Analisis klasifikasi ini bertujuan untuk mengklasifikasikan jenis biji kering berdasarkan Dry Bean Dataset dari UCI Machine Learning Repository menggunakan metode regresi logistik multinomial. Dataset yang digunakan terdiri dari 13.611 observasi yang merepresentasikan tujuh kategori jenis biji kering, yaitu BARBUNYA, BOMBAY, CALI, DERMASON, HOROZ, SEKER, dan SIRA, dengan karakteristik yang diukur berdasarkan fitur geometris biji. Variabel dependen dalam analisis ini adalah jenis biji (Class), sedangkan variabel independen yang digunakan merupakan hasil seleksi variabel, yaitu AspectRatio, ShapeFactor1, ShapeFactor4, Extent, dan Solidity, yang dipilih untuk merepresentasikan bentuk biji sekaligus mengurangi masalah multikolinearitas. Data diproses melalui tahap preprocessing yang meliputi pengecekan missing value, penghapusan data duplikat, standarisasi variabel numerik, serta identifikasi outlier untuk memastikan kualitas data sebelum pemodelan. Model awal dibentuk menggunakan seluruh variabel prediktor, kemudian dilakukan evaluasi asumsi seperti independensi observasi, multikolinearitas, dan linearitas logit untuk memperoleh model yang lebih stabil dan parsimonious. Hasil pengujian menunjukkan bahwa model akhir dengan penambahan komponen non-linear mampu memberikan performa klasifikasi yang sangat baik, dengan akurasi sebesar 92,24%, nilai Kappa sebesar 0,9061, dan nilai Pseudo R² McFadden sebesar 0,885. Hasil analisis menunjukkan bahwa regresi logistik multinomial mampu mengklasifikasikan jenis dry bean secara akurat berdasarkan karakteristik geometris biji, sehingga metode ini efektif digunakan sebagai model klasifikasi multikelas.

LBS Data Analytics II Capstone Project

ExamIDs2026a

Tender Win-Rate Analytics: Understanding What Drives Bid Success in an Oil & Gas Engineering Services Firm

Next Word Prediction: Exploratory Data Analysis & Model Planning

Chi giura su un libro non dichiara di accoglierne, uno per uno, tutti i contenuti morali; riconosce però, almeno nella grammatica del rito, che quel libro possa funzionare come garanzia esterna della propria parola.

This project demonstrates a Next Word Prediction app built using an N-gram model. It predicts the next word from a user-input phrase using a combination of bigram and trigram techniques with a fallback approach. The app is deployed using Shiny and provides a simple, interactive interface for real-time text prediction.