Aplikasi

Table of Contents

• Tentang Datamining Algoritma KNN
• Contoh Dataset Aplikasi KNN
  • Studi Kasus
• Spesifikasi Aplikasi
• Halaman Login
• Halaman Dashboard
• Halaman Initial Proses
• Halaman Prediksi
• Halaman Performance
• Halaman Akurasi Performance
• Kesimpulan
• Review orang-orang yang sudah pernah menggunakan aplikasi ini

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

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

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

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

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

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

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

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

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 :

Review orang-orang yang sudah pernah menggunakan aplikasi ini

Table of Contents

• Tentang Algoritma C45
• Contoh Dataset Algoritma C45
• Spesifikasi Aplikasi
• Halaman Login Aplikasi Decision Tree C45
• Halaman Dashboard
• Halaman Algoritma Decision Tree C45
• Sub Menu Atribut Label
• Sub Menu Klasifikasi / Performance
• Sub Menu Prediksi
• Kesimpulan
• Review orang-orang yang sudah pernah menggunakan aplikasi ini

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 :

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

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

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

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

Sub Menu Atribut 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

Sub Menu Klasifikasi / Performance

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

Sub Menu Prediksi

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 :

Review orang-orang yang sudah pernah menggunakan aplikasi ini

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

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 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 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

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

Halaman Aplikasi K-Means

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

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

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

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

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

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

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

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

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:

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

Algoritma Aplikasi Naive Bayes merupakan sebuah metode klasifikasi data, sering juga di bangku kuliah disebut sistem rekomendasi atau prediksi, tergolong dalam algoritma Supervised karena memerlukan data class/label pada data training

Source code algoritma naive bayes php ini merupakan algoritma yang sangat popular di kalangan mahasiswa teknik informatika karena perhitunganya yang sangat sederhana sehingga mudah untuk dipelajari

Metode ini mempunyai rate akurasi yang cukup tinggi

Dalam artikel ini saya akan mereview aplikasi naive bayes buatan saya, point-point yang akan saya bahas selanjutnya adalah sebagai berikut :

Table of Contents Aplikasi Naive Bayes

• Spesifikasi Aplikasi Algoritma Naive Bayes Data Mining
• Contoh Dataset Algoritma Naive Bayes
• Fitur Aplikasi Datamining Naivebayes
  • Fitur Login
  • Fitur Upload Excel Dataset
  • Fitur Inisialisasi Dataset
  • Fitur Performance
  • Fitur Performance Akurasi
• Fitur Prediksi
• Apakah Aplikasi Naivebayes ini Hasilnya Valid ?
• Feedback yang sudah menggunakan
• Apakah Dapat di Customisasi Sesuai Kebutuhan ?

Spesifikasi Aplikasi Algoritma Naive Bayes Data Mining

Untuk menjalankan aplikasi ini menggunakan environtmen dibawah ini :

• PHP Versi 7.4
• Codeigniter 3
• Dapat dijalankan di Web Server (Xampp, Wampp, Mampp, Apache, Nginx)
• HTML, Js, Css (Bootstrap 4)

Contoh Dataset Algoritma Naive Bayes

Dataset dibawah ini adalah salah satu contoh dataset yang siap di implementasikan kedalam aplikasi naivebayes,

Dataset diatas menceritakan sebuah kondisi iklim, dimana terdapat kondisi outlook, temperature, kelembapan dan berangin dan pada akhirnya akan bermain golf atau tidak

Data Atribute nya adalah : outlook, temperature, kelembapan, berangin

Sedangkan data Label/Class nya adalah : bermain_golf

Fitur Aplikasi Datamining Naivebayes

Aplikasi ini mempunyai keunggulan dapat support semua jenis dataset,

Walaupun data yang digunakan berbeda-beda, namun aplikasi ini akan membaca data yang diupload dan otomatis memisahkan mana atribute & labelnya tanpa terkecuali layaknya software rapidminer

Fitur Login

User tidak dapat mengakses fitur-fitur yang lain jika tidak login terlebih dahulu, fitur login diaplikasi ini hanya 1 role user yaitu admin, namun tidak menutup kemungkinan untuk memodifikasi fitur login sehingga dapat digunakan user role bertingkat (admin, user)

Seperti beberapa orang yang sudah pernah menggunakan aplikasi ini

Fitur Upload Excel Dataset

Fitur ini digunakan untuk memasukan/upload dataset dalam bentuk excel, secara otomatis sistem ini akan mendeteksi datanya, memisahkan mana atribute dan mana label, yang kemudian ditampilkan dalam bentuk tabel diaplikasi

Lantas bagaimana jika dataset yang diupload berbeda ??

Ya Betul !! sebenarnya disinilah nilai + aplikasi ini, bisa sangat fleksibel, sehingga bisa digunakan oleh semua jenis dataset

Fitur Inisialisasi Dataset

Fitur inisialisasi ini akan memisahkan data atribute dan label, ditandai dengan warna kuning yaitu atribute pendukung dan warna biru yaitu label/class.

Fitur Performance

Fitur ini yang sering dibutuhkan mahasiswa teknik informatika untuk menguji seberapa besar akurasi algoritma naive bayes ini terhadap dataset mereka,

Terdapat juga pilihan prosentase data training yang akan digunakan, jika kita memilih data training 70% maka secara otomatis data testingnya sebesar 30%,

Misalnya datanya ada 100 baris, maka akan dipisah sebesar 70 baris dimulai dari yang paling atas untuk dijadikan data training, dan sisanya 30 baris akan dijadikan data testing

Fitur Performance Akurasi

Hasil akurasi adalah bagian dari proses performance, rumus akurasi ini sesuai dengan rumus confussion matrix,

Hasil testing dari 30 baris dataset juga sudah ditampilkan diatas hasil akurasinya, mana yang benar dan mana yang salah terpampang jelas disana

Dataset diatas hanya ada 20 baris, data mining membutuhkan data yang banyak untuk meningkatkan nilai akurasinya

Fitur Prediksi

Fitur ini berfungsi untuk memprediksi satu persatu dan melihat detail dari hasil perhitunganya, sebelah kiri adalah form input dropdown, kalian tinggal pilih saja atribute dan nilai-nilainya kemudian klik tombol prediksi

Maka hasilnya akan tampil di sebelah kanan,

Isian form ini juga dinamis, berdasarkan dataset yang diupload diawal sistem akan otomatis menampilkan atribute-atribute isian beserta nilai dropdown nya dalam bentuk form

Apakah Aplikasi Naivebayes ini Hasilnya Valid ?

Hasilnya valid !! sudah banyak di testing dan diuji sama banyak orang, dengan perhitungan tools, perhitungan manual, hasilnya sama..

Untuk masalah ini biar salah satu dari teman-teman saya yang membuktikanya,

Mungkin kalian ingin bandingkan sendiri dengan dataset kalian masing2 ??

Feedback yang sudah menggunakan

Kalian bisa melihat komentar-komentar orang-orang yang sudah pernah menggunakan aplikasi ini di youtube

Tentunya saya punya review aplikasi ini versi video di youtube, bisa anda tonton setelahnya

Apakah Dapat di Customisasi Sesuai Kebutuhan ?

Tentunya fitur yang ada di aplikasi ini terabatas, tetapi aplikasi ini sangat fleksibel untuk di customisasi, salah satu yang sering saya customisasi untuk para customer saya adalah pemberian fitur database pada dataset naive bayes, serta fitur manajemen login bertingkat admin & user