Analisis ini bertujuan untuk membandingkan performa beberapa metode clustering pada *Dry Bean Dataset* menggunakan evaluasi Silhouette Score. Metode yang digunakan meliputi K-Means, K-Medoids, DBSCAN, Mean Shift, dan Fuzzy C-Means, yang masing-masing memiliki pendekatan berbeda dalam mengelompokkan data. Nilai silhouette digunakan untuk mengukur kualitas cluster berdasarkan kohesi dan separasi, sehingga metode dengan nilai tertinggi dianggap paling optimal dalam merepresentasikan struktur data.

Analisis ini bertujuan untuk menganalisis perbedaan performa akademik mahasiswa berdasarkan status akademik menggunakan metode MANOVA dan MANCOVA. Variabel dependen yang digunakan adalah nilai semester pertama dan kedua, sedangkan status akademik (Dropout, Enrolled, Graduate) dan jurusan sebagai variabel independen. Analisis ini juga mempertimbangkan kovariat berupa nilai masuk, serta nilai kualifikasi sebelumnya Data yang digunakan berasal dari dataset Student Dropout and Academic Success dengan jumlah 4.424 observasi. Hasil analisis menunjukkan bahwa status akademik dan jurusan berpengaruh signifikan terhadap performa akademik mahasiswa. Dari variabel kovariat, nilai masuk dan nilai sebelumnya tidak berpengaruh signifikan. Temuan ini menunjukkan bahwa status akademik menjadi faktor utama dalam membedakan performa mahasiswa.

Analisis ini bertujuan untuk mengidentifikasi dan mereduksi struktur variabel pada dataset Dry Bean menggunakan metode Principal Component Analysis (PCA) dan Factor Analysis (FA). Uji kelayakan menunjukkan nilai KMO sebesar 0,67 yang mengindikasikan data layak untuk dianalisis lebih lanjut. Hasil PCA menunjukkan bahwa tiga komponen utama mampu menjelaskan 88% variansi total, dengan dua komponen pertama mendominasi struktur data. Analisis FA dengan rotasi oblimin menghasilkan model dua faktor yang lebih parsimonious dan stabil, dengan total variansi sebesar 81% dan nilai RMSR sebesar 0,06. Kedua faktor diinterpretasikan sebagai dimensi ukuran (size) dan dimensi bentuk (shape), yang secara konsisten merepresentasikan struktur utama dataset. Hasil ini menunjukkan bahwa kompleksitas data dapat direduksi secara optimal menjadi dua dimensi utama yang bermakna secara statistik

Tugas ini membahas analisis statistik multivariat menggunakan dataset Sirtuin6 Small Molecules dari UCI Machine Learning Repository yang berisi deskriptor molekuler numerik. Analisis dilakukan menggunakan bahasa pemrograman R dengan menghitung correlation matrix, variance–covariance matrix, serta eigen value dan eigen vector untuk memahami hubungan antar variabel, sebaran data, dan kontribusi masing-masing variabel terhadap variasi data secara keseluruhan.