<![CDATA[Algoritma Unsupervised Learning pada data demografi berdimensi tinggi rentan terhadap bias magnitudo dan opasitas model, yang mendistorsi validitas segmentasi berbasis jarak Euclidean. Penelitian ini mengusulkan kerangka kerja Explainable Clustering melalui integrasi Feature Engineering berbasis rasio dan SHapley Additive exPlanations (SHAP). Metodologi meliputi normalisasi Z-Score, optimasi K-Means dengan validasi Silhouette Coefficient, dan ekstraksi fitur menggunakan surrogate modeling berbasis Random Forest. Eksperimen menghasilkan struktur klaster optimal pada k=2 (Silhouette Score 0.58). Analisis SHAP menyingkap fakta bahwa densitas Rasio Pendidikan Dasar dan Rasio Inklusi bertindak sebagai diskriminator utama ruang vektor, mengungguli fitur bervolume besar. Pendekatan hybrid ini terbukti efektif mengeliminasi distorsi populasi sekaligus menyediakan interpretasi algoritmik yang presisi untuk data multidimensi.]]>
Copyrights © 2025
