Description

🌸 Proyek Machine Learning: Iris Flower Classification

Proyek ini bertujuan untuk membangun model klasifikasi yang mampu mengidentifikasi spesies bunga Iris — Setosa, Versicolor, dan Virginica — berdasarkan fitur-fitur morfologis bunga seperti panjang dan lebar sepal (kelopak) dan petal (mahkota). Dataset ini merupakan salah satu dataset klasik dalam dunia Machine Learning yang ideal untuk eksperimen klasifikasi.

📁 Dataset

Sumber: Iris Dataset (tersedia di scikit-learn & Kaggle)

Jumlah data: 150 baris

Fitur:

sepal_length (cm)

sepal_width (cm)

petal_length (cm)

petal_width (cm)

Target: species (3 kelas)

📊 1. Exploratory Data Analysis (EDA)

EDA dilakukan untuk memahami pola distribusi data dan keterkaitan antar fitur.

🔍 Insight Visual:

Distribusi Petal: Petal length dan petal width memiliki perbedaan paling signifikan antar spesies.

Boxplot & Histogram: Menunjukkan bahwa Iris-setosa memiliki petal paling kecil, sedangkan Iris-virginica cenderung lebih besar.

Scatter Plot: Kombinasi petal width vs petal length menunjukkan pemisahan yang hampir sempurna antar kelas.

📌 Filtered Subset:

Dilakukan filtering data dengan sepal_length > 4 dan sepal_width > 3, menghasilkan subset berisi 67 baris untuk analisis tambahan.

Visualisasi:

🤖 2. Pemodelan & Pendekatan

Tiga algoritma Machine Learning digunakan untuk membandingkan performa klasifikasi:

📌 Konfigurasi:

MLP: 100 neuron, max_iter=500, ReLU + Adam optimizer

Decision Tree: Default dept

Naive Bayes: Mengasumsikan distribusi normal tiap fitur

📈 3. Evaluasi Model

Evaluasi dilakukan menggunakan metrik:

Accuracy

Precision

Recall

F1-score

Confusion Matrix

📷 Visualisasi:

Confusion matrix menunjukkan prediksi yang sangat presisi untuk ketiga model.

MLP dan Decision Tree tidak membuat kesalahan klasifikasi pada data uji.

Naive Bayes membuat sedikit kesalahan, terutama pada Versicolor vs Virginica.

🎯 Kesimpulan Proyek

Klasifikasi bunga Iris dapat dilakukan secara sangat akurat bahkan dengan dataset kecil.

MLP Classifier memberikan keseimbangan terbaik antara akurasi dan generalisasi.

Decision Tree bekerja sangat baik namun perlu waspada terhadap overfitting.

Naive Bayes merupakan alternatif ringan dengan performa kompetitif.

Proyek ini mencakup siklus lengkap data science: eksplorasi data, pemodelan, evaluasi, serta interpretasi hasil — menjadikannya fondasi kuat untuk membangun proyek klasifikasi skala lebih besar.

🛠️ Teknologi & Tools yang Digunakan

📎 Lampiran Visualisasi

1. Visualisasi Scatter & Boxplot