BUSINESS INTELLIGENCE DENGAN METODE

ESTIMASI : ALGORITMA LINEAR REGRESSION

Disusun oleh :

Nama : Muhammad Zein Al Azka

NIM : 202053069

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNIK
UNIVERSITAS MURIA KUDUS
2023
 Dokumentasi Linear Regression menggunakan rapidminer

1. Buka Rapid Miner maka akan muncul seperti di bawah

2. Setelah itu klik tombol import data yang ada pada tab repository, kemudian pilih My
Computer
3. Pilih dataset yang ingin digunakan

4. Perhatikan column separator nya, karna saya menggunakan file berformat csv maka
memilih comma, setelah itu klik next.
5. Tentukan kolom yang ingin dijadikan label dengan mengklik tombol panah kebawah
pada kolom yang akan dijadikan label, dan pilih change role seperti yang ada pada
gambar dibawah ini

6. Pilih label maka kolom tersebut akan menjadi label

7. Jika sudah berhasil maka kolom akan terblok dengan warna hijau yang menandakan
sudah berhasil menjadi label

8. Setelah itu memilih dimana data itu akan disimpan

9. Setelah itu drag and drop datasetnya kemudian pada tab operator cari dan drag and drop
split data, setelah itu pilih split data pada tab parameter partition edit enumeration

10. Kemudian add entry

11. Masukkan angka 0.7 yang akan digunakan sebagai data trainer artinya data trainernya
70%, kemudian masukkan lagi angka 0.3 yang akan sebagai data testing

12. Hubungkan ke pin result keduanya (data training dan data testing)
13. Ketika menjalankannya maka aka ada dua hasil tersebut pada keterangan filter ada
30/30 jadi bisa di simpulkan itu merupakan data testing

14. yang satunya keterangan filter ada 70/70 jadi bisa di simpulkan itu merupakan data
training
15. tambahkan operator linier regression, lalu hubungkan training dari split data ke port
linier regression

16. Selanjutnya tambahkan operator apply testing yang digunakan untuk proses testing,
kemudian hubungkan port model dari linier regression ke port model dari apply model,
dan data testing di port kedua dari split data juga dihubungkan ke apply model, jadi
seperti dibawah ini
17. Hubungkan port apply model ke pin result

18. Tekan tombol play, dan ini hasilnya, dapat dilihat kolom yang terblok warna hijau,
harga rumah actual dan harga rumah prediksinya, kita bisa bandingkan harganya
19. Kita akan menilai performance dari model yang kita hasilkan, nilai performance adalah
seberapa akurat prediksi tersebut, akan sangat sulit jika membandingkan angka dengan
angka, maka dari itu kita membutuhkan operator performance, tambahkan operator
performance yang regression, setelah itu hubungkan apply model dan performance ke
result seperti gambar dibawah.

20. Jika di klik tombol play maka akan menghasilkan seperti gambar dibawah nilai errornya
adalah 9990.732 yang sudah dikuadratkan, karena di bagian parameternya kita
menggunakan memilih root mean square error artinya rata-rata error
21. Hal lain yang dapat di gunakan adalah menghubungkan dari apply model ke pin result,
yang akan menghasilkan informasi yang berkenaan dengan hubungan setiap atribut,
korelasi setiap atribut dengan label kan label yang ingin kita cari tadi adalah harga,
dapat dilihat disana ada koefisien ada yang positif ada yang negative, dan itu akan
mempengaruhi harga rumah tengantung positive atau negative

22. Dapat dilihat ada kolom p-value merupakan seberapa penting seberapa penting atribut
ini jadi jika bintangnya semakin banyak itu berarti semakin penting ya artinya, dia akan
sangat mempengaruhi dari harga nah bintangnya akan semakin tinggi jika, nilai p
valuenya semakin kecil ya teman-teman
23. Beralih ke bagian description, Jadi ini regression itu akan menghasilkan sebuah formula
atau rumus, rumusnya itu yang dihasilkan adalah seperti gambar dibawah jadi, jika kita
punya data-data yang baru ketika kita ingin mengetahui hasil harga rumahnya berapa
tinggal kita memasukkan nilai variabel-variabel tersebut.

24. Selanjutnya menyimpan pekerjaan yang telah kita buat, dengan cara save process as
25. Beri nama pastikan menyimpan pada folder proses, lalu klik ok

SELESAI