Modul 6: Clustering & NLP Dasar

Unsupervised learning bekerja TANPA label. k-Means mengelompokkan data ke k cluster berdasarkan kedekatan: pelanggan dibagi 'hemat', 'reguler', 'premium' otomatis. Kamu yang memilih k (coba beberapa, pakai elbow method).

from sklearn.cluster import KMeans
# X = [[belanja, frekuensi], ...]
km = KMeans(n_clusters=3, random_state=1, n_init=10).fit(X)
print(km.labels_)      # cluster tiap pelanggan: [0 2 1 ...]
print(km.cluster_centers_)

Komputer tak paham teks — ubah jadi angka. CountVectorizer menghitung frekuensi kata; TfidfVectorizer menurunkan bobot kata yang terlalu umum ('yang', 'dan') dan menaikkan kata khas. Hasilnya matriks siap dilatih.

from sklearn.feature_extraction.text import TfidfVectorizer
dok = ['makanan enak sekali', 'makanan buruk', 'pelayanan cepat']
vec = TfidfVectorizer()
X = vec.fit_transform(dok)
print(vec.get_feature_names_out())

Output:
['cepat' 'enak' 'buruk' 'makanan' 'pelayanan' 'sekali']

Mini proyek sentimen: gabungkan TF-IDF + LogisticRegression pada ribuan review → model menentukan positif/negatif review baru. Inilah dasar social media monitoring yang dijual vendor mahal.