Analisis Clustering ini bertujuan untuk mengelompokkan pola interaksi pengguna Facebook berdasarkan dataset Facebook Live Sellers in Thailand dari UCI Machine Learning Repository menggunakan beberapa metode clustering, yaitu K-Means, Hierarchical Clustering, DBSCAN, Fuzzy C-Means, K-Medians, dan Spectral Clustering. Dataset yang digunakan memuat informasi aktivitas interaksi pengguna terhadap konten Facebook Live, seperti jumlah reaksi, komentar, bagikan, serta jenis konten. Data diproses melalui tahap preprocessing yang meliputi penghapusan variable yang tidak relevan, transformasi variabel kategorik ke dalam bentuk numerik, serta normalisasi menggunakan standardisasi untuk memastikan keseragaman skala antar variabel. Penentuan jumlah cluster optimal dilakukan menggunakan metode Elbow dan Silhouette, dengan hasil terbaik menunjukkan jumlah cluster optimal sebanyak 9 cluster. Seluruh metode clustering dievaluasi menggunakan Silhouette Coefficient untuk mengukur kualitas pemisahan dan kepadatan cluster. Hasil evaluasi menunjukkan bahwa terdapat perbedaan performa antar metode clustering, di mana metode dengan nilai silhouette tertinggi dipilih sebagai metode terbaik. Selanjutnya, dilakukan Exploratory Data Analysis (EDA) untuk mengidentifikasi karakteristik setiap cluster berdasarkan distribusi data dan nilai rata-rata fitur. Hasil analisis menunjukkan adanya pola pengelompokan data berdasarkan tingkat interaksi pengguna terhadap konten Facebook Live. Analisis ini menunjukkan bahwa pemilihan metode clustering yang tepat dan evaluasi kuantitatif sangat penting dalam menghasilkan segmentasi data yang optimal.

StuVul ķeršanas karte 2026

Penerapan metode bootstrap pada analisis regresi serta penanganan data hilang menggunakan mean imputation dan multiple imputation untuk membandingkan hasil estimasi model.

Sķilšanās karte 2026

Simulasi pembangkitan data deret waktu menggunakan model ARIMA beserta tahapan identifikasi, estimasi parameter, evaluasi model, dan interpretasi hasil.

Dessy Saputri | 24031554190 | 2024A | Data Mining Dosen Pengampu : Moh. Khoridatul Huda, S.Pd., M.Si., Ph.D.

Penerapan metode Monte Carlo untuk memprediksi permintaan berdasarkan distribusi probabilitas. Hasil simulasi dibandingkan dengan nilai ekspektasi teoritis pada beberapa jumlah periode pengamatan.

PROFIL ST GOB

Dokumen komputasi statistika ini mendemonstrasikan berlakunya Hukum Bilangan Besar melalui Simulasi Monte Carlo. Menggunakan data historis frekuensi permintaan, simulasi dijalankan secara bertahap untuk 1.000, 5.000, dan 20.000 hari. Pembaca dapat melihat perbandingan langsung bagaimana peningkatan jumlah penarikan sampel acak secara efektif memperkecil varians atau fluktuasi acak, sehingga nilai rata-rata empiris yang didapatkan menjadi sangat presisi dan identik dengan ekspektasi perhitungan matematisnya.