{"id":1246,"date":"2023-07-27T03:54:17","date_gmt":"2023-07-27T03:54:17","guid":{"rendered":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/"},"modified":"2023-07-27T03:54:17","modified_gmt":"2023-07-27T03:54:17","slug":"k-medoid-di-sungai","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/","title":{"rendered":"K-medoids 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 kelompok atau <em>cluster<\/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 <a href=\"https:\/\/statorials.org\/id\/k-berarti-mengelompokkan-dalam-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">pengelompokan k-means<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Sayangnya, metode ini dapat dipengaruhi oleh outlier, itulah sebabnya alternatif yang sering digunakan adalah <strong>pengelompokan k-medoids<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Apa itu pengelompokan K-Medoids?<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Pengelompokan K-medoids adalah teknik di mana kita menempatkan setiap observasi dalam kumpulan data 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 adalah vektor dari <b>median<\/b> <em>p<\/em> fitur 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<blockquote>\n<p> <span style=\"color: #000000;\"><strong>Catatan teknis:<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena k-medoids menghitung pusat cluster menggunakan median dan bukan mean, k-medoids cenderung lebih kuat terhadap outlier dibandingkan k-means.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, jika tidak ada outlier ekstrem dalam kumpulan data, k-means dan k-medoids akan memberikan hasil yang serupa.<\/span><\/p>\n<\/blockquote>\n<h3> <span style=\"color: #000000;\"><strong>Pengelompokan K-Medoids di R<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut memberikan contoh langkah demi langkah tentang cara melakukan kluster k-medoids 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 clustering k-medoids 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-medoid di R, kita dapat menggunakan fungsi <strong>pam()<\/strong> , yang merupakan singkatan dari \u201cpartitioning around medians\u201d dan menggunakan sintaks berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>pam(data, k, metrik = \u201cEuclidean\u201d, stand = FALSE)<\/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>k :<\/strong> Jumlah cluster.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>metrik:<\/strong> metrik yang digunakan untuk menghitung jarak. Standarnya adalah <em>Euclidean<\/em> tetapi Anda juga dapat menentukan <em>manhattan<\/em> .<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>stand:<\/strong> Apakah setiap variabel dalam dataset akan dinormalisasi atau tidak. Nilai defaultnya adalah salah.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Karena kita tidak mengetahui sebelumnya berapa jumlah 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, pam, method = \u201c <span style=\"color: #008000;\">wss<\/span> \u201d)<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12327 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmedoide1.png\" alt=\"Cluster optimal untuk k-medoid\" width=\"462\" height=\"449\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Total jumlah kuadrat umumnya akan selalu bertambah seiring bertambahnya jumlah cluster. Jadi saat kita membuat plot jenis ini, kita mencari &#8220;lutut&#8221; di mana jumlah kuadratnya mulai &#8220;membungkuk&#8221; atau mendatar.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Titik kelengkungan plot umumnya sesuai dengan jumlah cluster yang optimal. Di luar angka tersebut, kemungkinan terjadi <a href=\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\" target=\"_blank\" rel=\"noopener noreferrer\">overfitting<\/a> .<\/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 gap untuk setiap jumlah cluster menggunakan fungsi <strong>clusGap()<\/strong> dari paket <em>cluster<\/em> serta plot statistik cluster versus gap 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 = pam,\n                    K.max = 10, <span style=\"color: #008080;\">#max clusters to consider<\/span>\n                    B = 50) <span style=\"color: #008080;\">#total bootstrapped iterations<\/span>\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-12328 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmedoide2.png\" alt=\"K-medoids jumlah cluster optimal di R\" width=\"443\" height=\"441\" 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 pengelompokan K-Medoids dengan Optimal <em>K<\/em><\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Terakhir, kita dapat melakukan pengelompokan k-medoids pada kumpulan data menggunakan nilai optimal untuk <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-medoids clustering with k = 4 clusters\n<\/span>kmed &lt;- pam(df, k = 4)\n\n<span style=\"color: #008080;\">#view results\n<\/span>kmed\n\n              ID Murder Assault UrbanPop Rape\nAlabama 1 1.2425641 0.7828393 -0.5209066 -0.003416473\nMichigan 22 0.9900104 1.0108275 0.5844655 1.480613993\nOklahoma 36 -0.2727580 -0.2371077 0.1699510 -0.131534211\nNew Hampshire 29 -1.3059321 -1.3650491 -0.6590781 -1.252564419\nVector clustering:\n       Alabama Alaska Arizona Arkansas California \n             1 2 2 1 2 \n      Colorado Connecticut Delaware Florida Georgia \n             2 3 3 2 1 \n        Hawaii Idaho Illinois Indiana Iowa \n             3 4 2 3 4 \n        Kansas Kentucky Louisiana Maine Maryland \n             3 3 1 4 2 \n Massachusetts Michigan Minnesota Mississippi Missouri \n             3 2 4 1 3 \n       Montana Nebraska Nevada New Hampshire New Jersey \n             3 3 2 4 3 \n    New Mexico New York North Carolina North Dakota Ohio \n             2 2 1 4 3 \n      Oklahoma Oregon Pennsylvania Rhode Island South Carolina \n             3 3 3 3 1 \n  South Dakota Tennessee Texas Utah Vermont \n             4 1 2 3 4 \n      Virginia Washington West Virginia Wisconsin Wyoming \n             3 3 4 4 3 \nObjective function:\n   build swap \n1.035116 1.027102 \n\nAvailable components:\n [1] \"medoids\" \"id.med\" \"clustering\" \"objective\" \"isolation\" \n [6] \"clusinfo\" \"silinfo\" \"diss\" \"call\" \"data\"          \n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa keempat pusat cluster adalah observasi aktual dalam kumpulan data. Di dekat bagian atas keluaran, kita dapat melihat bahwa empat pusat massa adalah keadaan berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Alabama<\/span><\/li>\n<li> <span style=\"color: #000000;\">Michigan<\/span><\/li>\n<li> <span style=\"color: #000000;\">Oklahoma<\/span><\/li>\n<li> <span style=\"color: #000000;\">New Hampshire<\/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-medoids model\n<span style=\"color: #000000;\">fviz_cluster(kmed, data = df)\n<\/span><\/span><\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12329 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmedoide3.png\" alt=\"Merencanakan cluster k-medoid di R\" width=\"497\" height=\"500\" srcset=\"\" sizes=\"\"><\/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 = kmed$cluster)\n<\/span>\n#view final data\n<span style=\"color: #000000;\">head(final_data)\n\n           Murder Assault UrbanPop Rape cluster\nAlabama 13.2 236 58 21.2 1\nAlaska 10.0 263 48 44.5 2\nArizona 8.1 294 80 31.0 2\nArkansas 8.8 190 50 19.5 1\nCalifornia 9.0 276 91 40.6 2\nColorado 7.9 204 78 38.7 2\n<\/span><\/span><\/strong><\/pre>\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_medoids.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 atau cluster 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 [&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>K-Medoids di R: contoh langkah demi langkah<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan clustering k-medoids 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-medoid-di-sungai\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"K-Medoids di R: contoh langkah demi langkah\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan clustering k-medoids di R.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T03:54:17+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmedoide1.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=\"5 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/\",\"url\":\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/\",\"name\":\"K-Medoids di R: contoh langkah demi langkah\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T03:54:17+00:00\",\"dateModified\":\"2023-07-27T03:54:17+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan clustering k-medoids di R.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"K-medoids 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":"K-Medoids di R: contoh langkah demi langkah","description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan clustering k-medoids 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-medoid-di-sungai\/","og_locale":"id_ID","og_type":"article","og_title":"K-Medoids di R: contoh langkah demi langkah","og_description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan clustering k-medoids di R.","og_url":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/","og_site_name":"Statorials","article_published_time":"2023-07-27T03:54:17+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kmedoide1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"5 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/","url":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/","name":"K-Medoids di R: contoh langkah demi langkah","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T03:54:17+00:00","dateModified":"2023-07-27T03:54:17+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan clustering k-medoids di R.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/k-medoid-di-sungai\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/k-medoid-di-sungai\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"K-medoids 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\/1246"}],"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=1246"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1246\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1246"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1246"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1246"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}