Nasywa Nur Indarwati

12030122140217

Data Mahasiswa

NOMOR 1

tabel1=read.delim("clipboard")

tabel1

tugas1=tabel1[,4]

tugas2=tabel1[,5]

praktikum=tabel1[,6]

quiz=tabel1[,7]

UTS=tabel1[,8]

UAS=tabel1[,9]

mean(tugas1)

mean(tugas2)

mean(praktikum)

mean(quiz)
mean(UTS)

mean(UAS)

summary(tabel1)

str(tabel1)

mode(tugas1)

mode(tugas2)

mode(praktikum)

mode(quiz)

mode(UTS)

mode(UAS)

range(tugas1)

range(tugas2)

range(praktikum)

range(quiz)

range(UTS)

range(UAS)

sd(tugas1)

sd(tugas2)

sd(praktikum)

sd(quiz)

sd(UTS)

sd(UAS)

par(mfrow=c(2,3))

boxplot(tugas1)

boxplot(tugas2)

boxplot(praktikum)

boxplot(quiz)

boxplot(UTS)
boxplot(UAS)

par(mfrow=c(2,3))

hist(tugas1)

hist(tugas2)

hist(praktikum)

hist(quiz)

hist(UTS)

hist(UAS)

plot(UTS,UAS)
plot(TUGAS1,TUGAS2)

Nomor 2

#Metode complete linkage

data<-read.delim("clipboard")

data

par(mfrow=c(1,1))

metode_c1<-hclust(dist(scale(data)),method = "complete")

plot(metode_c1)

rect.hclust(metode_c1,3)

anggota<-cutree(metode_c1,3)

anggotatabel=data.frame(anggota)
anggotatabel
#Metode Average Linkage

data<-read.delim("clipboard") #CTRL + C dulu di EXCEL (angkanya saja)

data

metode_a1<-hclust(dist(scale(data)),method = "ave")

plot(metode_a1)

rect.hclust(metode_a1, 2) #angka 2 ini sebagai jumlah kelas yang di-cluster

anggota<-cutree(metode_a1, 2)

anggota

tabel=data.frame(anggota) tabel

#Metode Ward

data<-read.delim("clipboard")

data

metode_ward<-hclust(dist(scale(data)),method = "ward.D")

plot(metode_ward)

rect.hclust(metode_ward, 3)

anggota<-cutree(metode_ward, 3)

anggota
tabel=data.frame(anggota)
tabel

#Metode Centroid Linkage

data<-read.delim("clipboard")

data

metode_centroid<-hclust(dist(scale(data)),method = "centroid")

plot(metode_centroid)

rect.hclust(metode_centroid, 3)

anggota<-cutree(metode_centroid, 3)

anggota

tabel=data.frame(anggota)
tabel

#Single linkage
data<-read.delim("clipboard")

data

metode_s1<-hclust(dist(scale(data)),method = "single")

plot(metode_s1)

rect.hclust(metode_s1,3)

anggota<-cutree(metode_s1, 3)

anggotatabel=data.frame(anggota)

anggotatabel

NOMOR 3

# install packages cluster untuk clustering

library(cluster)

# install packages factoextra untuk clustering dan visualisasi

library(factoextra)

# install packages tidyverse untuk clustering

library(tidyverse)

# mengimport data excel ke RStudio, buka file nilai.xlsx di excel (kopi seluruh file tersebut, kemudian
run di Rstudio file tabel1)

tabel1=read.delim("clipboard")

# melihat data setelah import

tabel1
# melihat data yang sudah lengkap

summary(tabel1)

mean(tabel1$Nilai1)

mean(tabel1$Nilai2)

mean(tabel1$Nilai3)

mean(tabel1$Nilai4)

# transformasi dengan skala pada semua nilai

tabel2=scale(tabel1[,4:9])

# untuk menampilkan hasil perubahan tabel2 menggunakan sintaks berikut;

View(tabel2)

# menentukan jumlah cluster terbaik dengan metode elbow/within sum of square (wss)

fviz_nbclust(tabel2, kmeans, method = "wss")

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel2, kmeans)

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel2, kmeans)

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel2, kmeans)
# menentukan cluster dengan metode k-means,

tabelfinal = kmeans(tabel2,3)

# melihat hasil clustering

print (tabelfinal)

# melihat hasil clustering dalam bentuk grafik / visual

fviz_cluster(tabelfinal,data=tabel2)

# melihat hasil clustering dalam bentuk tabel

finalakhir=data.frame(tabel2,tabelfinal$cluster)

View(finalakhir)

tabel1[,4:9]%>%

mutate(cluster=tabelfinal$cluster)%>%

group_by(cluster)%>%

summarise_all("mean")

# transformasi dengan skala pada semua UTS dan UAS

tabel3=scale(tabel1[,8:9])

# untuk menampilkan hasil perubahan tabel2 menggunakan sintaks berikut;

View(tabel3)

# menentukan jumlah cluster terbaik dengan metode elbow/within sum of square (wss)
fviz_nbclust(tabel3, kmeans, method = "wss")

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel3, kmeans).

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel3, kmeans).

# transformasi dengan skala pada nilai UTS dan UAS (kolom 8 dan 9 pada tabel1)

tabel3=scale(tabel1[,7:9])

# untuk menampilkan hasil perubahan tabel2 menggunakan sintaks berikut;

View(tabel3)
# menentukan jumlah cluster terbaik dengan metode elbow/within sum of square (wss)

fviz_nbclust(tabel3, kmeans, method = "wss")

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel3, kmeans)

# menentukan cluster dengan metode k-means

tabelfinal = kmeans(tabel3,3)

# melihat hasil clustering

print (tabelfinal)

# melihat hasil clustering dalam bentuk grafik / visual

fviz_cluster(tabelfinal,data=tabel3)

# melihat hasil clustering dalam bentuk tabel

finalakhir=data.frame(tabel3,tabelfinal$cluster)

View(finalakhir)

# melihat deskripsi data setelah di clusterkan berdasar cluster

tabel1[,7:9]%>%

mutate(cluster=tabelfinal$cluster)%>%

group_by(cluster)%>%summarise_all("mean")

C. Semua nilai untuk k=3,4, dan 5

# transformasi dengan skala pada nilai TUGAS1,TUGAS2,PRAKTIKUM,QUIZ.UTS dan UAS (kolom

4,5,6,7,8 dan 9 pada tabel1)
tabel4=scale(tabel1[,4:9])

# untuk menampilkan hasil perubahan tabel2 menggunakan sintaks berikut;

View(tabel4)

# menentukan jumlah cluster terbaik dengan metode elbow/within sum of square (wss)

fviz_nbclust(tabel4, kmeans, method = "wss")

# menentukan jumlah cluster terbaik dengan metode silhouette

fviz_nbclust(tabel4, kmeans)

# menentukan cluster dengan metode k-means

tabelfinal = kmeans(tabel4,3)

# melihat hasil clustering

print (tabelfinal)

# melihat hasil clustering dalam bentuk grafik / visual

fviz_cluster(tabelfinal,data=tabel4)

# melihat hasil clustering dalam bentuk tabel

finalakhir=data.frame(tabel4,tabelfinal$cluster)

View(finalakhir)

# melihat deskripsi data setelah di clusterkan berdasar cluster

tabel1[,4:9]%>%

mutate(cluster=tabelfinal$cluster)%>%

group_by(cluster)%>%

summarise_all("mean")