Cara menggunakan DIMETIONS pada JavaScript
Machine Learning adalah sebuah keilmuan untuk membahas seputar pembangunan sebuah sistem berdasarkan data yang kita peroleh. Bagaimana kita mengolah data tersebut untuk keperluan pembuatan informasi. Salah satu hal yang perlu kita ketahui dalam pemrosesan machine learning, yaitu adalah melalui beberapa tahap yaitu : Preprocessing
merupakan tahapan awal dalam mengolah data input sebelum memasuki proses tahapan utama dari berbagai metode seperti scrapping, semantic & banyak macam lainnya. yang berguna untuk digunakan pada proses selanjutnya. Data Cleaning adalah proses dilakukan filtering data yang dimuat setelah proses sebelumnya. hasil ini biasanya berupa teknik dan langkah untuk mendapatkan dataset yang baik untuk diproses dalam learning maupun training. Biasanya
digunakan proses ini untuk didapatkan “Better data > Fancier Algorithms” bila semakin data yang diambil sesuai dengan kemauan kita maka didapatkan perolehan hasil yang bagus untuk proses datanya. lalu lakukan proses “Remove unwanted observation” lakukan observasi yang meliputi duplikasi maupun irrelevant data yang tidak kita inginkan. Selanjutnya proses “Fix structural errors” yang mana hasil ini akan dilakukan untuk mengurangi proses error pada saat training, kadang ada
bagian yang kata, numerik maupun data yang tidak sesuai misalnya, kurang pengkapitalisasian huruf dan banyak macam lainnnya. Selanjutnya “filter unwanted outliers”, kadang hal ini penting untuk diproses bila banyak data namun tidak sesuai output yang kita inginkan, maka kita perlu sisihkan terlebih dahulu satu demi satu. Dan terakhir “handle missing data”, ini sering terjadi bila dala yang kita inginkan susah dicari salah caranya pemberian sintaks dalam informasi
satu baris mengatakan jika data ini tidak ada. sehingga perlu dilakukan dropping information dan imputing missing values data. Memilih metode machine learning yang baik dan benar sesuai kebutuhan, metode yang dipilih harus sesuai dengan kriteria yang dicari misalnya. dalam pembuatan machine learning kita memerlukan fungs-fungsinya yaitu: Peroleh hasil selanjutnya dari hasil proses metode machine learning learning tersebut kita dapatkan yaitu berupa:
Visualisasi & Output data ini kita nantinya dari hasil machine learning ini didapatkan bahwa:
Nah dalam pembahasan kali ini, setelah kita mengetahui seacara umum apa itu machine learning, kita akan mempelajari seputar tools yang dimuat oleh machine learning untuk javascript. salah satunya adalah tensorflow TensorFlow adalah software library open source buatan google cocok digunakan model training machine learning. namun kita akan mempelajari TensorFlow.js yang kebetulan telah dipublikasikan pada tahun 2018 lalu. Alasan mengapa kita menggunakan TensorFlow.js, apa keunggulan dari Conventional TensorFlow, dari segi prosesnya yaitu sebagai berikut: Gambar 2. Perbedaan Conventional TensorFlow dengan TensorFlow.js
Apa itu Tensor? Umumnya besaran yang digunakan dalam data sciene yaitu scalar, vector dan matrix. Untuk lebih jelasnya bisa anda lihat pada github berikut ini. Gambar 3. Besaran aritmatik yang digunakan pada data science
Untuk memulai tensorflow bisa kita lihat pada laman ini.
2. selanjutnya ambil salah satu contoh dari script dari website getting started tersebut: Gambar 5. Contoh script pada javascript3. Lalu kita didapatkan hasilnya seperti ini, adapun penanganan tensorflow dengan import bila tidak bisa. Gambar 6. Cara Penggunaan TensorFlow.js pada nodeBagaimana kita membuat Neural Network dengan TensorFlow.js? ini adalah github sebagai referensi & berikut ini caranya:
2. lalu dimasukkan dalam import data yang kita butuhkan yaitu dari iris maupun iris testing serta require tensorflowjs sebagai librarynya seperti ini: Gambar 8. Import Library & Dataset3. lalu kita coba buat program outputData, yang jika sesuai dengan item spesies ini, maka dianggal bernilai 1 dan sebaliknya bernilai 0. seperti ini: Gambar 9. Output Datakurang lebih hasilnya bila benar, maka nilai data output yang benar maka didapatkan hasil seperti ini. Gambar 10. Hasil debug output data4. lalu dilanjutkan dengan training data sesuai dengan nilai sepal maupun petalnya, seperti berikut maka didapatkan nilai sesuai dengan data modellingnya. Gambar 11. Script training data model.kurang lebih hasilnya bila benar, maka nilai data training yang benar maka didapatkan hasil seperti ini. Gambar 12. Hasil debug training data5. Dilanjutkan dengan script code dari data testing dimana sesuai dengan indeks nya yang terdiri dari 3 output dan 4 data model. maka diambil hasil berupa 3 array data testing seperti ini: Gambar 13. Script Testing Datakurang lebih hasilnya bila benar, maka nilai data training yang benar maka didapatkan hasil seperti ini. Gambar 14. Hasil debug data testing.6. lalu kita buat hidden layer yang saya pakai berdasarkan dense layer. namun dalam tensorflow ini antara weight & bias perilakunya sama seperti dense layer, sehingga hampir sama penangannya. seperti ini: Gambar 15. Hidden layer menggunakan dense layer.dengan nilai prediksi data bila kita masukkan epoch 100 dengan nilai sepal & petal sebagai berikut, maka didapatkan nilai yang kita inginkan. Gambar 16. prediksi nilai yang diambil bila sesuai dengan nilai sepal & petalnya.bila benar, maka keluar hasil data seperti ini : Gambar 17. hasil debug nilai prediksi bila benar.7. lalu dilanjutkan dengan hasil prediksi sesuai dengan arahan pada kondisi yang ditentukan. Gambar 18. script kondisi pada iris data set sesuai yang ditentukan.bila benar, maka keluar hasil prediksi seperti ini : Gambar 19. BIla hasil prediksi benar sesuai dengan arahan.adapun bila ingin melihat hasil losses, untuk mengetahui nilai mana saja yang dihasilkan dilalui dense layer seperti berikut ini: Gambar 20. Hasil Losses yang digunakan untuk mengetahui nilai yang dikeluarkan pada tahap history hidden layer.maka didapatkan hasil seperti ini: Gambar 21. Nilai Losses yang dihasilkan pada hidden layer.Bila masih bingung untuk memvisualkan adapun hasil didapat seperti berikut ini. Gambar 22. Hasil Visualisasi Prediksi sesuai dengan Dataset Iris.Berikut ini pula source code yang digunakan untuk diimplementasi. Reference:
|