Linear Discriminant Analysis dalam Memisahkan Tingkat tingkat kerusakan produk berdasarkan lama penyimpanan dan suhu penyimpanan

Info proyek

• Bidang studiLogistik dan Rantai Pasok
• JenjangTesis (S2)
• Jenis metodeReduksi Dimensi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn LinearDiscriminantAnalysis, train_test_split, accuracy_score
• HargaRp 350.000 - Rp 2.300.000

Tujuan analisis

Mencari sumbu diskriminan yang memisahkan tingkat tingkat kerusakan produk dari lama penyimpanan dan suhu penyimpanan serta menilai akurasi pemisahan.

Variabel

Contoh hasil

• 0.935Test accuracy
• 0.961CV accuracy
• 0.961Macro F1 (CV)
• 60.722LD1 variance %
• 39.278LD2 variance %
• 6Features

LDA memisahkan 3 kelompok dengan akurasi uji 0.935 (validasi silang 0.961); LD1 menjelaskan 60.7% pemisahan antar-kelompok.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Linear Discriminant Analysis

Linear Discriminant Analysis mencari kombinasi linear fitur yang memisahkan kelas sebaik mungkin, sekaligus bisa dipakai sebagai pengklasifikasi. Cocok untuk reduksi dimensi terarah (supervised) dan klasifikasi dengan kelas yang cukup terpisah.

Langkah pengerjaan

1. 1Siapkan fitur numerik dan label kelas
2. 2Bagi data latih dan uji secara berstrata
3. 3Latih LinearDiscriminantAnalysis
4. 4Proyeksikan data ke sumbu diskriminan
5. 5Evaluasi akurasi dan confusion matrix pada data uji
6. 6Plot proyeksi menurut kelas

Asumsi yang perlu diperiksa

• Fitur tiap kelas berdistribusi mendekati normal multivariat
• Matriks kovarians antar kelas kira-kira sama
• Jumlah komponen diskriminan paling banyak jumlah kelas dikurangi satu

Membaca dan melaporkan hasil

Laporkan akurasi, rasio varians terjelaskan tiap sumbu diskriminan, dan fitur yang paling membedakan kelas. Bahas pelanggaran asumsi kovarians bila ada.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix

X, product_spoilage_rate = make_blobs(n_samples=450, n_features=4, centers=3, cluster_std=2.0, random_state=21)
storage_duration = X[:, 0]
storage_temperature = X[:, 1]

X_tr, X_te, y_tr, y_te = train_test_split(X, product_spoilage_rate, test_size=0.3, stratify=product_spoilage_rate, random_state=21)
lda = LinearDiscriminantAnalysis(n_components=2).fit(X_tr, y_tr)
pred = lda.predict(X_te)
print("Accuracy:", round(accuracy_score(y_te, pred), 3))
print("Confusion matrix:\n", confusion_matrix(y_te, pred))
print("Explained variance ratio:", lda.explained_variance_ratio_.round(3))

Z = lda.transform(X_te)
for c in np.unique(y_te):
    plt.scatter(Z[y_te == c, 0], Z[y_te == c, 1], label=f"Class {c}", s=15)
plt.xlabel("LD1"); plt.ylabel("LD2"); plt.legend()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum