{"id":1244,"date":"2023-07-27T04:03:40","date_gmt":"2023-07-27T04:03:40","guid":{"rendered":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/"},"modified":"2023-07-27T04:03:40","modified_gmt":"2023-07-27T04:03:40","slug":"k-berarti-mengelompokkan-dalam-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/","title":{"rendered":"Pengelompokan k-means di r: contoh langkah-demi-langkah"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Clustering adalah teknik pembelajaran mesin yang mencoba menemukan <em>kelompok<\/em> <a href=\"https:\/\/statorials.org\/id\/pengamatan-dalam-statistik\/\" target=\"_blank\" rel=\"noopener noreferrer\">observasi<\/a> dalam kumpulan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tujuannya adalah untuk menemukan klaster sedemikian rupa sehingga pengamatan dalam setiap klaster cukup mirip satu sama lain, sedangkan observasi dalam klaster yang berbeda sangat berbeda satu sama lain.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pengelompokan adalah bentuk <a href=\"https:\/\/statorials.org\/id\/pembelajaran-yang-diawasi-vs.-tanpa-pengawasan\/\" target=\"_blank\" rel=\"noopener noreferrer\">pembelajaran tanpa pengawasan<\/a> karena kita hanya mencoba menemukan struktur dalam kumpulan data daripada memprediksi nilai <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Clustering sering digunakan dalam pemasaran ketika bisnis memiliki akses ke informasi seperti:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Pendapatan rumah tangga<\/span><\/li>\n<li> <span style=\"color: #000000;\">Ukuran rumah tangga<\/span><\/li>\n<li> <span style=\"color: #000000;\">Profesi Kepala Rumah Tangga<\/span><\/li>\n<li> <span style=\"color: #000000;\">Jarak ke daerah perkotaan terdekat<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Ketika informasi ini tersedia, pengelompokan dapat digunakan untuk mengidentifikasi rumah tangga yang serupa dan mungkin lebih cenderung membeli produk tertentu atau memberikan respons yang lebih baik terhadap jenis iklan tertentu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu bentuk pengelompokan yang paling umum dikenal sebagai <strong>pengelompokan k-means<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Apa itu Pengelompokan K-Means?<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">K-means clustering adalah teknik di mana kita menempatkan setiap observasi dari suatu dataset ke dalam salah satu <em>K<\/em> cluster.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tujuan akhirnya adalah untuk memiliki <em>K<\/em> cluster dimana pengamatan dalam setiap cluster cukup mirip satu sama lain, sedangkan observasi dalam cluster yang berbeda sangat berbeda satu sama lain.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, kami menggunakan langkah-langkah berikut untuk melakukan pengelompokan K-means:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Pilih nilai untuk <em>K.<\/em><\/strong><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Pertama, kita perlu memutuskan berapa banyak cluster yang ingin kita identifikasi dalam data. Seringkali kita hanya perlu menguji beberapa nilai <em>K<\/em> yang berbeda dan menganalisis hasilnya untuk melihat jumlah cluster mana yang paling masuk akal untuk masalah tertentu.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>2. Secara acak tetapkan setiap observasi ke cluster awal, dari 1 sampai <em>K.<\/em><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Lakukan prosedur berikut hingga penetapan cluster berhenti berubah.<\/strong><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Untuk setiap cluster <em>K<\/em> , hitung <em>pusat gravitasi cluster tersebut.<\/em> Ini hanyalah vektor fitur <em>p-<\/em> mean untuk observasi cluster <em>ke-k<\/em> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Tetapkan setiap observasi ke cluster dengan centroid terdekat. Di sini, <em>jarak terdekat<\/em> ditentukan menggunakan <a href=\"https:\/\/en.wikipedia.org\/wiki\/Euclidean_distance#Squared_Euclidean_distance\" target=\"_blank\" rel=\"noopener noreferrer\">jarak Euclidean<\/a> .<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Pengelompokan K-Means di R<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 1: Muat paket yang diperlukan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Pertama, kita akan memuat dua paket yang berisi beberapa fungsi berguna untuk pengelompokan k-means di R.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #993300;\">library<\/span> (factoextra)\n<span style=\"color: #993300;\">library<\/span> (cluster)<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 2: Muat dan Siapkan Data<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan menggunakan kumpulan data <em>USArrests<\/em> yang dibangun ke dalam R, yang berisi jumlah penangkapan per 100.000 orang di setiap negara bagian AS pada tahun 1973 karena <em>pembunuhan<\/em> , <em>penyerangan<\/em> , dan <em>pemerkosaan<\/em> , serta persentase populasi setiap negara bagian yang tinggal di daerah perkotaan. daerah. , <em>UrbanPop<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara melakukan hal berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Muat kumpulan data <em>Penangkapan AS<\/em><\/span><\/li>\n<li> <span style=\"color: #000000;\">Hapus semua baris dengan nilai yang hilang<\/span><\/li>\n<li> <span style=\"color: #000000;\">Skalakan setiap variabel dalam kumpulan data agar memiliki rata-rata 0 dan deviasi standar 1<\/span><\/li>\n<\/ul>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#load data<\/span>\ndf &lt;-USArrests\n\n<span style=\"color: #008080;\">#remove rows with missing values<\/span><\/strong>\n<strong>df &lt;- na. <span style=\"color: #3366ff;\">omitted<\/span> (df)\n\n<span style=\"color: #008080;\">#scale each variable to have a mean of 0 and sd of 1<\/span><\/strong>\n<strong>df &lt;- scale(df)\n\n<span style=\"color: #008080;\">#view first six rows of dataset<\/span>\nhead(df)\n\n               Murder Assault UrbanPop Rape\nAlabama 1.24256408 0.7828393 -0.5209066 -0.003416473\nAlaska 0.50786248 1.1068225 -1.2117642 2.484202941\nArizona 0.07163341 1.4788032 0.9989801 1.042878388\nArkansas 0.23234938 0.2308680 -1.0735927 -0.184916602\nCalifornia 0.27826823 1.2628144 1.7589234 2.067820292\nColorado 0.02571456 0.3988593 0.8608085 1.864967207\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 3: Temukan jumlah cluster yang optimal<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk melakukan pengelompokan k-means di R, kita dapat menggunakan fungsi <strong>kmeans()<\/strong> bawaan, yang menggunakan sintaks berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>kmeans (data, pusat, nstart)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>data :<\/strong> Nama kumpulan data.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>pusat:<\/strong> Jumlah cluster, dilambangkan <em>k<\/em> .<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>nstart:<\/strong> jumlah konfigurasi awal. Karena mungkin saja cluster awal yang berbeda akan memberikan hasil yang berbeda, disarankan untuk menggunakan beberapa konfigurasi awal yang berbeda. Algoritma k-means akan mencari konfigurasi awal yang menghasilkan variasi terkecil dalam cluster.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Karena kita tidak mengetahui sebelumnya berapa banyak cluster yang optimal, kita akan membuat dua grafik berbeda yang dapat membantu kita memutuskan:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Jumlah cluster relatif terhadap total jumlah kuadrat<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama, kita akan menggunakan fungsi <strong>fviz_nbclust()<\/strong> untuk membuat plot jumlah cluster versus total jumlah kuadrat:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>fviz_nbclust(df, kmeans, method = \u201c <span style=\"color: #008000;\">wss<\/span> \u201d)<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12310 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmmoyenne1.png\" alt=\"Jumlah cluster yang optimal dalam clustering k-means\" width=\"444\" height=\"434\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Biasanya, saat kita membuat plot jenis ini, kita mencari &#8220;lutut&#8221; di mana jumlah kotak mulai &#8220;membungkuk&#8221; atau mendatar. Biasanya ini adalah jumlah cluster yang optimal.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk grafik ini terlihat terdapat kekusutan atau \u201ctikungan\u201d kecil pada k = 4 cluster.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Statistik jumlah klaster versus kesenjangan<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Cara lain untuk menentukan jumlah cluster yang optimal adalah dengan menggunakan metrik yang disebut <a style=\"color: #000000;\" href=\"https:\/\/web.stanford.edu\/~hastie\/Papers\/gap.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">statistik deviasi<\/a> , yang membandingkan total variasi intra-cluster untuk nilai k yang berbeda dengan nilai yang diharapkan untuk distribusi tanpa pengelompokan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat menghitung statistik kesenjangan untuk setiap jumlah cluster menggunakan fungsi <strong>clusGap()<\/strong> dari paket <em>cluster<\/em> serta memplot cluster terhadap statistik kesenjangan menggunakan fungsi <strong>fviz_gap_stat()<\/strong> :<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#calculate gap statistic based on number of clusters\n<\/span>gap_stat &lt;- clusGap(df,\n                    FUN = kmeans,\n                    nstart = 25,\n                    K.max = 10,\n                    B = 50)\n\n<span style=\"color: #008080;\">#plot number of clusters vs. gap statistic\n<\/span>fviz_gap_stat(gap_stat)<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12311 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/moyenne-km2.png\" alt=\"Statistik deviasi untuk jumlah cluster yang optimal\" width=\"454\" height=\"445\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Dari grafik terlihat bahwa statistik gap paling tinggi pada k = 4 cluster, yang sesuai dengan metode siku yang kita gunakan sebelumnya.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 4: Lakukan K-Means Clustering dengan <em>K<\/em> Optimal<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Terakhir, kita dapat melakukan k-means clustering pada dataset menggunakan nilai optimal <em>k<\/em> sebesar 4:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<span style=\"color: #000000;\">set.seed(1)<\/span>\n\n#perform k-means clustering with k = 4 clusters\n<\/span>km &lt;- kmeans(df, centers = 4, nstart = 25)\n\n<span style=\"color: #008080;\">#view results\n<\/span>km\n\nK-means clustering with 4 clusters of sizes 16, 13, 13, 8\n\nCluster means:\n      Murder Assault UrbanPop Rape\n1 -0.4894375 -0.3826001 0.5758298 -0.26165379\n2 -0.9615407 -1.1066010 -0.9301069 -0.96676331\n3 0.6950701 1.0394414 0.7226370 1.27693964\n4 1.4118898 0.8743346 -0.8145211 0.01927104\n\nVector clustering:\n       Alabama Alaska Arizona Arkansas California Colorado \n             4 3 3 4 3 3 \n   Connecticut Delaware Florida Georgia Hawaii Idaho \n             1 1 3 4 1 2 \n      Illinois Indiana Iowa Kansas Kentucky Louisiana \n             3 1 2 1 2 4 \n         Maine Maryland Massachusetts Michigan Minnesota Mississippi \n             2 3 1 3 2 4 \n      Missouri Montana Nebraska Nevada New Hampshire New Jersey \n             3 2 2 3 2 1 \n    New Mexico New York North Carolina North Dakota Ohio Oklahoma \n             3 3 4 2 1 1 \n        Oregon Pennsylvania Rhode Island South Carolina South Dakota Tennessee \n             1 1 1 4 2 4 \n         Texas Utah Vermont Virginia Washington West Virginia \n             3 1 2 1 1 2 \n     Wisconsin Wyoming \n             2 1 \n\nWithin cluster sum of squares by cluster:\n[1] 16.212213 11.952463 19.922437 8.316061\n (between_SS \/ total_SS = 71.2%)\n\nAvailable components:\n\n[1] \"cluster\" \"centers\" \"totss\" \"withinss\" \"tot.withinss\" \"betweenss\"   \n[7] \"size\" \"iter\" \"ifault\"         \n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dari hasilnya kita dapat melihat bahwa:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><b>16<\/b> negara bagian ditugaskan ke cluster pertama<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>13<\/strong> negara bagian telah ditugaskan ke cluster kedua<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>13<\/strong> negara bagian telah ditugaskan ke cluster ketiga<\/span><\/li>\n<li> <span style=\"color: #000000;\"><b>8<\/b> negara bagian telah ditugaskan ke cluster keempat<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kita dapat memvisualisasikan cluster pada scatterplot yang menampilkan dua komponen utama pertama pada sumbu menggunakan fungsi <strong>fivz_cluster()<\/strong> :<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#plot results of final k-means model\n<span style=\"color: #000000;\">fviz_cluster(km, data = df)\n<\/span><\/span><\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12313 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmmoyenne4.png\" alt=\"Plot pengelompokan K-means di R\" width=\"475\" height=\"472\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat menggunakan fungsi <strong>Aggregate()<\/strong> untuk mencari rata-rata variabel di setiap cluster:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#find means of each cluster\n<span style=\"color: #000000;\">aggregate(USArrests, by= <span style=\"color: #3366ff;\">list<\/span> (cluster=km$cluster), mean)\n\ncluster Murder Assault UrbanPop Rape\n\t\t\t\t\n1 3.60000 78.53846 52.07692 12.17692\n2 10.81538 257.38462 76.00000 33.19231\n3 5.65625 138.87500 73.87500 18.78125\n4 13.93750 243.62500 53.75000 21.41250\n<\/span><\/span><\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kami menafsirkan keluaran ini sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Jumlah rata-rata pembunuhan per 100.000 warga di negara-negara bagian Grup 1 adalah <strong>3,6<\/strong> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Jumlah rata-rata penyerangan per 100.000 warga di negara-negara bagian Grup 1 adalah <strong>78,5<\/strong> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Persentase rata-rata penduduk yang tinggal di daerah perkotaan di antara negara bagian Grup 1 adalah <b>52,1%<\/b> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Jumlah rata-rata pemerkosaan per 100.000 warga di negara-negara bagian Grup 1 adalah <strong>12,2<\/strong> <strong>.<\/strong><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dan seterusnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat menambahkan penetapan klaster setiap negara bagian ke kumpulan data asli:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#add cluster assignment to original data\n<span style=\"color: #000000;\">final_data &lt;- cbind(USArrests, cluster = km$cluster)\n<\/span>\n#view final data\n<span style=\"color: #000000;\">head(final_data)\n\n\t<\/span><span style=\"color: #000000;\">Murder Assault UrbanPop<\/span> <span style=\"color: #000000;\">Rape<\/span> <span style=\"color: #000000;\">cluster\n\t\t\t\t\nAlabama<\/span> <span style=\"color: #000000;\">13.2<\/span> <span style=\"color: #000000;\">236 58<\/span> <span style=\"color: #000000;\">21.2<\/span> <span style=\"color: #000000;\">4\nAlaska<\/span> <span style=\"color: #000000;\">10.0 263 48<\/span> <span style=\"color: #000000;\">44.5<\/span> <span style=\"color: #000000;\">2\nArizona<\/span> <span style=\"color: #000000;\">8.1 294 80<\/span> <span style=\"color: #000000;\">31.0<\/span> <span style=\"color: #000000;\">2\nArkansas<\/span> <span style=\"color: #000000;\">8.8 190 50<\/span> <span style=\"color: #000000;\">19.5<\/span> <span style=\"color: #000000;\">4\nCalifornia<\/span> <span style=\"color: #000000;\">9.0 276 91<\/span> <span style=\"color: #000000;\">40.6<\/span> <span style=\"color: #000000;\">2\nColorado<\/span> <span style=\"color: #000000;\">7.9 204 78<\/span> <span style=\"color: #000000;\">38.7<\/span> <span style=\"color: #000000;\">2\n<\/span><\/span><\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Kelebihan dan Kekurangan Clustering K-Means<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Pengelompokan K-means menawarkan keuntungan sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Ini adalah algoritma yang cepat.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Itu dapat menangani kumpulan data besar dengan baik.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Namun, ia memiliki potensi kelemahan sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Hal ini mengharuskan kita untuk menentukan jumlah cluster sebelum menjalankan algoritma.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Ini sensitif terhadap outlier.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dua alternatif pengelompokan k-means adalah <a href=\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/\" target=\"_blank\" rel=\"noopener noreferrer\">pengelompokan k-means<\/a> dan pengelompokan hierarki.<\/span><\/p>\n<hr>\n<p> <span style=\"color: #000000;\">Anda dapat menemukan kode R lengkap yang digunakan dalam contoh ini <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/k_means.R\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Clustering adalah teknik pembelajaran mesin yang mencoba menemukan kelompok observasi dalam kumpulan data. Tujuannya adalah untuk menemukan klaster sedemikian rupa sehingga pengamatan dalam setiap klaster cukup mirip satu sama lain, sedangkan observasi dalam klaster yang berbeda sangat berbeda satu sama lain. Pengelompokan adalah bentuk pembelajaran tanpa pengawasan karena kita hanya mencoba menemukan struktur dalam kumpulan [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Pengelompokan K-Means di R: Contoh Langkah-demi-Langkah - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengelompokan K-Means di R: Contoh Langkah-demi-Langkah - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T04:03:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmmoyenne1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/\",\"url\":\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/\",\"name\":\"Pengelompokan K-Means di R: Contoh Langkah-demi-Langkah - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T04:03:40+00:00\",\"dateModified\":\"2023-07-27T04:03:40+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengelompokan k-means di r: contoh langkah-demi-langkah\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pengelompokan K-Means di R: Contoh Langkah-demi-Langkah - Statologi","description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/","og_locale":"id_ID","og_type":"article","og_title":"Pengelompokan K-Means di R: Contoh Langkah-demi-Langkah - Statologi","og_description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.","og_url":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T04:03:40+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmmoyenne1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"6 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/","url":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/","name":"Pengelompokan K-Means di R: Contoh Langkah-demi-Langkah - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T04:03:40+00:00","dateModified":"2023-07-27T04:03:40+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan k-means clustering di R.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengelompokan k-means di r: contoh langkah-demi-langkah"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1244"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1244"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1244\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1244"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1244"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1244"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}