Hierarchical clustering adalah salah satu metode klastering yang digunakan dalam pembelajaran tanpa terawasi untuk mengelompokkan data ke dalam struktur hierarki atau pohon. Metode ini sangat efektif dalam mengungkapkan hubungan multilevel antar data, sehingga sering dipakai dalam analisis data yang kompleks.
Proses Hierarchical Clustering
Terdapat dua pendekatan utama: agglomerative (penggabungan) dan divisive (pemisahan). Pada pendekatan agglomerative, setiap data mulai sebagai klaster tersendiri dan kemudian digabungkan menjadi klaster yang lebih besar. Sedangkan pada divisive, seluruh data dianggap satu klaster besar yang kemudian dipecah menjadi klaster-klaster lebih kecil.
Visualisasi dengan Dendrogram
Hasil hierarchical clustering biasanya divisualisasikan dalam bentuk dendrogram, yang memperlihatkan tingkatan penggabungan atau pemisahan klaster. Visualisasi ini membantu dalam menentukan jumlah klaster yang optimal untuk analisis lebih lanjut.
Kelebihan dan Keterbatasan
Kelebihan utama hierarchical clustering adalah kemampuannya menemukan struktur alami dalam data tanpa perlu menentukan jumlah klaster di awal. Namun, metode ini kurang efisien pada data berukuran sangat besar dan sensitif terhadap outlier.