Machine Learning Project

Load Datasets

Unggah CSV, pilih target, lalu jalankan analisis.

Unggah Dataset

Format file yang didukung: CSV.

Tarik file ke sini atau pilih file File CSV · Maksimal sesuai konfigurasi server

Kolom target

Pilih kolom yang ingin diprediksi.

Dataset Tersedia

Riwayat dataset yang telah diproses pada aplikasi.

Progress Pipeline

Menunggu proses analisis. 0 / 13 tahap

Siap memulai analisis

Problem Definition

Dataset Understanding

EDA

Data Preprocessing

Classification

Ensemble Learning

Model Evaluation

Explainable ML

Causal Question

DAG

Causal Estimation

Interpretation

Recommendation

Hasil Analisis Data - Laporan Project

Dataset, Classification, Ensemble, Explainable ML, Causal Inference, Integrasi, Kesimpulan.

Pilih bagian artikel untuk melihat informasi dan insight kunci hasil analisis.

01. Exploratory Data Analysis (EDA)

Ringkasan ukuran, kualitas, tipe data, dan distribusi target sebelum pemodelan.

Jumlah Baris — Total observasi awal.

Jumlah Kolom — Seluruh kolom dataset.

Missing Value — Total sel kosong.

Data Duplikat — Baris identik.

Data Siap Train-Test — Baris valid sebelum split.

Dataset: — Target: — Fitur Numerik: — Fitur Kategorikal: — Status: Menunggu dataset

02. Data Preprocessing

Pemeriksaan dan transformasi data sebelum pembagian menjadi training dan testing.

Baris Awal — Sebelum preprocessing.

Baris Dikeluarkan — Baris yang tidak digunakan.

Data Siap Split — Baris valid untuk pembagian data.

Jumlah Fitur — Fitur input sebelum encoding.

Rincian Proses Preprocessing

Tahapan persiapan dan transformasi dataset

Preprocessing

Validasi Target Validitas kolom target dan label kelas

Menunggu hasil

Pemeriksaan Fitur Evaluasi fitur dan kolom yang tidak relevan

Menunggu hasil

Imputasi Missing Value Penanganan nilai yang kosong

Menunggu hasil

Encoding Kategori Konversi fitur kategorikal menjadi numerik

Menunggu hasil

Scaling Numerik Standardisasi fitur numerik jika diperlukan

Menunggu hasil

Ringkasan Preprocessing

Ringkasan perubahan data akan ditampilkan setelah informasi preprocessing tersedia.

03. Train-Test Split

Pembagian data valid menjadi data pelatihan dan pengujian untuk evaluasi model.

Rasio: 80:20 Random State: 42 Stratifikasi: —

Training — —

Data untuk melatih model.

Testing — —

Data untuk menguji model pada observasi baru.

Training Testing

Total data: —

Mengapa Rasio 80:20?

Sebanyak 80% data digunakan untuk melatih model, sedangkan 20% sisanya digunakan untuk menguji performa pada data yang belum pernah dilihat model.

Hasil pembagian aktual akan ditampilkan setelah proses split selesai.

1. Ringkasan Evaluasi

Ringkasan evaluasi akan ditampilkan setelah hasil klasifikasi tersedia.

Model terbaik ditentukan berdasarkan Macro F1.

2. Perbandingan Algoritma

Perbandingan algoritma menggunakan metrik evaluasi hasil pipeline.

Algoritma	Accuracy	Precision	Recall	Macro F1	Status
Belum ada hasil evaluasi.

3. Visualisasi Metrik

Grafik perbandingan Accuracy, Precision, Recall, dan Macro F1.

Grafik akan ditampilkan jika hasil klasifikasi tersedia.

4. Detail Analisis Klasifikasi

Analisis kesalahan prediksi, performa per kelas, dan ROC.

4.1 Confusion Matrix

Membandingkan kelas aktual dengan kelas hasil prediksi.

Confusion Matrix akan ditampilkan setelah hasil klasifikasi tersedia.

4.2 Classification Report

Menampilkan Precision, Recall, F1-score, dan Support per kelas.

Classification Report akan ditampilkan setelah klasifikasi selesai.

4.3 ROC Curve

Mengevaluasi kemampuan pemisahan kelas oleh model.

ROC Curve akan ditampilkan di sini.

4.4 Distribusi Target

Jumlah dan persentase data pada setiap kelas target.

Distribusi target akan ditampilkan di sini.

5. Interpretasi Hasil

Penjelasan hasil klasifikasi berdasarkan metrik evaluasi.

Interpretasi hasil analisis akan ditampilkan di sini setelah pipeline selesai.

Ensemble Learning

Menggabungkan beberapa model untuk hasil prediksi yang lebih stabil dan akurat.

Bagging

Melatih beberapa model menggunakan sampel bootstrap untuk mengurangi varians.

Contoh algoritma Random Forest

Boosting

Melatih model secara berurutan untuk memperbaiki kesalahan model sebelumnya.

Contoh algoritma AdaBoost, Gradient Boosting

Voting

Agregasi prediksi beberapa model melalui Hard Voting atau Soft Voting.

Strategi Hard / Soft Voting

Hasil Eksperimen Ensemble

ⓘ

Hasil eksperimen belum tersedia

Jalankan analisis dataset untuk melihat evaluasi model ensemble.

Model terbaik — Berdasarkan Macro F1

Accuracy — Akurasi data evaluasi

Macro F1 — Rata-rata F1 antar kelas

Jumlah model — Model yang diuji

Perbandingan Performa Model

Model	Accuracy	Precision	Recall	Macro F1
Belum ada hasil evaluasi model.

Analisis Performa

Grafik akan ditampilkan setelah hasil evaluasi tersedia.

Insight kunci: Ensemble tidak selalu menghasilkan performa lebih baik daripada model tunggal. Pemilihan model harus mempertimbangkan Macro F1 dan konsistensi pada data uji.

1. Explainable Machine Learning

SHAP (SHapley Additive exPlanations) mengukur kontribusi tiap fitur terhadap output prediksi berbasis Shapley values.

Konsep Dasar SHAP

f(x) = E[f(X)] + Σ φᵢ

f(x): Output prediksi observasi.

E[f(X)]: Baseline / Nilai dasar model.

φᵢ: Nilai SHAP fitur ke-i.

2. Global Explanation

2.1 Feature Importance

ⓘ

Menunggu hasil Feature Importance

Hasil Feature Importance belum tersedia.

2.2 SHAP Summary Plot

ⓘ

Hasil SHAP Summary Plot belum tersedia

SHAP Summary Plot akan ditampilkan di sini.

2.3 SHAP Dependence Plot

ⓘ

Hasil Dependence Plot belum tersedia

SHAP Dependence Plot akan ditampilkan di sini.

3. Local Explanation

Model yang dijelaskan —

Jumlah fitur —

Observasi dijelaskan —

3.1 SHAP Waterfall Plot

ⓘ

Hasil Waterfall Plot belum tersedia

SHAP Waterfall Plot akan ditampilkan di sini.

3.2 Ringkasan Kontribusi Fitur

Fitur	Ruang Lingkup	Mean Absolute Contribution	Metode
Belum ada nilai SHAP per fitur.

Insight kunci: SHAP membantu membedah kontribusi fitur pada prediksi model, namun kontribusi ini tidak otomatis membuktikan hubungan kausalitas.

Load Datasets

Unggah Dataset

Dataset Tersedia

Progress Pipeline

Hasil Analisis Data - Laporan Project

01. Exploratory Data Analysis (EDA)

02. Data Preprocessing

Rincian Proses Preprocessing

Ringkasan Preprocessing

03. Train-Test Split

Mengapa Rasio 80:20?

04. Preview Dataset

1. Ringkasan Evaluasi

2. Perbandingan Algoritma

3. Visualisasi Metrik

4. Detail Analisis Klasifikasi

4.1 Confusion Matrix

4.2 Classification Report

4.3 ROC Curve

4.4 Distribusi Target

5. Interpretasi Hasil

Ensemble Learning

Bagging

Boosting

Voting

Hasil Eksperimen Ensemble

Perbandingan Performa Model

Analisis Performa

1. Explainable Machine Learning

Konsep Dasar SHAP

2. Global Explanation

2.1 Feature Importance

2.2 SHAP Summary Plot

2.3 SHAP Dependence Plot

3. Local Explanation

3.1 SHAP Waterfall Plot

3.2 Ringkasan Kontribusi Fitur