MULTISOUND TRAFFIC ORI V2 BY GTx

Ya halo cuy! Kembali lagi bersama gw di channel GTx. Kali ini gw mau share KODENAME MULTISOUND TRAFFIC ORI UPDATE V2 - BUSSID V4.3.4

Credit Kodename:

• Script Multisound: GTx ft. GaranganSumber
• Script Multihorn: GTx ft. Cemod Project
• Skin Traffic: GTx base AditOfficial62™ & Ndang Channel
• Biled: MQRDesign & RifqiDesign22
  
• Sound Traffic: Boru Jawa Channel, Mans Gaming, Cemod Project

Untuk review dan password, bisa cek di link video dibawah:

VIDEO REVIEW

Untuk link ada dibawah ini, WAJIB MENGGUNAKAN BUSSID v4.3.4
KODENAME BERPASSWORD!!

DOWNLOAD DISINI: DOWNLOAD

Regression in Phyton

Regression

Pada blog sebelumnya, kita udah belajar tentang "Inspect Dataset", bisa dibaca disini. Saat kita memproses dataset, ada satu metode yang sering dipake yaitu REGRESSION. Apa itu regression? Daripada otak klean ngeleg mending gw jelasin pake hal yang simpel dah. Regression itu sebenernya adalah suatu metode dalam phyton yang bisa digunakan buat mencari hubungan antara satu atau lebih variable dan bisa juga dipake buat memprediksi nilai dari variabel lain. Nah sekarang daripada lanjut mbachid mending kita langsung praktek aja sekalian gua jelasin cara, manfaat, dan kapan si regression ini bisa dipake.

1. Import Libraries

    Sebelum kita masuk ke regression, kita harus import libraries dulu. Libraries phyton tu kayak kotak alat yg siap pake tinggal lu buka terus JEBRET alat2 kunci ring pass dongkrak obeng ada semua disitu- TENTU SAJA ISINYA BUKAN KUNCI RING PASS SAMA DONGKRAK BENERAN DONG- Oke, jadi isinya apa? Isinya ya kayak kumpulan kode/fungsi yang udah dibuat orang lain buat ngerjain hal tertentu. Jadi lu gak usah ngoding dari nol. Misal, mau main data? Pake pandas/numpy. Mau buat grafik? Pake matplotlib, seaborn, dll. Cara pakenya gimana sih?

NIH GW KASI FOTONYA DUARRRRR

2. Cara Menggunakan Regression

    Regression yang paling gampang itu Linear Regression. Nah gimana sih cara pake linear regression? Nih langsung aja baca dibawah daripada mabok yekan.

3.  Manfaat Linear Regression

    NAH JADI Apa sih manfaat linear regression? BUANYAK!

• Prediksi nilai. Jadi kita bisa pake buat nebak nilai kira2 kalo si A dapet 10 si B dapet berapa?
• Mengerti hubungan dua variable. Jadi kita bisa tau apa si X ngaruh ke Y
• Sederhana dan cepat. Linear Regression itu simpel dan cepet, jadi gampang buat dipake dan gabikin programmer mabok duar duar.
• Dasar machine learning. Ini tuh salah satu langkah awal buat belajar programming engine dan model2 AI yang kompleks.
• Bantu buat ambil keputusan. YAP, ini bisa dipake buat klean2 ambil keputusan kira2 mau ngambil nilai berapa supaya dapet target sekian.

4. Kapan linear regression bisa dipake?

    Singkatnya, KAPANPUN KALIAN BUTUH! Dengan syarat, data yang digunakan harus merupakan data dengan angka yang valid, bukan angka NaN.

5. Hasilnya gimana sih?

Ini dia hasilnya:

Nah, dengan kode2 yang simpel aja, kalian bisa bikin ini. Nah yang diatas ini kodenya kayak gini: 

Yap! Kita pake pandas dan matplotlib disini buat munculin output grafik.

Nah jadi gitu. Udah kan? Boleh lah Subreknya wak😋

Ciao~ @GTx

Utilize Model for Prediction

Utilize Model for Prediction

Klean udah belajar linear regression. Nah sekarang model yang bakal dipakai adalah model untuk memprediksi, misalnya "A memiliki 100, maka B akan memiliki angka berapa?"

Oke, kita mulai satu2 ya ges ya

#Import Library

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.linear_model import LinearRegression

    Import library penting: pandas buat data, matplotlib & seaborn buat grafik, LinearRegression buat prediksi.

# Model

model = LinearRegression()

X = df[['Clothing']]

y = df['FoodAndBeverage']

model.fit(X, y)

 Ini bagian "latihan otak mesinnya":

• Lo bikin model kosong dulu (model = LinearRegression()).

• x itu input-nya: data belanja baju.

• y itu output-nya: data belanja makan/minum.

• model.fit() = suruh model belajar dari data itu.

# Prediksi

clothing_value = 100000

predicted_food_beverage = model.predict([[clothing_value]])

Prediksiin kalau orang belanja baju Rp100.000, berapa duit yang dipakai buat makan:

• Kasih nilai input (clothing_value).

• model.predict(...): hasil prediksi model.

• Outputnya: predicted_food_beverage, hasil prediksi berapa rupiah buat makan.

# Plotting (Visualization)

plt.figure(figsize=(10, 6))

sns.regplot(x='Clothing', y='FoodAndBeverage', data=df, scatter_kws={'s': 50}, line_kws={'color': 'orange'})

Ngeplot:

• Ukuran canvas: 10x6 inch.

• regplot: scatter plot + garis regresi.

• scatter_kws: ukuran titik.

• line_kws: warna garis regresinya → oranye biar cerah ga kayak Indonesia-

# Titik prediksi

plt.scatter(clothing_value, predicted_food_beverage, color='red', s=100, label=f'Predicted Point ({clothing_value}, {predicted_food_beverage[0]:.0f})')

Titik prediksinya pake dot merah (walau ga keliatan karena data nya) dan ada label supaya kalo kejadian kek gini ga keliatan dot merahnya, ada label yang nunjukin angkanya, dan angka nya jauh lebih akurat di label.

# Batas tampilan

plt.xlim(0, 40000)  # Biar fokus ke data asli

plt.ylim(20000, 80000)

Titik prediksinya pake dot merah (walau ga keliatan karena data nya) dan ada label supaya kalo kejadian kek gini ga keliatan dot merahnya, ada label yang nunjukin angkanya, dan angka nya jauh lebih akurat di label.

# Judul dan label

plt.title('Clothing vs Food & Beverage', fontsize=14)

plt.xlabel('Clothing', fontsize=12)

plt.ylabel('Food and Beverage', fontsize=12)

plt.legend()

plt.grid(True)

plt.tight_layout()

plt.show()

Ini sentuhan terakhirnya. Judul, Label Sumbu, Legenda buat tau mana titik prediksi, grid biar gampang dibaca, tight_layout() biar elemen grafik ga tabrakan, plt.show() buat nampilin semua yang udah kita bikin tadi. 

Nah jadi gitu. Udah kan? Boleh lah Subreknya wak😋

Ciao~

@GTx

How to Inspect Dataset in Jupyter Notebook

INSPECTING DATASET in Jupyter Notebook

Setelah kemarin kita sudah belajar PANDAS dan gimana cara Load Dataset (Baca disini ges), Sekarang kita bakal INSPECTING DATASET yang udah kita proses, buar mastiin kalo kualitas data kita sesuai nih sama standar yang kita mau. Ada beberapa cara yang cukup penting buat meng-observasi dan ngukur kualitas data yang kita punya, contohnya df.head() dan df.info.

NAH, APA AJA YANG BAKAL KITA BAHAS?

• Describe
• Info
• Missing Value
• Render Histogram for Frequency
• Render Scatter for Relationship (tenang ini bukan scatter nya judol)
• Render Pie for Distribution

Oke, sekarang kita masuk ke DESCRIBE

Apa itu describe? Kalo kodenya, sesimpel df.describe(). Nah, df.describe ini buat apa? df.describe() itu kayak quick review atau tes kesehatan buat data numerik lupada. Dengan command ini, lupada bisa dapetin statistik deskriptif penting, kayak: 

• Count: Jumlah nilai non-null di kolom
• Mean: Rata-rata
• Std: Standar deviasi (sebarnya, variabilitas data) 
• Min: Nilai terendah 
• 25%: Kuartil pertama (persentil ke-25)
• 50%: Median (persentil ke-50)
• 75%: Kuartil ketiga (persentil ke-75)
• Max: Nilai tertinggi

Nah, dari statistik-statistik itu, kita juga bisa ngecek apakah datanya sehat atau enggak.
Misalnya nih, kalau ada angka yang gak masuk akal, atau error — bakal langsung ketauan!

Kita masuk ke yang ke-dua, INFO (df.info) !

Info tuh apa sih? Oke, df.info() itu semacam summary atau CV dari dataset lo. Jadi lo bisa tau struktur data lo secara cepat, kayak siapa- eh maksudnya apa aja yang ada di dalam dataset. Hasil dari df.info() biasanya ngasih tau:

• Jumlah baris dan kolom (shape)
• Nama kolom
• Tipe data masing-masing kolom (numerik, string, dll)
• Jumlah data non-null di tiap kolom (jadi bisa tau ada yang missing atau nggak)

Biasanya, outputnya kayak gini:

Dengan df.info(), lo bisa langsung ngecek kualitas data dan tau bagian mana yang perlu dibenerin, misalnya kolom yang banyak missing atau tipe data yang salah.

Oke, selanjutnya, Handling Missing Value, kita pake cara yang paling gampang,  yaitu menggunakan Mean (Rata-Rata)

Handling missing value tuh buat apa sih? Jadi, handling missing value itu buat ngerapihin data2 yang hilang atau NaN supaya ga ganggu analisis lupada. Nah cara paling gampang itu pake Mean atau Rata2. Caranya gimana?

Nih, langsung aja gw kasih kodenya daripada lu mabok. APA MANTRANYA?
JEDER MODYAR KOWE OAWKAOAOKAWK

Kenapa kita pake mean?

Soalnya mean itu bakal ngasih angka yang ga jauh dari nilai lain, jadi datanya stabil, statistiknya jadi ga dangdut.

Lanjut, RENDER HISTOGRAM!

Render Histogram itu intinya lo lagi bikin visualisasi distribusi data numerik dalam bentuk grafik batang (bar chart) yang nunjukkin frekuensi atau seberapa banyak nilai dalam rentang tertentu.

Contohnya gimana banh 👆🏻🤓

Nih gw kasih contohnya JEDER MODYAR MANING KOWE AOWKAOKOAWWOKA

Sekarang, SCATTER!

Scatter tuh apa? Tenang ini bukan scatter yang di Judol. Scatter itu lupada ngebuat scatter plot (Plot Titik2) buat liat hubungan antar variabel numerik.

Contohnya gimana banh 👆🏻🤓

Nih gw kasih contohnya JEDER DUARRRRRRRRRRRR

Kok keliatannya simpel banh? Kayanya gua pernah liat yang ribet, ada ga? ADA DONG! Nih, mumet mumet dah awoakowka:

(Ini ga di share ya wkwkwkwk)

Nah, udah kan? Terakhir, sekarang kita bakal bahas RENDER PIE!

Apa itu render pie? Ngga ini bukan kue beneran, tapi kayak diagram yang bentuknya kayak kue pie- lebih kayak pizza sih tapi oke lah- Balik lagi, Render pie itu artinya lo bikin diagram lingkaran (a.k.a. pie chart) buat nunjukin distribusi proporsi kategori dalam satu kolom. Bentuknya gimana sih? NIH GW KASIH JEDER DUARRRRRR AWOAOKOAWK

Nahh, jadi gitu cuy cara inspecting dataset. Kode2nya gimana banh? Nih gua kasih satu2. Tiap Code Bar dipisahin pake tulisan #Tulisan warna biru. Ikutin aja urutannya kayak dibawah. KODE DIBAWAH SUDAH DISINKRONKAN, TIDAK SAMA PERSIS DENGAN CONTOH DIATAS.

# IMPORT DATASET

import pandas as pd

# Mount GDrive

from google.colab import drive

drive.mount('/content/drive')

#Get Dataset

df = pd.read_csv('/content/drive/MyDrive/FUNCODING/Rainfall_India.csv',delimiter=",", header=0)

#Tampilkan Dataset

#print(df)

df.head(100)

#df.head(1)

#Fix the column title

new_column_names = ['STATE_UT_NAME', 'DISTRICT'] + list(df.columns[2:])

df.columns = new_column_names

print(df)

#Describe

df.describe()

#Info

df.info()

#Handling Missing Value Using Mean

fill_by_mean = df['FEB'].fillna(df['FEB'].mean())

print (fill_by_mean)

#Render Histogram

#Histogram

import matplotlib.pyplot as plt

plt.hist(df['MAY'], bins=10, edgecolor='black')

plt.title('Distribusi Skor Klub')

plt.xlabel('May')

plt.ylabel('Frekuensi')

plt.show()

# Render Scatter

#Scatter

x1 = df['JAN']

y1 = df['FEB']

plt.scatter(x1, y1, label="JAN vs FEB")

plt.xlabel('JAN')

plt.ylabel('FEB')

plt.title('Scatter Plot of JAN vs. FEB')

plt.show()

# RENDER PIE

import matplotlib.pyplot as plt

display(df.JAN.value_counts().to_frame())

ax = df.JAN.value_counts().plot(kind='pie', figsize=(8, 8), autopct='%1.1f%%', startangle=90, shadow=True, fontsize=16)

ax.set_ylabel('')

ax.set_title('JAN Distribution')

plt.show()

Nahh jadi itu dia cuy gimana cara inspect dataset di Jupyter Notebook, gimana liat data yang udah dicek kualitasnya, dll.

Ciao ngwehehehe~

~GTx

SUBREK OAWKOAKW

How to use Pandas on Jupyter Notebook

 PANDAS on Jupyter Notebook

Apa itu pandas di jupyter- Dan apa itu jupyter??

Oke satu2, pandas. Apa itu pandas? Ngga ini bukan panda, beruang hitam putih gembrot itu.

Pandas adalah library Python yang dipake di Jupyter Notebook buat ngolah data.

Ibaratnya lo punya Excel, tapi versi sadboy-nya anak coding — bisa dipake ngurut data, bersihin data, bahkan ngitung statistik rumit sambil ngopi MOHAHAHAAH.

Sekarang, apa itu jupyter? Tentu aja ini bukan Planet Jupiter apalagi Jupiter MX (Daripada Jupiter MX mending Kaze ZX130 CBU wenak pol wak)

Jupyter Notebook itu tempat lo ngoding Python sambil langsung liat hasilnya. Jadi, lo nulis kode, terus hasilnya nongol di bawahnya kayak magic ✨. Bisa nulis kode, penjelasan, grafik, dan gambar semua dalam satu tempat. Keren banget buat belajar data science atau ngejain tugas ngoding.

Sederhananya:
Jupyter = ngoding sambil lihat hasil, kayak cheat code tapi buat belajar.

Nah balik lagi ke pandas. Pandas itu dipake kayak gimana? Nah, sesuai definisinya, pandas itu dipake untuk ngolah data. Data itu kita ambil dari mana?

1. Prepare Dataset

Pertama, siapin dataset nya. Dataset ini harus berekstensi .csv- LHO JANGAN .exe ANDA MAU LOAD DATA BUKAN INSTALL APLIKASI- oke balik ke topik. Kalo udah ada, upload ke folder di gdrive, dan pastiin lu inget akun nya, karena kita butuh itu.

2. Buat Notebook baru di google colab

Kalo udah, buka colab.research.google.com

3. Load dataset

Buat kode kayak gitu, terus ikutin aja foto dibawah ini deh daripada lupada mabok yekan.

Inilah kenapa kalian harus inget di akun mana kalian save csv tadi:

Terus, pencet lanjutkan (Biasanya abis ini ada 1 lagi lanjutkan aja terus sampe google berenti ngeyel dibilang aman aman bacod emg google ni), terus nanti otomatis kalian bakal balik ke notebook tadi.

Hasilnya kaya gimana banh? 👆🏻🤓

Nih hasilnya JEDER MODYAR KOWE

TADAA! Kitab berhasil load dataset pake pandas. Ya sesuai dengan definisi jupyter, kalian bisa load kode kalian langsung, ga kayak VSCode.

Nah tapi mungkin kalian bertanya2, "Ini bisa dipake buat apa? Kalo munculin data doang, pake excel juga bisa dong?"

GUD QUESEN- eh maksudnya Pertanyaan Bagus!

Nah setelah kita berhasil load data, ini bisa dipakai untuk bikin diagram data.
Contohnya gimana banh? 👆🏻🤓

Nih contohnya JEDER MODYAR MANING KOE

Codenya gimana banh  👆🏻🤓

Nih gw copas DUARRRRRRRRR

#Step 1 (Buat Code Bar Baru)

import pandas as pd
# Mount GDrive
from google.colab import drive
drive.mount('/content/drive')

# Get Dataset
df = pd.read_csv('/content/drive/MyDrive/FUNCODING/us-retail-sales.csv',
delimiter=",")

# Tampilkan dataframe
df.head(100) 

#Step 2 (Buat CodeBar Baru Lagi)

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression

# Model
model = LinearRegression()
X = df[['Clothing']]
y = df['FoodAndBeverage']
model.fit(X, y)

# Prediksi
clothing_value = 100000
predicted_food_beverage = model.predict([[clothing_value]])

# Plotting
plt.figure(figsize=(10, 6))
sns.regplot(x='Clothing', y='FoodAndBeverage', data=df, scatter_kws={'s':
50}, line_kws={'color': 'orange'})

# Titik prediksi
plt.scatter(clothing_value, predicted_food_beverage, color='red', s=100,
label=f'Predicted Point ({clothing_value}, {predicted_food_beverage[0]:.0f})')

# Batas tampilan
plt.xlim(0, 40000)  # Biar fokus ke data asli
plt.ylim(20000, 80000)

# Judul dan label
plt.title('Clothing vs Food & Beverage', fontsize=14)
plt.xlabel('Clothing', fontsize=12)
plt.ylabel('Food and Beverage', fontsize=12)
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

NAHH JADII Itu dia apa itu pandas, apa itu jupyter, dan gimana cara load dataset pake pandas, dan gimana penerapannya.

Ciao ngwehehehe~

~GTx

BELAJAR INSPECT DATASET

SUBREK