TUGAS

Prediksi Target Pembeli Sepeda Menggunakan Two-Class Logistic Regression

dan Two-Class Averaged Perceptron di Microsoft AzureML

Disusun untuk memenuhi salah satu tugas mata kuliah Pemodelan dan Simulasi dengan
Dosen Ir. Bambang Siswoyo M.Si

Oleh :

Nama/NIM : Moh. Adli Akbar/ 10115047

Kelas : MOSI-3

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA
2018
Langkah Langkah Penyelesaian di Microsoft AzureML
Metode Two-Class Logistic Regression

1. Membuat experiment baru dan memberi nama experiment dengan “Sepedaku”. Dan drag
experiment item seperti Import Data dan Select Coloum in Dataset.

2. Import datasheet ke pastebin.com kemudian mengubah formatnya kedalam format raw.

Copy paste url raw pastebin ke Import Data (Azure)

3. Mengisi Select Coloumns in Dataset dengan coloumn yang akan digunakan pada
experiment.

4. Menambahkan item Normalize Data,Split Data,Train Model dan Metode Two-Class

Logistic Regression.
5. Normalize Data dilakukan agar variable numerik dapat dinormalkan agar variable
dependent dihilangkan.
6. Split Data dilakukan agar data dapat di split karena nantinya kami akan menambah Score
Model dan masih membutuhkan data yang sama.
7. Kami menggunakan metode Two-Class Logistic Regression agar dapat membandingkan
hasil dari 2 metode, yaitu Metode “Two-Class Logistic Regression” dan “Two-Class
Averaged Perceptron”.

8. Melakukan Run Pertama dan melihat apakah ada error yang terjadi pada experiment.
Dengan klik kanan pada “Score Model” dan “Run Selected”.

9. Dan Dapat melihat hasil yang diperoleh dari Experiment dengan klik kanan pada “Train
Model”.
10. Berikut hasil yang diperoleh :

Dari hasil diatas dapat diambil paham bahwa :

 Semakin banyak orang yang mempunyai mobil (Cars) semakin kecil
kemungkinan membeli sepeda.
 Mereka yang tinggal lebih dari 10 miles kecil kemungkinannya membeli sepeda.
 Mereka yang mempunyai gaji (income) yang tinggi , besar kemungkinannya
membeli sepeda.
 Dst.
Cara membaca Feature Weights dapat dilihat dari – atau + Weight dari suatu Feature.
11. Klik Kanan kembali di Score Model untuk melihat persentasi
 E-poch Berhenti

12. Tambahkan Evaluate Model dan Run program secara keseluruhan.

13. Klik kanan pada Evaluate Model.
 14. Berikut hasil Evaluasi Model

Metode Two-Class Averaged Perceptron

1. Hapus Item Two-Class Logistic Regression.
2. Tambahkan Item Two-Class Averaged Perceptron dan Sambungkan dengan Train Model.

3. Kemudian Run Experiment,dan berikut hasil Evaluasi Model.

Hasil
Berdasarkan kedua metode diatas dapat ditemukan bahwa :

1. Feature Weight

Averaged Perceptron Logistic Regression

Dapat dilihat dari ke 2 gambar diatas bahwa feature weight pada kedua metode berbeda,
dan bobot paling tinggi juga berbeda pada tiap metode.
2. Hasil Evaluasi Model

Metode Accuracy Precision

Logistic Regression 0.640 0.659

Averaged Perceptron 0.663 0.699

Jadi dapat disimpulkan untuk experiment ini Averaged Perceptron mempunyai tingkat Accuracy
dan Precision yang sedikit lebih tinggi dibandingkan dengan Logistic Regression.

Datasheet yang digunakan dalam eksperimen : https://pastebin.com/raw/icH6f9cN