Ppt Final Project Data Mining Aprilia Ardiriani
•
0 likes•78 views
Pada penelitian ini ingin didapatkan metode pengklasifikasian yang terbaik berdasarkan ketepatan nilai akurasi dari setiap metode klasifikasi yang digunakan. Sebelumnya akan dilakukan preprocessing pada data, feature selection, serta eksplorasi pada data untuk mendeskripsikan karakteristik dari data yang digunakan dalam penelitian ini.
Recommended
More Related Content
Recently uploaded
Recently uploaded (6)
Featured
Featured (20)
Ppt Final Project Data Mining Aprilia Ardiriani
- 1. Perbandingan Klasifikasi pada Kasus Terjadinya Cylinder Band Pada Percetakan Rotogravure dengan Menggunakan Metode Klasifikasi Decision Tree, Naive Bayes, Random Forest, Gradient Boosting, SVM, dan Adaptive Boosting Dosen : Novri Suhermi, S.Si., M.Sc. Oleh: Aprilia Ardiriani 06211540000012
- 4. Pendahuluan Percetakan Rotogravure 4 Metode terbaik dengan Ketepatan Akurasi Tinggi Klasifikasi Pada Proses Percetakan
- 6. Sumber Data 6 Data sekunder yang diambil dari website https://archive.ics.uci.edu/ml/datasets/Cylinder+ Bands dengan judul “Cylinder Bands Data Set” dan diakses pada tanggal 3 Desember 2018. - Terdapat 521 observasi mengenai kasus penundaan proses yang dikenal dengan cylinder band pada percetakan rotogravure. - 39 variabel independen dan 1 variabel dependen yaitu band type
- 7. Variabel Penelitian 7 Variabel Deskripsi Jenis Data Timestamp Mesin stempel waktu pada percetakan rotogravure Kontinyu Cylinder number Nomor silinder yang digunakan untuk mencetak Kategorik Customer Nama pelanggan Kategorik Job number Nomor pengerjaan pencetakan Kategorik Grain screened Pelapis silinder Kategorik Ink color Warna tinta Kategorik Proof on ctd ink Metode pencocokan tinta Kategorik Blade mfg Mesin blade Kategorik Cylinder division Bagian silinder Kategorik Paper type Jenis kertas untuk pencetakan Kategorik Ink type Jenis tinta Kategorik Direct Steam Proses uap Kategorik Solvent type Jenis pelarut Kategorik
- 8. Variabel Penelitian 8 Variabel Deskripsi Jenis Data Type on cylinder Jenis silinder isi ulang atau tidak Kategorik Press type Jenis tekanan pada pencetakan Kategorik Press Ukuran tekanan pada pencetakan Kategorik Unit number Nomor unit Kategorik Cylinder size Ukuran silinder Kategorik Paper mill location Lokasi pabrik kertas Kategorik Plating tank Tangki plating Kategorik Proof cut Ukuran pemotongan silinder Kontinyu Viscosity Viskositas Kontinyu Caliper Kelengkungan silinder Kontinyu Ink temperature Suhu tinta Kontinyu Humifity Kelembaban Kontinyu Roughness Ukuran kekasaran silinder Kontinyu
- 9. Variabel Penelitian 9 Variabel Deskripsi Jenis Data Blade pressure Tekanan blade Kontinyu Varnish pct Ukuran pelapisan Kontinyu Press speed Kecepatan pada proses penekanan lembaran Kontinyu Ink pct Ketebalan tinta Kontinyu Solvent pct Ukuran pelarut yang digunakan Kontinyu ESA voltage Tegangan sistem pengapian ESA Kontinyu ESA amperage Arus sistem pengapian ESA Kontinyu Wax Ketebalan lapisan lilin Kontinyu Hardener Ukuran pengeras pada cetakan Kontinyu Roller Durometer Kedalaman lekukan dalam materi yang dibuat Kontinyu Current Density Kepadatan arus pada materi yang dibuat Kontinyu Anode space ratio Rasio ruang anoda Kontinyu Chrome content Konten pada chrome Kontinyu Band type 0 : Band 1 : Noband Proses penundaan pada silinder Kategorik
- 10. LANGKAH ANALISIS 10 • Eksplorasi pada variabel kategorik • Eksplorasi pada variabel kontinyu • Menggunakan metode tree based model selection • Mendeteksi outlier dan mengatasinya • Mendeteksi missing value dan mengatasinya
- 13. 13 PREPROCESSING DATA Dilakukan penghapusan pada 4 variabel prediktor yaitu timestamp, customer, job number, dan cylinder number Data menjadi terdiri dari 519 observasi Terdapat 2 observasi yang outlier sehingga dilakukan penghapusan Data menjadi terdiri dari 519 observasi dengan 36 variabel. • 35 variabel independen • 1 variabel dependen
- 14. 14 PREPROCESSING DATA Variabel Jumlah Missing Value Grain screened 48 Ink color 0 Proof ink 56 Blade mfg 59 Cylinder division 0 Paper type 0 Ink type 0 Direct steam 24 Solvent type 54 Type on cylinder 18 Press type 0 Press 0 Unit number 0 Cylinder size 3 PML 155 Plating tank 18 Proof cut 54 Viscosity 5 Jumlah Missing Value Caliper 27 Ink temperature 2 Humifity 1 Roughness 30 Blade pressure 63 Varnish pct 55 Press speed 10 Ink pct 55 Solvent pct 55 ESA voltage 56 ESA amperage 54 Wax 6 Hardener 7 Roller durometer 54 Current density 7 Anode sr 7 Chrome content 3 Band type 0
- 16. 16 PREPROCESSING DATA Setelah Proses Imputasi Missing Value
- 17. 17 PREPROCESSING DATA Pelabelan pada variabel kategorik dengan menggunakan Label Encoder
- 18. 18 FEATURE SELECTION Variabel Nilai Kontribusi Press 0,052760 Solvent pct 0,050422 Viscosity 0,048753 Press type 0,046480 Grain screened 0,045458 Proof cut 0,045285 Varnish pct 0,043779 Press speed 0,041058 Ink pct 0,038279 Blade pressure 0,037775 Variabel Nilai Kontribusi Roller durometer 0,037037 Hardener 0,036936 Humifity 0,036488 Unit number 0,034526 Roughness 0,033197 Ink temperature 0,033083 Anode sr 0,032703 Wax 0,032688 Caliper 0,032656 ESA voltage 0,032289
- 19. Place your screenshot here 19 EKSPLORASI DATA Kategorik 0 : band Kategorik 1 : noband
- 20. Place your screenshot here 20 EKSPLORASI DATA Kategorik 0 : no Kategorik 1 : yes
- 21. Place your screenshot here 21 EKSPLORASI DATA Kategorik 0 : Albert70 Kategorik 1 : Motter70 Kategorik 2 : Motter94 Kategorik 3 : WoodHoe70
- 22. Place your screenshot here 22 EKSPLORASI DATA Garin screened Kategorik 0 : no Kategorik 1 : yes
- 23. Place your screenshot here 23 EKSPLORASI DATA Press type Kategorik 0 : Albert70 Kategorik 1 : Motter70 Kategorik 2 : Motter94 Kategorik 3 : WoodHoe70
- 24. Place your screenshot here 24 EKSPLORASI DATA
- 25. 25 KLASIFIKASI MENGGUNAKAN DESICION TREE Metode Nilai Akurasi Hold Out 0,7593 Hyperparameter Tunning 0,7222 Cross Validation 0,7555 Pada model klasifikasi desicion tree nilai akurasi paling tinggi didapatkan pada metode hold out sebesar 75,93%.
- 26. 26 KLASIFIKASI MENGGUNAKAN NAIVE BAYES Pada model klasifikasi naive bayes nilai akurasi paling tinggi didapatkan pada metode cross validation sebesar 70,30%. Metode Nilai Akurasi Hold Out 0,694 Cross Validation 0,703
- 27. 27 KLASIFIKASI MENGGUNAKAN RANDOM FOREST Pada model klasifikasi random forest nilai akurasi paling tinggi didapatkan pada metode hold out dan hyperparameter tunning sebesar 80,56%. Metode Nilai Akurasi Hold Out 0,8056 Hyperparameter Tunning 0,8056 Cross Validation 0,7037
- 28. 28 KLASIFIKASI MENGGUNAKAN GRADIENT BOOSTING Pada model klasifikasi gradient boosting nilai akurasi paling tinggi didapatkan pada metode hold out sebesar 85,18%. Metode Nilai Akurasi Hold Out 0,8518 Hyperparameter Tunning 0,8426 Cross Validation 0,7851
- 29. 29 KLASIFIKASI MENGGUNAKAN SVM Pada model klasifikasi support vector machine nilai akurasi paling tinggi didapatkan pada metode hold out sebesar 73,15%. Metode Nilai Akurasi Hold Out 0,7315 Cross Validation 0,7037
- 30. 30 KLASIFIKASI MENGGUNAKAN ADAPTIVE BOOSTING Pada model klasifikasi adaptive boosting nilai akurasi paling tinggi didapatkan pada metode hold out dan hyperparameter tunning sebesar 78,70%. Metode Nilai Akurasi Hold Out 0,7870 Hyperparameter Tunning 0,7870 Cross Validation 0,7778
- 31. Place your screenshot here 31 KESIMPULAN 1. Dengan menggunakan klasifikasi decision tree nilai akurasi paling tinggi adalah pada metode hold out 2. Dengan menggunakan klasifikasi naive bayes nilai akurasi paling tinggi adalah pada metode cross validation 3. Dengan menggunakan klasifikasi random forest nilai akurasi paling tinggi adalah pada metode hold out dan hyperparameter tunning 4. Dengan menggunakan klasifikasi gradien boosting nilai akurasi paling tinggi adalah pada metode hold out 5. Dengan menggunakan klasifikasi SVM nilai akurasi paling tinggi adalah pada metode hold out 6. Dengan menggunakan klasifikasi adaptive boosting nilai akurasi paling tinggi adalah pada metode hold out dan hyperparameter tunning 7. Secara keseluruhan yaitu pada 6 model klasifikasi yang digunakan pada penelitian ini model yang terbaik terbaik adalah model gradient boosting serta metode yang paling banyak menghasilkan nilai akurasi yang tinggi adalah metode hod out.
- 32. 32 SARAN Saran yang dapat dilakukan untuk penelitian selanjutnya yaitu dengan mencoba jenis feature selection yang lain serta melakukan feature extraction sehingga pada saat klasifikasi dapat menghasilkan ketepatan nilai akurasi yang lebih tinggi dai penelitian ini.
- 33. 33 Thanks!