Simple Shiny application for next word prediction created in RStudio.

Dokumen ini menyajikan analisis statistika komprehensif data pernikahan dan perceraian di Jawa Barat periode 2021–2023, mencakup statistika deskriptif, kaidah peluang, distribusi probabilitas, simulasi CLT, hingga uji hipotesis berbasis data publik.

Session 3 tutorial code of the course "Introduction to Machine Learning in the Social Sciences" by Adrian Stanciu & Erik Paessler, University of Luxembourg, FHSE, 25/26

Session 4 tutorial code of the course "Introduction to Machine Learning in the Social Sciences" by Adrian Stanciu & Erik Paessler, University of Luxembourg, FHSE, 25/26

# 1. Simple Exponential Smoothing model_simple <- ets(hujan_ts, model = "ANN") # 2. Holt's Linear Trend model_holt <- ets(hujan_ts, model = "AAN") # 3. Brown's Linear Trend model_brown <- holt(hujan_ts, exponential = FALSE, damped = FALSE) # 4. Damped Trend model_damped <- ets(hujan_ts, model = "AAN", damped = TRUE) # 5. Simple Seasonal model_seasonal <- ets(hujan_ts, model = "ANA") # 6. Winters Additive model_win_add <- ets(hujan_ts, model = "AAA") # 7. Winters Multiplicative # Tidak boleh ada nilai 0 hujan_baru <- hujan_ts + 1 model_win_mult <- ets(hujan_baru, model = "MAM")

This project analyzes Electric Vehicle (EV) adoption trends in India using R and data visualization techniques. The report contains eight data-driven visualizations, including line charts, bar charts, pie charts, heatmaps, box plots, scatter plots, stacked bar charts, and an interactive Plotly visualization. The analysis explores EV registration growth, state-wise adoption patterns, vehicle category distribution, charging infrastructure relationships, and overall trends in the EV ecosystem.

Vedat Erdem Özkul

Proyek ini membahas penerapan dan perbandingan tiga metode clustering, yaitu DBSCAN (Density-Based Spatial Clustering of Applications with Noise), Spectral Clustering, dan Gaussian Mixture Model (GMM) berbasis Model-Based Clustering. Analisis dilakukan menggunakan bahasa pemrograman R dengan tujuan untuk memahami karakteristik masing-masing metode dalam mengelompokkan data. Tahapan analisis dimulai dari preprocessing dan standardisasi data, dilanjutkan dengan reduksi dimensi menggunakan Principal Component Analysis (PCA) untuk membantu visualisasi pola data. Selanjutnya, setiap metode clustering diterapkan pada data yang telah distandardisasi untuk melihat perbedaan hasil pengelompokan, penanganan noise, serta karakteristik cluster yang terbentuk. DBSCAN digunakan untuk mendeteksi cluster berdasarkan kepadatan data dan mampu mengidentifikasi noise secara otomatis. Spectral Clustering memanfaatkan pendekatan graph dan eigenvalue sehingga efektif untuk bentuk cluster non-linear atau non-convex. Sementara itu, Gaussian Mixture Model (GMM) menggunakan pendekatan probabilistik dengan asumsi distribusi Gaussian sehingga memungkinkan soft clustering melalui probabilitas keanggotaan tiap observasi. Hasil analisis menunjukkan bahwa masing-masing metode memiliki keunggulan dan karakteristik yang berbeda tergantung pada struktur data. Oleh karena itu, pemilihan metode clustering perlu disesuaikan dengan bentuk distribusi data, keberadaan noise, dan tujuan analisis yang ingin dicapai. Proyek ini dibuat sebagai media pembelajaran eksploratif mengenai analisis clustering dan implementasinya menggunakan R.

An Exploratory and Inferential Analytics Study of a Five-Year Household Income and Expense Tracker