Proyek
Studi metode statistik dan machine learning, lengkap dengan materi dan alat analisis interaktif. Mulai dari tujuan analisismu, atau cari langsung.
Saya ingin…
Temukan pola & klaster
Mengelompokkan data tanpa label, meringkas dimensi, atau menggali pola.
- Mengelompokkan observasi
- K-Means Clustering(jumlah klaster ditentukan)Hierarchical Clustering(struktur bertingkat)DBSCAN Clustering(bentuk bebas dan ada noise)Gaussian Mixture Model (GMM)(keanggotaan probabilistik)
- Meringkas banyak variabel
- Principal Component Analysis (PCA)(komponen utama)Factor Analysis(faktor laten)t-SNE & UMAP(visualisasi 2D)
- Item yang sering muncul bersama
- Association Rule Learning
- Kumpulan dokumen teks
- Latent Dirichlet Allocation (LDA)(menemukan topik)TF-IDF & Cosine Similarity(kemiripan dokumen)
- Komunitas dalam jaringan
- Community Detection
Menampilkan 1–11 dari 11 proyek untuk tujuan Temukan pola & klaster
Daftar proyek
Gaussian Mixture Model (GMM)
Dipakai untuk: Mengelompokkan observasi · keanggotaan probabilistik
Algoritma machine learning probabilistik untuk clustering dan density estimation yang mengasumsikan data terbentuk dari campuran beberapa distribusi normal (Gaussian).
Community Detection
Dipakai untuk: Komunitas dalam jaringan
Deteksi Komunitas (Community Detection) adalah metode analisis jaringan untuk mengidentifikasi kelompok-kelompok node (komunitas) yang saling terhubung erat di dalam struktur graf menggunakan algoritma Louvain dan Girvan-Newman.
Latent Dirichlet Allocation (LDA)
Dipakai untuk: Kumpulan dokumen teks · menemukan topik
Latent Dirichlet Allocation (LDA) untuk Pemodelan Topik: Metode probabilistik generatif untuk mengelompokkan teks ke dalam berbagai topik laten secara otomatis berdasarkan asosiasi kata kunci.
TF-IDF & Cosine Similarity
Dipakai untuk: Kumpulan dokumen teks · kemiripan dokumen
TF-IDF + Cosine Similarity: Metode representasi teks berbasis frekuensi dokumen dan pencarian kemiripan berbasis sudut kosinus untuk mencocokkan dokumen atau membangun sistem rekomendasi teks secara cepat dan efisien.
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.
DBSCAN Clustering
Dipakai untuk: Mengelompokkan observasi · bentuk bebas dan ada noise
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) adalah algoritma clustering berbasis kepadatan yang mampu mengelompokkan data berdasarkan kedekatan spasial serta mendeteksi outliers/noise secara otomatis.
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.