Dokumen ini memberikan ringkasan tentang klasifikasi data pendapatan orang dewasa di Amerika Serikat. Data tersebut digunakan untuk memprediksi apakah seseorang memiliki pendapatan lebih dari $50,000 per tahun berdasarkan variabel-variabel seperti usia, pendidikan, pekerjaan, dan status pernikahan. Beberapa metode klasifikasi seperti Naive Bayes, Decision Tree, Random Forest, dan Logistic Regression digunakan untuk menganalisis data tersebut. Hasilny

1. Klasifikasi Data Adult Income Amerika Serikat
Shindi Shella May Wara | 06211540000101
Data Mining A
Dra. Kartika Fithriasari, M.Si | Novri Suhermi, S.Si., M.Sc.
Departemen Statistika
Institut Teknologi Sepuluh Nopember Surabaya

2. 01
02
03
04
05
06
OUTLINE
Penjelasan tentang Data yang Digunakan
Deskripsi Data
Tahapan Preprocessing Data
Data Preprocessing
Feature Selection dan Feature Enginering
Feature
Menyajikan data dalam bentuk grafik agar
mudah dipahami
Eksplorasi Data
Hold out Methods > Hyperparametric Tuning
> Cross Validation
Analisis dan Pembahasan
Membandingkan kebaikan model Klasifikasi
Kesimpulan
The Power of PowerPoint | thepopp.com 2

3. DESKRIPSI
DATA

4. Data Adult Income
Data yang digunakan merupakan data hasil sensus Amerika
Serikat tahun 1994
Data diekstraksi oleh Barry Becker
Data tersebut digunakan untuk menentukan apakah seseorang
menghasilkan lebih dari 50K dolar dalam setahun berdasarkan
variabel-variabel yang diamati
The Power of PowerPoint | thepopp.com 4

5. Data Adult Income
The Power of PowerPoint | thepopp.com 5
Variabel Keterangan Kategori
Y Klasifikasi Pendapatan <=50K
>50K
Age Umur continous
Workclass Kelas Pekerja Private
Federal-gov
Local-gov
Self-emp-not-inc
Self-emp-inc
State-Gove
Fnlwgt Final Weight Continous
Education Pendidikan terakhir Bachelors
Some-college
11th
HS-grad
Prof-school
Assoc-acdm
Assoc-voc
9th
7th-8th
12th
Masters
1st-4th
10th
Doctorate
5th-6th
Preschool.
Education Num Lama Pendidikan Continous

6. Data Adult Income
The Power of PowerPoint | thepopp.com 6
Variabel Keterangan Kategori
Marital Status Status Married-civ-spouse
Divorced
Never-married
Separated
Widowed
Married-spouse-absent
Married-AF-spouse
Occupation Pekerjaan Tech-support
Craft-repair
Other-service
Sales
Exec-managerial
Prof-specialty
Handlers-cleaners
Machine-op-inspct
Adm-clerical
Farming-fishing
Transport-moving
Priv-house-serv
Protective-serv
Armed-Forces.
Relationship Status dalam keluarga Wife
Own-child
Husband
Not-in-family
Other-relative
Unmarried.

7. Data Adult Income
The Power of PowerPoint | thepopp.com 7
Variabel Keterangan Kategori
Capital Loss Kerugian continous
Hours-Per_week Jam kerja/minggu continous
Native-Country Kebangsaan United-States
Cambodia
England
Puerto-Rico
Canada
Germany
Outlying-US(Guam-USVI-etc)
India
Japan
Greece
South
China
Cuba
Iran
Honduras
Philippines
Italy
Poland
Jamaica
Vietnam
Mexico
Portugal
Ireland
France
Dominican-Republic

8. DATA
PREPROCESSING

9. The Power of PowerPoint | thepopp.com 9
Missing Value merupakan nilai yang
hilang pada suatu variabel dengan
sebab tertentu
Mengatasi Missing Value
Dummy merupakan symbol berupa
angka yang merepresentasikan
variabel kategorik
Merubah Data Menjadi
Dummy
Outlier merupakan data dalam suatu
variabel yang memiliki nilai ekstrim
Mengecek Outlier

10. Mengatasi Missing
Value
Data Kategorik > “Never Worked”
Workclass
Data Kategorik > “None”
Occupation
Data Kategorik > “None”
Native-Country
Variabel
Jumlah Missing
Value
Age 0
Workclass 1836
Fnlwgt 0
Education: 0
Education-Num 0
Marital-Status 0
Occupation 1843
Relationship 0
Race 0
Sex 0
Capital-Gain 0
Capital-Loss 0
Hours-per-Week 0
Native-Country 583

11. Merubah Data Menjadi Dummy
The Power of PowerPoint | thepopp.com 11
 Age
 Final Weight
 Capital-Gain
 Capital-Loss
 Hours per Week
Variabel Kontinu
 Workclass (6 Kategori)
 Education (16 Kategori)
 Educatin-Num (16 Kategori)
 Marital-Sattus (7 Kategori)
 Occupation (15 Kategori()
 Relationship (6 Kategori)
 Race (5 Kategori)
 Sex (2 Kategori)
 Native Country (41 Kategori)
Variabel Kategorik

12. BEFORE
AFTER

13. Mengecek Data Outlier

14. FEATURE

15. FEATURE
SELECTION
 Feature selection merupakan
metode untuk memilih variabel
yang paling berpengaruh terhadap
klasifikasi
 Menggunakan metode Decision
Tree Classifier
 Terdapat 7 variabel yang terpilih
menjadi variabel yang paling
berpengaruh
 Variabel tersebut adalah :
Relationship, Final Weight, Age,
Education-Num, Capital-Gain,
Hours-per-Week, Occupation

16.  Feature engineering merupakan penggalian data
dengan lebih mendalam dengan tujuan untuk
mendapatkan variabel baru yang penting.
 Setelah dicermati, data adult income sudah memiliki
variabel yang jelas sehingga tidak dapat dilakukan
feature enginering
FEATURE ENGINERING
The Power of PowerPoint | thepopp.com 16

17. EKSPLORASI DATA

18. Variabel Y
The Power of PowerPoint | thepopp.com 18

19. Variabel
Kategorik
The Power of PowerPoint | thepopp.com 19

20. Variabel
Kontinu
The Power of PowerPoint | thepopp.com 20

21. Korelasi
The Power of PowerPoint | thepopp.com 21

22. ANALISIS
DAN
PEMBAHASAN

23. Langkah Analisis
23
Membagi data menjadi data training
dan data testing
HOLD ON METHODS
2
Mencari Parameter terbaik yang bisa
mengoptimalkan hasil klasifikasi
HYPERPARAMETER
TUNING
Mengevaluasi metode klasifikasi
dengan membagi data training menjadi
beberapa fold (bagian)
CROSS VALIDATION
1
3

24. HOLD out METHODS
The Power of PowerPoint | thepopp.com 24
RANDOMIZE HOLD OUT
METHODS
DATA TRAINING DATA
TESTING
80% 20%

25. Metode Klasifikasi yang Digunakan
The Power of PowerPoint | thepopp.com 25
Klasifikikasi data dengan mengadaptasi struktur
pohon yang bercabang
Decision Tree
Klasifikasi data dengan mengadaptasi
struktur hutan yang memiliki beberapa
pohon yg memiliki cabang
Random Forest
Klasifikasi data dengan
memperhitungkan probabilitas
pengklasifikasian data
Naïve Bayes
Klasifikasi data dengan melihat adanya
hubungan variabel respon yang
mempengaruhi prediktor
Logistik Regression
Klasifikasi data dengan melihat jenis
klasifikasi milik tetangganya
K-Nearest Neighbour

26. Naïve Bayes Decision Tree Random Forest Regresi Logistik
Hyperparameter Tunning
K-Nearest Neighbour
The Power of PowerPoint | thepopp.com 26
N_neighbour= 50
weight = distance None
Class_weight : None,
Max_depth : None,
Max_leaf_nodes : 50,
Min_samples_leaf :
21,
Min_samples_split :
2
Max_depth : 10,
Max_Features : None,
Min_samples_leaf :
30, N_estimators : 10
C : 0.8,
Class_weight : none.
Penalty : 11

27. Naïve Bayes Decision Tree Random Forest Regresi Logistik
Cross Validation
K-Nearest Neighbour
Akurasi adalah tingkat ketepatan system mengklasifikasikan data secara benar
Presisi merupakan jumlah data yang memiliki kategori positif(TP) dibanding total klasifikasi positif
(FP+TP)
Recalls adalah presentase data kategori positif (TP) terklasifikasi secara benar dalam sistem
The Power of PowerPoint | thepopp.com 27
Accuracy : 0,796
Precision : 0,798
Recalls : 0,980
Accuracy : 0,794
Precision : 0,796
Recalls : 0,978
Accuracy : 0,832
Precision : 0,877
Recalls : 0,937
Accuracy : 0,86
Precision : 0,871
Recalls : 0,956
Accuracy : 0,853
Precision : 0,878
Recalls : 0,936

28. KESIMPULAN

29. Naïve Bayes Decision Tree Random Forest Regresi Logistik
Data Testing
K-Nearest Neighbour
Akurasi adalah tingkat ketepatan system mengklasifikasikan data secara benar
Presisi merupakan jumlah data yang memiliki kategori positif(TP) dibanding total klasifikasi positif
(FP+TP)
Recalls adalah presentase data kategori positif (TP) terklasifikasi secara benar dalam sistem
The Power of PowerPoint | thepopp.com 29
Accuracy : 1
Precision : 1
Recalls : 1
Accuracy : 0,794
Precision : 0,796
Recalls : 0,978
Accuracy : 0,85
Precision : 0,870
Recalls : 0,957
Accuracy : 0,859
Precision : 0,876
Recalls : 0,946
Accuracy : 0,794
Precision : 0,793
Recalls : 0,983

30. More Information?
https://nbviewer.jupyter.org/gist/shindishell
a/1960a7297c55232094fa8a9e81bd7eb8

31. Klasifikasi Data Adult Income Amerika Serikat
The Power of PowerPoint – thepopp.com
Font: Ubuntu font family
Icons: Elegant Icon Font
Shindi Shella May Wara | 06211540000101
Thank You!