Skip to content
R

RUSBoost

Project ID: 85

Forum Analisis Statistik - RUSBoost

A. Instalasi Sistem

Untuk dapat menggunakan aplikasi FAST dengan modul analisis tertentu pada komputer, lakukan tahap-tahap berikut:

  1. Siapkan folder FAST.
  2. Buat folder baru di dalam folder analysis dalam FAST. ccc
  3. Masukkan file modul analisis yang akan diterapkan ke dalam FAST beserta file tampilannya. file
  4. Buka fast.Rproj pada folder aplikasi FAST dengan menggunakan RStudio. fastproj
  5. Buka file server.r pada folder aplikasi FAST. server
  6. Lakukan instalasi package yang dibutuhkan untuk menjalankan FAST dan juga untuk menjalankan modul aplikasi yang diterapkan. Package-package yang dibutuhkan di antaranya library(xts), library(plotly), library(shiny), library(knitr), library(R.utils), dan seterusnya. Lakukan instalasi package dengan mengetikkan code install.package(xts), install.package (plotly), dan seterusnya. ins
  7. Buka file ui.r pada folder aplikasi FAST. uir
  8. Jalankan file ui.r dengan mengklik tombol run. run
  9. Aplikasi FAST siap digunakan. fast

B. Petunjuk Penggunaan

Modul analisis klasifikasi dengan algoritme RUSBoost adalah teknik yang digunakan untuk melakukan analisis klasifikasi pada data yang tidak seimbang. Secara umum, data tidak seimbang adalah keadaan data saat ada satu kelas yang memiliki anggota jauh lebih sedikit dibanding kelas lainnya. Penggunaan teknik RUSBoost ditujukan agar performa dari model klasifikasi yang dibuat tidak overfit ke kelas dengan anggota yang lebih banyak (mayoritas). Dengan menggunakan aplikasi ini, pengguna dapat melihat ukuran-ukuran evaluasi performa dari analisis klasifikasi yang dilakukan. Cara penggunaan modul analisis RUSBoost pada FAST adalah sebagai berikut:

  1. Siapkan data yang akan dianalisis. Data yang dapat diolah berupa data numerik yang memiliki variabel kelas.
  2. Unggah data tersebut ke dalam aplikasi FAST melalui menu pada tab Data. Data
  3. Pilih menu Classify, kemudian pilih RUSBoost. pilih_alat_analisis
  4. Tentukan variabel penentu kelas (independen) dan variabel kelas (dependen). Pilih_variabel
  5. Hasil analisis dapat langsung dilihat. Berikut beberapa tampilan yang dihasilkan.

Jumlah data menurut kelasnya. sebaran_ecoli Hasil perhitungan confusion matrix dan berbagai nilai evaluasi klasifikasi. conf_ecoli_rus Kurva AUC dan skor AUC sebagai evaluasi performa klasifikasi. roc_vehicle_rus

Demikian adalah petunjuk penggunaan modul analisis klasifikasi dengan algoritme RUSBoost pada aplikasi FAST.