TL;DR
Klasifikasi masukin data ke kategori yang labelnya udah kamu tentuin duluan, misalnya pelanggan bakal churn atau nggak. Clustering nyari kelompok sendiri dari data tanpa label apapun, lalu kamu yang kasih nama tiap kelompok. Aturan cepatnya: ada kolom jawaban di data latih berarti klasifikasi, nggak ada berarti clustering.
Klasifikasi masukin data ke kategori yang udah kamu tentuin duluan. Clustering nyari sendiri kelompoknya dari data, tanpa kamu kasih tau kategorinya apa.
Dua-duanya ngelompokin data, makanya sering ketuker. Tapi salah pilih di awal bikin kamu ngerjain hal yang nggak bisa dikerjain, dan biasanya baru sadar setelah dua hari.
Aku bahas bedanya pakai satu dataset yang sama: 4.812 pelanggan toko_berkah yang punya kartu member.
Klasifikasi adalah cara model belajar dari contoh yang udah ada jawabannya, lalu nebak jawaban buat data baru. Kamu kasih ribuan baris yang tiap barisnya punya label, misalnya pelanggan ini berhenti belanja atau masih aktif. Model belajar pola dari situ. Habis itu, kamu kasih pelanggan baru dan model nebak dia masuk kategori mana.
Kunci klasifikasi ada di kata label. Tanpa kolom jawaban di data latih, klasifikasi nggak bisa jalan.
Contoh pertanyaan yang cocok dijawab klasifikasi:
Semua pertanyaan itu punya satu ciri sama: jawabannya terbatas dan udah diketahui dari kasus-kasus lama.
Clustering adalah cara ngelompokin data berdasarkan kemiripan, tanpa ada label sama sekali. Kamu kasih data mentah, algoritma nyari mana baris yang mirip satu sama lain, lalu bikin kelompok. Kamu yang baca hasilnya dan kasih nama tiap kelompok itu.
Algoritma nggak tau kelompok yang dia bikin artinya apa. Dia cuma tau baris nomor 12 dan 340 itu mirip.
Contoh pertanyaan yang cocok buat clustering:
Kata kuncinya: kamu belum tau jawabannya, dan yang kamu cari adalah polanya.
| Aspek | Klasifikasi | Clustering |
|---|---|---|
| Butuh label di data latih | Wajib | Nggak perlu |
| Jumlah kategori | Ditentukan kamu di awal | Ditentukan kamu atau algoritma |
| Arti tiap kategori | Udah jelas dari awal | Kamu yang kasih nama setelah lihat hasil |
| Cara ukur bagus atau nggak | Akurasi, precision, recall | Silhouette score, plus penilaian manusia |
| Contoh algoritma | Logistic Regression, Decision Tree, Random Forest | K-Means, DBSCAN, Hierarchical Clustering |
| Hasil buat data baru | Langsung dapat prediksi kategori | Perlu dihitung ulang jaraknya ke pusat kelompok |
| Risiko utama | Label di data lama salah atau bias | Kelompoknya keluar tapi nggak ada artinya |
Baris terakhir itu yang paling sering bikin proyek clustering mubazir. Algoritma selalu ngasih kelompok kalau diminta, bahkan waktu datanya sebenernya nggak punya kelompok apa-apa.
Langkah 3 itu yang sering kelewat. Banyak kasus yang kelihatan kayak clustering sebenernya bisa jadi klasifikasi begitu kamu bikin aturan label dari data lama.
Toko_berkah punya data member dengan tiga kolom yang kepakai: tanggal transaksi terakhir, jumlah transaksi setahun, dan total belanja setahun. Kombinasi ini biasa disebut RFM.
Waktu dijalanin clustering dengan K-Means dan k sama dengan 4, hasilnya empat kelompok yang setelah dilihat isinya aku kasih nama gini:
| Kelompok | Jumlah member | Rata-rata belanja setahun | Transaksi setahun |
|---|---|---|---|
| Rutin belanja besar | 412 | Rp8.640.000 | 34 |
| Rutin belanja kecil | 1.883 | Rp2.140.000 | 26 |
| Sesekali | 1.955 | Rp740.000 | 6 |
| Nyaris hilang | 562 | Rp310.000 | 2 |
Angka yang bikin aku berhenti sebentar: kelompok pertama isinya cuma 8,6 persen member, tapi nyumbang 31 persen total omzet member. Sementara kelompok Nyaris hilang, 11,7 persen member, cuma nyumbang 1,4 persen omzet.
Clustering nggak bilang apa-apa soal siapa yang bakal berhenti belanja bulan depan. Dia cuma bilang: pelangganmu bentuknya begini.
Waktu dijalanin klasifikasi, pertanyaannya beda. Aku bikin label churn dulu: member yang nggak transaksi 120 hari terakhir ditandai 1, sisanya 0. Dari 4.812 member, 1.108 kena label churn.
Setelah model dilatih pakai data 2024 dan diuji pakai data 2025, dia bisa nunjuk 71 persen member yang beneran berhenti belanja. Yang penting, sepertiga dari member berisiko tinggi itu ada di kelompok Rutin belanja kecil, bukan di kelompok Nyaris hilang.
Ini yang bikin dua metode itu saling melengkapi, bukan saling gantiin. Clustering ngasih peta, klasifikasi ngasih peringatan.
Kalau kamu mau dalami sisi pengelompokan pelanggannya, aku bahas terpisah di segmentasi dan cohort analysis.
1. Jalanin clustering padahal labelnya udah ada. Kalau data kamu udah punya kolom status pelanggan, klasifikasi bakal kasih hasil yang jauh lebih berguna.
2. Nggak nyamain skala kolom sebelum clustering. Kolom total belanja dalam jutaan bakal ngalahin kolom frekuensi yang cuma angka satuan. Standardisasi dulu, atau hasilnya cuma cerminan kolom terbesar.
3. Percaya begitu aja sama jumlah kelompok yang keluar. Kalau kelompoknya nggak bisa kamu jelasin ke tim marketing dalam satu kalimat, kelompok itu nggak kepakai.
4. Ngukur klasifikasi cuma dari akurasi. Kalau cuma 5 persen transaksi yang penipuan, model yang selalu bilang aman udah dapat akurasi 95 persen dan nggak berguna sama sekali. Lihat precision dan recall.
5. Ngeskip pembersihan data. Satu outlier pelanggan grosir yang belanja Rp180 juta setahun bisa narik pusat kelompok jauh dari posisi seharusnya.
6. Bikin label dari aturan yang nggak konsisten. Kalau definisi churn kamu berubah di tengah jalan, model belajar dari data yang saling bertentangan. Aturan definisi metrik harus dikunci sebelum modelnya dilatih.
Lihat data kamu. Kalau ada satu kolom yang isinya jawaban yang mau kamu tebak, misalnya kolom churn berisi ya atau nggak, itu klasifikasi. Kalau nggak ada kolom jawaban sama sekali dan kamu cuma pengen tau ada pola kelompok apa di data, itu clustering. Satu pertanyaan itu udah nyelesaiin 90 persen kebingungannya.
Bisa, dan ini pola yang lumayan sering dipakai. Kamu jalanin clustering buat nemuin kelompok pelanggan, kasih nama tiap kelompok, lalu pakai nama itu sebagai label buat model klasifikasi. Hasilnya, pelanggan baru bisa langsung dimasukin ke kelompok tanpa jalanin ulang clustering dari awal.
Clustering. K-Means ngelompokin data jadi sejumlah k kelompok berdasarkan kedekatan jarak, tanpa perlu label apapun. Yang sering bikin ketuker itu K-Nearest Neighbors alias KNN, yang namanya mirip tapi masuk klasifikasi karena butuh data berlabel buat nentuin tetangga terdekat mana yang jadi acuan.
Buat clustering sederhana kayak segmentasi pelanggan, beberapa ratus baris udah bisa kasih hasil yang masuk akal. Buat klasifikasi, kamu butuh cukup contoh di tiap kategori. Kalau kategori yang jarang muncul cuma punya 20 baris dari 5.000, modelnya bakal susah belajar dan hasilnya nggak bisa dipercaya.
Biasanya soal skala kolom. Kalau kolom total belanja dalam jutaan rupiah dan kolom frekuensi cuma angka 1 sampai 20, kolom rupiah bakal mendominasi perhitungan jarak. Samain dulu skalanya pakai standardisasi sebelum jalanin algoritmanya. Nilai ekstrem juga perlu dicek, soalnya satu outlier bisa narik pusat kelompok jauh.
Tiga hal buat dipegang:
Buat penjelasan teknis tiap algoritma beserta parameternya, dokumentasi scikit-learn tempat rujukan yang paling rapi.
Coba mulai dari data pelanggan kamu sendiri. Hitung dulu tiga kolom RFM-nya di spreadsheet pakai COUNTIFS dan SUMIFS, baru mikirin mau klasifikasi atau clustering.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Tools AI bisa bikin chart dan ringkas data dalam hitungan detik. Jadi Python masih perlu dipelajari analis di 2026? Jawabannya iya, tapi alasannya udah beda dari 3 tahun lalu.
Aku tes forecasting AI di data penjualan 4 cabang toko grosir. Hasilnya lebih akurat dari tebakan manual, tapi meleset parah di satu titik yang mahal.
Cara ngolah ribuan review pelanggan jadi insight pakai AI, dari nyusun prompt yang konsisten, ngasih label, sampai ngubah hasilnya jadi rekomendasi yang bisa dieksekusi.