1. Model klasifikasi harga ponsel dibangun menggunakan algoritma K-Nearest Neighbors dengan memisahkan data menjadi fitur dan target kelas. 2. Nilai akurasi tertinggi sebesar 95,25% dicapai pada nilai k = 7. 3. Matriks kekeliruan dan ukuran kinerja seperti presisi dan recall menunjukkan kinerja model yang baik.

1. MOBILE-
PRICE
Oleh : 
Kelompok 2

2. Fajar Ahmad Nugroho (2110512103)
Frida Putriassa (2110512104)
Anggita Sondang Pasaribu (2110512114)
Meiza Aliansa (2110512115)
Bramastasetya Arie Nugroho (2110512118)
ANGGOTA

3. DATA YANG
DIGUNAKAN

4. Kelas 0: Harga paling rendah
Kelas 1: Harga sedang
Kelas 2: Harga sedikit lebih mahal
Kelas 3: Harga paling mahal
Data tersebut merupakan data perbandingan spesifikasi ponsel terhadap harga
jualnya yang bertujuan untuk untuk memprediksi rentang harga ponsel
berdasarkan spesifikasinya. Dataset ini terdiri dari satu set data
mobileprice.csv yang nantinya akan dibagi menjadi data training dan data
testing
Dataset memiliki 4 kelas target berdasarkan rentang harga :
DATASET MOBILE-PRICE
https://www.kaggle.com/datasets/iabhishekofficial/mobile-price-
classification?select=train.csv

5. Pada dataset tersebut terdapat 20 atribut/fitur, yaitu:
DATASET MOBILE-PRICE
battery_power
blue
clock_speed
dual_sim
fc
four_g
int_memory
m_dep
mobile_wt
n_cores
pc
px_height
px_width
ram
sc_h
sc_w
talk_time
three_g
touch_screen
wifi

6. DATASET INFO
Dataset ini memiliki 2000 baris dan total
21 kolom bertipe data numerik (2 float
dan 19 integer)

7. ALGORITMA

8. K-Nearest Neighbors (KNN) adalah algoritma machine learning yang
digunakan untuk masalah klasifikasi dan regresi. Cara kerja KNN adalah
dengan mencari k-nearest neighbors (tetangga terdekat) dari sebuah data
baru berdasarkan jarak Euclidean atau jarak Minkowski terhadap data-
data pada dataset. Setelah k-nearest neighbors ditemukan, maka data baru
tersebut diklasifikasikan sebagai kelas yang paling sering muncul pada
tetangga-tetangga tersebut (untuk klasifikasi) atau dihitung nilai rata-rata
tetangga-tetangga tersebut (untuk regresi). Dalam menentukan nilai k,
bisa dilakukan secara empiris atau melalui cross-validation.
K-NEAREST NEIGHBORS (KNN)

9. PROSES
ALGORITMA

10. IMPORT LIBRARY

11. Proses pertama adalah mengimport beberapa library dari scikit-learn yang
dibutuhkan untuk membuat model kNN, seperti sklearn.model_selection untuk
train_test_split(), sklearn.neighbors untuk KNeighborsClassifier(), dan
sklearn.metrics untuk confusion_matrix() dan accuracy_score(). Selain itu, juga
diimport library pandas untuk membaca dataset dari file CSV.
IMPORT LIBRARY

12. Proses selanjutnya adalah membaca data dari file CSV menggunakan
pd.read_csv(). Data ini akan dipisahkan menjadi data atribut/fitur (X) dan data
kelas target (y).
MEMBACA DATA

13. Setelah data diimport, kemudian dilakukan eksplorasi data untuk mendapatkan
insight. Dapat dilihat bahwa dataset ini memiliki 2001 entri data dan 21 kolom
atribut. Pada deskripsi dataset mobile price, dataset ini memiliki 20 attribut dan
1 class target.
EKSPLORASI DATA

14. Eksplorasi dengan menampilkan 5 baris teratas pada dataset. Dari preview data
diatas, kolom dataset masih dalam bentuk nomor index dan nama atribut masih
berada di dalam baris dataset.
EKSPLORASI DATA

15. Pertama, kami akan melakukan rename pada kolom sesuai atribut dataset
EKSPLORASI DATA

16. Selanjutnya kami menghapus baris pertama karena valuenya merupakan
nama nama atribut itu sendiri
Bisa dilihat bahwa kolom pada dataset telah direname dan value sudah
sesuai
EKSPLORASI DATA

17. Pada list kolom tersebut, bisa dilihat pada bagian Data type masih berupa object. Untuk
dapat lanjut ke langkah berikutnya, diperlukan tipe data numeric. Selanjutnya kami akan
mengubah tipe datanya sebagai berikut
EKSPLORASI DATA

18. Sekarang bisa dilihat tipe data pada setiap kolom sudah menjadi numerik
setelah menggunakan fungsi to_numeric
EKSPLORASI DATA

19. Kode diatas digunakan untuk melihat apa saja class yang terdapat pada
dataset tersebut. dengan menggunakan unique() kita dapat mengetahui
bahwa dataset ini mengklasifikasi dalam 4 class
EKSPLORASI DATA

20. Kode diatas digunakan melihat nilai yang hilang atau null. Semua value pada dataset tersebut
tidak memiliki nilai yang hilang karena bisa dilihat bahwa jumlah nilai null adalah 0
EKSPLORASI DATA

21. Setelah eksplorasi data selesai, saatnya untuk memulai membuat model.
Langkah pertama, kami membuat variabel khusus untuk dataframe yang
berisi atribut/fitur dan target class.
MEMBUAT VARIABEL ATRIBUT/FITUR DAN
VARIABEL TARGET CLASS

22. Program memisahkan data menjadi atribut (X) dan kelas target (y). Variabel X
merupakan sebuah dataframe berisi data-data atribut/fitur, sementara variabel y
merupakan sebuah series yang berisi data-data kelas target. memisahkan data
traning dan data testing dengan rasio 80:20 dengan random seed 0
MEMISAHKAN DATA

23. Model knn dibuat dan melatih data pada X_train dan y_train
MENGGUNAKAN K NEIGHBOURS CLASSIFIER
UNTUK MELATIH DATA TRAINING

24. Setelah data di training, akan dilakukan perdiksi pada data testing
MEMPREDIKSI HASIL TARGET CLASS DARI
'X_TEST'

25. AKURASI

26. Target class yang telah diprediksi akan dibandingkan dengan target class
pada data testing 'y_test' sehingga didapat akurasinya yaitu sebesar 92.75%.
SKOR AKURASI

27. Pada model sebelumnya, digunakan nilai k sebesar 5. Nilai k tersebut akan coba
diganti dengan beberapa nilai yang berbeda untuk mengetahui apakah bisa
mendapatkan akurasi yang lebih tinggi. Percobaan pertama, nilai k dibuat
sama dengan 6 dan menghasilkan akurasi 93.75%.
MENGUBAH NILAI K

28. Membuat ulang model dengan nilai k = 7, berikut dapat dilihat bahwa skor
akurasi mengalami peningkatan menjadi 95.25%
MENGUBAH NILAI K

29. MENGUBAH NILAI K
Membuat ulang model dengan nilai k = 8, pada percobaan menggunakan nilai K=8
skor akurasi mengalami penurunan kembali menjadi sebesar 95%. Jadi untuk
perhitungan selanjutnya saya akan menggunakan model dengan nilai k=7

30. CONFUSION
MATRIX

31. Confusion matrix juga dibuat
menggunakan
confusion_matrix() dengan
parameter y_test dan
y_pred_7. Confusion matrix
digunakan untuk
mengetahui jumlah prediksi
yang benar dan salah pada
setiap kelas target.
CONFUSION MATRIX

32. VISUALISASI CONFUSION MATRIX

33. MENGHITUNG TP, FP, FN PERCLASS
a: class 0
b: class 1
c: class 2
d: class 3
Sebelum menghitung, kami mengasumsikan 4 class yang
bernilai 0 sampai 3 akan saya ubah menjadi huruf untuk
mempermudah.

34. TP dihitung dengan menjumlahkan nilai diagonal
utama dari confusion matrix.
TN dihitung dengan menjumlahkan semua elemen di
luar diagonal utama dari confusion matrix.
FP dihitung dengan menjumlahkan semua prediksi
positif dikurangi nilai TP untuk setiap kelas pada
confusion matrix.
FN dihitung dengan menjumlahkan semua prediksi
negatif dikurangi nilai TN untuk setiap kelas pada
confusion matrix.
Dalam kode tersebut, confusion matrix (cm) yang telah
dihitung sebelumnya digunakan untuk menghitung nilai
TP, TN, FP, dan FN.
Setelah dilakukan penghitungan, nilai TP, TN, FP, dan FN
ditampilkan menggunakan print().
MENGHITUNG TP, FP, FN PERCLASS

35. Hasil perhitungan yang didapat
TP : 95
FP : 3
FN : 0
Class a
TP : 87
FP : 5
FN : 5
Class b
TP : 89
FP : 6
FN : 10
Class c
TP : 110
FP : 5
FN : 4
Class d
MENGHITUNG TP, FP, FN PERCLASS

36. MENGHITUNG
PRECISION

37. MENGHITUNG PRECISION
Precision mengukur sejauh mana prediksi positif yang diberikan oleh model benar. Precision didefinisikan
sebagai rasio antara jumlah prediksi positif yang benar (true positive) dengan jumlah total prediksi positif
(true positive + false positive). Precision memberikan gambaran tentang seberapa akurat model dalam
mengklasifikasikan contoh sebagai positif.

38. MENGHITUNG RECALL
Recall (atau juga dikenal sebagai sensitivitas) mengukur sejauh mana model mampu mengklasifikasikan
contoh positif secara keseluruhan. Recall didefinisikan sebagai rasio antara jumlah prediksi positif yang
benar (true positive) dengan jumlah total contoh yang sebenarnya positif (true positive + false negative).
Recall memberikan gambaran tentang seberapa baik model dalam menemukan contoh-contoh positif
yang ada.

39. KESIMPULAN

40. Pada projek ini kami membuat model klasifikasi mobile price dengan
metode k Nearest Neighbour dengan nilai k=7 dan menghasilkan performa
yang baik dengan nilai akurasi sebesar 95.25%
Setelah membuat ulang model dengan nilai k yang berbeda, nilai k=5
sampai k=7 selalu menghasilkan peningkatan akurasi model, namun pada
nilai k=8 hasil akurasi model kembali menurun
Model dengan nilai k=7 menghasilkan akurasi yang paling tinggi dibanding
nilai k yang lainnya
Dari nilai confussion matrix, telah dihitung precission dan recall. precission
yang didapat sebesar 0.9521 atau 95.21% dan recal yang didapat sebesar
0.9523 atau 95.24%. Hal ini menunjukkan performa model yang dibuat
sudah cukup baik
1.
2.
3.
4.
KESIMPULAN

41. TERIMA KASIH