VOLT-INS Store

Inspirasi Informatika & Elektrro

admin

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

Source Code Algoritma Apriori PHP – Metode Data Mining Asosiasi

by Leave a Comment

Algoritma Apriori yang ada di dalam (source code algoritma apriori php) adalah algoritma yang digunakan dalam analisis asosiasi untuk menemukan pola-pola yang sering terjadi dalam kumpulan data.

Tujuan utama algoritma ini adalah untuk mengidentifikasi item-item yang sering muncul bersama dalam sebuah transaksi atau dataset,

Dalam hal ini apriori dapat mengetahui jika orang membeli sabun, pasti orang tersebut membeli sikat gigi, Jika orang membeli roti pasti orang tersebut akan membeli susu

Pola-pola seperti diatas yang akan kita ketahui dalam sebuah transaksi di toko, berkat algoritma apriori ini

Contoh Dataset

transaksi
bread,milk
sugar,milk,beer
bread
bread,milk,beer
sugar,milk,beer

Halaman Login

Halaman Login Apriori

Seperti biasa menggunakan username : admin, dan password : admin untuk masuk kedalam aplikasi apriori ini, tentunya username dan password ini dapat kalian ganti sesuka hati, ada pada file controller/Auth.php

User role aplikasi ini masih 1 role yaitu admin, belum mempunyai multiple role seperti admin dan user, kalian dapat memodifikasinya sendiri ketika sudah mendapatkan file source code aplikasi apriori ini

Dashboard Apriori

Dashboard Apriori

Disini dapat kalian modifikasi sesuai dengan imajinasi, kalian dapat menggunakan syntak bootstrap, karena aplikasi ini tampilan menggunakan css bootstrap, file dashboard ini ada di views/module/apriori/dashboard.php silahkan kalian modifikasi sendiri sesuka hati

Dataset Apriori

Menu Dataset

Aplikasi apriori ini dilengkapi dengan manajemen dataset, sudah terdapat fitur Create, Read, Update, Delete (CRUD) sehingga kalian dapat menambah/ubah/hapus dataset transaksi ini dengan mudah,

Untuk format pengisian data transaksinya menggunakan pemisah koma, seperti ini contohnya : gula,garam,roti,mentega

Fitur Algoritma Apriori

Algoritma Apriori

Didalam menu apriori terdapat 3 submenu yaitu : dataset, inisial proses, generate rule,

Pada menu dataset ini sistem akan menampilkan semua dataset transaksi terlebih dahulu sebelum di proses,

Inisial Proses Apriori

Pada menu ini data akan dimasukan kedalam algoritma apriori untuk diolah sehingga dapat memunculkan rule-rule yang akan menghasilkan pola transaksi

Generate Rule

Generate Rule

Pada menu ini ada 3 inputan, yaitu minimal support, minimal confidence dan rekomendasi

Pada minimal support berupa inputan prosentase (1% – 90%) untuk memfilter pasangan-pasangan barang dengan support sesuai inputan prosentase

Pada minimal confidence inputan prosentase (1% – 90%) untuk memfilter pasangan barang transaksi dengan confidence sesuai inputan prosentase

Pada inputan rekomendasi, sistem akan memberikan rekomendasi barang yang kemungkinan akan dibeli

Hasil Generate Rule & Rekomendasi

Hasil Generate Rule Apriori

Setelah isi ketiga inputan diatas kemudian hasilnya akan tampil dibawahnya seperti contoh diatas, jika kalian mempunyai dataset berbeda, akan otomatis menyesuaikan dengan dataset kalian

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 yang ada di bawah ini :

LIHAT PRODUK APLIKASI APRIORI

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

Source Code Metode KNN (K-Nearest Neighbor) PHP Data Mining

by Leave a Comment

Table of Contents

Tentang Datamining Algoritma KNN

Algoritma KNN data mining bisa saya bilang ini algoritma yang mudah dipahami sekaligus prosesnya juga singkat, algoritma k-nearest neighbor ini hanya mencari jarak terpendek dari data uji ke setiap data history menggunakan rumus euclidean distance

Setelah jarak terpendek sudah dihitung, langkah selanjutnya menentukan nilai K, nilai K ini digunakan sebagai batas pengambilan hasil jarak terpendek

Misal kita pilih nilai K adalah 3, maka akan tampil 3 teratas jarak yang paling dekat

Sebenarnya dengan adanya nilai K disini, menurut saya pribadi algoritma knn data mining ini lebih cocok masuk ke Fuzzy

Contoh Dataset Aplikasi KNN

rumahlatlonglokasi
A1117Kota
M2416Kabupaten
C1321Kota
I1914Kabupaten
E1218Kota
K2015Kabupaten
G1026Kota
H1711Kabupaten
N2610Kabupaten
O2511Kabupaten
F1624Kota
J2113Kabupaten
B1419Kota
L1812Kabupaten
D1520Kota

Contoh dataset untuk algoritma knn seperti diatas ini, terdiri dari Object (rumah), attribute 1 (lat), atribute 2 (long), atribute – n, label (lokasi),

Studi Kasus

Jalan ceritanya seperti ini, terdapat beberapa rumah, setiap rumah mempunyai data latitude dan longitude, sedangkan setiap rumah itu berada di kota dan kabupaten,

Jika terdapat 1 rumah lagi yang mempunyai data latitude 14 dan longitude 20, maka rumah ini termasuk dalam lokasi Kota / Kabupaten ??

Disinilah Algoritma KNN Data Mining Berperan 😀

Spesifikasi Aplikasi

  • Web Server (Apache/Nginx) bisa menggunakan XAMPP, WAMPP, MAMPP
  • PHP v.7.4 (Codeigniter 3)
  • HTML, CSS, JS
  • Bootstrap 4

Halaman Login

Halaman Login

Gambar diatas adalah halaman login aplikasi KNN, untuk menggunakan aplikasi ini kita memang harus login dahulu ya.. untuk login nya username : admin dan password : admin,

Loh.. kok itu ada nama saya di judul login nya ?? ya.. itu bisa diganti kok.. tenang aja.. nanti saya kasih tau cara gantinya

Halaman Dashboard

Halaman Dashboard

Halam dashboard ini masih hanya berupa tulisan, sangat memungkinkan untuk anda modifikasi di sini, mungkin anda ingin menambahkan gambar atau tulisan judul penelitian anda, sangat mudah disini

Halaman Algoritma KNN Data Mining

Halaman KNN Dataset

Pada halaman ini terdapat 4 sub menu lagi, yaitu Dataset, Inisial Proses, Prediksi, Performance

Pada menu dataset terdapat fitur upload dataset, sebagai contoh saya upload contoh data diatas, hasilnya akan lansung tampil pada aplikasi

Apakah aplikasi ini hanya untuk dataset diatas ?? tentu saja tidak, aplikasi ini sudah saya desain agar bisa menyesuaikan dataset apapun yang diupload

Aplikasi knn ini sudah otomatis mendeteksi dataset kalian

jadi jangan kuatir soal ini ya..

Halaman Initial Proses

Inisialisasi Proses

Terbukti pada halaman initial proses ini, sistem akan otomatis mendeteksi 3 jenis atribute data, yaitu atribute info/obyek (yang berwarna merah), atribute pendukung (berwarna kuning) dan atribute label (berwarna biru muda)

Halaman Prediksi

Hasil Prediksi

Ini adalah halaman prediksi, dimana kita harus memasukan dahulu nilai K (sudah saya bahas diawal tadi, apa itu nilai K), kemudian kita isikan atribute obyeknya (Rumah), lalu kita isikan atribute info/pendukung nya.. yaitu latitude dan longitude,

Setelah ini kita klik tombol Prediksi, maka hasilnya akan tampil disamping kanan

Tampak ada 3 rumah terdekat yang ditampilkan, tetapi untuk hasil pastinya saya memilih rumah yang paling dekat, yaitu rumah D yang mana rumah D ini pada dataset termasuk kedalam lokasi KOTA

Maka hasil dari algoritma knn data mining ini adalah KOTA

Pasti kalian semua bertanya, Form inputan ini apakah otomatis tergenerate ? atau gimana ?

Betul !! form prediksi ini otomatis tergenerate sesuai dataset yang kalian upload, menarik bukan ?? 😀

Halaman Performance

Halaman Performance

Disini kita juga dapat mengukur seberapa akurat algoritma KNN data mining ini, dengan cara memilih prosentase data training yang akan tetapkan,

Jika kita memilih prosentase data training sebesar 70%, maka secara otomatis data testing nya sebesar 30% dari total dataset

Misal dataset kita ada 100, kita memilih prosentase data training 70%, maka secara otomatis sistem akan memisah data ini jadi 2 bagian, 70 dataset menjadi training, 30 dataset menjadi testing

Halaman Akurasi Performance

Hasil Akurasi

Setelah kalian milih prosentase data training diatas, maka secara otomatis aplikasi ini akan memprosesnya

Setiap pengujian data ini ditampilkan prosesnya, jadi kalian bisa sendiri

Hasil akurasi data ini adalah 100% angka yang fantastis sekali 😀

Karena datasetnya ini masih sedikit, hanya sekitar 20 dataset, mungkin ketika dataset yang di proses banyak akan berbeda lagi hasilnya

Kesimpulan

Aplikasi algoritma knn data mining ini sangat pas sekali untuk kalian yang sedang menjalani studi / riset, karena semua fitur sudah ada disini,

Tentu saja kebutuhan kalian berbeda-beda, jangan khawatir, aplikasi ini sangat customisable, dan memungkinkan untuk di modifikasi atau di bentuk menjadi aplikasi apapun,

Contohnya saya yang baru saja memodifikasi aplikasi ini menjadi “sistem rekomendasi kelulusan mahasiswa metode knn”

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

LIHAT PRODUK ALGORITMA KNN

Review orang-orang yang sudah pernah menggunakan aplikasi ini

Source Code Algoritma C45 PHP Data Mining Decission Tree

by Leave a Comment

Table of Contents

Tentang Algoritma C45

Algoritma decision tree c45 merupakan algoritma datamining untuk mengklasifikasi data berdasarkan data historis, sering juga algoritma ini disebut sistem prediksi atau sistem rekomendasi

Algoritma decision tree c45 ini merupakan jenis datamining supervised karena membutuhkan data training dan label sebagai acuan perhitungan klasifikasinya, sama halnya seperti metode yang sudah pernah saya ulas yaitu Naive Bayes.

Contoh Dataset Algoritma C45

Dataset yang digunakan strukturnya tidak beda jauh dengan algoritma klasifikasi lain seperti Naive Bayes, seperti dibawah ini contoh datasetnya :

pekerjatanggunganlansiapenghasilanpkh
BEKERJAADATIDAKTIDAK MENENTUTIDAK
BEKERJAADATIDAKTIDAK MENENTUIYA
BEKERJAADATIDAKTIDAK MENENTUTIDAK
BEKERJAADATIDAKTIDAK MENENTUIYA
BEKERJAADATIDAKTETAPIYA
BEKERJAADATIDAKTIDAK MENENTUIYA
BEKERJAADATIDAKTIDAK MENENTUIYA
BEKERJAADATIDAKTIDAK MENENTUTIDAK
TIDAK BEKERJATIDAKIYATIDAK MENENTUTIDAK
TIDAK BEKERJATIDAKIYATIDAK MENENTUTIDAK
BEKERJAADATIDAKTETAPTIDAK
BEKERJAADATIDAKTIDAK MENENTUTIDAK
BEKERJAADATIDAKTETAPTIDAK
BEKERJATIDAKIYATIDAK MENENTUTIDAK
TIDAK BEKERJATIDAKIYATIDAK MENENTUTIDAK
BEKERJATIDAKIYATIDAK MENENTUTIDAK
TIDAK BEKERJATIDAKIYATIDAK MENENTUTIDAK
TIDAK BEKERJAADATIDAKTIDAK MENENTUTIDAK
BEKERJAADATIDAKTIDAK MENENTUTIDAK

Dataset diatas merupakan data penerima PKH yang sudah di normalisasi dan pengkategorisasi

Spesifikasi Aplikasi

  • Web Base (PHP v7.4 Codeigniter)
  • HTML, CSS, Js
  • Bootstrap V4

Halaman Login Aplikasi Decision Tree C45

Halaman Login

Seperti halnya aplikasi lain, aplikasi data mining decision tree ini memerlukan hak akses untuk login dengan username : admin, password : admin.

Jika benar, kalian akan di redirect ke halaman dashboard seperti yang ada dibawah ini :

Halaman Dashboard

Dashboard C45

Menu navigasi yang ada di aplikasi ini ada 3 Dashboard, C45, Logout, dan seperti biasa halaman ini dapat di customisasi sesuka hati kalian

Lanjut ke halaman utama, yaitu fitur C45

Halaman Algoritma Decision Tree C45

Halaman Fitur C45

Pada menu c45 ini terdapat 4 submenu di sebelah kiri yaitu dataset, atribut label, klasifikasi/performance, prediksi

Aplikasi datamining decision tree yang saya buat ini cara mengisi datasetnya dengan cara upload data excel seperti contoh data diatas tadi, secara otomatis sistem akan mendeteksi dan menampilkan di aplikasi seperti gambar diatas

Atribute Label

Keren nya aplikasi datamining decision tree ini, anda dapat upload dataset apapun yang sudah di normalisasi dan sistem akan otomatis mendeteksi dan memisah mana atribute & mana label/class

Atribute pendukung dibedakan dengan warna kuning dan label/class dibedakan dengan warna biru

Performance Akurasi

Di fitur klasifikasi/performance ini kalian dapat memilih prosentase data training dan data testing, dalam kasus ini saya pilih data training sebanyak 80% dari total data, artinya saya hanya menjadikan 20% saja data testing nya

Ya.. memang performa akurasi algoritma decision tree c45 ini sangat akurat, berkisar diangka 90% keatas, seperti contoh diatas

Form Prediksi
Tree C45

Kalian dapat melakukan prediksi sendiri (manual), dan sekaligus pohon keputusan akan ter generate disini beserta hasil prediksinya

Kesimpulan

Aplikasi datamining decision tree ini sangat pas sekali untuk kalian yang sedang menjalani studi / riset, karena semua fitur sudah ada disini,

Tentu saja kebutuhan kalian berbeda-beda, jangan khawatir, aplikasi ini sangat customisable, dan memungkinkan untuk di modifikasi atau di bentuk menjadi aplikasi apapun,

Contohnya saya yang baru saja memodifikasi aplikasi ini menjadi “sistem rekomendasi kenaikan pangkat”

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

LIHAT PRODUK AlGORITMA C45

Review orang-orang yang sudah pernah menggunakan aplikasi ini

Source Code K Means Clustering PHP + Optimasi Elbow

by Leave a Comment

Tentang Algoritma Datamining K-Means

Algoritma K-Means merupakan algoritma untuk mengelompokan data kedalam jumlah cluster tertentu yang sudah ditetapkan diawal sebelum data di proses.

Cluster ini di tetapkan berdasarkan nilai kriteria tertentu seperti (Cluster Rendah, Cluster Sedang, Cluster Tinggi), secara otomatis ketika proses perhitungan sudah selesai data akan terkelompokan sesuai dengan kriteria cluster-cluster tersebut

Contoh Data untuk Algoritma K-Means Clustering

namautstugasuasipaindonesiainggrisperancisipsktk
Roy899075707580807075
Sintia907195406070809071
Iqbal707580907195759693
Dilan456559807075406070
Ratna657553707580907570
Merry807075969385584060
Rudi908581707073406070
Hafiz707073456559758090
Gede969385607072707345
Christian605548908581707290
Justin456058657553587045
Jesika607072607072908581
Ayu859088456058704560
Siska526855526855726070
Reitama406070456058406070

Tentang Algoritma Optimasi Elbow

Aplikasi ini istilahnya beli 1 dapat 2 ya, karena sudah ada metode optimasi algoritma elbow dimana fungsinya untuk mengetahui jumlah cluster mana yang paling optimal pada hasil algoritma kmeans

Mendingan kita langsung saja ulas semua fitur yang ada di kedua algoritma ini, oke ?

Spesifikasi Environtment Aplikasi

  • Webserver Apache/Nginx (Xampp, Wampp, Xampp, Mampp)
  • PHP Versi 7.4 (Codeigniter 3)
  • HTML, CSS, JavaScript
  • Bootstrap 4
  • JQuery

Mengulas Fitur Aplikasi K-Means Clustering + Optimasi Elbow

Aplikasi ini sampai sekarang selalu menjadi rujukan mahasiswa komputer yang sedang menjalankan studi penelitianya, jadi hasil dari aplikasi ini sudah berulang kali diuji dengan perhitungan manual, tools dan alat-alat lain

Quick Question : kira-kira apaka bisa aplikasi ini di modifikasi sesuai dengan studi kasus kalian ?? Jawabanya adalah : BISA !!

Fitur Login Aplikasi

Fitur Login Aplikasi

Fitur ini sebagai syarat untuk masuk kedalam aplikasi kmeans, username & password dapat di masukan saja user : admin, pass : admin maka akan langsung masuk kedalam aplikasinya, sangat dimungkinkan sekali jika anda mau mengganti user & passwordnya nanti

Halaman Dashboard

Halaman Dashboard

Halaman dashboard ini masih kosong, kalian dapat memberikan desain-desain interaktif dihalaman ini, perlu di ingat template desain aplikasi ini menggunakan bootstrap 4 dan jquery yang mana ini mudah dan sudah banyak orang tahu

Halaman Biodata Pengembang

Halaman Biodata Pengembang

Sebuah fitur yang sifatnya additional namun dapat kalian manfaatkan guna memberikan profil diri kalian masing-masing,

Halaman Aplikasi K-Means

Halaman Aplikasi Kmeans

Saat pertama buka menu k-means pada navigasi diatas maka akan tampil halaman beserta sub navigasi di samping kiri yang terdiri dari (Dataset Kmeans, Optimasi Elbow, Penentuan Centroid, Proses K-Means dan Hasil Clustering)

Fitur Upload Dataset & Normalisasi Dataset

Dataset Kmeans

Yang diupload ini adalah dataset excel seperti dataset yang sudah dijelaskan diatas tadi,

Bagaimana jika dataset kalian berbeda ?? tentu saja aplikasi ini akan secara otomatis mendeteksi dataset pada excel, jadi saat diupload akan langsung otomatis tampil pada aplikasi

Fitur Normalisasi Dataset

Fitur Normalisasi Dataset

Anda tinggal scroll saja kebawah maka akan ketemu dataset yang sudah di normalisasi ini, rumus normalisasi ini menggunakan metode Max-Min,

Trus kenapa sih harus di normalisasi ? gini.. tidak semua data rasio besaranya sama seperti contoh diatas,

Banyak data yang rasio besaranya berbeda, contohnya misalkan kalian punya atribute data harga hard disk (250.000 – 1.500.000) dengan harga laptop (2.500.000 – 50.000.000), besaranya berbeda, maka ini perlu di normalisasi agar rasio jaraknya adil saat dilakukan clustering

Pada intinya data yang dinormalisasi akan valid hasil clustering nya

Fitur Optimasi Elbow

Fitur Elbow

Kenapa fitur elbow duluan ? kok engga k-means duluan ??

Gini, karena sebenarnya fungsi dari algoritma elbow pada kmeans ini adalah untuk mengetahui jumlah cluster mana yang paling optimal, jadi kita bisa tau dan enggak salah pilih jumlah cluster berkat metode elbow ini

Disini saya isikan maksimal jumlah cluster yang akan kita uji adalah 8 cluster dengan maksimal looping sebanyak 10 kali setiap perhitungan cluster

Hasil ALgoritma Elbow

Dari hasil elbow diatas menunjukan ada 2 cluster yang paling optimal yaitu pada jumlah cluster 4 dan 6, kenapa ?? karena sumbu X disini adalah nilai SSE (Error Rate), sedangkan jumlah cluster yang SSE nya paling sedikit adalah 4 dan 6

Namun sepertinya antara 4 dan 6 ini berbeda tipis, jadi dalam uji coba ini saya gunakan jumlah cluster 4

Fitur Pengisian Jumlah Centroid

Pengisian Jumlah Centroid

Setelah kita tahu bahwa jumlah centroid/cluster paling optimal adalah 4 maka kita akan isikan pada menu nomor 3, yaitu penentuan centroid, Setelah itu kita pilih simpan

Jika sudah kita bisa langsung menuju menu ke 4 yaitu Proses K-Means

Fitur Proses K-Means

Proses K-Means

Disini adalah proses perhitungan kmeans dimulai dari perulangan 1 sampai dengan nilai cluster sebelum sama dengan nilai cluster pada perulangan terakhir, semua proses di jabarkan disini termasuk perhitungan jarak terdekat yaitu euclidean distance

Sepanjang saya browsing mengamati aplikasi demi aplikasi K-Means yang sudah pernah di review orang-orang, saya berani berbicara bahwa aplikasi ini yang paling lengkap untuk penjabaran prosesnya

Kalo yang lain paling hanya input, dan output saja..

Halaman Hasil Cluster K-Means

Hasil K-Means

Ini adalah hasil algoritma k-means, dengan ditampilkan data awalnya berupa tabel, dan ditambahkan kolom paling terakhir yaitu informasi clusternya

Rangkuman Informasi Data & Cluster
Rangkuman Jumlah Cluster

Tak hanya itu saja, jika kalian scroll kebawah maka akan ditemukan rangkuman jumlah data pada masing-masing cluster

menarik bukan ??

Jika anda berminat dengan aplikasi ini, atau anda berminat namun juga ingin memodifikasi aplikasi ini, bisa klik link dibawah ini:

LIHAT PRODUK KMEANS

Atau Mungkin anda ingin melihat Review Orang-orang tentang aplikasi ini ?? boleh… bisa di tonton video saya berikut ini :