Pengujian Percobaan Metode Klasifikasi Menggunakan Program WEKA

Pada kesempatan kali ini saya mau membahas tentang Percobaan Metode Klasifikasi Menggunakan Program WEKA . Cekidotttt…
Apa itu WEKA?  Weka adalah aplikasi data mining open source berbasis java. Aplikasi ini dikembangkan pertama kali oleh Universitas Waikato di Selandia Baru sebelum menjadi bagian dari Pentaho. Weka terdiri dari koleksi algoritma machine learning yang dapat digunakan untuk melakukan generalisasi / formulasi dari sekumpulan data sampling. Walaupun kekuatan Weka terletak pada algoritma yang makin lengkap dan canggih, kesuksesan data mining tetap terletak pada faktor pengetahuan manusia implementornya. Tugas pengumpulan data yang berkualitas tinggi dan pengetahuan pemodelan dan penggunaan algoritma yang tepat diperlukan untuk menjamin keakuratan formulasi yang diharapkan.


Yang mau nyobain aplikasinya bisa download langsung di web officialnya karena aplikasi ini open source (GRATIS), disini gan

Data yang kami ambil untuk percobaan metode klasifikasi program weka, klik gan

Hasil Laporan :

Energy efficiency

Disusun oleh :
1.    1503015054    Fery Orlan
2.    1503015138    Syukron Fajri Afiatanto



Deskripsi Permasalahan 
     Karena banyaknya penggunaan energi yang dipakai saat ini, kami melakukan analisis energi menggunakan 12 bentuk objek yang berbeda disimulasikan dalam Ecotect. Objek ini berbeda dengan area kaca, distribusi wilayah kaca, dan orientasi, antara parameter lainnya. Kami mensimulasikan berbagai pengaturan sebagai fungsi dari karakteristik sungai tersebut untuk mendapatkan 768 bentuk bangunan. Dataset terdiri 768 sampel dan 8 fitur, yang bertujuan untuk memprediksi dua tanggapan yang dihargai. Hal ini juga dapat digunakan sebagai masalah klasifikasi multi-kelas jika respon dibulatkan ke integer terdekat.

Deskripsi attribut

·         @attribut, X1(Relative Compactness), nominal, 
(0.62, 0.64, 0.66, 0.69, 0.71, 0.72, 0.74, 0.76, 0.79, 0.82, 0.86, 0.90, 0.98).
keterangan : berapa kemungkinan kepadatan relatif?

·         @attribut, X2(Surface Area), nominal,
(512.50, 514.50, 563.50, 588, 612.50, 637, 661.50, 686, 710.50, 735, 759.50, 784, 808.50).
keterangan : berapa kemungkinan luas permukaan?

·         @attribut, X3(Wall Area), nominal, 
(245, 269.5, 294, 318.5, 343, 367.5, 416.5,).
keterangan : berapa luas dinding yang dibutuhkan untuk menampung energi?

·         @attribut, X4(Roof Area), nominal, 
(110.25, 122.50, 147, 220.50).
keterangan :berapa luas atap yang dibutuhkan untuk menutup energi?

·         @attribut, X5(Overall Height), nominal,
(3.5, 7).
keterangan : berapa tinggi keseluruhan?

·         @attribut, X6(Orientation), nominal, 
(2, 3, 4, 5).
keterangan : berapa kemungkinan arah perubahan akibat suatu energi?

·         @attribut, X7(Glazing Area), nominal, 
(0, 0.10, 0.25, 0.40).
keterangan : berapa kemungkinan ketebalan yang dibutuhkan untuk menampung energi?

·         @attribut, X8(Glazing Area Distribution), nominal,
(0, 1, 2, 3, 4, 5).
keterangan : berapa kemungkinan menyalurkan energi?



Hasil Eksperimen
No. Eksperimen
Metode Classifier
Metode Evaluasi
F-Measure rata-rata
1
Decision Stump
Cross-validation 10
0,495
2
Hoeffding Tree
Cross-validation 10
0,477
3
Random Forest
Percentage Split 20%
0,411




Kesimpulan

     Dari eksperimen yang sudah diujicobakan, metode classifier yang lebih baik diantara ketiga metode yang kami lakukan adalah metode Decision Stump dengan metode evaluasi Cross-validation 10 dan dengan hasil F-measure rata-rata 0,495.



Data dari pengujian dengan program WEKA
  • Metode Classifier Decision Stump dengan Metode Evaluasi Cross-Validation 10 


  • Metode Classifier Hoeffding Tree dengan Metode Evaluasi Cross-Validation 10



  •  Metode Classifier Hoeffding Tree dengan Metode Evaluasi Cross-Validation 10

Sumber referensi :

  • http://www.erdisusanto.com/2012/06/data-mining-menggunakan-weka.html
  • https://archive.ics.uci.edu/ml/datasets/Energy+efficiency
  • http://stackoverflow.com/questions/10341701/convert-csv-to-arff-using-weka

Related Posts: