VOLT-INS Store

Inspirasi Informatika & Elektrro

admin

Aplikasi Backpropagation Neural Network Web PHP

by Leave a Comment

Apakah Anda sedang mencari cara mudah dan praktis untuk menerapkan algoritma Backpropagation dalam prediksi data? Kali ini kami akan mengulas secara lengkap sebuah aplikasi berbasis web yang mampu melakukan training dan prediksi menggunakan algoritma jaringan saraf tiruan (neural network) dengan metode Backpropagation.

Aplikasi ini sangat cocok digunakan oleh mahasiswa, dosen, peneliti, bahkan profesional data science yang ingin memahami alur kerja backpropagation secara visual dan interaktif.

๐Ÿ  Dashboard Aplikasi Backpropagation

Saat pertama kali membuka aplikasi, Anda akan langsung disambut dengan halaman dashboard yang bersih dan mudah dipahami.

Terdapat 3 panel utama:

  • Input Variabel: menunjukkan jumlah variabel input yang diunggah
  • Data Training: menampilkan jumlah data yang digunakan untuk proses pelatihan
  • Hasil Prediksi: berisi informasi jumlah prediksi yang telah dilakukan

Tepat di bawahnya, tersedia panduan langkah demi langkah untuk menggunakan aplikasi ini, yaitu:

  1. Upload dataset
  2. Lakukan training model
  3. Buat prediksi baru
  4. Evaluasi performa model

โ€”

๐Ÿ“ค Upload Dataset Excel (.xlsx/.xls)

Langkah pertama adalah mengunggah dataset. Aplikasi ini mendukung format Excel (.xlsx dan .xls), dengan asumsi bahwa kolom terakhir dari file merupakan target output, dan sisanya adalah variabel input.

Beberapa fitur unggulan di halaman ini:

  • Bisa langsung menormalisasi data setelah upload
  • Metode normalisasi menggunakan Min-Max Scaling
  • Nilai minimum dan maksimum bisa dikustomisasi (misalnya 0.1 โ€“ 0.9)

Proses normalisasi sangat penting untuk meningkatkan stabilitas dan akurasi pelatihan neural network.

โ€”

๐Ÿ‘๏ธ Preview Dataset dan Nilai Asli

Setelah upload, Anda akan melihat pratinjau (preview) data yang telah dinormalisasi. Tampilannya berbentuk tabel interaktif yang menampilkan setiap baris data, lengkap dengan nilai input dan output-nya.

Menariknya, aplikasi ini juga menampilkan:

  • Nilai minimum sebelum normalisasi
  • Nilai maksimum sebelum normalisasi

Fitur ini sangat berguna untuk memvalidasi skala data yang digunakan dan memastikan tidak ada outlier yang mengganggu proses pelatihan.

โ€”

๐Ÿง  Training Backpropagation

Tahapan selanjutnya adalah proses training model. Di sini pengguna bisa mengatur berbagai parameter penting seperti:

  • Jumlah node pada hidden layer
  • Learning rate (ฮฑ) โ€” semakin kecil, semakin stabil
  • Momentum โ€” untuk menghindari jebakan local minima
  • Maksimum epoch โ€” batas iterasi pelatihan
  • Target error โ€” nilai error minimum yang ingin dicapai

Setelah parameter diatur, cukup klik tombol โ€œMulai Trainingโ€, dan aplikasi akan menjalankan proses pembelajaran model neural network menggunakan algoritma backpropagation.

โ€”

๐Ÿ“ˆ Grafik Error Training (MSE)

Aplikasi ini menyajikan grafik Mean Squared Error (MSE) yang sangat berguna untuk memantau performa pelatihan. Anda bisa melihat bagaimana nilai error menurun secara bertahap seiring bertambahnya epoch.

Grafik ini memberikan informasi penting apakah model belajar secara optimal, terlalu lambat, atau bahkan mengalami overfitting.

โ€”

๐Ÿ“Š Riwayat Training (Log Epoch)

Selain grafik, tersedia juga tabel riwayat training. Tabel ini menampilkan:

  • Epoch ke berapa
  • Nilai error MSE pada saat itu

Dengan ini, Anda bisa melakukan analisis tren pelatihan dan melihat sejauh mana model mengalami peningkatan akurasi.

โ€”

๐Ÿ”ฎ Prediksi Data Baru

Setelah model dilatih, Anda bisa melakukan prediksi baru dengan dua cara:

  • Input manual: masukkan nilai variabel satu per satu ke form
  • Batch prediksi: upload file untuk prediksi massal

Masukkan nilai seperti jam belajar, nilai sebelumnya, aktivitas ekstrakurikuler, jam tidur, dan jumlah latihan soal โ€” kemudian klik tombol โ€œProses Prediksiโ€.

โ€”

โœ… Hasil Prediksi Output

Setelah proses prediksi dijalankan, hasilnya akan langsung muncul di layar. Nilai output ini merupakan estimasi dari target berdasarkan input yang Anda masukkan.

Misalnya, jika targetnya adalah skor performa siswa, maka output bisa berupa prediksi nilai seperti: 45.3045.

โ€”

๐Ÿ“Š Ringkasan Evaluasi Model

Terakhir, aplikasi akan menyajikan ringkasan performa model yang mencakup:

  • Jumlah node input, hidden, dan output
  • Learning rate dan momentum yang digunakan
  • Total epoch pelatihan
  • Nilai MSE akhir sebagai metrik evaluasi akurasi model

Ringkasan ini sangat berguna untuk dokumentasi dan perbandingan jika Anda melakukan eksperimen parameter yang berbeda.

โ€”

๐Ÿ“ฅ Ingin Memiliki Aplikasi Ini?

Jika Anda tertarik untuk memiliki aplikasi ini silakan klik tombol di bawah ini untuk mendapatkan akses ke file aplikasinya.

Lihat Aplikasi

Aplikasi Kasir & Manajemen Stok Barang Web Based

by Leave a Comment

Aplikasi Kasir & Stock Barang adalah solusi aplikasi kasir berbasis web yang dirancang untuk memudahkan pengelolaan penjualan, produk, dan stok barang. Dengan tampilan antarmuka yang modern dan proses instalasi yang sederhana, aplikasi ini sangat cocok digunakan untuk toko retail, warung, atau bisnis kecil menengah.

๐Ÿ›  Wizard Instalasi Langkah per Langkah

Instalasi aplikasi Self Cashier sangat mudah karena dilengkapi dengan wizard yang membimbing pengguna dari awal hingga selesai:

  1. Selamat Datang
    Menampilkan syarat awal seperti PHP 7.4 ke atas, database MySQL/MariaDB, dan akses modifikasi database.
  2. Koneksi Database
    Pengguna memasukkan informasi host, port, nama database, username dan password untuk menghubungkan aplikasi ke database.
  3. Pembuatan Struktur Database
    Aplikasi secara otomatis membuat tabel-tabel database. Jika tabel sudah ada, maka akan diganti.
  4. Setup Admin
    Pengguna membuat akun admin utama yang digunakan untuk login dan mengelola aplikasi.
  5. Konfigurasi Awal Toko
    Isi nama toko, alamat, kontak, dan logo toko. Semua informasi ini akan ditampilkan di sistem utama.

๐Ÿ” Login Aman dan Mudah

Setelah instalasi selesai, pengguna bisa login menggunakan username/email dan password yang telah dibuat. Tampilan login simple namun aman, cocok untuk digunakan di berbagai perangkat.

๐Ÿ“Š Dashboard Lengkap dan Informatif

Dashboard utama menampilkan informasi penting seperti:

  • Total penjualan hari ini
  • Keuntungan harian
  • Jumlah produk terjual
  • Total produk yang tersedia
  • Grafik penjualan harian
  • Daftar produk terlaris
  • Notifikasi stok rendah

Semua data ditampilkan secara real-time dan bisa difilter berdasarkan bulan dan tahun.

๐Ÿ—‚ Manajemen Kategori Produk

Fitur ini memungkinkan Anda mengelola kategori seperti:

  • Makanan
  • Minuman
  • Snack

Anda dapat menambahkan, mengedit, dan menghapus kategori dengan sangat mudah.

๐Ÿ“ฆ Manajemen Produk

Kelola produk secara rinci dengan fitur:

  • Nama produk
  • Harga dan barcode
  • Stok awal dan deskripsi
  • Gambar produk
  • Pilihan apakah produk memiliki stok atau tidak

Setiap produk bisa dilihat detailnya termasuk kategori, stok tersedia, dan informasi harga.

๐Ÿงพ Manajemen Produk yang Fleksibel

Self Cashier memberikan kemudahan dalam mengedit data produk seperti:

  • Nama Produk
  • Harga
  • Barcode (opsional)
  • Kategori Produk
  • Deskripsi Produk
  • Gambar Produk

Selain itu, pengguna bisa mengganti gambar produk secara langsung dan sistem akan menyimpannya dengan preview yang responsif.

๐Ÿ›’ Transaksi Penjualan Super Cepat

Modul penjualan dibuat agar kasir dapat melakukan transaksi secara efisien, termasuk:

  • Pencarian produk berdasarkan nama atau barcode
  • Tampilan daftar produk yang interaktif
  • Pengaturan jumlah pembelian (qty) dengan tombol (+/-)
  • Ringkasan keranjang belanja otomatis
  • Hitungan total, pembayaran, dan kembalian secara real-time

Fitur ini juga mendukung konfirmasi sebelum transaksi diproses.

๐Ÿงพ Cetak Struk dan Thermal Printer

Setelah transaksi selesai, sistem menampilkan nota penjualan berisi:

  • Nama toko, alamat, dan nomor telepon
  • Rincian transaksi (produk, harga, qty, subtotal)
  • Total pembayaran dan kembalian
  • Opsi untuk cetak thermal langsung
  • Dukungan untuk membuka laci kasir (cash drawer)

๐Ÿ“ˆ Laporan Penjualan Detail

Fitur laporan penjualan mencakup:

  • Total transaksi, total pendapatan, rata-rata transaksi
  • Filter berdasarkan tanggal mulai dan akhir
  • Export ke Excel dan opsi cetak
  • Daftar semua transaksi beserta ID invoice, jumlah item, dan total transaksi
  • Tombol Detail untuk melihat isi transaksi dan cetak ulang nota

Fitur ini sangat berguna untuk rekap harian, mingguan, atau bulanan.

๐Ÿ‘ฅ Manajemen Pengguna

Admin dapat menambahkan dan mengelola pengguna dengan peran yang berbeda:

  • Role Admin untuk akses penuh
  • Role User untuk akses terbatas

Data pengguna ditampilkan lengkap dengan username, email, dan aksi edit/hapus.

โš™๏ธ Pengaturan Aplikasi

Halaman pengaturan memberikan kontrol penuh terhadap:

  • Nama dan alamat toko
  • Telepon toko
  • Persentase pajak (%)
  • Mata uang yang digunakan
  • Footer struk belanja
  • Lebar struk (dalam mm)
  • Pengaturan buka cash drawer otomatis
  • Informasi sistem: versi aplikasi, versi PHP, database, dan timezone

Apakah Anda sering merasa kewalahan mengatur stok, mencatat penjualan manual, atau kehilangan jejak transaksi pelanggan? Saatnya beralih ke sistem yang lebih pintar.

๐ŸŸก Self Cashier adalah aplikasi kasir modern yang dirancang khusus untuk membantu pemilik toko seperti Anda bekerja lebih efisien, cepat, dan bebas dari kesalahan pencatatan.

๐Ÿ’ก Dengan tampilan yang user-friendly, proses instalasi super mudah, dan fitur lengkap mulai dari input produk hingga cetak struk otomatis, Self Cashier adalah pilihan tepat untuk Anda yang ingin meningkatkan produktivitas dan profesionalitas toko.

๐Ÿ‘‰ Jangan biarkan toko Anda tertinggal. Ubah cara kerja Anda hari ini!

LIHAT PRODUK APLIKASI KASIR

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