Analisis ini membandingkan metode hierarchical clustering dan partitional clustering dalam mengelompokkan data. Penelitian ini mengevaluasi karakteristik, kelebihan, serta keterbatasan dari masing-masing metode dalam mengidentifikasi pola dan struktur klaster. Hasil analisis memberikan gambaran mengenai metode yang lebih efektif dalam berbagai kondisi data.

Analisis ini membahas metode model-based clustering yang mengasumsikan bahwa data berasal dari kombinasi beberapa distribusi probabilitas. Pendekatan statistik digunakan untuk mengidentifikasi struktur klaster dalam data. Hasil penelitian memberikan insight mengenai efektivitas metode ini dibandingkan dengan teknik clustering lainnya.

Proyek ini berfokus pada eksplorasi data, visualisasi, dan analisis menggunakan berbagai teknik statistik dan data mining. Tujuan dari analisis ini adalah untuk memahami pola, hubungan antar variabel, serta menghasilkan insight dari data yang digunakan.

Analisis ini bertujuan untuk mengkaji tingkat pengetahuan pengguna berdasarkan aktivitas pembelajaran menggunakan pendekatan data mining. Metode yang digunakan meliputi regresi linier untuk menganalisis hubungan antar variabel, decision tree untuk klasifikasi tingkat pengetahuan, serta K-Means clustering untuk segmentasi pengguna. Dataset yang digunakan berasal dari UCI Machine Learning Repository. Hasil analisis menunjukkan bahwa aktivitas belajar berpengaruh terhadap performa pengguna, dengan performa model klasifikasi yang cukup baik dan segmentasi pengguna yang memberikan insight terhadap pola belajar yang berbeda.

Visualisasi data inflasi bulanan tahun 2024 dan 2025 menggunakan beberapa jenis grafik, yaitu Scatter Plot, Bar Plot, Line Plot, Boxplot, Histogram, dan Area Plot. Visualisasi ini bertujuan untuk menampilkan pola pergerakan dan perbandingan inflasi antar tahun secara grafis.

Laporan ini menyajikan analisis Regresi Logistik Biner menggunakan data Formasi CPNS 2024. Analisis dimulai dengan pemilihan variabel utama, dilanjutkan pembagian data train–test, serta pembangunan model logistik untuk memprediksi peluang formasi menerima pelamar disabilitas. Hasil model dievaluasi melalui Odds Ratio, uji goodness-of-fit Hosmer–Lemeshow, confusion matrix pada data uji, serta kurva ROC dan nilai AUC untuk mengukur performa prediksi. Seluruh tahapan ditulis secara lengkap menggunakan R.

Kelompok 2 (MDS) 3338230002 - Rafly Priyantama Ramadhan Bagaskara 3338230005 - Andhika Mochamad Ichsan 3338230006 - Regina Dwirahma Alisya 3338230009 - Zahra Mahendra Putri

Tugas ANN Mata Kuliah Statistical Machine Learning

Data numerik adalah jenis data yang berupa angka dan dapat dilakukan operasi matematika seperti penjumlahan, pengurangan, perkalian, dan pembagian. Untuk memahami pola dalam data numerik, kita dapat menggunakan berbagai teknik visualisasi. Dokumen ini menjelaskan beberapa metode visualisasi data kategorik dengan data yang digunakan datasets Penguins sumber dari kaggle, termasuk: 1. Histogram. 2. Density Plot 3. Boxplot. 4. Violin Plot. 5. QQ Plot. 6. Scatter Plot. 7. Line Chart.

Data kategorik adalah data yang terdiri dari kelompok atau kategori tanpa urutan numerik yang jelas, seperti jenis kelamin, warna, atau status pekerjaan. Untuk memahami pola dalam data kategorik, kita dapat menggunakan berbagai teknik visualisasi. Dokumen ini menjelaskan beberapa metode visualisasi data kategorik dengan data yang digunakan data HairEyeColor, termasuk: 1. Bar Chart. 2. Needle Chart. 3. Grouped Bar Chart. 4. Stacked Bar Chart. 5. Pie Chart. 6. Peta Spasial.