlah Klaster) di bawah ini untuk melihat bagaimana nilai Inertia menurun dan bagaimana prinsip grafik Elbow terbentuk:

Analisis K = 2: Pengelompokan masih terlalu kasar. Jarak antara titik data ke pusat kelompoknya (centroid) masih sangat jauh, sehingga nilai Inertia bernilai tinggi.

Subbagian B

2. Evaluasi Klasifikasi: Accuracy & Confusion Matrix

Berbeda dengan K-Means, klasifikasi (seperti Decision Tree) memiliki label jawaban yang pasti. Mari kita bedah performa sebuah model pendeteksi cacat saat menguji 100 produk pabrik.

Tabel Hasil Pengujian Model (Confusion Matrix - 100 Produk)

Kondisi Asli (Aktual) \ Prediksi AI	AI Memprediksi: Baik	AI Memprediksi: Cacat
Produk Aslinya Baik	TN = 72 Tebakan Benar (Produk Baik)	FP = 8 Salah Tebak (Alarm Palsu)
Produk Aslinya Cacat	FN = 5 Lolos ke Konsumen (Bahaya!)	TP = 15 Berhasil Dicegah (Terdeteksi Cacat)

Accuracy =

TP + TN Total Semua Produk

15 + 72 100

= 87%

Secara matematis, model berhasil menebak 87 dari 100 produk dengan tepat. Namun, apakah angka akurasi 87% ini berarti model AI sudah aman digunakan secara operasional di lantai pabrik?

Dilema Manajerial: Akurasi Tinggi Belum Tentu Aman!

Risiko False Negative (FN = 5): Ada 5 produk yang aslinya CACAT, namun diprediksi BAIK oleh model. Jika 5 produk cacat ini lolos ke tangan konsumen, perusahaan bisa terkena penalti finansial besar atau kehilangan reputasi merk.
Risiko False Positive (FP = 8): Ada 8 produk aslinya BAIK, tapi disangka CACAT. Akibatnya, produk ini tertahan untuk diperiksa ulang, sehingga biaya operasional dan waktu terbuang sia-sia.

Pesan Penting: Gunakan metrik klasifikasi (Akurasi, Recall) untuk data yang sudah ada target pastinya (Supervised), dan gunakan metrik klastering (Inertia, Silhouette) untuk data eksplorasi tanpa target (Unsupervised). Jangan pernah mempertukarkan keduanya!

AI di Ruang Manajer: Dari Metrik ke Keputusan

Mahasiswa Teknik Industri dituntut bukan sekadar menghitung metrik, tetapi mampu mengartikulasikan implikasi analitik AI terhadap keputusan proses bisnis dan strategi operasional.

A. Simulasi Rapat Evaluasi Manajemen

Laporan Kinerja Pemasok (K-Means) Live Data

Indikator Evaluasi	Hasil AI
Jumlah pemasok dianalisis	12 Entitas
Jumlah klaster terpilih (k)	3 Klaster
Silhouette Score	0,58
Inertia	42,6
Accuracy (Model Klasifikasi)	87%

Catatan Analis: Nilai inertia harus dibaca berdasarkan skala fitur & konfigurasi awal. Silhouette Score 0,58 tidak secara otomatis menjamin segmentasi telah optimal 100% untuk operasi bisnis.

Terminal Keputusan Manajerial Menunggu input...

Anda adalah manajer operasional saat ini. Apakah hasil analisis AI di samping sudah cukup kuat untuk dijadikan dasar perubahan strategi pengadaan bulan depan?

B. Kerangka Berpikir Manajerial (4 Validasi AI)

Sebelum mengimplementasikan hasil dari model seperti K-Means, ajukan 4 pertanyaan fundamental berikut ini:

Apakah Hasilnya Konsisten?

Uji reliabilitas: Apakah pengelompokan (klaster) tetap relatif stabil meskipun inisialisasi awal (centroid) atau sampel data berubah?

Apakah Hasilnya Bermakna?

Uji logika bisnis: Apakah karakteristik pembeda pada setiap klaster masuk akal dan dapat dijelaskan secara rasional kepada pemangku kepentingan?

Apakah Hasilnya Bermanfaat?

Uji utilitas: Apakah segmentasi yang dihasilkan terbukti membantu meningkatkan kualitas, efisiensi operasional, atau pengelolaan risiko pengadaan?

Apakah Keputusannya Layak?

Uji kelayakan (Feasibility): Apakah manfaat implementasi rekomendasi model sebanding dengan biaya sistem, modal, dan risiko implementasi operasional?

Tantangan Lanjutan

Segmentasi Tata Letak Fasilitas (Facility Layout)

Penerapan Unsupervised Learning (K-Means) di Teknik Industri tidak terbatas pada data pemasok. Mari bayangkan sebuah pabrik manufaktur yang ingin mengelompokkan mesin berdasarkan profil operasionalnya:

Frekuensi perpindahan material antar stasiun.
Intensitas hubungan aliran material (Activity Relationship).
Kebutuhan kedekatan antarproses produksi.
Frekuensi *material handling* dan dimensi produk antarmesin.

Paradigma Teknik Industri: Model AI mungkin menyatukan Mesin A dan B dalam klaster aliran serupa. Namun, keputusan layout tetap membutuhkan rekayasa ruang fisik (jarak, luas area, keselamatan K3, utilitas kendala mekanis, dan estimasi biaya material handling). AI memberi *baseline* pemetaan, Engineer merancang solusinya.