RandomForest in Python

 RANDOM FOREST

Pada blog sebelumnya, kita sudah mempelajari tentang REGRESSION yang bisa dibaca disini. Saat kita memproses dataset, ada satu metode yang sering dipake yaitu RANDOM FOREST. Apa itu random forest? Daripada otak klean ngeleg, mending gua jelasin pake hal yang simpel dah.

RANDOM FOREST TU APA BANG?

Kalian kira ini pohon yang ditanem random gitu? Yak SALAH- Eh oke, jadi Random Forest itu metode machine learning yang isinya kumpulan decision tree. Jadi banyak "pohon" bikin prediksi, terus hasilnya di-voting buat ambil keputusan paling akurat.

GUNANYA APA BANG?

Gunanya itu buat kita pake untuk prediksi kategori (klasifikasi) dan prediksi angka (regression) dengan hasil yang cukup akurat.

CONTOH CODE NYA GMN TU BANG?

Nahh, ni gw kasi kodenya ni MAKDUARRRRR

#Klasifikasi kelayakan konsumsi untuk air.

from sklearn.model_selection import train_test_split as tts

from sklearn.linear_model import LogisticRegression

from sklearn.tree import DecisionTreeRegressor

from sklearn.ensemble import RandomForestClassifier

from sklearn.neighbors import KNeighborsClassifier

from sklearn.svm import SVC

x = df.drop(['Potability'],axis=True)

y = df['Potability']

x_train,x_test,y_train,y_test = tts(x,y,test_size=0.32, random_state = 50)

print(x.describe(),"\n","\n", y.describe())

RFC = RandomForestClassifier()

RFC.fit(x_train,y_train)

y_RFC = RFC.predict(x_test)

Acc_rfc= accuracy_score(y_RFC,y_test)

print( Acc_rfc)

print(classification_report(y_RFC,y_test))

cmr= confusion_matrix(y_test,y_RFC)

sns.heatmap(cmr/np.sum(cmr), annot= True, fmt= '0.2%', cmap= 'coolwarm')

#Prediksi apakah air layak minum dari beberapa parameter.

new_data = pd.DataFrame([{

    'ph': 9.445130,

    'Hardness': 145.805402,

    'Solids': 13168.529156,

    'Chloramines': 9.444471,

    'Sulfate': 310.583374,

    'Conductivity': 592.659021,

    'Organic_carbon': 8.606397,

    'Trihalomethanes': 77.577460,

    'Turbidity': 3.875165

}])

predicted = RFC.predict(new_data)

print("Potability:", predicted[0])  # 0 = tidak layak, 1 = layak

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

Ciao~ @GTx

TRAFFIC ORI MULTISOUND BUSSID V4.4

Ya halo cuy! Kembali lagi bersama gw di channel GTx. Kali ini gw mau share KODENAME TRAFFIC PERTAMA DI BUSSID V 4.4! MULTISOUND TRAFFIC ORI BUSSID V4.4

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, bisa cek di link video dibawah:

VIDEO REVIEW

Untuk link ada dibawah ini, WAJIB MENGGUNAKAN BUSSID v4.4
KODENAME TIDAK BERPASSWORD!!

DOWNLOAD DISINI: DOWNLOAD

SKIN TRAFFIC SAJA: DOWNLOAD

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