Yorris Siagian

Deteksi Penyakit Tanaman

🔗 Lihat Proyek Lengkap di GitHub

Sistem klasifikasi 31 kelas daun tanaman (sehat dan sakit) berbasis MobileNetV1, di-deploy via Streamlit.

Peran: Lead tim, tuning model, deployment.

🔗 Coba Demo Aplikasinya

Confusion matrix 31 kelas daun, akurasi & F1-score 82%. Beberapa kelas mirip masih tertukar.

Tampilan aplikasi Streamlit: upload gambar daun, hasil klasifikasi muncul langsung.

Image Classification MobileNetV1 Streamlit Transfer LearningAgritech

Prediksi Dropout Mahasiswa

🔗 Lihat Proyek Lengkap di GitHub

Prediksi risiko dropout menggunakan Random Forest, dashboard Metabase, dan aplikasi Streamlit.

📊 Dashboard

Visualisasi distribusi dropout berdasar gender, usia, beasiswa, dan ekonomi.

Dashboard Metabase menampilkan insight penting terkait dropout.

🧠 Prediksi Model

• Akurasi: 91.87%
• F1-score dropout: 0.89

Fitur penting: tunggakan, beasiswa, usia masuk, nilai masuk.

🖥 Aplikasi Streamlit

Form input mahasiswa untuk prediksi dropout secara langsung.

Form interaktif prediksi status mahasiswa berdasarkan input data.

🔗 Lihat Demo Aplikasi Streamlit

Classification Metabase Streamlit Random Forest

Attrition Analysis - Jaya Jaya Maju

🔗 Lihat Proyek Lengkap di GitHub

Proyek akhir Belajar Penerapan Data Science oleh Laskar AI x Dicoding menganalisis attrition (>12%) di Jaya Jaya Maju menggunakan Logistic Regression dan dashboard Metabase.

Analisis fokus pada lembur, promosi, dan masa kerja. Model seimbang dipilih karena meningkatkan recall dari 50% ke 72%. Visualisasi menampilkan attrition per departemen, dampak lembur, dan tren promosi.

Insight utama: lembur dan minimnya promosi dalam 0–2 tahun jadi pemicu attrition. Departemen Sales menyumbang attrition tertinggi (~22%). Direkomendasikan pengurangan lembur dan promosi terjadwal.

Model Disimpan: logistic_attrition_model.pkl (class-balanced version)

Visualisasi Dashboard Metabase:

Visual ini menampilkan ringkasan attrition rate perusahaan, distribusi berdasarkan lembur, masa kerja, promosi terakhir, dan departemen. Tujuannya adalah memberi wawasan cepat dan actionable kepada tim HR melalui tampilan interaktif berbasis Metabase.

HR Analytics Logistic Regression Metabase

Klasifikasi Daun Tomat Menggunakan CNN

🔗 Lihat Proyek Lengkap di GitHub

Proyek akhir kelas Belajar Fundamental Deep Learning ini menggunakan CNN untuk klasifikasi 10 penyakit daun tomat dari 10.000 gambar, dengan augmentasi untuk generalisasi.

Arsitektur terdiri dari 3 blok Conv2D + MaxPooling, dilanjutkan Dense dan Dropout. Model dilatih dengan Adam optimizer dan EarlyStopping.

• Akurasi: 91.2%
• F1-Score Macro: 0.91
• Performa stabil di semua kelas, termasuk daun sehat

Learning Curve: Menunjukkan bahwa model tidak overfitting dan berhasil belajar dari data secara konsisten.

CNN Image Classification Tomato Disease Deep Learning

Klasifikasi Wajah Anak Autis Menggunakan SURF dan Boosting

🔗 Lihat Proyek Lengkap di GitHub

Proyek skripsi ini mengembangkan sistem klasifikasi wajah anak dengan dan tanpa autisme menggunakan fitur SURF dan lima algoritma Boosting.

🎯 Tujuan

• Mengklasifikasikan wajah anak autis dan normal berbasis citra.
• Mengevaluasi performa lima model Boosting terhadap fitur hasil ekstraksi SURF.

📁 Dataset

Terdiri dari 203 gambar (102 autis, 101 normal) dari Bundaku Autism Clinic Center, dengan split data 80% pelatihan dan 20% pengujian.

⚙️ Metodologi

Gambar diubah ke grayscale, fitur diekstraksi menggunakan SURF, lalu diklasifikasikan dengan AdaBoost, GradientBoost, LightGBM, CatBoost, dan XGBoost. Evaluasi menggunakan metrik Accuracy, Precision, Recall, F1, dan F2-Score.

📊 Hasil Evaluasi

📌 Kesimpulan

Proyek ini membuktikan bahwa kombinasi SURF + Boosting efektif membedakan wajah anak autis dan normal. CatBoost menjadi model terbaik dengan F1 dan F2-score di atas 80%. Hasil ini membuka peluang pengembangan sistem diagnosis dini berbasis wajah.

SURF Boosting Autism Detection Machine Learning

📄 Lihat Publikasi IEEE

Analisis Sentimen

🔗 Lihat Proyek Lengkap di GitHub

Proyek kelas "Belajar Fundamental Deep Learning" menganalisis sentimen 10.000 review Gojek dari Google Play Store. Tahapan mencakup scraping, preprocessing, pelabelan berbasis lexicon, visualisasi, dan klasifikasi dengan MLPClassifier.

Proses mencakup slang correction, tokenisasi, stopword removal, dan stemming. Sentimen ditentukan via lexicon, dengan model MLPClassifier mencapai akurasi 92,14%.

Distribusi Sentimen: Pie chart menunjukkan mayoritas review bernada positif, diikuti proporsi signifikan review negatif, yang menjadi dasar evaluasi performa model klasifikasi.

WordCloud: Visualisasi kata-kata yang paling sering muncul dalam review pengguna aplikasi Gojek. Kata "gojek", "driver", dan "layanan" termasuk yang paling dominan.

📈 Evaluasi Model Klasifikasi (MLPClassifier)

• Akurasi Training: 98.11%
• Akurasi Testing: 92.14%

Classification Report (Testing - MLP):

              precision    recall  f1-score   support

           0       0.93      0.94      0.94      3966
           1       0.90      0.89      0.90      2471

    accuracy                           0.92      6437
   macro avg       0.92      0.92      0.92      6437
weighted avg       0.92      0.92      0.92      6437
  

📌 Hasil & Insight

Dataset review Gojek diproses dengan pipeline teks dan labeling lexicon. WordCloud mengungkap kata kunci pengguna, sementara MLPClassifier mencapai akurasi tinggi, menunjukkan pendekatan sederhana bisa menghasilkan model NLP yang efektif dan andal.

NLP Sentiment Analysis Lexicon-Based MLPClassifier

Membangun Proyek Machine Learning

🔗 Lihat Proyek Lengkap di GitHub

Submission akhir kelas "Membangun Proyek Machine Learning" yang terdiri dari dua bagian: Clustering pengeluaran masyarakat & Klasifikasi berdasarkan hasil klaster.

🔷 Clustering: Segmentasi Masyarakat Berdasarkan Pengeluaran

Menggunakan KMeans (3 klaster) dengan PowerTransformer, jumlah klaster dievaluasi via Inertia dan Silhouette Score. Analisis distribusi pengeluaran dilakukan untuk mengidentifikasi skewness dan outlier, lalu masyarakat disegmentasi berdasarkan pola pengeluaran tahunan.

Distribusi Pengeluaran: Histogram menunjukkan mayoritas masyarakat berpengeluaran rendah dengan outlier signifikan, sehingga diperlukan transformasi data sebelum clustering.

Evaluasi Jumlah Cluster: Metode Elbow dan Silhouette Score digunakan untuk menentukan jumlah klaster optimal. Hasil menunjukkan bahwa 3 klaster memberikan pemisahan terbaik antar segmen masyarakat.

🔶 Klasifikasi: Prediksi Segmentasi Masyarakat

Menggunakan model Logistic Regression dan KNN, evaluasi menunjukkan akurasi dan F1-score >99%. Hyperparameter tuning dilakukan dengan GridSearchCV dan RandomizedSearchCV, disertai visualisasi confusion matrix dan learning curve untuk analisis performa.

Confusion Matrix (Logistic Regression): Model berhasil mengklasifikasikan setiap kelas dengan sangat akurat, hampir tanpa kesalahan.

Confusion Matrix (KNN): Performa tinggi secara umum, meski sedikit lebih rendah pada kelas minoritas dibanding Logistic Regression.

Learning Curve (Logistic Regression): Kurva training dan validation yang mendekat menunjukkan model general dan tidak overfit.

Learning Curve (KNN): Kinerja stabil dengan sedikit variasi, menunjukkan model cukup fleksibel terhadap perubahan data.

📌 Hasil & Kesimpulan

MLOps Clustering Classification Tuning