Description

Implementasi Klasifikasi Data Diabetes Indian Pima:

• Import Library yang akan diguanakan

• LOAD DATA -- Diabetes Indian Pima yang disimpan di variable data_frame

• Melihat Nama Atribut yang ada pada Datasetnya

• Melihat Korelasi antar atribut 

• Hasil Korelasi -→ setelahnya akan dilakukan feature selection

• FEATURE SELECTION-- Menghapus korelasi dibawah 0,2 yaitu pada atribut BloodPressure, SkinThickness, Insulin, DiabetesPedigreeFunction

• Hasil dari dataset yang telah melakukan Feature Selection 

• Split Data. Data dibagi menjadi data training dan data testing. Dimana data trainng adalah 80% dari jumlah data

• Data dibadi menjadi 2 tipe: 1) Data asli dari database (tanpa proses features selection) yang disimpan di variable x dan y . 2) data yang sudah dilakukan feature selection disimpan pada variable x_select dan y_select 

• MODEL 1-- Setelah itu akan dibuat model dengan pendekatan Machine Learning. Pada model 1, data yang diguankan adalah dataset asli yang belum dilakukan feature extraction

• Visualisasi hasil training Model 1

• MODEL 2 -- dibuat model dengan pendekatan Machine Learning, bedanya pada model 2 data yang diguankan adalah dataset yang sudah dilakukan feature extraction

• Visualisasi hasil training Model  2

• TESTING -- dilakukan testing data terhadap model 1 dan 2 yang telah dibanguan dengan menggunkan data uji yang telah disediakan yaitu 20% dari dataset.

• EVALUASI -- Model 1 memiliki akurasi sebesar 72%. Nilai Presisi 61%  (TP/TP+FP) dan Recall 64% (TP/TP+FN) dan F-Measuer 63% ((2*Presisi*Recall)/(Presisi+Recall))

Model 2 memiliki akurasi sebesar 66%. Nilai Presisi 64%  (TP/TP+FP) dan Recall 16% (TP/TP+FN) dan F-Measuer 26% ((2*Presisi*Recall)/(Presisi+Recall))