In vynspermadi/tidyds: Fundamental Tidy Data Science in R

knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>"
)

Dalam modul ini Anda akan diajak untuk membuat pemodelan dan melakukan prediksi menggunakan model tersebut.

Pembelajaran mesin (machine learning) merupakan aktivitas yang acapkali dilakukan dalam siklus data sains. Sangat menarik apabila memiliki kemampuan untuk membuat prediksi suatu hal sehingga kita dapat melakukan persiapan lebih matang.

Bahasa pemrograman R memiliki fitur bawaan yang sangat mumpuni untuk melakukan pembelajaran mesin. Selain itu terdapat sangat banyak paket-paket tambahan lain yang dapat melengkapi dan memudahkan pengguna untuk melakukan prediksi dengan menggunakan metode-metode mutakhir.

Namun keragaman dan banyaknya jumlah paket tersebut juga menyebabkan adanya hambatan lain, yaitu hambatan pada alur kerja. Seringkali beberapa paket memiliki tujuan dan metode yang sama namun menggunakan istilah berbeda dalam argumen serta keluaran fungsinya. Selain itu juga tidak jarang antar paket memiliki API yang berbeda-beda sehingga pengguna harus menyesuaikan bentuk data sebelum dapat digunakan oleh paket lainnya.

Oleh karena itu, dalam pelatihan ini kita akan memanfaatkan sebuah "sistem" bernama tidymodels. tidymodels dirancang untuk mengatasi permasalahan yang disebutkan diatas sehingga pengguna dapat melakukan pembelajaran mesin dengan lebih mudah. Silakan Anda aktifkan paket tersebut terlebih dahulu beserta paket vroom dan here!

___
___
___

Dalam studi kasus ini kita akan melakukan pemodelan dan prediksi untuk nilai ujian nasional tingkat SMP di Kota Bandung. Imporlah "un_smp.csv" yang berada dalam subdirektori "data-raw" dan simpan sebagai obyek R bernama un_smp. Selanjutnya jalankan fungsi glimpse() pada un_smp untuk mempelajari stryrukturnya! (Catatan: glimpse() adalah fungsi dari paket dplyr yang serupa dengan fungsi str())

___ <- vroom(here("data-raw", "___"))
glimpse(un_smp)

Kita akan mencoba melakukan prediksi nilai ujian mata pelajaran IPA (ipa) berdasarkan variabel-variabel lain, yaitu tahun, status, jumlah_peserta, bahasa_indonesia, bahasa_inggris, dan matematika. Sebelum itu kita perlu mengubah tipe variabel tahun dari dbl menjadi chr sebagai berikut:

un_smp <- un_smp %>% 
  mutate(tahun = as.character(tahun))
glimpse(___)

Mari kita coba membuat perbandingan nilai ujian IPA antara sekolah negeri dan swasta. Perhatikan kode yang disajikan pada chunk berikut:

un_smp %>% 
  group_by(status) %>% 
  summarise(ipa = mean(ipa)) %>% 
  ggplot(aes(x = status, y = ipa)) +
  geom_col() + 
  labs(
    x = "Status sekolah",
    y = "Rerata nilai ujian IPA",
    title = "SMP Negeri vs SMP Swasta",
    subtitle = "Ujian Nasional SMP di Kota Bandung 2015-2019",
    caption = "Sumber: Open Data Kota Bandung"
  ) +
  theme_light()

Grafik di atas menunjukan kemungkinan adanya pengaruh dari status sekolah terhadap nilai ujian IPA. Sekarang buatlah grafik yang serupa untuk mempelajari kemungkinan pengaruh dari tahun ujian! Apa informasi yang dapat Anda ambil?

___

Sekarang kita akan melakukan tahap pertama dari pembelajaran mesin, yaitu membagi data yang kita miliki ke dalam dua kelompok. Kelompok pertama disebut training yang akan digunakan untuk membuat pemodelan. Sedangkan kelompok kedua disebut testing yang akan digunakan untuk menguji performa model yang kita buat. Fungsi initial_split() dari paket rsample akan digunakan untuk melakukan hal tersebut. Berapakah komposisi training terhadap testing bawaan pada fungsi tersebut? (Petunjuk: ?initial_split)

set.seed(270719)
un_smp_split <- initial_split(un_smp)
un_smp_split

un_smp_split di atas berupakan obyek R yang memiliki metadata atau informasi baris mana dari data un_smp yang akan digunakan sebagai training dan testing. Anda dapat mengakses data training dengan cara menjalankan fungsi training() pada un_smp_split. Menurut Anda fungsi apakah yang akan digunakan untuk mengakses data testing? Coba buatlah baris kode untuk itu!

data training

training(un_smp_split) 

data testing

___

Sebelum membuat pemodelan, tidak jarang perlu dilakukan pra-pengolahan pada data yang kita miliki terlebih dahulu. Mengapa demikian? Hal tersebut penting dilakukan agar data tersebut dapat memenuhi prasyarat sehingga algoritma dari model dapat berjalan dengan baik dengan performa bagus. Contoh: pada metode regresi linear diharapkan tidak terjadi multicolinearity antar variabel prediktor; pada beberapa metode klasifikasi diharapkan agar skala yang digunakan adalah sama untuk semua prediktor; dan lain-lain.

Dalam tidymodels tahap pra-pengolahan tersebut dianalogikan sebagai "resep" sehingga dapat mudah dipahami. Anda dapat menggunakan fungsi recipe(), update_role(), dan step_*() dari paket recipes untuk membuat "resep" tersebut. Perhatikan baris kode berikut untuk membuat "resep" berdasarkan data training:

un_smp_recipe <- training(un_smp_split) %>% 
  recipe() %>% 
  update_role(ipa, new_role = "outcome") %>% 
  update_role(tahun, status, jumlah_peserta, bahasa_indonesia, bahasa_inggris, matematika, new_role = "predictor") %>% 
  update_role(nama_sekolah, new_role = "ID") %>% 
  step_corr(all_predictors(), -tahun, -status)

un_smp_recipe
summary(un_smp_recipe)

Berdasarkan keluaran fungsi di atas informasi apakah yang Anda dapatkan?

Tahap selanjutnya adalah kita harus menerapkan "resep" yang telah di buat pada data yang kita miliki, baik pada data training maupun testing. Hal tersebut dapat dilakukan dengan menggunakan fungsi prep() dan bake() yang juga berasal dari paket parsnip. Setelah "resep" diterapkan kita perlu menyimpan hasilnya sebagai obyek R untuk selanjutnya malakukan pemodelan dan evaluasi performa. Perhatikan baris kode berikut untuk menerapkan "resep" serta menyimpannya obyek R dengan nama un_smp_training dan un_smp_testing. Jalankan glimpse() pada dua obyek tersebut! Dapatkah Anda menemukan perbedaan kedua obyek tersebut dengan training(un_smp_split) dan testing(un_smp_split)?

un_smp_training <- un_smp_recipe %>% 
  prep() %>% 
  bake(training(un_smp_split))
___(un_smp_training)

un_smp_testing <- un_smp_recipe %>% 
  prep() %>% 
  bake(testing(un_smp_split))
___(un_smp_testing)

Setelah Anda membagi data awal menjadi dua training dan testing serta menerapkan "resep" pra-pengolahan pada keduanya, sekarang saatnya Anda melakukan pemodelan. Dalam studi kasus ini Anda akan menggunakan dua model, yaitu Linear Regression dan Random Forest.

Seperti telah disinggung sebelumnya bahwa terdapat banyak paket untuk melakukan pemodelan sehingga terkadang menyulitkan pengguna. Oleh karena itu kita akan menggunakan paket parsnip yang memiliki misi untuk membuat antarmuka sama meskipun "mesin" berbeda. Manfaatnya adalah kita dapat dengan mudah menuliskan kode dan mengganti paket yang mengimplementasi model. A single front-end for various choices of back-end. Menarik bukan?

Pertama kita akan membuat model regresi sebagai berikut:

un_smp_lm <- linear_reg(mode = "regression") %>% 
  set_engine("lm") %>% 
  fit(ipa ~ . -nama_sekolah, data = un_smp_training)

un_smp_lm

Selanjutnya kita akan menguji performa model tersebut dengan menggunakan fungsi metrics() dari paket yardstick. Pengujian dilakukan terhadap data testing seperti contoh di bawah ini:

un_smp_lm %>% 
  predict(un_smp_testing) %>% 
  bind_cols(un_smp_testing) %>% 
  metrics(truth = ipa, estimate = .pred)

Kesimpulan apa yang dapat Anda ambil berdasarkan hasil diatas?

Sekarang buatlah pemodelan dan pengujian performa seperti di atas namun menggunakan Random Forest! (Petunjuk: fungsi rand_forest() dan "mesin" adalah "ranger")

un_smp_rf <- ___(mode = "regression") %>% 
  set_engine(___) %>% 
  fit(ipa ~ . -nama_sekolah, data = un_smp_training)

un_smp_rf

un_smp_rf %>% 
  ___ %>% 
  ___ %>% 
  metrics(truth = ipa, estimate = .pred)

Kesimpulan apa yang dapat Anda ambil berdasarkan hasil diatas?

Selamat Anda telah menyelesaikan modul 5! Silakan jalankan "Ctrl + Shift + K" atau klik tombol "Knit" untuk membuat dokumen final.

vynspermadi/tidyds documentation built on Nov. 5, 2019, 12:06 p.m.