VOLT-INS Store

Inspirasi Informatika & Elektrro

admin

Aplikasi FP-GROWTH Asosiasi – Algoritma Data Mining Asosiasi

by Leave a Comment

Algoritma FP-Growth (Frequent Pattern Growth) adalah salah satu metode populer dalam data mining untuk menemukan pola asosiasi dalam dataset besar.

Algoritma ini dirancang untuk mengatasi kelemahan algoritma Apriori yang memerlukan eksplorasi berulang kali terhadap data.

Dengan pendekatan berbasis struktur pohon (FP-Tree), FP-Growth memungkinkan analisis pola dengan efisiensi yang jauh lebih tinggi,

Terutama dalam kasus dataset yang besar dan kompleks. Struktur FP-Tree menyimpan data secara terkompresi, sehingga mengurangi kebutuhan memori dan waktu komputasi.

FP-Growth sangat efektif digunakan dalam berbagai aplikasi, seperti analisis keranjang belanja (market basket analysis), segmentasi pelanggan, hingga rekomendasi produk.

Dalam praktiknya, algoritma ini bekerja dengan cara membangun pohon dari dataset, kemudian mengekstrak pola-pola yang sering muncul tanpa harus memindai dataset secara berulang.

Dengan keunggulan efisiensi dan kemampuannya menangani data berskala besar, FP-Growth menjadi salah satu pilihan utama untuk analisis pola asosiasi dalam dunia bisnis dan penelitian.

Kita langsung aja ke aplikasinya,

Halaman Login

Aplikasi dilengkapi dengan halaman login, yang masih menggunakan 1 role user (Administrator), jika kalian ingin memodifikasi menjadi multi user dan multi role dengan fitur yang berbeda, aplikasi ini sangat memungkinkan sekali

Halaman Dashboard

Dashboard diatas dapat kalian dengan mudah customisasi dengan syntak HTML Bootstrap, tentunya kalian punya selera masing-masing saat menghias aplikasi ini supaya lebih menarik dan sesuai tema kalian

Halaman Dataset

Diatas adalah halaman dataset, kalian dapat menambahkan dataset sendiri, atau menggantinya secara langsung dengan mengedit atau menghapus pada fitur diatas, setiap barang-barang yang di transaksikan di pisahkan dengan koma (,) seperti contoh diatas

Halaman Initial Proses

Pada menu Utama Fp-Growth terdapat submenu Initial Proses, ini adalah proses awal sebelum masuk ke algoritma FP-Growth, proses ini memindahkan dan memisahkan data transaksi tiap-tiap barang, untuk di analisa

Halaman Generate Rule Fp-Growth

Ini adalah submenu Generate Rule, sebelum memproses algoritma Fp-Growth ada form isian Minimum Support, Minimum Confidence, dan Barang apa yang akan di rekomendasi, isian minimum support & confidence dalam satuan persen (%) seperti contoh diatas, isianya adalah 30 yang artinya 30%, dan saya ingin melihat barang apa yang biasanya dibeli bersama dengan “Beer” ?

Halaman Hasil FP-Growth

Diatas adalah hasil algoritma FP-Growth, terdapat Frekuensi muncul tiap barang, Rule dan Barang Rekomendasi dengan Kolom prosentase Confidence

Aplikasi ini adalah standar minimal penerapan Algoritma Datamining Fp-Growth, dan sangat mudah untuk di customisasikan sesuai kebutuhan kalian semua

Video Aplikasi FP-GROWTH

Bagaimana Untuk Mendapat Aplikasinya ??

Untuk anda para subscriber saya, saya jual dengan harga Rp. 250.000,- (nilai yang murah demi kelancaran studi/riset kalian semua) + Full Support dari saya sampai aplikasi benar-benar berjalan normal di laptop/pc kalian

Jika anda tertarik & minat dengan aplikasi ini, atau anda ingin memodifikasi aplikasi ini bisa hubungi saya di tombol WhatsApp pada kanan bawah :

Realtime Komunikasi dengan Websocket Server

by Leave a Comment

Websocket server, tidak banyak orang tahu tentang metode ini, namun dengan ini saya berhasil meningkatkan teknologi komunikasi di beberapa perusahaan, salah satunya di perusahaan tempat saya bekerja sekarang

Artikel ini akan mengantar anda memahami apa yang sudah saya terapkan, hasilnya seperti apa, dan dampak positif apa yang terjadi di tempat kerja saya, bahkan di luar tempat kerja saya alias project pribadi

Tempat kerja saya di perusahaan Financial, tepatnya salah satu perusahaan financial yang ada di Jawa Tengah

Ini adalah Hak atas Intelektual dari saya pribadi, Jadi siapapun yang membaca ini berhak atas ilmu pengetahuan yang akan di dapatkan, Tujuan saya sharing tidak lain hanya untuk memberikan Edukasi & Ilmu Pengetahuan

Lantas apa perubahan yang terjadi setelah menggunakan teknologi Websocket ??

  1. Seluruh Aplikasi dapat berinteraksi secara Realtime, sehingga informasi dapat tersampaikan dengan cepat dengan bandwidth yang sangat-sangat kecil sekali
  2. Seluruh Karyawan (si pengguna aplikasi) merasakan aplikasi yang sangat interaktif, sehingga meningkatkan user engagement (ketergantungan & Intensitas pemakaian aplikasi)
  3. Irit Bandwidth, Websocket ini sifatnya low-latency, untuk memperbarui informasi tidak perlu refresh halaman, bandingka saja jika (1 halaman ukuranya 150kb, anggap satu aplikasi terdapat 50 halaman dan diperusahaan terdapat sekitar 150 aplikasi) berapa banyak bandwidth yang bisa kita hemat
  4. Traffic Jaringan Tetap Rendah, traffic network kita tetap stabil walaupun terdapat banyak aplikasi yang sedang berjalan
  5. Proses Bisnis Sangat Optimal, dampak positif yang paling penting adalah aplikasi yang mendukung proses bisnis menjadi sangat cepat, dan tetap optimal, inilah hasil akhir yang diharapkan oleh Manajemen di Perusahaan

Mungkin anda masih bingung untuk memahami, tapi anda pasti tau aplikasi Chat kan ? seperti WhatsApp, Line, dan sebagainya..
Ketika anda kirim pesan, si penerima langsung otomatis menerima pesan anda secara otomatis dan mendapatkan notifikasinya tanpa si target membuka / merefresh halaman

Nah, tentunya teknologi ini menggunakan Websocket, makin ada gambaran ya pastinya ?

Saya Membuat Portal Websocket

Dalam hal ini saya tidak membuat websocket untuk aplikasi chating, namun yang saya buat adalah sebuah Portal Websocket, dimana portal ini nantinya dapat digunakan oleh aplikasi-aplikasi lain sehingga semua aplikasi mempunyai kemampuan dalam berkomunikasi secara realtime

Gambaran Umum Peran Portal Websocket

Dari sketsa gambaran diatas, Portal Websocket ini digunakan oleh banyak aplikasi, bisa untuk digunakan komunikasi di internal aplikasinya, atau bahkan komunikasi antar aplikasi secara realtime.

Setiap aplikasi mempunyai channel sendiri-sendiri, jadi traffic pesan antara aplikasi satu dengan aplikasi yang lain tidak saling mengganggu

Apakah Websocket yang saya implementasikan Support pada Platform Web, Mobile, Desktop ?

Jawabanya adalah, Sangat Support !! Karena saya sudah menguji ke beberapa platform sebagai metode komunikasinya,

Pemasanganya hanya membutuhkan beberapa baris code saja pada aplikasi yang ingin di koneksikan, setelah itu langsung bisa berkomunikasi secara realtime,

Tidak sesulit yang dibayangkan,

Apakah ada project yang Besar yang sudah di Implementasikan ??

Ada 2 project aplikasi yang terbilang cukup besar yang menggunakan Websocket ini, yaitu aplikasi Transaksi di perbankan tersebar di cabang-cabang wilayah Jawa Tengah, dan aplikasi transaksi yang ada di Samsat Jawa Tengah tersebar juga hingga ke pelosok-pelosok wilayah,

Ya, faktanya mulai dari tahun 2025 yang sudah berlaku aturan Samsat Opsen, teknologi websocket yang saya rancang ini digunakan oleh semua Samsat di Jawa Tengah mulai dari transaksinya hingga Cetak kertas Tanda Bukti bayar Pajak, melewati Websocket ini,

Apakah Websocket Server ini dapat di Scalling ??

Ya, websocket ini dapat di terapkan di beberapa server sekaligus, istilahnya adalah Horizontal Scalling, gunanya untuk apa ? supaya lebih powerfull dalam menangani banyak Concurent Client yang terkoneksi dan tidak ada delay ketika Client kita sudah mencapai ratusan ribu hingga jutaan

Apakah Websocket Server ini tersedia dalam versi Docker Image & Teknologi apa yang digunakan di dalamnya ??

Ya, ini sudah berbentuk Image Docker sehingga sangat mudah untuk di jalankan, pasti anda juga sangat familiar dengan docker kan? jika familiar, tentu saja anda tahu, bahwa Websocket Server ini dapat digunakan pada arsitektur Microservices,

Untuk jenis teknologi pembangunanya, Websocket ini dibuat dengan Bahasa pemrograman NodeJS, ExpressJS & Redis, mengapa Redis ? Jika kalian tahu MySQL, PostgreSQL, dan database-database yang lain, ini menggunakan Input Output Disk, yang mana paling cepat adalah 10 milisecond

Redis ini dapat Input Output yang lebih cepat dalam waktu kurang dari < 1 milisecond, karena Redis ini beroperasi pada level memory, bukan pada Disk

Bagaimana Gambaran Arsitektur Websocket ini ??

websocker cluster

Gambar diatas adalah Arsitektur Websocket yang sudah di Scalling, terlihat diatas sudah ada 2 server yang tertanam websocket, dengan 1 Redis sebagai Orkestrator nya,

Artikel ini akan saya lanjutkan lagi, jika kalian tertarik dengan teknologi ini, bisa hubungi saya via WhatsApp yang ada pada kanan bawah,
To be Continue..

Aplikasi Fuzzy KNN, K-Nearest Neighbors + Fuzzy Logic

by Leave a Comment

Aplikasi Fuzzy KNN adalah sebuah algoritma yang menggunakan konsep teori fuzzy dalam pengembangan metode k-Nearest Neighbors (k-NN).

Ide di balik algoritma ini adalah untuk memperluas algoritma k-NN itu sendiri, karena terkadang ada beberapa kasus yang tidak bisa di selesaikan oleh KNN,

Seperti jika mayoritas jarak pada titik nilainya sama, maka hasil prediksi akan bias.

Pada Fuzzy KNN tidak hanya berhenti pada perhitungan jarak seperti algoritma KNN sebelumnya, jarak disini akan dihitung nilai fuzzy dan rasio bobotnya sehingga memberi hasil yang mendetail

Table of Contents

Langsung saja kita ulas Aplikasi Fuzzy KNN nya,

Format Dataset

Dibawah ini adalah format dataset sampelnya, dimana Lokasi menjadi koloom label / class, sedangkan rumah adalah sebuah object dan lat, long menjadi atribute

rumah lat long lokasi
A 1 1 Kota
M 2 1 Kota
C 3 1 Kota
I 3 2 Kota
E 7 2 Kabupaten
K 1 3 Kota
G 2 3 Kota
H 5 3 Kabupaten
N 4 4 Kabupaten
O 6 4 Kabupaten
F 1 5 Kota
J 6 5 Kabupaten
B 1 6 Kota
L 4 6 Kabupaten
D 5 6 Kabupaten
Z 2 7 Kabupaten
Z 4 7 Kabupaten

Bagaimana dengan format dataset lain ?? tentunya bisa-bisa saja.. yang penting strukturnya seperti demikan :

Object, Attr1, Attr2, Attr3, Attr4, Attr5, Attr…n, Label

Dimana Attr1 – Attr..n, bisa berisi banyak.. Contoh lain misalkan seperti ini :

Nama, nilai1,nilai2,nilai3,nilai4,nilai5,nilai6,prediksi_kelulusan

Halaman Login

Ini adalah halaman login aplikasinya, dimana user role masih satu yaitu Adminisrator, bagaimana jika butuh user login lebih dari satu ?? jika demikian bisa hubungi kita untuk dilakukan customisasi

Halaman Dashboard

Dashboard masih berupa simpel keterangan dan judul, ini bisa di sesuaikan dengan selera kita, misalkan ingin di tambahkan gambar, atau warna dan tulisan, bisa sekali..

Halaman Fuzzy Knn – Upload Dataset

Kita hanya tinggal upload dataset kita kedalam aplikasi, maka aplikasi akan secara otomatis membaca dataset kita dan melakukan perhitungan, Dataset bisa berbeda-beda, sesuai dataset kita, namun yang perlu di perhatikan adalah Struktur dataset nya.. bisa di scroll keatas bagian dataset untuk panduanya

Setelah dataset di upload, maka secara otomatis akan tampil di bawahnya

Initial Proses Fuzzy Knn

Di dalam initial proses ini, dataset akan dipisahkan mana yang atribut info, atribute pendukung, dan label, sebelum menuju ke proses prediksi dan performance

Prediksi – Fuzzy KNN

Pada menu prediksi sistem akan menampilkan form untuk diisi, nilai K (berapa jumlah tetangga terdekat), atribute info, dan atribute prediktor nya.. lalu sebelah kanan adalah hasil prediksnya ketika sudah klik tombol prediksi

Halaman Performance

Pada halaman performance, sistem akan menampilkan pilihan prosentase untuk membagi dataset kedalam 2 bagian, yaitu data training dan data testing

Setelah memilih prosentasenya, maka aplikasi akan membagi dan menghitung performa, disini tampil berapa hasil Akurasi dari metode Fuzzy KNN pada dataset ini

Bagaimana Untuk Mendapat Aplikasinya ??

Jika anda tertarik & minat dengan aplikasi ini, atau anda ingin memodifikasi aplikasi ini bisa hubungi saya di tombol WhatsApp pada kanan bawah :

LIHAT PRODUK APLIKASI FUZZY KNN

Tonton Video Aplikasi Ini & Review Orang-orang terkait Aplikasi Ini

Source Code Naive Bayes Gaussian – Support Semua Dataset

by Leave a Comment

Table of Contents

Penjelasan Naive Bayes Gaussian

Gaussian Naive Bayes adalah pengembangan dari algoritma naive bayes itu sendiri yang semula atribute nya berupa data kategori, nah yang gaussian naive bayes ini menggunakan data numerik atau istilahnya data continue,

Kalian bisa baca deh artikel saya sebelumnya tentang aplikasi naive bayes, dibawah ini :

Algoritma Naive Bayes Classification (Data Kategori)

Algoritma Naive Bayes Text Classification (Data Text)

jadi algoritma naive bayes ini sangat luas pengembanganya bahkan bisa digunakan untuk pemrosesan data berbasis text (text mining), dan juga data kategorisasi seperti link diatas,

Nah ini beda lagi, menggunakan data Numerik, Simak aplikasinya dibawah ini

Contoh Dataset Gaussian Naive Bayes

heightweightfootperson
6.018012male
5.9219011male
5.5817012male
5.5816512male
5.01006female
5.81709female
5.81507female
5.541509female
5.618511male
5.718712male
5.7317710male
5.5618311male
5.11208female
5.21447female
5.451518female

Dataset ini untuk mengklasifikasikan male/female dengan parameter-parameter dari data height,weight,foot

Seperti yg sudah saya katakan, dataset naive bayes gaussian ini menggunakan data numerik, bisa dilihat di kolom atribute height,weight,foot diatas, sedangkan kolom terakhir berupa label/class

Fitur Login

Fitur Login

Pada fitur ini user dapat memasukan email & password, sistem akan check kedalam tabel user (seperti gambar dibawah) apakah email dan password sesuai atau tidak, jika sesuai akan diarahkan kedalam dasbhboard aplikasi

Tabel Users

Dashboard Aplikasi

Dashboard Aplikasi

Pada dashboard ini memang masih sederhana, tapi disinilah sebenarnya kalian dapat memodifikasi sesuka hati, misalnya di desain jadi biodata kalian mungkin ?? atau apapun..

Untuk desain dashboard ini bisa kalian buka pada file di directory ini app/Views/module/dashboard.php

Dashboard Aplikasi

Bagaimana cara mendesainya ?? tentunya kalian harus memahami pemrograman HTML dulu ya..

Fitur Dataset

Fitur Dataset

Pada menu dataset, kalian dapat Add, Edit, Delete, Search dataset sesuka hati, bahkan sudah ada fitur pagination nya, ini untuk menjaga agar performa aplikasi selalu cepat,

Lalu bagaimana jika kalian punya dataset yang berbeda ?? tentunya tidak jadi masalah ya..

Saya akan bantu kalian agar aplikasi ini konek dengan dataset kalian, tinggal hubungi saya saja, kontak saya ada di akhir artikel ini

Proses Naivebayes Gaussian

Proses Naive Bayes Gaussian

Dalam proses Naive Bayes Gaussian, yang submenu yang pertama adalah Dataset, ini akan menampilkan data sebelum di proses, apakah ada maksimal data yang bisa di proses ??

Jawabanya adalah tidak ada, tergantung kapasitas laptop kalian..

Inisialisasi Proses

Inisialisasi Proses

Pada inisialisasi proses, akan memisahkan dataset kedalam 2 kelompok, yaitu Atribute dan Label, yang berkolom kuning adalah atribute, dan yang kolom hijau adalah label

Fitur Form Prediksi

Fitur Form Prediksi

Pada fitur ini kalian dapat memasukan angka-angka yang akan kalian prediksikan, disebelah kanan adalah hasil detail dari setiap perhitungan naive bayes gaussian ini yang mana ini sering sekali ditanyakan oleh dosen kalian bukan ??

Hasil Prediksi

Jika kalian scroll kebawah lagi, maka akan di dapati hasil prediksi dari form yang kalian isikan sebelumnya beserta detail dari perhitungan yang tersisa

Fitur Performance Naive Bayes Gaussian

Performance Akurasi

Juga terdapat fitur untuk mengukur performance dari source code naive bayes gaussian ini, dalam kasus ini yang diukur adalah AKURASI

Kalian juga dapat memilih prosentase data training dan data testing, ketika kalian pilih maka secara otomatis akan di proses perhitungan performance nya

Dibawah ini adalah Hasil Performance Naive Bayes Gaussian

Performance Akurasi

Bagaimana Untuk Mendapat Aplikasinya ??

Jika anda tertarik & minat dengan aplikasi ini, atau anda ingin memodifikasi aplikasi ini bisa klik di tombol yang ada di bawah ini :

LIHAT PRODUK APLIKASI NAIVE BAYES GAUSSIAN

Cobalah kalian mendengar review kata-kata dari customer saya tentang aplikasi ini

Tonton Video Aplikasi Ini & Review Orang-orang terkait Aplikasi Ini

Aplikasi Data Mining Random Forest Klasifikasi

by Leave a Comment

Table of Contents

Penjelasan Tentang Random Forest

Data mining random forest adalah algoritma machine learning yang digunakan untuk tugas-tugas klasifikasi dan regresi.

Algoritma ini berdasarkan konsep ensemble learning, yang menggabungkan prediksi dari beberapa model pembelajaran mesin untuk meningkatkan kinerja dan ketahanan terhadap overfitting.

Seperti sebuah hutan yang terdiri dari banyak pohon. Setiap pohon itu adalah model yang dapat memprediksi sesuatu, seperti kategori atau angka

Langkah-Langkah Random Forest

Berikut adalah langkah-langkah untuk membangun model Random Forest:

  1. Ambil sampel acak dengan penggantian (bootstrapping) dari kumpulan data pelatihan. Ini berarti beberapa data dapat muncul lebih dari sekali, sementara beberapa data mungkin tidak muncul sama sekali dalam setiap sampel.
  2. Bangun pohon keputusan menggunakan sampel data tersebut. Pada setiap simpul dalam pohon, algoritma memilih fitur acak dari subset fitur yang tersedia dan membagi data berdasarkan aturan pemisahan (seperti indeks Gini atau entropi).
  3. Ulangi langkah 1 dan 2 untuk membangun sejumlah pohon keputusan. Jumlah pohon ini ditentukan sebelumnya oleh pengguna sebagai parameter algoritma.
  4. Ketika melakukan prediksi, setiap pohon dalam hutan memberikan prediksi sendiri. Untuk tugas klasifikasi, hasil akhirnya dapat ditentukan berdasarkan mayoritas suara dari semua pohon dalam hutan. Dalam regresi, rata-rata hasil prediksi dari semua pohon dapat digunakan.

Makin pusing ?? hehe.. gak usah fokus-fokus banget sama teorinya diatas, cukup fokus sama aplikasi yang akan saya jelaskan dibawah ini, oke ??

Contoh Dataset Random Forest

sepal_lengthsepal_widthpetal_lengthpetal_widthspecies
5.13.31.70.5setosa
5.23.51.50.2setosa
5.74.41.50.4setosa
5.43.91.30.4setosa
5.53.51.30.2setosa
4.63.21.40.2setosa
4.43.21.30.2setosa
4.73.21.60.2setosa
5.13.51.40.2setosa
4.63.41.40.3setosa
5.23.41.40.2setosa
5.24.11.50.1setosa
4.331.10.1setosa
53.41.60.4setosa
4.83.41.90.2setosa
4.42.91.40.2setosa
4.831.40.1setosa
5.43.91.70.4setosa
4.831.40.3setosa

Data yang digunakan adalah data dengan atribute numerik dan label alphanumerik, seperti contoh diatas ini, Yap betul, data mining random forest memang jenis algoritma supervised karena membutuhkan label, berbeda seperti algoritma-algoritma unsupervised lain seperti Kmeans

Spesifikasi Aplikasi

  • PHP Versi 7.4 / 8.0 (Apache)
  • MySQL
  • Codeigniter 4
  • Bootstrap 5
  • HTML, CSS, JS

Halaman Login

halaman login
Halaman Login

Sebelum masuk kedalam aplikasi user wajib untuk login dengan memasukan email & password kedalam form login ini, email&password tadi akan di validasi oleh sistem apakah sama dengan yang ada pada tabel users di database

Fungsi Authentikasi Login
Tabel Users

Ketika hasil benar, maka sistem akan mengaktifkan session nya dan mengarahkan (redirect) ke halaman randomforest

Halaman Dashboard

Halaman Dashboard

Halaman dashboard ini masih sangat sederhana sekali, jika kalian sudah mendapat source code nya kalian bisa memodifikasi sesuai dengan imajinasi kalian, halaman ini letaknya ada pada pada file App/Views/module/dashboard.php

Berikut isi dari source code halaman dashboard,

Source Code Halaman Dashboard

Halaman Dataset

Dataset Otomatis Menyesuaikan

Pada dataset ini sudah dilengkapi dengan CRUD, jadi kalian bisa menambah, edit, hapus dataset sesuka hati, Tidak hanya itu, dataset ini juga sudah tersedia fitur searching by kolom

Dataset (label selalu di sebelah ujung kanan)

Diatas ini adalah tabel dataset, dengan atribute sepal_length, sepal_width, petal_length, petal_width dan label species

Bagaimana Jika Saya Punya Dataset yang Beda ??

Sebenarnya kalian tinggal buat tabel baru lagi dengan nama dataset, dan kolom-kolom nya disesuaikan saja dengan dataset punya kalian, saya kasih contoh dibawah ini,

Tabel Dataset Lain (label selalu di sebelah ujung kanan)

Lalu bagaimana dengan fitur menu dataset di aplikasi ??

Halaman Dataset

Secara otomatis fitur dalam aplikasi akan menyesuaikan dengan tabel dataset yang kalian buat, pada algoritma data mining random forest juga secara otomatis menyesuaikan dengan apa yang ada pada fitur dataset ini

Menarik bukan ??

Halaman Data Mining Random Forest

Menu Proses – Sub Menu Dataset

Pada halaman proses, terdapat sub menu dataset, ini akan menampilkan semua dataset yang akan di proses,

Halaman Inisial Proses

Halaman Inisial Proses

Pada halaman ini dataset yang sudah ada di pisahkan kedalam 2 bagian, yaitu atribute dan label, terlihat pada kolom berwarna kuning merupakan atribute dan kolom yang berwarna hijau adalah label (label selalu di sebelah ujung kanan)

Halaman Prediksi

Halaman Prediksi

Pada halaman prediksi akan menampilkan form inputan sesuai dengan kolom atribute dataset, dengan ada tambahan field Banyak Tree, banyak tree ini bebas kalian akan memilih berapa tree yang akan di generate,

Ketika kalian sudah mengisikan dan klik tombol “prediksi” maka secara otomatis hasilnya akan terlihat di sebelah kanan yang berwarna hijau, sedangkan Hasil tree nya akan tampil di bawahnya

Tree Hasil Prediksi

Tree Random Forest

Terdapat 3 tree yang di generate dari form prediksi, masing-masing tree dapat di klik, secara otomatis akan menampilkan drowdown anak2 pada tree nya seperti gambar diatas

Halaman Performance Data Mining Random Forest

Performance Random Forest
Data Testing

Halaman ini terdapat satu field inputan, yaitu prosentase. Jika kalian memilih prosentase 70% maka secara otomatis data akan dibagi menjadi 70% data training dan 30% data testing

Detail Data Training dan Testing dapat kalian lihat pada gambar diatas,

Hasil Performance

Jika kalian scroll kebawah akan menemukan hasil confussion matrix nya Akurasi, Presisi & Recall

Bagaimana Untuk Mendapat Aplikasinya ??

Jika anda tertarik & minat dengan aplikasi ini, atau anda ingin memodifikasi aplikasi ini bisa klik di tombol yang ada di bawah ini :

LIHAT PRODUK APLIKASI RANDOM FOREST

Cobalah kalian mendengar review kata-kata dari customer saya tentang aplikasi ini

Tonton Video Aplikasi Ini & Review Orang-orang terkait Aplikasi Ini

Aplikasi Regresi Linear Data Mining – Sederhana & Berganda

by Leave a Comment

Table of Contents

Regresi Linear Secara Garis Besar

Aplikasi Regresi linear adalah metode statistik yang digunakan untuk memodelkan hubungan linier antara satu variabel terikat (variabel respons) dan satu atau lebih variabel bebas (variabel prediktor).

Tujuan regresi linear adalah untuk memprediksi atau menjelaskan nilai variabel terikat berdasarkan nilai-nilai variabel bebas yang diketahui.

Penerapan regresi linear sangat luas dan berguna dalam berbagai bidang, antara lain:

  1. Ekonomi: Regresi linear dapat digunakan untuk menganalisis hubungan antara variabel ekonomi seperti pendapatan, harga, dan permintaan.
  2. Keuangan: Regresi linear digunakan dalam pengelolaan risiko dan analisis portofolio untuk memprediksi harga saham, suku bunga, dan kinerja investasi.
  3. Analisis data: Regresi linier digunakan dalam analisis data untuk mempelajari tren, memprediksi nilai masa depan, dan menguji hipotesis.

Contoh Dataset Regresi Linear

karyawanbarang_baku1barang_baku2barang_baku3barang_baku4permintaanproduksi
76508070687678
70487867665676
50305742468956
50274837677645
30203524566932
50326045768056
30243726569234
70528068878478
50285947768756
63407058454567
70558170767878
92709281669090
40305034726745
68436958644567
66386654396764

Dataset diatas menceritakan ketika disuatu perusahaan terdapat karyawan dan di perusahaan tersebut terdapat bahan baku 1 – 4, kemudian terdapat juga permintaan dari customer, maka perusahaan tersebut harus memproduksi sejumlah sekian produk

Jika si pemilik usaha ingin tahu di tahun depan berapa jumlah produk yang harus di produksi ketika terdapat kondisi data-data sekarang ?? Inilah yang dijawab oleh Metode Aplikasi Regresi Linear ini

Kita langsung saja mereview aplikasi regresi linier ini okey ??

Spesifikasi Aplikasi

  • Berbasis Web (PHP,HTML,CSS,Js)
  • Interface Bootstrap 5
  • Framework Codeigniter 4
  • Database MySQL
  • XAMPP Webserver / Apache atau Nginx

Halaman Login

Halaman Login

Pertama seperti biasa saat aplikasi dibuka akan menampilkan halaman login, berbeda dengan aplikasi sebelum-sebelumnya seperti Naive Bayes, KNN atau K-Means yang saat kita login telah di hardcode user:admin, password:admin.

Pada aplikasi ini saat kita login sudah melakukan validasi data yang ada di database, dengan nama tabel users

Tabel Users untuk Login

Jika anda ingin merubah user & password untuk login nya.. anda dapat merubah pada tabel tersebut

Halaman Dashboard

Halaman Dashboard

Halaman dashboard terdapat tampilan yang masih sederhana, harapanya jika kalian sudah mendapatkan source code ini dapat mendesain sesuai keinginan kalian pada halaman dashboard ini

Halaman Dataset

Aplikasi otomatis menyesuaikan dataset

Harap dibaca dengan Pelan dan Seksama !!

Pada menu dataset akan menampilkan dataset dengan lengkap fitur CRUD nya, kalian dapat menambah, edit dan hapus dataset kalian sendiri sesuka hati,

Pada dataset ini menampilkan data sesuai yang ada di tabel dataset seperti dibawah ini

Tabel Dataset Diubah

Pertanyaanya jika dataset kalian berbeda lantas gimana ?? seperti itu kan ??

Tenang saja, untuk menyesuaikan dataset kalian agar bisa diproses oleh aplikasi regresi linear ini, kalian tinggal ubah saja tabel dataset nya sesuai dengan dataset kalian

Contoh dibawah ini jika saya ubah datasetnya :

Tabel Dataset

Dataset diatas sudah saya ubah, Maka secara otomatis pada aplikasi akan tampil sesuai tabel yang telah diubah seperti gambar dibawah ini

Halaman Dataset

Menarik bukan ?? 😀

Jadi jika kalian punya dataset yang berbeda, kalian bisa ubah langsung di tabel dataset saja, atau kalian dapat meminta tolong kepada saya untuk disesuaikan datasetnya, saya akan terbuka sekali

1. Tahapan Proses Regresi Linear (Show Dataset)

Halaman Proses Regresi Linear

Terdapat beberapa sub menu didalamnya, kalian bisa amati sebelah kiri navigasi menunya, disitu adalah tahapan-tahapan perhitungan regresi linear, memang sangat banyak ya teman teman..

Kebetulan dihalaman ini adalah menu dataset, maka dataset akan ditampilkan terlebih dahulu, sebelum di proses kolom-kolom datasetnya juga akan terganti menjadi X1-Xn, dan Y

2. Tahapan (Xn.Xn)

Tahapan Proses (Xn.Xn)

Proses ini akan mengalikan atribute X1 ke semua X kecuali X1, dan seterusnya.

Dapat kalian lihat tampilan diatas, sebenarnya kalian dapat mengidentifikasi rumus ini hanya dengan melihat kolom, jika X1X4 artinya nilai X1 dikalikan dengan X4 dan begitu seterusnya

3. Tahapan (Xn.Y)

Tahapan Nilai Xn.Y

Pada tahapan ini menghitung semua nilai Xn dikalikan dengan nilai Y, hasilnya seperti tabel diatas ini

4. Tahapan (Xn^2)

Tahapan Xn^2

Pada tahapan ini semua nilai X akan dipangkatkan 2, hasil nilainya dapat dilihat pada gambar diatas

5. Tahapan (Matrix Acuan)

Tahapan Matrix Acuan

Bisa dikatakan pada proses ini adalah proses ter rumit dari Regresi Linear, karena harus menghitung satu persatu dari hasil perhitingan sebelumnya

6. Tahapan (Matrix N)

Tahapan Matrix N

Proses ini adalah terusan dari proses Matrix Acuan tadi, yang mana ini akan menjadi acuan dalam membuat persamaan rumus dari regresi linear

Rumus Persamaan Regresi Linear

Rumus Persamaan Regresi Linear
Hasil Prediksi

Yang ditunggu-tunggu akhirnya muncul juga, jadi beberapa proses tadi untuk menghasilkan rumus dari persamaan regresi linear untuk menghitung nilai Y

Kalian juga bisa mengetes aplikasi ini dengan memasukan nilai X nya kemudian di klik tombol prediksi, atau nilai Y nya

Preformance Regresi Linear

Performance Regresi Linear

Pada halaman ini kalian dapat menguji seberapa akurat dataset kalian pada aplikasi regresi linear ini, anda dapat memasukan prosentase data training dan testingnya

Hasil Akurasi dan MSE

Data training dan data testing akan ditampilkan diatas, dengan hasil pengujianya tak lupa juga hasil akurasi (RSquare) dan error ratenya (mse)

Bagaimana Untuk Mendapat Aplikasinya ??

Jika anda tertarik & minat dengan aplikasi ini, atau anda ingin memodifikasi aplikasi ini bisa klik di tombol yang ada di bawah ini :

LIHAT PRODUK REGRESI LINIER

Cobalah kalian mendengar review kata-kata dari customer saya tentang aplikasi ini

Tonton Video Aplikasi Ini & Review Orang-orang terkait Aplikasi Ini

Video Review Regresi Linear