Para facilitar esta tarea, hemos diseñado un script que evalúa automáticamente la calidad de los datos utilizando los paquetes 'psych' y 'pastecs'. Este análisis es fundamental antes de ejecutar modelos de ecuaciones estructurales por mínimos cuadrados parciales (PLS-SEM)

Analisis ini membahas penerapan metode Autoregressive Integrated Moving Average (ARIMA) untuk memodelkan dan meramalkan jumlah kasus Tuberkulosis (TB) baru di Kota Semarang menggunakan data bulanan periode Januari 2019 hingga November 2025 yang bersumber dari LEKMINKES Dinas Kesehatan Kota Semarang. Model ARIMA (1,1,0) dipilih sebagai model terbaik berdasarkan nilai AIC terendah, signifikansi parameter, serta hasil uji diagnostik yang menunjukkan residual bersifat white noise. Evaluasi menggunakan Mean Absolute Percentage Error (MAPE) menunjukkan tingkat kesalahan yang rendah yaitu 8,7%, sehingga model memiliki performa prediksi yang baik. Model ini kemudian digunakan untuk melakukan peramalan jangka pendek delapan bulan ke depan sebagai gambaran awal tren kasus TB di Kota Semarang

1. var_analysis_module.R - Traditional VAR calculations (Historical, Parametric, Monte Carlo, CVaR) - Component and Incremental VAR - Backtesting framework - Visualization and table generation - CSV export functionality

Projekt wykonany w Rstudio

Mapa d'observacions del GBIF (Global Biodiversity Information Facility) de diferents espècies de singnàtids al litoral català amb l'hàbitat marí on s'han localitzat.

Mapa de la intensitat d'observacions del GBIF (Global Biodiversity Information Facility) de les espècies de singnàtids trobades al mar Mediterrani.

Türkiye, Meksika ve Brezilya büyüme dinamikleri analizi (2000-2020).

The project aims to utilize a particular crop related dataset (Paddy / Rice Dataset from UC Irvene Machine Learning repository utilized in current case), which contains multiple agronomic, environmental, and crop‑related features, for the purpose of dimension reduction. Modern agricultural research increasingly relies on large, feature‑rich datasets to understand crop performance, optimize cultivation practices, and support data‑driven decision‑making. As farming conditions, climate patterns, and crop varieties evolve, the volume and complexity of agricultural yield continues to grow which is an expected practice. For current project, we utilize the full Paddy Dataset because all feature groups—soil characteristics, climate variables, crop breed or traits, and management practices—contribute to understanding paddy or rice growth patterns. Small variations across a few selective features can significantly influence yield, making dimension reduction a valuable tool for uncovering underlying structure in the dataset. And, accordingly the results can be utilized to harness parameters which influence paddy production volume the most for real world cultivation suggestions.