Edit Tugas - TugasKu

Mata Kuliah

Catatan Tambahan

**TUGAS KULIAH — RINGKASAN & CATATAN**

---

**Link:** https://sikola-v2.unhas.ac.id/mod/assign/view.php?id=1224471

**Matakuliah:** Modern Prediksi dan Machine Learning B
**Jenis Tugas:** Tugas Praktikum (Pertemuan 6–7)
**Topik:** Principal Component Analysis (PCA) dan Clustering
**Deadline:** 2026-10-02, pukul 09:00:00 WITA
**Tanggal publikasi tugas:** 24 September 2026, 13:00

---

**File Lampiran:** `Tugas Praktikum Pertemuan 6-7 (1).pdf`

**Dataset yang Dilampirkan:** Tidak ada. Mahasiswa diwajibkan memilih dan mendownload sendiri dataset open source dari internet.

---

**KASUS / TOPIK**

Praktikum ini membahas dua teknik utama dalam machine learning tanpa label (unsupervised learning):

1. **Principal Component Analysis (PCA)** — teknik reduksi dimensi yang mentransformasikan fitur-fitur berkorelasi menjadi sejumlah komponen utama baru yang tidak berkorelasi, sehingga dimensi data dapat ditekan (ke 2–3 komponen) tanpa kehilangan terlalu banyak informasi.
2. **Clustering K-Means** — teknik pengelompokan data berdasarkan kemiripan jarak. Mahasiswa juga diperbolehkan menambahkan metode lain (misalnya Hierarchical Clustering) untuk tujuan perbandingan.

Tugas praktikum menekankan pada kemampuan memilih dataset yang memenuhi kriteria tertentu, melakukan proses analisis yang benar (eksplorasi → preprocessing → PCA → clustering → penentuan jumlah cluster optimal), serta mampu menyusun laporan ilmiah yang terstruktur dan menginterpretasikan hasilnya.

---

**INSTRUKSI & BUTIR TUGAS**

**Bagian 1 — Cari Dataset**
a. Pilih satu dataset *open source* dalam format `.csv`.
b. Dataset harus memiliki **minimal 5 variabel numerik** dan **minimal 100 baris data**.
c. Cantumkan **sumber dataset** pada laporan.

**Bagian 2 — Analisis Data**
a. Lakukan eksplorasi awal: statistik deskriptif dan visualisasi sederhana.
b. Lakukan preprocessing: normalisasi/standarisasi jika diperlukan.
c. Terapkan **Principal Component Analysis (PCA)** untuk mereduksi dimensi data menjadi **2–3 komponen utama**.
d. Terapkan **clustering dengan K-Means** sebagai metode utama (boleh ditambah metode lain seperti Hierarchical untuk perbandingan).
e. Tentukan jumlah cluster optimal menggunakan **Elbow Method** atau **Silhouette Score**.
f. Buat visualisasi hasil cluster pada ruang PCA (2D atau 3D).

**Bagian 3 — Laporan Praktikum**
Laporan disusun dengan struktur berikut:
a. Judul dan identitas mahasiswa.
b. Deskripsi singkat dataset (sumber, jumlah data, variabel).
c. Tahapan analisis yang dilakukan.
d. Hasil utama (grafik dan/atau tabel).
e. Diskusi singkat mengenai interpretasi hasil PCA dan clustering.
f. Kesimpulan.

**Bagian 4 — Output yang Dikumpulkan**
a. File laporan praktikum dalam format `.pdf`.
b. File kode analisis:
   - Jika menggunakan R, unggah file kode ke **Google Drive**.
   - Sertakan **tautan Google Drive** di dalam laporan, karena file kode tidak bisa langsung diunggah ke Sikola.

---

**PETUNJUK PENGERJAAN & PENGUMPULAN**

| Aspek | Keterangan |
|---|---|
| Bentuk kerja | Individu (praktikum) |
| Format laporan | `.pdf` |
| Unggah file kode | Tidak langsung; harus diunggah ke Google Drive |
| Cara mengirim kode | Tempelkan tautan Google Drive di dalam laporan PDF |
| Format dataset | `.csv` (pilih sendiri, wajib ada sumbernya) |
| Variasi metode | K-Means wajib; Hierarchical Clustering (atau lainnya) bersifat opsional |

**Catatan tambahan:**
- Wajib memastikan dataset memenuhi syarat **≥5 variabel numerik** dan **≥100 baris** sebelum dianalisis.
- Karena file kode tidak bisa diunggah ke Sikola, pastikan tautan Google Drive dapat diakses oleh dosen (set *anyone with the link can view*).
- Persiapkan kode dalam format yang rapi dan mudah dibaca (mis. script `.R` atau `.ipynb`) sebelum diunggah.

---

**RUBRIK / KRITERIA PENILAIAN**

Rincian bobot penilaian tidak dicantumkan secara eksplisit dalam dokumen soal. Berdasarkan butir tugas, penilaian kemungkinan besar mencakup:

1. Kepatuhan terhadap kriteria pemilihan dataset (format, jumlah variabel, jumlah baris, ketercantuman sumber).
2. Kelengkapan dan ketepatan eksplorasi data serta preprocessing.
3. Kesesuaian penerapan PCA (jumlah komponen, variance explained, pemahaman konsep).
4. Kesesuaian penerapan K-Means serta ketepatan penentuan jumlah cluster optimal.
5. Kualitas visualisasi cluster pada ruang PCA.
6

Lampiran

Klik untuk tambah file baru

Status

Tugaskan Kepada: Pilih Semua

Afifa

Fadhil

Pilih minimal satu orang.

✏️ Edit Tugas