TEBAK GAMBAR TENTANG DATA

Tantangan Menulis Hari ke-167

Oleh: Bernardus Ari Kuncoro

Pukul lima pagi. Aku terjaga dari mimpi. Tidak ingat aku mimpinya apa, tetapi yang jelas aku ingin segera beranjak dari tempat tidur.

Lantas tergoda aku membuat sesuatu. Tentunya yang fun, relax, dan joyful. Apa itu? Membuat tebak gambar. Menerka kata-kata yang berhubungan dengan bidang yang selama ini aku tekuni, data science.

Ada tiga tema yang aku ambil dari buku ini. Visualisasi. Koding. Machine Learning

Ini dia tebakannya. Selamat mengerjakan. Enjoy!

Tebakan tambahan dengan level kesulitan lebih tinggi bisa dikunjungi di sini.

Kalideres, 14 Januari 2021

JIKA MAKA DALAM GOOGLE SHEET

Tantangan Menulis Hari ke-162

Oleh: Bernardus Ari Kuncoro

Dalam Data Science, Anda akan sering menemukan tabel. Di dalam tabel tersebut, acapkali ada update yang perlu dilakukan. Pembaharuan dari sisi baris maupun kolom. Keduanya sama-sama butuh kreativitas. Mengingat adanya perubahan akan membawa dampak ke logika-logika lainnya.

Dalam kasus saya, ada satu dashboard yang saya buat dalam Google Data Studio dengan ‘sumber makanan’ dataset dari tabel yang saya masukkan ke dalam Google Sheet. Mau tidak mau, karena Tahun Baru, saya mesti melakukan update. Adapun yang saya lakukan adalah sebagai berikut.

Awal mulanya, ada sebuah tabel dengan snippet kolom sebagai berikut

Kolom D dengan salah satu nilainya adalah 12. Nomor tersebut menunjukkan urutan minggu dalam tahun tersebut, pada tanggal 16 Maret 2020

Saya ingin jadikan Week itu menjadi YearWeek, supaya nanti jika ada group-by berdasarkan minggu, tetapi beda tahun, tidak akan teragregasi. Kurang lebih jika Week awal = 12, maka YearWeek = 202012. Begitu juga jika tahun berganti, misalkan 2021, maka Yearweek menjadi 202112.

Bagaimana rumusnya? Well, setelah pencarian di mesin Google beberapa menit, akhirnya menemukan rumus Jika Maka berikut. Perhatikan di bagian awal setelah ‘if’ ada weeknum(c2)<10, artinya ada perlakuan yang berbeda, karena ada angka di bawah 10 yang jumlah digitnya ada 1. Saya ingin menambahkan angka 0 jika demikian, supaya jumlah digitnya seragam enam.

Rumus konversi dari Week ke YearWeek.

Hasil tabel yang diharapkan menjadi sebagai berikut..

Hasil Kolom D yang diinginkan

Dengan demikian saya telah memiliki tabel yang bisa menghindari agregasi campur minggu dari tahun yang berbeda. Tadinya saya pikir harus membuat ulang lagi Google Sheet. Namun lebih efisien seperti ini.

Selamat mencoba!

Jika kalian ingin mengetahui lebih lanjut mengenai kelas Data Studio, silakan kunjungi IYKRA, khususnya kelas Analytics with Google Data Studio ini.

Kalideres, 9 Januari 2020

MENGENAL APACHE CASSANDRA

Mengenal Apache Cassandra

Tantangan Menulis Hari ke-156

Oleh: Bernardus Ari Kuncoro

Ada pepatah “Tak kenal maka tak sayang”. Hal ini berlaku juga ketika Anda mengenal suatu sistem database. Kali ini saya ingin memperkenalkan Anda dengan Apache Cassandra. Suatu sistem database yang ditujukan untuk kemudahan proses scalability dan memiliki high availability, tanpa mengesampingkan performa.

Tahukah Anda, bahwa Apache Cassandra menggunakan bahasa query CQL? CQL (dibaca si kyu el) Cassandra Query Language. Pada dasarnya, CQL ini mirip dengan SQL.

Perusahaan apa saja yang memanfaatkan Apache Cassandra?

Aplikasi Uber
Layanan Netflix
  1. Uber menggunakan Apache Cassandra untuk backend
  2. Netflix menggunakaannya untuk melayani pelanggan ketika streaming video

Use case apa saja yang dapat ditalangi oleh NoSQL (dalam hal ini Apache Cassandra)

  1. Pencatatan transaksi (retail, health care, toko online)
  2. Internet of Things (IoT)
  3. Data timeseries
  4. Beban kerja apapun yang berat ketika menuliskannya ke dalam database.

Apakah Apache Cassadra memiliki hambatan untuk pekerjaan analitik? Ya, akan ada. Seperti ketika Anda menggunakan statement GROUP BY. Mengingat Apache Cssandra membutuhkan data modeling berdasarkan query yang Anda mau, Anda tidak dapat melakukan queries ketika sekonyong-konyong dibutuhkan. Akan tetapi, Anda dapat menambahkan kolom-kolom clustering pada data model dan dan membuat tabel-tabel baru.

QUIZ

Kapan Anda sebaiknya menggunakan Database NoSQL?

  1. Saat data yang akan digunakan sangat besar
  2. Ketika akan melakukan agregasi
  3. Pada saat Anda membutuhkan availability tingkat tinggi
  4. Waktu Anda butuh scale out segera
  5. Ketika Anda butuh untuk melakukan join ke beberapa tabel

Hint: Anda sebaiknya tetap menggunakan relational database untuk proses join dan agregasi, terutama untuk data yang tidak terlalu besar. Namun, NoSQL sangat mumpuni jika datanya besar, butuh high scalability dan scale out segera.

Jadi jawabannya? Silakan direnungkan. Ada tiga jawaban yang benar.

Disadur dan diterjemahkan dari Data Engineering Nanodegree Udacity.

Kalideres, 3 Januari 2020

BICARA TENTANG NOSQL

Not only SQL

Tantangan Menulis Hari ke-155

Oleh: Bernardus Ari Kuncoro

NoSQL merupakan singkatan dari Not Only Structured Query Language. Database NoSQL menyediakan mekanisme untuk penyimpanan dan pengambilan data yang dimodelkan dengan cara yang berbeda dari relasi tabular yang digunakan pada relational databases. Istilah NoSQL mulai digunakan sejak 1970, tetapi baru naik daun pada 2000-an.

Bermacam-macam variasi No-SQL mulai dari Document store, graph, key-value, dan wide-column.

Ada banyak variasi NoSQL. Apa saja?

  1. Apache Cassandra (Partition Row store). Data didistribusikan berdasarkan partisi ke dalam beberapa node atau server. Diatur dalam format kolom dan baris.
  2. MongoDB (Document store). Merupakan database berorientasi dokumen. Selain adanya Key Lookups yang dilakukan oleh key-value store, database ini juga menawarkan API atau query language yang akan mengeluarkan dokumen berdasarkan apa yang ada di dalam database. Bayangkan Anda memaknai proses ini sebagai pencarian dari kumpulan dokumen-dokumen.
  3. DynamoDB (Key-value store). Database yang terkumpul berdasarkan pasangan-pasangan antara key dan value.
  4. Apache HBase (Wide Column Store). Menariknya dari database ini selain kolomnya ‘melebar’ adalah nama kolom dari baris ke baris dapat berbeda-beda.
  5. Neo4J (Graph Database). Dalam database ini, data direpresentasikan oleh nodes dan edges.

Perlu diingat bahwa Anda tidak perlu menghafal semua variasi NoSQL di atas. Peruntukannya berbeda-beda tergantung kebutuhan. Anda dapat memulainya dengan Apache Cassandra, karena memiliki kedekatan dengan Relational Database. Mengingat bentuknya masih tabel. Selebihnya, tetap harus belajar untuk memahami masing-masing karakteristiknya, namun proses belajar jadi lebih mudah.

Sebagai pengayaan, Anda dapat merenungi gambar berikut.

Penggunaan NoSQL dan SQL yang bervariasi

Disadur dan diterjemahkan dari Data Engineering Nanodegree by Udacity.

Kalideres, 2 Januari 2021

Mapping the geopoint (Latitude & Longitude) to Shapefile

Sometimes you want to know what Kelurahan (Village), Kecamatan (District), Kabupaten (Region), and Province are from latitude and longitude. I did it with R, here the script is.

This is part of the analysis you may need when you handle GeoSpatial Data.

Thank someone who gave me the example from this link.

library(rgdal)
library(sp)

#load shapefile
data.shape <-readOGR(dsn="/nama/direktori/shapefile/anda",
layer="nama_shapefile")
data.shape <- spTransform(data.shape, CRS("+proj=longlat +datum=WGS84"))

#create csv file that want to be mapped into shapefile
csvfile <- data.frame(LONGITUDE = c(106.6882639, 106.7705755),
LATITUDE = c(-6.1342941, -6.1642941))

# convert data frame to SpatialPoints class
coordinates(csvfile) <- ~LONGITUDE+LATITUDE

# make sure the two files share the same CRS
csvfile@proj4string <- data.shape@proj4string

# visual check
plot(data.shape, border = "grey")
points(csvfile, col = "red", cex = 5)
axis(1) # showing the axes helps to check whether the coordinates are what you expected
axis(2)

#mapping
points_in_shape <- over(csvfile, data.shape)

#output
points_in_shape


The comparison between randomForest and ranger

A Couple days ago I had a chance to be a speaker on internal data scientist meeting at the company that I work for: Stream Intelligence. The meeting is usually held on monthly basis, and the last meeting in October was 6th meeting. We used Skype for Business to connect between the Data Scientists in Jakarta and in London.

I delivered a topic titled Random forest in R: A case study of a telecommunication company. For those who do not know Random Forest, an Indian guy, Gopal Malakar, had made a video uploaded in Youtube. He elaborated the definition of random forest. First of all, check the video out!

Based on the video, one important thing that you have to remember about random forest is that, it is a collection of trees. It was built by a number of decision trees. Each decision trees is formed by random variables and observations of the training data.

Supposed that we have trained a random forest model, and it was made from 100 decision trees. One test observation was inputted on the model. The decision tree outputs will result 60Y and 40N. Hence the output of random forest model is Y with score or probability 0.6.

OK, let’s practice how to train random forest algorithm for classification in R. I just knew it couple weeks ago from Datacamp course, that there are two random forest packages: 1) randomForest and 2) ranger. They recommend ranger, because it is a lot faster than original randomForest.

To prove it, I have created a script using Sonar dataset and caret package for machine learning, with methods: ranger / rf, and tuneLength=2 (this argument refers to mtry, or number of variables that was used to create trees in random forest). In random Forest, mtry is the hyperparameter that we can tune.

# Load some data 
library(caret)
library(mlbench)
data(Sonar)

# Fit a model with a deeper tuning grid 
ptm <- proc.time()
model <- train(Class~., data = Sonar, method="ranger",tuneLength=2)
proc.time() - ptm

ptm2 <- proc.time()
model_rf <- train(Class~., data = Sonar, method="rf",tuneLength=2)
proc.time() - ptm2

Output of ranger training

> proc.time() - ptm
user system elapsed
22.37 0.29 23.66

Output of random forest training

> proc.time() - ptm2
user system elapsed
26.75 0.29 27.80

So, the random forest training with ranger function is 26.75-22.37 = 4.38 seconds or 25% faster than original random forest (Assume we use user time).

However, if I tried to change tuneLength parameter with 5. It reveals that the original randomForest function is faster than ranger. Hmmm… seems that I have to upload a question to stackoverflow or Datacamp experts.

> library(mlbench)
> data(Sonar)
> 
> # Fit a model with a deeper tuning grid 
> ptm <- proc.time()
> model <- train(Class~., data = Sonar, method="ranger",tuneLength=5)
> proc.time() - ptm
   user  system elapsed 
 137.19    0.69  141.67 
> 
> ptm2 <- proc.time()
> model_rf <- train(Class~., data = Sonar, method="rf",tuneLength=5)
> proc.time() - ptm2
   user  system elapsed 
  79.30    0.10   81.55

Import from a Database in R

Importing database to R
Importing database to R

When you use R for data analysis, sometimes you have to import data from a Database (e.g. SQL), instead of just import data by reading the csv, excel, or mat file. To do this, we have to do several steps. Good thing Datacamp course provide us step-by-step guidance.

There are 5 steps you need to do if you did not install RMySQL package yet. If you have installed the package, you could skip step 1. In step 2, you need to establish connection with database with dbconnect() function. Then, in step 3 you can list the database tables using dbListTables(), in which three tables are available: users, tweats, and comments. In Step 4, you can import the table and assign into a data frame variable. Last but not least, if you have finish importing data, the polite way must be performed is disconnecting the database using dbDisconnect() function.

You can find the R-script described as follow:

#Step 1, install the RMySQL package (only if you did not install the package) 
install.packages("RMySQL")


#Step 2, Establish a connection 
library(DBI)
con <- dbConnect(RMySQL::MySQL(), 
dbname = "tweater", 
host = "courses.csrrinzqubik.us-east-1.rds.amazonaws.com", 
port = 3306,
user = "student",
password = "datacamp")


#Step 3, List the database tables
tables <- dbListTables(con)
str(tables) #display structure of tables

#Step 4, Import data from a table
users <- dbReadTable(con,"users")
users #print users

tweats <- dbReadTable(con,"tweats")
tweats #print tweats

comments <- dbReadTable(con,"comments")
comments #print comments

#Step5, disconnect database 
dbDisconnect(con)

Hope it helps! ;D

Comparing The Machine Learning Methods with ROC Curve

Yesterday I continued a Datacamp online course named Introduction to Machine Learning. Frankly, this course is very useful to strengthen my understanding in machine learning! Plus, I am a big fan of R! The more you repeat the course, the more you understand the meaning of it. Well, the topic was about “comparing the methods”. It is part of chapter 3 – Classification topic, precisely at the end of the chapter. It says that the powerful tool to compare the machine learning methods, especially classification, is ROC Curve. FYI, out of the record, this ROC curve analysis was also requested by the one of the client. 😉

What is ROC?

ROC stands for Receiver Operating Characteristic. In statistics, it is a graphical plot that illustrates the performance of a binary classifier system as its discrimination threshold is varied.  Electrical engineers and radar engineers during World War II firstly developed the ROC curve for detecting objects of enemy, then soon used by psychologist to account for perceptual detection of stimuli. At this point, ROC analysis has been used in medicine, radiology, biometrics, machine learning, and data mining research. (Source: here).

The sample of ROC curve is illustrated in the Figure 1. The horizontal axis represents the false-positive rate (FPR), while vertical axis represents the true-positive rate (TPR). The true-positive rate is also known as sensitivity, recall or probability of detection in machine learning. The false-positive rate is also known as the fall-out or probability of false alarm and can be calculated as (1 −specificity).

ROC Curve - Source: Wikipedia
Figure 1. ROC Curve – Source: Wikipedia.

How to create this curve in R?

You need:

  • Classifier that outputs probabilities
  • ROCR Package installed

Suppose that you have a data set called adult that can be downloaded here from UCIMLR. It is a medium sized dataset about the income of people given a set of features like education, race, sex, and so on. Each observation is labeled with 1 or 0: 1 means the observation has annual income equal or above $50,000, 0 means the observation has an annual income lower than $50,000. This label information is stored in the income variable. Then data split into train and test. Upon splitting, you can train the data using a method e.g. decision tree (rpart), predict the test data with “predict” function and argument type=”prob”, and aha… see the complete R code below.

set.seed(1)

# Build a model using decision tree: tree
tree <- rpart(income ~ ., train, method = "class")

# Predict probability values using the model: all_probs
all_probs <- predict(tree,test,type="prob")

# Print out all_probs
all_probs

# Select second column of all_probs: probs
probs <- all_probs[,2]

# Load the ROCR library
library(ROCR)

# Make a prediction object: pred
pred <- prediction(probs,test$income)

# Make a performance object: perf
perf <- performance(pred,"tpr","fpr")

# Plot this curve
plot(perf)

The plot result is as follow:

ROC result of DT
Figure 2. ROC result of Decision Tree

How to interpret the result of ROC?

Basically, the closer the curve to the upper left corner, the better the classifier. In other words, the “area under curve” should be closed to maximum value, which is 1. We can do comparison of performance based on ROC curve of two methods which are Decision Tree (DT) and K-Nearest Neighbor K-NN as seen in Figure 3. It shows that the DT method that represented by red line outperforms K-NN that represented by green line.

ROC Result of DT and KNN
Figure 3. ROC Result of Decision Tree and K-Nearest Neighbor

The R Code to draw Figure 3 is represented by the following code:

# Load the ROCR library
library(ROCR)

# Make the prediction objects for both models: pred_t, pred_k
# probs_t is the result of positive prediction of Decision Tree Model 
# probs_k is the result of positive prediction of K-Nearest Neighbor
pred_t <- prediction(probs_t, test$spam)
pred_k <- prediction(probs_k, test$spam)

# Make the performance objects for both models: perf_t, perf_k
perf_t <- performance(pred_t,"tpr","fpr")
perf_k <- performance(pred_k,"tpr","fpr")

# Draw the ROC lines using draw_roc_lines()
draw_roc_lines(perf_t,perf_k)

Area under curve (AUC) parameter can also be calculated by running this command below. It shows that the AUC of DT is 5% greater than K-NN.

# Make the performance object of pred_t and pred_k: auc_t and auc_k
auc_t <- performance(pred_t,"auc")
auc_k <- performance(pred_k,"auc")

# Print the AUC value
auc_t@y.values[[1]] # AUC result is 0.9504336
auc_k@y.values[[1]] # AUC result is 0.9076067

Summary

  • ROC (Receiver Operator Characteristic) Curve is a very powerful performance measure.
  • It is used for binomial classification.
  • ROCR is a great package to be used in R for drawing ROC curve
  • The closer the curve to the upper left of area, the better the classifier.
  • The good classifier has big area under curve.

Ganjil vs Genap: Menang Mana?

Diambil dari detik.com
Sumber Ilustrasi: Detik.com

Seperti yang Anda tahu, warga DKI Jakarta mengalami permasalahan kota yang sangat klasik, yaitu kemacetan. Untuk mengatasi permasalahan tersebut, pemerintah sudah banyak melakukan usaha, seperti penambahan armada busway, pembatasan kendaraan dengan 3 in 1 di lokasi tertentu, dan peraturan yang paling baru resmi diterapkan pada 30 Agustus 2016, yaitu ganjil genap. Dengan adanya peraturan ganjil genap ini, maka 3 in 1 sudah tidak ada lagi.

Saya tak akan menganalisis pengaruh peraturan ini terhadap tingkat kemacetan di Jakarta, tetapi ingin menjawab pertanyaan yang tadi pagi terlintas dalam benak saya, yaitu:

Mana yang lebih untung, punya kendaraan berplat ganjil atau genap?

Untuk menjawab pertanyaan tersebut, kita asumsikan yang menjadi patokan “lebih untung” adalah jumlah hari kendaraan bisa berkendara di jalan-jalan yang diterapkan ganjil-genap, maka kita harus menghitung berapa hari masing-masing kendaraan ganjil dan genap dapat melintas dalam kurun waktu tertentu.

Asumsi kurun waktu yang diambil adalah 1 tahun sejak 30 Agustus 2016. Berarti, interval waktunya adalah 30 Agustus 2016 hingga 29 Agustus 2017. Jumlah hari dalam kurun waktu tersebut adalah 365 hari. Kita kurangkan dengan hari Sabtu dan Minggu yang mana sebanyak 104 hari, sehingga tinggal 261 hari. Kita kurangkan lagi dengan jumlah hari libur yang tidak bertepatan pada hari Sabtu dan hari Minggu, yaitu sebanyak 11 hari, sehingga tinggal 250 hari. Jika kita asosiasikan dengan tanggal, maka jumlah tanggal ganjil di luar dari hari Sabtu, Minggu, dan libur adalah 129 hari. Sedangkan jumlah tanggal genapnya adalah 121 hari. Dengan demikian, Anda yang memiliki kendaraan plat nomor ganjil lebih diuntungkan 8 hari dibandingkan dengan yang memiliki kendaraan plat nomor genap.

Pertanyaan saya terjawab.

Oiya, untuk mengerjakan hal ini, saya dibantu oleh R programming sederhana berikut.

library(lubridate)
library(dplyr)
#set direktori
setwd("C:/Users/USER/Documents/05_pribadi/tanggal_ganjilgenap")

#daftar libur dari 30 Agustus 2016 s.d. 29 Agustus 2017
Liburan <- read.csv("daftarlibur.csv")
Liburan$Date <- as.Date(mdy(Liburan$Date))

#Buat tanggal dari 30 Agustus 2016 hingga 29 Agustus 17
Tanggal <- data.frame(Date = seq.Date(as.Date("2016/8/30"),as.Date("2017/8/29"),"days"))
Tanggal$day <- apply(Tanggal,1,day)

#Merge dengan liburan
Tanggal <- left_join(Tanggal,Liburan,by="Date")

#Beri label apakah tanggal tersebut ganjil atau genap 
Tanggal <- Tanggal %>% mutate(jenis = ifelse(day %% 2 == 0,"genap","ganjil"),weekday = wday(Date,label = TRUE))
Tanggal[is.na(Tanggal)] <- 0

#Filter hari Sabtu, Minggu, dan Libur
Tanggal <- Tanggal %>% filter(as.integer(weekday)>1, as.integer(weekday)<7, as.integer(Holiday)==0)

#Agregat jumlah ganjil dan genap 
Agregat <- Tanggal %>% group_by(jenis) %>% summarise(jumlah=n())

#Print agregat
print(Agregat)

Note: Daftar Hari Libur saya daftar di file csv (daftarlibur.csv).

Date,Holiday
9/12/2016,1
10/2/2016,1
12/12/2016,1
12/24/2016,1
12/25/2016,1
12/26/2016,1
1/1/2017,1
1/28/2017,1
3/28/2017,1
4/14/2017,1
4/24/2017,1
5/1/2017,1
5/25/2017,1
6/1/2017,1
6/25/2017,1
6/26/2017,1
8/17/2017,1

Akan tetapi, sebenarnya tanpa bantuan script pun bisa dilakukan dengan cepat. Satu tahun ada 12 bulan. Ada 7 bulan yang memiliki 31 hari, 4 bulan yang memiliki 30 hari, dan 1 bulan yang memiliki 28 atau 29 hari. Berarti dalam satu tahun, tanggal ganjil akan 7-8 hari lebih banyak ketimbang genap. Make sense. Ganjil, you are the winner!