{% extends 'base.html' %} {% block title %}Buat Analisis Clustering{% endblock %} {% block topbar_title %}Buat Analisis Clustering{% endblock %} {% block content %}
Konfigurasi Analisis
Kosongkan untuk generate otomatis.
{% if not tahap_list %}
Belum ada data penduduk. Tambahkan data terlebih dahulu.
{% endif %}
Nilai antara 2–10. Disarankan: 3.
Fitur yang digunakan: Jenis Kelamin, Pendidikan, Status Rumah, Status Pekerjaan, Disabilitas. Proses: Data Cleaning → Transformasi Kategorikal → Normalisasi → Clustering → Evaluasi (Silhouette Score).
Batal
Panduan Metode
K-Means Clustering

Membagi data menjadi k cluster berdasarkan kedekatan ke centroid. Cocok untuk data besar dan ingin cluster yang jelas terpisah.

Hierarchical Clustering

Membangun hierarki cluster dari bawah ke atas (agglomerative). Menghasilkan dendrogram yang memperlihatkan struktur pengelompokan secara visual.

Normalisasi
  • Z-Score: Standarisasi dengan mean 0 dan std 1. Baik untuk data dengan distribusi normal.
  • Min-Max: Skala 0–1. Baik saat rentang nilai penting.
Interpretasi Silhouette Score
0.71–1.00 → Struktur cluster sangat kuat
0.51–0.70 → Struktur cluster baik
0.26–0.50 → Struktur cluster cukup
≤ 0.25 → Struktur cluster lemah
{% endblock %} {% block extra_js %} {% endblock %}