Prediksi Individual Variable terhadap Target

Prediksi Individual Variable terhadap Target.

Melanjutkan posting terdahulu, akan ditambahkan prediksi klasifikasi pilihan mahasiswa
ketika masuk universitas, variablenya terdiri dari:

Tb1

lihat Tb1
Table cara mahasiswa masuk universitas:

1 . sesuai pilihan pertama dan cocok.
2.sesuai pilihan pertama dan tidak cocok.
3.bukan pilihan pertama tapi cocok.
4.bukan pilihan pertama  dan tidak cocok.

Faktor apa saja yang mempengaruhi nilai IPK seseorang?

Faktor apa saja yang mempengaruhi nilai IPK seseorang?Tentu pertanyaan itu tidak mudah dijawab, karena banyak factor yang mempengaruhi. Di sini akan dianalisa variable apa saja yang mempengaruhinya, dan prediksi apa saja yang akan didapatkan.

Data awal diambil dari data mahasiswa  data terdiri dari 129 observasi dan 66 variabel, akan dibatasi untuk  variable (MBTI, INTROVERT.I, SENSING.S, THINKING.T, JUDGING.J, E.EKSTROVERT, N.INTUITION, F.FEELING, dan IPK .

Model yang akan dicoba adalah model random forest(rf), model gradient boosting(gbm) dan model neural network(nn),  selanjutnya akan dipilih mana yang paling baik untuk prediksinya.

File excel

Berikut script R dan penjelasannya:

Sepeda Motor Honda terjual 134 juta lebih sampai th 2024

Prediksi penjualan sepeda motor .

Mampukah prasarana yang dibangun pemerintah bisa menekan laju pertambahan sepeda motor di jalan? Pertanyaan yang sulit dijawab. Pemerintah  pasti punya perhitungan  dan rancangan yang diyakininya akan mengurangi laju pertambahan kendaraan bermotor. Benarkah itu?

Gb 1

Di sini akan dibahas laju pertambahan kendaraan bermotor menggunakan data penjualan sepeda motor  Honda dari th 2005-2016, akan dicoba memprediksi penjualan sepeda motor Honda 7 th ke depan. Kira kira berapa jumalahnya pada th tsb.

Dari hasil prediksi nanti kita bisa membandingkan antara laju pertambahan jalan dan laju pertambahan speda motor. Proses menggunakan http://www.rstudio.comR programming,visualisasi dengan Shiny Aplikasi. Berikut script R nya:

Pilih kopi Starbuck apa enaknya?

Pilih kopi Starbuck apa enaknya?

Untuk menjawab pertanyaan di atas, akan kami coba menganalisa data hasil scrapping dari laman twitter Starbuck Indonesia  @SbuxIndonesia(23 Feb 2019, jam 10 wib). Hasil analisa akan dibagi menjadi: 1. Klasifikasi emosi, 2. Klasifikasi polaritas, 3. Analisa Corpus.

Tentunya analisa ini masih terbatas pada quota free yang diberikan oleh twitter, tapi sudah bisa memberi gambaran singkat tentang persepsi  umumnya masyarakat Indonesia terhadap Starbuck, untuk  mencapai hasil yang maximal tinggal mengajukan quota yang diinginkat ke twitter.

Berikut saya berikan script R nya:

Tb1

Tb2

Tokopedia vs Bukalapak

Tokopedia vs Bukalapak

Dunia start up  saat ini lagi booming  di Indonesia, ada beberapa start up dari Indonesia yang berhasil menyandang  gelar “Unicorn”, contohnya Tokopedia, Bukalapak, Traveloka, Gojek dsb. Tentu bukan perkara mudah sebuah start up bisa menyandang gelar “Unicorn”, sedikit kisah tentang Bukalapak, yang pernah hampir bangkrut, bangkrut berarti valuasi start up tsb nyaris nol rupiah(Rp 0.00,-), tapi Achmad Zaky sang foundernya berhasil menyelamatkan dari tragedy kebangkrutan, tentu tidak mudah melakukannya.

Ilustrasi Bukalapak tsb, hanyalah salah satu kasus saja, tentu start up lain juga punya perjuangan dan keunikan tersendiri untuk survive.

Di sini kita hanya akan membahas perbandingan Tokopedia dan Bukalapak, terhadap cuitan twitter, apakah disukai atau tidak, orang sono bilang “like” or “hate”. Kira kira mana yang lebih banyak disukai.

Gb1

Gb2

Dengan menggunakan R programming, data cuitan twiter  @tokopedia dan @bukalapak, tgl 21 Februari 2019, jam 9.30. Berikut saya tuliskan script R nya:

Ini dia model yang bisa dipakai.

MODEL  di sini bahkan bisa dijadikan experimen, tidak cuma bisa dicoba coba, diperlakukan apapun dia tidak akan komplain, dan yang mengherankan lagi ... tidak mau dibayar alias gratis. Trus pertanyaanya siapa model yang bisa dipakai tsb? Simak paparan saya, untuk menepati janji melanjutkan postingan kemarin.

Model tersebut adalah Model Machine Learning dari Studio Azure Machine Learning Microsof, di sini akan dicoba menganalisa dataset yang sudah dipersiapkan, untuk menguji 5 model Machine Learning sbb:

1. Bayesian Linear Regression

2. Neural Network Regression

3. Boosted Decision Tree Regression

4. Linear Regression

5. Decision Forest Regression

Model Bayesian Linear Regression dan Neural Network Regression sudah dicoba dipostingan sebelumnya, hasilnya Neural Network Regression lebih unggul dari Bayesian Linear Regression, apakah model Neural Network Regression masih unggul, jika data diatas duji lagi dengan model Boosted Decision Tree Regression, Linear Regression dan Decision Forest Regression? Ikuti langkah di bawah ini:

Langkahnya sama seperti postingan terdahulu, 

1. Upload Modul data

2. Split data, recomended 50% training data 50% test data

3. Modul Machine Learning

4. Modul Train Model, di panel properties, dikeluarkan variable lable(medv), sebagai target.

5. Modul Score Model

6. Evaluate Model

7. Executed R Script modul

8. Masing masing dihubungkan dengan Modul Add Row

Note:
Perlu modifikasi R script di panel properties sbb:

Untuk Bayesian Linear Regressian dan Decision Forest Regression  model, ketik R script di bawah ini(Script 1)

Script 1

Untuk Neural Network Regression, Boosted Decision Tree Regression dan Linear Regression, ketik R script (Script 2)

Script 2

9. Lakukan prosedure 1 sampai 7 untuk setiap modul machine learning, jadi ada total 5 modul yang akan diexecusi di Studio Machine Learning. Diagram lengkap modelnya ada di Screen 1

Screen 1

10. Klik Run

11. Upload to Web

Screen 2

12. Kesimpulan

12.1. Ternyata model yang unggul adalah Boosted Decision Tree Regression, dengan nilai

 Coefficient Determination = 0.898651, dan RMSE = 2.790232, lihat Screen 2.

12.2. Jadi dari kelima model machine learning yang dicoba di sini, yang terbaik adalah model Boosted Decision Tree Regression.

12.3. Eksekusi 5 model di atas di Studio Azure Machine Learning hanya makan waktu kira2-kira 3 menit. 

Referensi

1. Pilih yang mana?

2. Azure ai

3. Github

4. Dropbox

5. H2O

Pilih model yang mana?

Analisa data itu mudah! yang susah adalah menentukan hasilnya itu valid apa tidak, sesuai apa tidak. Mengatasi hal tersebut terpaksa kita harus membandingkan beberapa model yang kita pakai. 

Di sini akan dicoba membandingan antara Model Bayesian Linear Regression dengan Neural Network Regression, dengan memakai fasilitas Studio Microsoft Machine Learning. Jadi tidak perlu mebuat  coding R satu persatu, tapi bagi yang ingin memperdalam bisa email saya.

Sebelum memulai, tentunya harus punya account di Studio Microsoft Machine Learning, bisa daftar disini. Selanjutnya ikuti langkahnya sbb:

1. Preparation 

1.1.Data preparation, use data Boston , from Boston Housing Values in Suburbs of Boston, Source:Belsley D.A., Kuh, E. and Welsch, R.E. (1980) Regression Diagnostics. Identifying Influential Data and Sources of Collinearity. New York: Wiley.

1.2. Use modul Split Data, split data randomly 50% train data and 50% test data

Screen1, Boston raw data

3. Model 

3.1. Bayesian Linear Regression 

3.2. Neural Network Regression

Screen 2, Flowchart lengkap

4. Train Model

4.1. Use Train Model modul, connect to modul Bayesian, connect to Modul Split Data 

4.2. Use Score Model modul, connect right bottom to right bottom Modul Split Data 

4.3. Modul Evaluate 

5. Execute R Script

5.1. Change the R script in Properties panel for Bayesian Linear Regression

5.2. Connect to Modul Add Rows

Catatan
Di modul R Script, di bagian Properti Panel, harus dimasukkan R script yang baru, lihat di
Screen 3.

Screen 3

Screen 3, Script R yang harus dimasukkan ke Modul Bayesian Linear Regression.
Begitu juga di modul Neural Network Regression, di Panel Properties harus dimasukkan R script baru ada di Screen 4

Screen 4

Screen 4. Script R yang harus dimasukkan ke Modul Neural Net Regression.

6. Neural Network Regression

6.1. Follow the procedure from Preparation to Add Rows, for the Neural Network Regression. 

6.2. Connect the Add Rows module Execute R Script in Neural Network Regression. 

7. Result. 

7.1. Run all application 

7.2. Click Visualize table,
7.3. Comparing which is better, Bayesian Linear Regression or Neural Network Regression.
7.4. Check Screen 5.
7.5. Neural Network Regression  has RMSE  3.609129(less than RMSE of Bayesia Network Regression ) and Coefficient determination 0.830432 bigger than Bayesian Linear Regression.

Screen 5.

8. Conclusion

8.1. Neural Network Regression better than Bayesian Linear Regression Model.

8.2. Not absolutely true, in the next I will compare this result with model Boosted Decicion Tree Regression, Linear Regression and Decicion Forest Regression.

References

1. Regression comparison 

2. Github

4. Dropbox

5. H2O