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
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