Icon

Tugas ML_​PCA + K-Means_​20230130049

Konversi semua kolom ke Double untuk kompatibilitas PCA
Column Auto Type Cast
Set warna per cluster untuk visualisasi
Color Manager
Cek statistik: range RMS 0.5-15 mm/s, Kurtosis 1-8, Speed 1000-3000 rpm
Data Explorer
Pilih 10 fitur numerik untuk PCA & clustering
Column Filter
Z-score standardization: mean=0, std=1 untuk semua fitur
Normalizer
Hitung PCA dengan correlation matrix, extract semua PC
PCA Compute
Scree plot: tentukan jumlah PC untuk cumulative variance ≥90%
Line Plot
Set warna per cluster untuk visualisasi
Color Manager
Hitung silhouette score untuk evaluasi kualitas cluster
Silhouette Coefficient
Hitung silhouette score untuk evaluasi kualitas cluster
Silhouette Coefficient
Hitung silhouette score untuk evaluasi kualitas cluster
Silhouette Coefficient
Visualisasi K-Means tanpa PCA
Scatter Plot (JavaScript) (legacy)
Hitung silhouette score untuk evaluasi kualitas cluster
Silhouette Coefficient
Hitung mean fitur per cluster untuk interpretasi teknik
GroupBy
Import data getaran 200 sampel dengan 10 fitur
CSV Reader
Hitung mean fitur per cluster untuk interpretasi teknik
GroupBy
Hitung silhouette score untuk evaluasi kualitas cluster
Silhouette Coefficient
Hitung mean fitur per cluster untuk interpretasi teknik
GroupBy
Plot cluster hasil K-Means dengan warna berbeda
Scatter Plot (JavaScript) (legacy)
Plot cluster hasil K-Means dengan warna berbeda
Scatter Plot (JavaScript) (legacy)
Plot cluster hasil K-Means dengan warna berbeda
Scatter Plot (JavaScript) (legacy)
Hitung mean fitur per cluster untuk interpretasi teknik
GroupBy
Pilih PC1-PC3
Column Filter
Hitung mean fitur per cluster untuk interpretasi teknik
GroupBy
K-Means K=3: low/medium/high vibration mode
k-Means
K-Means pada fitur asli (10D) untuk perbandingan dengan PCA
k-Means
Transform data ke PC space menggunakan model PCA
PCA Apply
K-Means K=4: segmentasi lebih detail kondisi mesin
k-Means
K-Means pada fitur asli (10D) untuk perbandingan dengan PCA
k-Means
Visualisasi data di PC space sebelum clustering
Scatter Plot (JavaScript) (legacy)
Hitung silhouette score untuk evaluasi kualitas cluster
Silhouette Coefficient
K-Means K=2: untuk deteksi mode operasi normal vs abnormal
k-Means
Hitung mean fitur per cluster untuk interpretasi teknik
GroupBy
Assign cluster labels ke data points
Cluster Assigner
Visualisasi K-Means tanpa PCA
Scatter Plot (JavaScript) (legacy)
Set warna per cluster untuk visualisasi
Color Manager
Assign cluster labels ke data points
Cluster Assigner
K-Means pada fitur asli (10D) untuk perbandingan dengan PCA
k-Means
Assign cluster labels ke data points
Cluster Assigner
Visualisasi K-Means tanpa PCA
Scatter Plot (JavaScript) (legacy)

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: Lenovo V330
Created at: 2025-12-30
On NodePit since: 2026-01-17
Last update: 2026-01-17
Created with KNIME version: v5.9.0

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!