Pembelajaran mesin menjadi topik yang hangat di kalangan masyarakat, peneliti, dan
industri. Hal tersebut diakibatkan oleh manfaat yang didapatkan dari pembelajaran mesin
dalam kehidupan sehari-hari dan permasalahan bisnis. Peranan penting pada perkembangan
pembelajaran mesin didasari oleh salah satu cabang dari matematika, yaitu
optimisasi. Optimisasi merupakan tulang punggung dari pembelajaran mesin, tetapi
seiring dengan berjalannya waktu, metode optimisasi tradisional semakin ditinggalkan
karena waktu komputasi yang lama.
Permasalahan tersebut dapat diselesaikan dengan menggunakan metode optimisasi minibatch
gradient descent, dimana parameter akan diupdate dengan mengambil subset dari
data asli, sehingga untuk setiap iterasi tidak akan digunakan keseluruhan data yang harapannya
akan mempercepat waktu komputasi.
Mini-batch gradient descent memiliki waktu komputasi yang lebih cepat dibandingkan
dengan metode tradisional, gradient descent. Metode optimisasi tersebut diaplikasikan
pada algoritma k-means dan berdasarkan hasil evaluasi yang didapat, kedua metode
optimisasi menghasilkan hasil clustering yang cukup mirip.