Proyek
Studi metode statistik dan machine learning, lengkap dengan materi dan alat analisis interaktif. Mulai dari tujuan analisismu, atau cari langsung.
Saya ingin…
Menampilkan 1–7 dari 7 proyek
Daftar proyek
Analisis Korespondensi (Correspondence Analysis)
Dipakai untuk: Pola hubungan dalam tabel kontingensi besar
Analisis Korespondensi: teknik reduksi dimensi grafis untuk memetakan asosiasi antar kategori pada tabel kontingensi dua arah ke dalam bidang faktor bersama (symmetric biplot) berdasarkan dekomposisi nilai singular dari residual terstandar.
t-SNE & UMAP
Dipakai untuk: Meringkas banyak variabel · visualisasi 2D
t-SNE & UMAP: Teknik reduksi dimensi non-linear (Manifold Learning) untuk memvisualisasikan struktur lokal dan global data berdimensi tinggi ke dalam ruang 2D.
Factor Analysis
Dipakai untuk: Meringkas banyak variabel · faktor laten
Factor Analysis (Analisis Faktor): teknik multivariat untuk mereduksi dimensi data dengan mengelompokkan variabel-variabel yang saling berkorelasi tinggi ke dalam sejumlah faktor laten yang lebih sedikit.
Hierarchical Clustering
Dipakai untuk: Mengelompokkan observasi · struktur bertingkat
Hierarchical Clustering (Analisis Klaster Hierarki): teknik pengelompokan data secara bertingkat berdasarkan kemiripan karakteristik. Hasilnya divisualisasikan melalui diagram pohon (dendrogram) untuk mempermudah pemilihan jumlah klaster optimal.
Association Rule Learning
Dipakai untuk: Item yang sering muncul bersama
Metode unsupervised learning menggunakan algoritma Apriori untuk menemukan pola hubungan dan aturan asosiasi tersembunyi dalam dataset transaksi.
Principal Component Analysis (PCA)
Dipakai untuk: Meringkas banyak variabel · komponen utama
Principal Component Analysis (PCA): teknik reduksi dimensi unsupervised untuk meringkas banyak variabel berkorelasi menjadi sedikit komponen utama yang mempertahankan sebagian besar varians data.
K-Means Clustering
Dipakai untuk: Mengelompokkan observasi · jumlah klaster ditentukan
Algoritma pembelajaran mesin tanpa pengawasan (unsupervised learning) yang digunakan untuk mengelompokkan data ke dalam beberapa klaster berdasarkan kesamaan fiturnya.