Bahasa R (tanpa kernel, linear)

# Mengimpor dataset
dataset = read.csv('Iklan_sosmed.csv')
dataset = dataset[3:5]

# Mengencode variabel dependen sebagai factor
dataset$Beli = factor(dataset$Beli, levels = c(0, 1))

# Membagi dataset ke dalam Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(dataset$Beli, SplitRatio = 0.75)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)

# Feature Scaling
training_set[, 1:2] = scale(training_set[, 1:2])
test_set[, 1:2] = scale(test_set[, 1:2])

# Membuat model SVM terhadap Training set
# install.packages('e1071')
library(e1071)
classifier = svm(formula = Beli ~ .,
                 data = training_set,
                 type = 'C-classification',
                 kernel = 'linear')

# Memprediksi hasil Test set
y_pred = predict(classifier, newdata = test_set[1:2])

# Making the Confusion Matrix
cm = table(test_set[, 3], y_pred)

# Visualisasi model SVM terhadap Training set
library(ElemStatLearn)
set = training_set
X1 = seq(min(set[, 1]) - 1, max(set[, 1]) + 1, by = 0.01)
X2 = seq(min(set[, 2]) - 1, max(set[, 2]) + 1, by = 0.01)
grid_set = expand.grid(X1, X2)
colnames(grid_set) = c('Usia', 'EstimasiGaji')
y_grid = predict(classifier, newdata = grid_set)
plot(set[, 1:2],
     main = 'SVM (Training set)',
     xlab = 'Usia', ylab = 'Estimasi Gaji',
     xlim = range(X1), ylim = range(X2))
contour(X1, X2, matrix(as.numeric(y_grid), length(X1), length(X2)), add = TRUE)
points(grid_set, pch = '19', col = ifelse(y_grid == 1, 'springgreen3', 'tomato'))
points(set, pch = 21, bg = ifelse(set[, 3] == 1, 'green4', 'red3'))

# Visualisasi model SVM terhadap Test set
library(ElemStatLearn)
set = test_set
X1 = seq(min(set[, 1]) - 1, max(set[, 1]) + 1, by = 0.01)
X2 = seq(min(set[, 2]) - 1, max(set[, 2]) + 1, by = 0.01)
grid_set = expand.grid(X1, X2)
colnames(grid_set) = c('Usia', 'EstimasiGaji')
y_grid = predict(classifier, newdata = grid_set)
plot(set[, 1:2], main = 'SVM (Test set)',
     xlab = 'Usia', ylab = 'Estimasi Gaji',
     xlim = range(X1), ylim = range(X2))
contour(X1, X2, matrix(as.numeric(y_grid), length(X1), length(X2)), add = TRUE)
points(grid_set, pch = '19', col = ifelse(y_grid == 1, 'springgreen3', 'tomato'))
points(set, pch = 21, bg = ifelse(set[, 3] == 1, 'green4', 'red3'))

Penjelasan:

• Line 1-18 sama persis seperti penjelasan di logistic regression dan K-nearest neighbors. Bisa di klik untuk me-review kembali.
• Line 21 menginstall package e1071. Hilangkan tanda pagar jika di Rstudio Anda belum terinstall package ini.
• Line 22 mengimpor library e1071.
• Line 23 membuat objek classifier sebagai model SVM kita. Untuk kali ini kernel yang kita gunakan adalah linear. Tips: Arahkan kursor pada svm kemudian ketik F1 di keyboard untuk bisa melihat parameter apa saja yang diperlukan.
• Line 29 memprediksi hasil test set-nya.
• Line 32 membuat confusion matrix. Hasilnya tampak sebagai berikut:

• Line 35-48 adalah perintah untuk visualisasi model SVM kita terhadap training set. Tampilannya adalah sebagai berikut:

• Line 51-63 adalah hasil visualisasi model SVM terhadap Test set. Hasilnya tampak sebagai berikut:

Melalui gambar di atas masih terlihat ada beberapa titik yang salah prediksi. Melalui confusion matrix kita tahu bahwa model kita memiliki akurasi 80%.

Pertanyaannya, mengapa hasil antara Pyton dan R berbeda? Ada beberapa alasan:

1. Random number generatornya berbeda, sehingga pembagian test set dan training set antara Phyton dan R juga berbeda.
2. SVM adalah proses heuristik (probabilistik) dan bukan deterministik (kepastian). Salah satu penyebabnya adalah poin pertama di atas,

Dengan demikian, setelah melihat hasil SVM dengan kernel linear di R, bisa kita simpulkan memiliki akurasi yang tidak lebih baik jika dibandingkan Logistik regression ataupun K-nearest neighbor.

Di halaman selanjutnya kita akan memahami konsep kernel dan coba menggunakannya dalam algoritma SVM sehingga hasilnya lebih akurat. Semua kode (script) nya sama, kita hanya merubah di bagian kernel saja (baik di Python maupun R).

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

Pages: 1 2 3 4 5 6 7