Modul ini membahas implementasi metode MANOVA, ANCOVA, dan MANCOVA menggunakan R pada dataset Manufacturing IoT Quality. Analisis dimulai dari eksplorasi data, preprocessing, hingga pemodelan statistik. Variabel yang digunakan meliputi tensile strength dan surface roughness sebagai dependen, shift sebagai independen, serta ambient humidity sebagai kovariat. Sebelum analisis, dilakukan uji asumsi seperti normalitas, homogenitas, dan linearitas, yang menunjukkan bahwa data memenuhi syarat analisis multivariat. Hasil pemodelan menunjukkan bahwa shift berpengaruh secara simultan terhadap kualitas produk, namun secara parsial tidak semua variabel dependen signifikan. Selain itu, ambient humidity terbukti berpengaruh signifikan terhadap kualitas produk.

Proyek ini melakukan segmentasi pelanggan berdasarkan perilaku pengeluaran menggunakan dataset Customer Segmentation Based on Spending Behavior. Beberapa metode clustering diterapkan, yaitu K-Means, K-Median, DBSCAN, Mean Shift, dan Fuzzy C-Means, untuk mengelompokkan pelanggan ke dalam segmen bernilai rendah, menengah, dan tinggi. Hasil analisis menunjukkan bahwa K-Means menghasilkan cluster terbaik berdasarkan evaluasi Silhouette, sedangkan Fuzzy C-Means menawarkan fleksibilitas tambahan untuk data yang overlap. Visualisasi cluster menggunakan PCA dan evaluasi kualitas cluster juga disertakan, sehingga proyek ini dapat menjadi acuan strategi pemasaran berbasis data.

Analisis multivariat pada data penumpang Titanic menggunakan R yang berfokus pada variabel Age, SibSp, Parch, dan Fare. Data dibersihkan dari missing value kemudian dianalisis menggunakan matriks korelasi, matriks varians kovarians, serta eigen value dan eigen vector.