Deep Learning: Artificial Neural Networks (aplikasi)

Deep Learning: Artificial Neural Networks (aplikasi)

Catatan penting : Jika pembaca benar-benar awam tentang apa itu Python, silakan klik artikel saya ini. Jika pembaca awam tentang R, silakan klik artikel ini.

Jika pembaca sudah mengerti tentang konsep umum dari deep learning / neural networks, kali ini kita akan coba mengaplikasikannya untuk memecahkan kasus nyata. Jika pembaca belum mengerti konsep besarnya, alangkah baiknya baca dulu artikel saya yang membahas tentang konsepnya di link ini.


Kita adalah seorang data scientist yang dipercaya oleh sebuah bank besar di eropa. Bank ini memiliki permasalahan di mana secara tiba-tiba tingkat keluarnya nasabah (churn rate) meningkat drastis. Oleh karena itu, bank ini meminta kita untuk menyelidiki permasalahan ini.

Bank ini memberikan kita 10.000 data pelanggannya dengan beberapa informasi di dalamnya. Walau data ini tampak banyak, namun yang diberikan kepada kita hanya sampel kecilnya, karena sebuah bank besar tentunya memiliki jutaan nasabah. Mungkin bank ini memberikan data yang relevan saja untuk bisa dianalisis lebih lanjut.

Tampilan dari data yang kita miliki adalah sebagai berikut:

Tampilan data untuk permasalahan ANN

Informasi yang kita miliki adalah;

  1. RowNumber menunjukkan ia baris ke berapa.
  2. CustomerId adalah identitas unik setiap costumer.
  3. Surname adalah nama belakang pelanggan.
  4. CreditScore adalah skor kredit yang diberikan oleh bank. Hanya bank yang tahu cara menghitung skor ini.
  5. Geography adalah negara domisili nasabah.
  6. Gender adalah jenis kelamin.
  7. Age adalah usia.
  8. Tenure adalah berapa lama (dalam tahun) mereka sudah menjadi nasabah bank.
  9. Balance adalah tabungan nasabah saat ini (atau saat terakhir sebelum keluar sebagai nasabah).
  10. NumberOfProduct adalah berapa banyak produk bank yang dimiliki oleh nasabah pada saat ini (atau saat terakhir).
  11. HasCrCard adalah kondisi apakah saat ini nasabah memiliki kartu kredit di bank ini (1) atau tidak (0).
  12. IsActiveMember adalah kondisi apakah pelanggan saat ini aktif (1) menjadi member aktif atau tidak (0). Hanya bank yang tahu cara membuat status ini, misal apakah nasabah aktif melakukan transaksi di bulan terakhir, apakah memiliki pinjaman di bulan terakhir, dan seterusnya.
  13. EstimatedSalary adalah estimasi gaji yang dibuat oleh bank. Tentu saja bank tidak tahu gaji asli dari nasabah, tapi bank sudah membuat perkiraan gaji berdasarkan pola keluar masuknya uang nasabah tersebut.
  14. Exited adalah status apakah nasabah ini tetap di bank (0) atau keluar dari bank (1).

Jadi pada dasarnya permasalahan yang kita hadapi ini adalah tipe classification, sehingga nantinya kita ingin memprediksi apakah model deep learning (DL) kita bisa memprediksi status keluar tidaknya nasabah berdasarkan data-data di atas. Tentu saja kita bisa menggunakan teknik klasifikasi machine learning, namun penggunaan DL lebih cepat.

Untuk melanjutkan membaca, silakan klik halaman selanjutnya di bawah ini.

Bagikan artikel ini:

Pages: 1 2 3 4

Subscribe
Notify of
guest
9 Comments
Oldest
Newest Most Voted
Inline Feedbacks
View all comments
Ruslan Anwar
Ruslan Anwar
10 months ago

Lanjutannya yang mana bang? saya bingung cari lanjutannya.

doel
doel
Reply to  MB Herlambang
7 months ago

File “”, line 60
y_pred = (y_pred > 0.5)
^
SyntaxError: invalid syntax..

Bagaimana solusinya gan?

maulana
maulana
3 months ago

terimakasih banyak pak, programnya bisa di running di spyder saya
semamgat berbagi pak 🙂

maulana
maulana
3 months ago

Permisi, Pak.
Bagaimana cara membuat virtual enirontment dengan conda lewat cmd?
Instalasi Anaconda saya berada di Drive :C, bisa kah saya membuat vitual envirotment yg lokasinya ada di Drive : E?

maulana
maulana
3 months ago

pak, kalo kita mau memasukkan data baru yang akan kita prediksikan ke model diatas gimana pak