TugasKu
✏️ Edit Tugas
Mata Kuliah
ANALISIS DATA SPASIAL B
ANALISIS PERANCANGAN SURVEY B
KAPITA SELEKTA STATISTIKA B
KEAMANAN SIBER
MANAJEMEN RISIKO B
MODERN PREDIKSI DAN MACHINE LEARNING B
PEMODELAN STATISTIKA B
PENGANTAR ANALISIS REAL B
Pengantar Regresi Nonparametrik B
Proses Stokastik B
RISET PASAR B
Umum
Judul Tugas
Deadline
Belum ditentukan
Catatan Tambahan
Link: https://sikola-v2.unhas.ac.id/mod/assign/view.php?id=1269024 ================================================================= RINGKASAN & CATATAN TUGAS ================================================================= MAKATAKULIAH : MODERN PREDIKSI DAN MACHINE LEARNING B JUDUL TUGAS : Tambahan Tugas Materi 6 – 7 KODE/ID SIKOLA: 1269024 Batas Waktu : 2 Oktober 2026, 04:00 WITA (perkiraan, sesuai waktu sistem) ----------------------------------------------------------------- 1. FILE SOAL / LAMPIRAN ----------------------------------------------------------------- - Fadhil_Fajri_Rahman_H051241070_Jawaban_Tambahan Tugas Materi 6 - 7.pdf (dokumen berisi identitas dan jawaban untuk dua butir pertanyaan) Data pada tugas tidak berupa dataset eksternal. Contoh data bersifat deskriptif, yaitu data umur (tahun) dan pendapatan (rupiah) untuk dua orang sebagai ilustrasi perhitungan. ----------------------------------------------------------------- 2. KASUS / TOPIK ----------------------------------------------------------------- Topik utama adalah konsep-konsep inti pada Materi 6-7 yang mencakup: a) Principal Component Analysis (PCA) - Hubungan antara komponen utama, eigenvector, dan eigenvalue dari matriks ragam (kovarians) data. - Keragaman proyeksi data ke suatu arah ditulis sebagai bentuk kuadrat Var(t) = uᵀΣu dengan kendala uᵀu = 1. - Dengan pengali Lagrange, kondisi optimum tercapai saat Σu = λu, sehingga keragaman proyeksi tepat bernilai eigenvalue. - Arah dengan eigenvalue terbesar menangkap keragaman terbesar, sehingga menjadi komponen utama pertama. b) K-Means Clustering dan Standardisasi - K-Means membangun kluster berdasarkan jarak Euclidean antarobjek pada nilai mentah variabel: d(a,b) = √Σ(aⱼ − bⱼ)². - Jika variabel memiliki rentang/skala yang berbeda jauh (misalnya umur dalam puluhan vs pendapatan dalam juta rupiah), variabel berskala besar mendominasi perhitungan jarak. - Ilustrasi: selisih umur 18 tahun versus selisih pendapatan Rp9.000.000 menghasilkan rasio (18)²/(9×10⁶)² ≈ 4×10⁻¹², sehingga selisih umur nyaris tidak berpengaruh. - Solusinya adalah standardisasi z-score z = (xᵢⱼ − x̄ⱼ)/sⱼ sebelum K-Means dijalankan agar semua variabel memengaruhi jarak secara seimbang. ----------------------------------------------------------------- 3. INSTRUKSI & BUTIR TUGAS ----------------------------------------------------------------- Tugas berupa dua pertanyaan konseptual yang harus dijawab lengkap dengan penjelasan matematis. Pertanyaan 1: "Mengapa komponen utama pertama adalah eigenvector dengan eigenvalue terbesar?" Pertanyaan 2: "Data berisi umur (tahun) dan pendapatan (rupiah). Apa yang terjadi bila K-Means dijalankan tanpa standardisasi?" Catatan pelengkap dari isi dokumen lampiran: - Jawaban Pertanyaan 1 merujuk pada optimisasi keragaman proyeksi tᵢ = uᵀxᵢ dengan kendala panjang vektor satu, sehingga diperoleh syarat Σu = λu dan uᵀΣu = λ. - Jawaban Pertanyaan 2 memeriksa kontribusi selisih umur dan pendapatan terhadap kuadrat jarak Euclidean, lalu merekomendasikan standardisasi ke skor z sebelum klasterisasi. ----------------------------------------------------------------- 4. PETUNJUK PENGERJAAN & PENGUMPULAN ----------------------------------------------------------------- - Identitas penulis wajib dicantumkan pada dokumen jawaban: Nama : Fadhil Fajri Rahman NIM : H051241070 - Bentuk pengumpulan: berkas jawaban berformat PDF yang diunggah melalui tautan SIKOLA di atas sebelum batas waktu berakhir. - Penulisan jawaban harus runtut: mulai dari rumus/makna simbol, langkah penalaran, kesimpulan akhir. - Pastikan seluruh butir pertanyaan (Pertanyaan 1 dan Pertanyaan 2) terjawab, tidak ada yang dipotong. - Dokumen lampiran yang ada pada tugas sudah memuat jawaban lengkap; tinggal dipastikan formatnya rapi dan siap diunggah. ----------------------------------------------------------------- 5. RUBRIK / KRITERIA PENILAIAN ----------------------------------------------------------------- Rubrik bobot resmi tidak tercantum eksplisit dalam dokumen tugas. Berdasarkan isi jawaban, kriteria penilaian yang lazim dipakai adalah: Aspek Bobot (indikator) a) Keakuratan konsep matematis (eigen-PCA, jarak K-Means) b) Kelengkapan langkah penalaran (proses derivasi, substitusi serta rumus yang digunakan jarak, standardisasi) c) Kecocokan kesimpulan dengan butir
Lampiran
Klik untuk tambah file baru
Status
🔴 Belum Dikerjakan
🔵 To Do
🟡 Sedang Dikerjakan
🟢 Selesai
Tugaskan Kepada:
Pilih Semua
Afifa
Fadhil
Pilih minimal satu orang.
Update Tugas
Batal