Ilmu Komputer

Membuat Decision Tree dengan Metode 10-Fold Cross Validation pada R

2018-03-21T18:51:00.000+07:00

Seperti janji saya sebelumnya pada artikel Membuat Decision Tree dengan Metode Random Sampling pada R pada R. Untuk latihan kali ini adalah membuat pohon keputusan dengan menggunakan model 10-fold cross validation. Jika anda baru mengunjungi halaman ini, ada baiknya kembali ke artikel yang sebelumnya, agar tahu perkembangan pembahasan pada artikel ini dan dataset apa yang digunakan.

Berikut ini merupakan kode di R untuk membuat decision tree dengan menggunakan model 10-fold cross validation

# 3.2 Decision Tree (10-fold cross validation)
ads1 <- read.csv(file="D:/internet.csv",header=TRUE,sep=",",dec=".")
set.seed(5678)
library(C50)
library(caret)
library(e1071)

# Apply cross fold validation
folds<-cut(seq(1,nrow(ads1)),breaks=10, labels=FALSE)
for(i in 1:10){
testIndexes <- which(folds==i, arr.ind=TRUE)
testData <- ads1[testIndexes, ]
trainData <- ads1[-testIndexes,]}

# Creating the model
atribut <- names(ads1)
atribut <- atribut[-1559]
atribut <- paste(atribut,collapse = "+")
model <- paste("class ~",atribut)
model <-eval(parse(text=model))
ads1_ctree <- ctree(model, data=trainData)

# Check the prediction
table(predict(ads1_ctree), trainData$class)
print(ads1_ctree)
plot(ads1_ctree)
plot(ads1_ctree, type="simple")

# Predict on test data
testPred <- predict(ads1_ctree, newdata = testData)
table(testPred, testData$class)

Gambar 1. Pohon Keputusan dengan Metode 10-Fold Cross Validation

Membuat Decision Tree dengan Metode Random Sampling pada R

2018-03-21T18:19:00.002+07:00

Masih merupakan kelanjutan dari artikel sebelumnya, yakni Menangani Missing Value Data Numerik dengan Nilai Mean pada R. Sebagai pengingat, sebelumnya kita sudah belajar menangani missing value pada data numerik dengan menggunakan nilai rata-rata (mean) dari keseluruhan kolom yang bersangkutan.

Nah untuk latihan kali ini adalah membuat pohon keputusan dari dataset hasil praproses dengan 2 (dua) skema pembagian dataset untuk membuat model dan menguji model yaitu sebagai berikut.

80% record dari dataset menjadi data training untuk membuat model, dan 20% record dari dataset menjadi data testing.
menggunakan 10-fold cross validation.

Hasil untuk model nomor 1, yakni Random Sampling adalah sebagai berikut.

Gambar 1. Pohon Keputusan dengan Metode Random Sampling

1. Membuat Decision Tree (Pohon Keputusan) dengan Metode Random Sampling

# 3.1 Decision Tree (Random Sampling)
ads <- read.csv(file="D:/internet.csv", header=TRUE, sep=",", dec=".")
str(ads)
set.seed(1234)
library(party)

# Create training set and testing set
sampel <- sample(2, nrow(ads), replace=TRUE, prob=c(0.8, 0.2))
trainData <- ads[sampel==1,]
testData <- ads[sampel==2,]

# Creating the model
atribut <- names(ads)
atribut <- atribut[-1559]
atribut <- paste(atribut,collapse = "+")
model <- paste("class ~",atribut)
model <-eval(parse(text=model))
ads_ctree <- ctree(model, data=trainData)

# Check the prediction
table(predict(ads_ctree), trainData$class)
print(ads_ctree)
plot(ads_ctree)
plot(ads_ctree, type="simple")

# Predict on test data
testPred <- predict(ads_ctree, newdata = testData)
table(testPred, testData$class)

Gambar 2. Hasil Eksekusi pada Console

Untuk model nomor 2, yakni menggunakan 10-fold cross validation, akan kita kerjakan pada kesempatan ~~berikutnya~~, disini. Jangan lupa subscribe agar dapat berlangganan artikel terbaru disini. Untuk versi video running-nya akan segera menyusul juga.

Sekian dulu, selamat mencoba.

Menangani Missing Value Data Numerik dengan Nilai Mean pada R

2018-03-21T17:51:00.000+07:00

Masih seperti sebelumnya, kali ini saya akan berbagi cara menangani missing value pada dataset di RStudio. Bila nilai yang kosong hanya berjumlah sedikit pada dataset yang sedang dikerjakan, mungkin mudah saja bila kita langsung membuangnya. Namun apa yang terjadi bila :

Jumlah missing value berjumlah ratusan hingga jutaan?
Bagaimana bila record yang memiliki missing value tersebut sesungguhnyalah yang berpengaruh pada dataset tersebut?

Tentunya dengan langsung membuang record ber-missing value tersebut bukanlah keputusan yang tepat. Untuk menangani missing value pada data nominal, kita bisa menggunakan modus. Sedangkan untuk data numerik, kita bisa menggunkan nilai rata-rata (mean).

Gambar 1. Hasil Penanganan Missing Value dengan Menggunakan Nilai Mean

Dataset yang digunakan pada latihan ini adalah dataset Internet Advertisements Data Set dari UCI Machine Learning Repository, http://archive.ics.uci.edu/ml/datasets/Internet+Advertisements

# 2.1 Praprocessing (Replace Missing Values)
ad <- read.csv(file="D:/ad.data.missing.csv", header=TRUE, sep=",", dec=".")
# Change ? values with NA
ad[ad == "?"] <- NA
# Function to change NA with Mean value
for(i in 1:ncol(ad)){
ad[is.na(ad[,i]), i] <- mean(ad[,i], na.rm = T TRUE)
}
# Export result as CSV
write.csv(ad, file = "D:\\ internet.csv", row.names = FALSE)

Gambar 2. Hasil eksekusi program pada console R.

Pesan “warning” tersebut diatas muncul, hal ini terjadi karena fungsi Mean hanya akan bekerja pada data numerik, sedangkan yang tidak termasuk numerik akan diabaikan. Adapun hasil eksekusi program dalam menangani missing value pada dataset dalam latihan ini dapat dilihat pada awal artikel di atas (Gambar 1).

Untuk video demonya, bila ada waktu akan saya cantumkan link YouTube-nya disini.

Membaca Scatter Plot pada Weka

2018-03-20T15:27:00.001+07:00

Dataset yang digunakan pada latihan ini adalah dataset Computer Parts (CPUs) dari Kaggle Datasets yang beralamat pada https://www.kaggle.com/iliassekkaf/computerparts/data.

Gambar 1. Dataset GPU

Dari gambar diatas terlihat bahwa GPU Nvidia walau tersebar merata hampir pada seluruh koordinat, namun mayoritas terpusat atau berkumpul (nampak mencolok) pada koordinat paling ujung, yakni ± (5,4).

Dengan ini dapat disimpulkan bahwa Nvidia adalah brandatau manufaktur yang paling banyak mendukung teknologi pemrosesan grafis terbaru dibanding lainnya, yakni Pixel Shader 5.0 dan OpenGL 4.5. Jika ingin membeli GPU dengan dukungan teknologi terbaru, pilihlah Nvidia.

Gambar 2. Dataset CPU

Pada Gambar 2, terlihat bahwa jumlah thread dan memory channel yang kecil terdapat pada class Embedded dan Mobile. Jumlah thread dan memory channel yang besar terdapat pada kelas Server. Adapun kelas Desktop berada pada level menengah.

Dengan demikian dapat disimpulkan bahwa class atau segmen Server membutuhkan spesifikasi CPU dengan jumlah thread yang besar dan channel memory yang banyak. Hal ini dimungkinkan karena Server biasanya digunakan untuk keperluan komputasi yang berat dan kompleks.

Untuk video demonya, bila ada waktu akan saya cantumkan link YouTube-nya disini.

Visualisasi Histogram dengan RStudio

2018-03-20T14:32:00.001+07:00

Dataset yang digunakan pada latihan ini adalah dataset Computer Parts (CPUs) dari Kaggle Datasets yang beralamat pada https://www.kaggle.com/iliassekkaf/computerparts/data.

nb_cores <- read.csv(file="D:/all_CPUs.csv", header=TRUE)

hist(nb_cores,
main = "Histogram Frekuensi Jumlah Core pada CPU", 
col = colors, 
xlab = "Jumlah Core pada CPU",
ylab = "Banyaknya item", breaks = 30)

Pada gambar diatas, terlihat bahwa frekuensi terbesar dari dataset terdapat pada rentang 1 hingga 30 core. Untuk melihat penyebaran pada rentang tersebut, maka dapat dibatasi jumlah range core dengan menggunakan command berikut.

h<-hist(nb_cores,main = "Histogram Frekuensi Jumlah Core pada CPU", 
col = colors, 
xlab = "Jumlah Core pada CPU", 
ylab = "Banyaknya item", 
ylim = c(0,2500), xlim = c(0,30))
text(h$mids,h$counts,labels=h$counts, adj=c(0.5, -0.5))

Dengan membatasi grafik yang ditampilkan, terlihat bahwa jumlah core yang terbesar adalah antara 1 hingga 5 core dengan distribusi sebesar 1909 CPU. Dengan demikian jenis CPU yang terbesar adalah Quad Core atau 4 (empat) inti prosesor.

Untuk video demonya, bila ada waktu akan saya cantumkan link YouTube-nya disini.