Clustering merupakan salah satu teknik dalam unsupervised learning yang digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik/ pola data. Dalam analisis data modern, terutama ketika berhadapan dengan data beragam (numerik, kategorik, atau campuran), pemilihan metode clustering yang tepat menjadi sangat penting. Tiga algoritma yang paling sering digunakan adalah K-Means, K-Medoids, dan K-Prototypes. Masing-masing memiliki kelebihan, kekurangan, serta jenis data yang cocok untuk digunakan. 

  • K-Means 

K-Means adalah algoritma clustering yang bekerja dengan meminimalkan jarak rata-rata kuadrat antara setiap titik data dengan centroid cluster. Algoritma ini sangat populer karena mudah diimplementasikan, cepat, dan efektif untuk data numerik berskala besar. Namun, metode ini sensitif terhadap outlier dan tidak dapat digunakan pada data kategorik. 

  •  K-Medoids 

K-Medoids, yang dikenal dengan algoritma PAM (Partitioning Around Medoids), merupakan alternatif yang lebih robust dibandingkan K-Means. Alih-alih menggunakan centroid, K-Medoids menggunakan medoid, yaitu titik dalam dataset yang paling mewakili cluster. Metode ini lebih tahan terhadap outlier dan dapat digunakan dengan berbagai jenis distance metrics. Namun, komputasinya lebih berat dan kurang efisien pada dataset besar. 

  • K-Prototypes 

K-Prototypes merupakan pengembangan dari K-Means dan K-Modes, sehingga dapat menangani data campuran (numerik + kategorik). Algoritma ini menggabungkan Euclidean distance untuk fitur numerik dan dissimilarity measure untuk fitur kategorik. Metode ini sangat berguna untuk dataset bisnis atau sosial yang mengandung atribut campuran seperti umur, pekerjaan, pendapatan, dan status pernikahan. 

Berikut ini merupakan tabel perbandingan yang dapat dijadikan sebagai acuan dalam memilih salah satu dari ketiga metode clustering di atas: 

Aspek  K-Means  K-Medoids  K-Prototypes 
Jenis Data  Numerik  Numerik & dapat gunakan berbagai distance metrics  Campuran (Numerik + Kategorik) 
Representasi Pusat Cluster  Centroid (rata-rata)  Medoid (data asli yang paling mewakili cluster)  Centroid untuk numerik + mode untuk kategorik 
Distance Metric  Euclidean  Flexible (Manhattan, Euclidean, dsb.)  Euclidean (numerik) + Dissimilarity (kategorik) 
Kekuatan Utama  Cepat, efisien, cocok untuk data besar  Robust terhadap outlier/noise, hasil lebih stabil  Cocok untuk dataset nyata yang mengandung data campuran 
Kelemahan Utama  Sensitif terhadap outlier, hanya untuk data numerik  Lebih lambat pada dataset besar  Memerlukan parameter γ (gamma) untuk mengatur bobot numerik vs kategorik 
Bentuk Cluster  Cenderung spherical (bulat)  Lebih fleksibel, tidak harus spherical  Menggabungkan pola numerik & kategorik 
Kapan Digunakan?  Jika dataset sepenuhnya numerik dan besar  Jika data mengandung banyak outlier  Jika data berisi fitur campuran (misal: umur, jenis pekerjaan, pendapatan, status) 

Referensi 

https://medium.com/@toukir.ahamed.pigeon/understanding-unsupervised-machine-learning-k-means-clustering-elbow-method-and-pca-explained-d858d3528b20 

https://www.geeksforgeeks.org/machine-learning/k-means-vs-k-medoids-clustering/ 

https://medium.com/@reddyyashu20/k-means-kmodes-and-k-prototype-76537d84a669