VOLT-INS Store

Inspirasi Informatika & Elektrro

Aplikasi

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 :

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