Scientific Discussion of the Undergraduate Statistics Program at Universitas Bengkulu Discusses Cluster Analysis Using Gaussian Mixture Models / Diskusi Ilmiah Prodi S1 Statistika UNIB Bahas Analisis Klaster dengan Gaussian Mixture Model

Bengkulu, October 16, 2025 – The Undergraduate Statistics Program, Faculty of Mathematics and Natural Sciences, Universitas Bengkulu, once again held the Monthly Scientific Discussion as a platform to strengthen the academic atmosphere and foster scholarly development among lecturers. The event was held in the Undergraduate Statistics Program Meeting Room and was attended by 10 lecturers.

In this scientific discussion, Susi Wijuniamurti, S.Si., M.Stat. served as the presenter with the topic “Cluster Analysis Using Gaussian Mixture Models (GMM).” In her presentation, she explained the importance of cluster analysis in understanding patterns, structures, and data segmentation, particularly in the context of unsupervised learning. It was also emphasized that clustering methods encompass various approaches that must be selected according to the characteristics of the analyzed data. Furthermore, the presenter outlined the basic concepts of cluster analysis and the classification of clustering methods, including partition-based methods, hierarchical methods, density-based methods, grid-based methods, and model-based clustering. The discussion then focused on the Gaussian Mixture Model (GMM) as a probabilistic and flexible model-based clustering method.

During the presentation session, the speaker highlighted the advantages of GMM over the K-Means method, particularly in handling data with elliptical cluster shapes and differing variances across clusters. GMM visualizations were also presented to demonstrate how this method is capable of identifying complex data structures that are often not optimally handled by simpler clustering techniques.

The discussion proceeded actively with various questions from participants, including inquiries regarding the flexibility of GMM compared to K-Means, the role of the Expectation–Maximization (EM) algorithm in parameter estimation, and the impact of choosing different covariance matrix structures on cluster shape and interpretation. These questions enriched the discussion and deepened participants’ understanding of both the theoretical and practical aspects of GMM.

In conclusion, the scientific discussion emphasized that the Gaussian Mixture Model (GMM) is a powerful clustering method for data with complex structures, as it is capable of capturing variations in cluster shapes and distributions more accurately. Nevertheless, the selection of a clustering method should always consider data characteristics, analytical objectives, and underlying assumptions. This activity is expected to encourage lecturers to continuously explore advanced data analysis methods and integrate them into statistical research and teaching.

Bengkulu, 16 Oktober 2025 – Prodi S1 Statistika FMIPA Universitas Bengkulu kembali menyelenggarakan kegiatan Diskusi Ilmiah Bulanan sebagai wadah penguatan atmosfer akademik dan pengembangan keilmuan dosen. Kegiatan ini dilaksanakan di Ruang Prodi S1 Statistika, dan diikuti oleh 10 orang dosen.

Pada diskusi ilmiah kali ini, Susi Wijuniamurti, S.Si., M.Stat. bertindak sebagai penyaji dengan topik “Analisis Klaster dengan Gaussian Mixture Model (GMM)”. Dalam pemaparannya, penyaji menjelaskan pentingnya analisis klaster dalam memahami pola, struktur, dan segmentasi data, khususnya dalam konteks unsupervised learning. Disampaikan pula bahwa metode klaster memiliki beragam pendekatan yang perlu disesuaikan dengan karakteristik data yang dianalisis. Lebih lanjut, pemateri menguraikan konsep dasar analisis klaster beserta pengelompokan metode klaster, meliputi metode partisi, metode hierarki, metode berbasis kerapatan, metode berbasis grid, serta metode berbasis model (model-based clustering). Fokus utama diskusi kemudian diarahkan pada Gaussian Mixture Model (GMM) sebagai salah satu metode klaster berbasis model yang bersifat probabilistik dan fleksibel.

Dalam sesi pemaparan, penyaji menekankan keunggulan GMM dibandingkan metode K-Means, khususnya dalam menangani data dengan bentuk klaster elips dan variansi yang berbeda antar klaster. Visualisasi GMM turut ditampilkan untuk menunjukkan bagaimana metode ini mampu mengidentifikasi struktur data yang kompleks, yang sering kali tidak dapat ditangani secara optimal oleh metode klaster sederhana.

Diskusi berlangsung aktif dengan berbagai pertanyaan dari peserta, antara lain terkait fleksibilitas GMM dibandingkan K-Means, peran algoritma Expectation-Maximization (EM) dalam proses estimasi parameter, serta dampak pemilihan struktur matriks kovarians terhadap bentuk dan interpretasi klaster. Pertanyaan-pertanyaan tersebut memperkaya diskusi dan memperdalam pemahaman peserta terhadap aspek teoritis maupun praktis dari GMM.

Sebagai kesimpulan, diskusi ilmiah ini menegaskan bahwa Gaussian Mixture Model (GMM) merupakan metode klaster yang unggul untuk data dengan struktur kompleks karena mampu menangkap variasi bentuk dan sebaran klaster secara lebih akurat. Pemilihan metode klaster tetap harus mempertimbangkan karakteristik data, tujuan analisis, dan asumsi yang digunakan. Kegiatan ini diharapkan dapat mendorong dosen untuk terus mengeksplorasi metode analisis data yang lebih maju serta mengintegrasikannya dalam penelitian dan pembelajaran statistika.