Konteks Project
Semester ini kelompok kami membangun sistem analitik untuk Smart Campus — menggunakan data performa mahasiswa (1.194 sampel) untuk menemukan pola tersembunyi tanpa label.
Pilihan arsitektur: autoencoder PyTorch untuk dimensionality reduction, lalu K-Means clustering pada latent space.
Kenapa Autoencoder, Bukan PCA?
PCA adalah linear transformation. Autoencoder bisa menangkap non-linear relationships dalam data — relevan untuk data perilaku mahasiswa yang kompleks.
Arsitektur yang kami pakai:
- Encoder: 784 → 128 → 64 → 32 → latent(16)
- Decoder: mirror dari encoder
- Loss: MSE reconstruction loss
- Optimizer: Adam, lr=1e-3
Hasil yang Menarik
Clustering pada latent space (k=3) menghasilkan silhouette score yang lebih tinggi dibanding clustering langsung pada raw data. Artinya autoencoder berhasil mengekstrak representasi yang lebih meaningful.
Tiga cluster yang terbentuk berkorelasi dengan pola akademik: mahasiswa high-performer, medium, dan at-risk.
Lesson Learned
Validasi clustering itu lebih dari sekadar silhouette score — interpretabilitas cluster sama pentingnya untuk use case akademik. Dan dokumentasi pipeline dari awal jauh lebih mudah daripada rekonstruksi di akhir.