Prediksi Pembeli Sepeda menggunakan Microsoft Azure

TUGAS Prediksi Target Pembeli Sepeda Menggunakan Two-Class Logistic Regression dan Two-Class Averaged Perceptron di Microsoft AzureML

D i susun untuk memenuhi salah salah satu satu tugas mata mata kuli ah Pe P emode odelan dan dan Si S i mulasi dengan ng an D osen sen I r . B ambang Si S i swo swoyo M .Si .S i

Oleh : Nama/NIM

: Moh. Adli Akbar/ 10115047

Kelas

: MOSI-3

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA 2018

Langkah Langkah Penyelesaian di Microsoft AzureML Metode Two-Class Logistic Regression 1. Membuat experiment baru dan memberi nama experiment dengan “Sepedaku”. Dan drag experiment item seperti Import Data dan Select Coloum in Dataset .

2.  Import   datasheet ke pastebin.com kemudian mengubah formatnya kedalam format raw. Copy paste url raw pastebin ke Import Data (Azure)

3. Mengisi Select Coloumns in Dataset   dengan coloumn yang akan digunakan pada experiment .

4. Menambahkan item  Normalize Dat a ,Split Data,Train Model   dan Metode Two-Class  Logistic Regression.

5.  Normalize Data  dilakukan agar variable numerik dapat dinormalkan agar variable dependent dihilangkan. 6. Split Data dilakukan agar data dapat di split karena nantinya kami akan menambah Score  Model  dan masih membutuhkan data yang sama. 7. Kami menggunakan metode Two-Class Logistic Regression  agar dapat membandingkan hasil dari 2 metode, yaitu Metode “Two-Class Logistic Regression” dan “Two-Class Averaged Perceptron”.

8. Melakukan Run Pertama dan melihat apakah ada error yang terjadi pada experiment. Dengan klik kanan pada “Score Model” dan “Run Selected”. 9. Dan Dapat melihat hasil yang diperoleh dari Experiment dengan klik kanan pada “Train Model”.

10. Berikut hasil yang diperoleh :

Dari hasil diatas dapat diambil paham bahwa : Semakin banyak orang yang mempunyai mobil (Cars) semakin kecil kemungkinan membeli sepeda. Mereka yang tinggal lebih dari 10 miles kecil kemungkinannya membeli sepeda. Mereka yang mempunyai gaji (income) yang tinggi , besar kemungkinannya membeli sepeda. Dst. 

 



Cara membaca Feature Weights dapat dilihat dari –  atau + Weight dari suatu Feature. 11. Klik Kanan kembali di Score Model  untuk melihat persentasi

E-poch Berhenti

12. Tambahkan Evaluate Model dan Run program secara keseluruhan. 13. Klik kanan pada Evaluate Model .

14. Berikut hasil Evaluasi Model

Metode Two-Class Averaged Perceptron

1. Hapus Item Two-Class Logistic Regression. 2. Tambahkan Item Two-Class Averaged Perceptron dan Sambungkan dengan Train Model .

3. Kemudian Run Experiment,dan berikut hasil Evaluasi Model.

Hasil Berdasarkan kedua metode diatas dapat ditemukan bahwa : 1. Feature Weight

Averaged Perceptron

Logistic Regression

Dapat dilihat dari ke 2 gambar diatas bahwa feature weight   pada kedua metode berbeda, dan bobot paling tinggi juga berbeda pada tiap metode.

2. Hasil Evaluasi Model

Metode

Accuracy

Precision

Logistic Regression

0.640

0.659

Averaged Perceptron

0.663

0.699

Jadi dapat disimpulkan untuk experiment ini Averaged Perceptron mempunyai tingkat  Accuracy dan Precision yang sedikit lebih tinggi dibandingkan dengan Logistic Regression.

Datasheet yang digunakan dalam eksperimen : https://pastebin.com/raw/icH6f9cN