EAS Data Mining A 06211540000011 Henidar I W
•
0 likes•85 views
EAS Data Mining A 06211540000011 Henidar I W
Recommended
Recommended
More Related Content
Recently uploaded
Recently uploaded (20)
Featured
Featured (20)
EAS Data Mining A 06211540000011 Henidar I W
- 1. FR Oleh : Henidar Islami Winarningtyas 06211540000011 1 ANALISIS KLASIFIKASI AUTISM SCREENING ADULT DENGAN PENDEKATAN MACHINE LEARNING Departemen Statistika 2018 Dosen Pengampu : 1. Novri Suhermi, S.Si., M.Sc. 2. Dr. Kartika Fithriasari
- 2. OUTLINE Departemen Statistika 2018 2 1PENDAHULUAN 2Metodologi Penelitian 3Analisis & Pembahasan 4Kesimpulan & Saran
- 3. PENDAHULUAN Latar Belakang Tujuan Penelitian Manfaat Penelitian 3Departemen Statistika 2018
- 4. LATAR BELAKANG AUTISM Departemen Statistika 2018 Metod e yan g u ntu k m em p ercep at ASD C l a s s i f i c a t i o n 4 AUTISM SCREENING ADULT YES NO
- 5. G OALS ONE SECOND THIRD 5Departemen Statistika 2018 TUJUAN PENELITIAN Hasil Klasifikasi dengan Metode Machine Learning Deskripsi Data Autism Screening Adult Hasil Ketepatan Klasifikasi dengan Metode Machine Learning
- 6. Departemen Statistika 2018 6 MANFAAT PENELITIAN Sebagai referensi penelitian selanjutnya terkait analisis klasifikasi pada Autism Screening Adult. 1 Memberikan informasi tambahan kepada publik mengenai Autism Screening Adult. 2
- 7. METODOLOGI PENELITIAN 7Departemen Statistika 2018 Sumber Data Variabel Penelitian Langkah Analisis
- 8. Departemen Statistika 2018 8 Data yang digunakan dalam penelitian ini adalah data Autism Screening Adult. Data tersebut merupakan data sekunder yang diunduh dari website UCI Machine Learning pada tanggal 4 Desember 2018. SUMBER DATA
- 9. Variabel yang digunakan dalam penelitian ini adalah Variabel Respon, yaitu CLass Autism Screening Adult dan 18 Variabel Prediktor. Departemen Statistika 2018 9 VARIABEL PENELITIAN Variabel Skala A1_Score Katagorik A2_Score Katagorik A3_Score Katagorik A4_Score Katagorik A5_Score Katagorik A6_Score Katagorik A7_Score Katagorik A8_Score Katagorik A9_Score Katagorik A10_Score Katagorik Age Numerik Gender Katagorik Ethnicity Katagorik Jaundice Katagorik Autism Katagorik Country of Residence Katagorik Used App Before Katagorik Relation Katagorik Class Katagorik
- 10. Departemen Statistika 2018 Mulai Merumuskan Masalah Pre-processing Data Mendeskripsikan Data Feature Engineering Feature Selection Melakukan Klasifikasi Cross-Validation Feature Importances Kesimpulan LANGKAH ANALISIS 10
- 11. ANALISIS & PEMBAHASAN 11Departemen Statistika 2018 FEATURE IMPORTANCES HASIL AKHIR PRE-PROCESSING DATA KARAKTERISTIK DATA FEATURE ENGINEERING FEATURE SELECTION CROSS VALIDATION KLASIFIKASI
- 12. Departemen Statistika 2018 12 PRE-PROCESSING DATA Variabel Jumlah A1_Score 0 A2_Score 0 A3_Score 0 A4_Score 0 A5_Score 0 A6_Score 0 A7_Score 0 A8_Score 0 A9_Score 0 A10_Score 0 Age 2 Gender 0 Ethnicity 95 Jaundice 0 Autism 0 Country of Res 0 Used App Before 0 Relation 95 Class 0 Mean Modus Missing Value Imputasi
- 13. Departemen Statistika 2018 13 KARAKTERISTIK DATA STATUS
- 14. Departemen Statistika 2018 14 KARAKTERISTIK DATA AGE
- 15. Departemen Statistika 2018 15 KARAKTERISTIK DATA SCORE
- 16. Departemen Statistika 2018 16 KARAKTERISTIK DATA
- 17. Departemen Statistika 2018 17 KARAKTERISTIK DATA COUNTRY OF RESIDENCE
- 18. Departemen Statistika 2018 18 KARAKTERISTIK DATA
- 19. Departemen Statistika 2018 19 FEATURE ENGINEERING datakategori = ['Gender','Ethnicity','Jaundice','Autism','Country_of_Res','Used_App_Before', 'Relation','Class'] for feature in datakategori: if feature in data.columns.values: data[feature] = LabelEncoder().fit_transform(data[feature])
- 20. Departemen Statistika 2018 20 FEATURE SELECTION No Variabel Score 8 A9_Score 192.2833 5 A6_Score 176.6881 4 A5_Score 101.7959 3 A4_Score 78.40121 2 A3_Score 74.31658 6 A7_Score 50.63585 9 A10_Score 44.6796 10 Age 39.02296 1 A2_Score 37.32905 12 Ethnicity 34.0818 No Variabel Score 14 Autism 19.29479 0 A1_Score 17.36211 7 A8_Score 13.89255 13 Jaundice 6.626188 11 Gender 2.177226 15 Country of Residence 1.695038 16 Used App Before 1.342018 17 Relation 0.013827 Tetap digunakan semua variabel karena masih diduga berpengaruh signifikan
- 21. Departemen Statistika 2018 21 KLASIFIKASI kNN LogReg Naïve Bayes SVM XG Boost
- 22. Departemen Statistika 2018 22 Bagging AB GB DT RF KLASIFIKASI
- 23. Departemen Statistika 2018 23 KLASIFIKASI kNN Logistics Regression Naïve Bayes SVM XGBoost Bagging Adaptive Boosting Gradient Boosting Decision Tree Random Forest Akurasi 0.7518 0.9149 0.9362 0.7801 0.9716 0.9433 1.0000 0.9858 0.9220 0.9433 Presisi 0.7333 0.8776 0.9762 0.9091 1.0000 0.9556 1.0000 1.0000 0.9524 0.9767 Recall 0.4490 0.8776 0.8367 0.4082 0.9184 0.8776 1.0000 0.9592 0.8163 0.8571 Metode Terbaik
- 24. Departemen Statistika 2018 24 CROSS VALIDATION Metode Klasifikasi Akurasi Presisi Recall Adaptive Boosting 0.9958 0.9958 0.9867 XGBoost 0.9730 0.9639 0.9407 Gradient Boosting 0.9644 0.9712 0.9076 Logistic Regression 0.9616 0.9330 0.9360 Naive Bayes 0.9403 0.8765 0.8929 Random Forest 0.9318 0.9140 0.7878 Bagging 0.9291 0.8911 0.8363 Decision Tree 0.9077 0.8101 0.7467 SVM 0.8082 0.7664 0.3413 kNN 0.7671 0.5502 0.4157 Metode Terbaik
- 25. Departemen Statistika 2018 25 kNN Logistics Regression Naïve Bayes SVM XGBoost Bagging Adaptive Boosting Gradient Boosting Decision Tree Random Forest Akurasi 0.7518 0.9149 0.9362 0.7801 0.9716 0.9433 1.0000 0.9858 0.9220 0.9433 Presisi 0.7333 0.8776 0.9762 0.9091 1.0000 0.9556 1.0000 1.0000 0.9524 0.9767 Recall 0.4490 0.8776 0.8367 0.4082 0.9184 0.8776 1.0000 0.9592 0.8163 0.8571 kNN Logistics Regression Naïve Bayes SVM XGBoost Bagging Adaptive Boosting Gradient Boosting Decision Tree Random Forest Akurasi 0.7671 0.9616 0.9403 0.8082 0.9730 0.9291 0.9958 0.9644 0.9077 0.9318 Presisi 0.5502 0.9330 0.8765 0.7664 0.9639 0.8911 0.9958 0.9712 0.8101 0.9140 Recall 0.4157 0.9360 0.8929 0.3413 0.9407 0.8363 0.9867 0.9076 0.7467 0.7878 METODE BIASA VS 10-CROSS VALIDATION METODE BIASA METODE 10-Cross Validation Metode Terbaik
- 26. Departemen Statistika 2018 26 FEATURE IMPORTANCES FEATURE IMPORTANCES BASED ON ADAPTIVE BOOSTING Feature yang dipilih
- 27. Departemen Statistika 2018 27 HASIL AKHIR Adaptive Boosting Akurasi 1.0000 Presisi 1.0000 Recall 1.0000 ADAPTIVE BOOSTING dengan 10 feature
- 28. KESIMPULAN & SARAN 28Departemen Statistika 2018 Kesimpulan Saran
- 29. Departemen Statistika 2018 29 Metode terbaik untuk mengklasifikasikan Autism Screening Adult adalah metode Adaptive Boosting dengan 10 variabel pertanyaan perilaku dewasa saja baik secara biasa maupun dilakukan 10-cross validation menghasilkan akurasi, presisi, dan recall sebesar 1 atau 100% KESIMPULAN
- 30. Departemen Statistika 2018 30 Sebagai salah satu cara untuk mengklasifikasikan penyakit autis pada penderita dewasa (>18 tahun) sebaiknya mengeksplor variabel lebih banyak agar hasil penelitian lebih valid dan sesuai dengan kondisi sebenarnya. SARAN
- 31. Departemen Statistika 2018 31