Lihat sumber Pengaruh Outlier terhadap K-Means

Kehadiran [[outlier]] atau data pencilan dalam dataset dapat memberikan dampak signifikan terhadap hasil pengelompokan yang dihasilkan oleh algoritma K-Means. Hal ini karena K-Means sangat bergantung pada perhitungan [[rata-rata]] yang sensitif terhadap nilai ekstrem. Oleh karena itu, penting untuk memahami bagaimana outlier mempengaruhi proses clustering.

== Dampak Outlier pada Centroid ==
Outlier dapat menarik posisi centroid menjauh dari inti cluster, sehingga menyebabkan pengelompokan yang tidak akurat. Hal ini dapat menyebabkan data yang sebenarnya mirip ditempatkan pada cluster yang berbeda atau centroid menjadi tidak representatif.

== Penanganan Outlier ==
Sebelum menerapkan K-Means, biasanya dilakukan teknik [[preprocessing data]] seperti deteksi dan penghapusan outlier menggunakan metode statistik atau visualisasi. Alternatif lain adalah menggunakan algoritma yang lebih robust seperti [[K-Medoids]], yang tidak terlalu terpengaruh oleh outlier.

== Studi Kasus dan Solusi ==
Dalam beberapa studi kasus, outlier dapat diidentifikasi melalui visualisasi atau analisis distribusi. Setelah outlier dihapus, hasil clustering menjadi lebih stabil dan representatif. Oleh karena itu, penanganan outlier merupakan langkah penting dalam pipeline [[machine learning]].