t-SNE untuk Memvisualisasikan Kemiripan Profil Zat Gizi Bahan Pangan Lokal dari Kalori dan Protein

Info proyek

• Bidang studiKeperawatan dan Gizi
• JenjangDisertasi (S3)
• Jenis metodeReduksi Dimensi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn TSNE, PCA, StandardScaler
• HargaRp 450.000 - Rp 2.800.000

Tujuan analisis

Memvisualisasikan struktur kemiripan profil zat gizi pangan berdasarkan kalori dan protein dalam dua dimensi dengan t-SNE.

Variabel

Contoh hasil

• 0.227KL divergence
• 0.981Trustworthiness t-SNE
• 0.929Trustworthiness PCA
• 0.728Silhouette t-SNE
• 0.463Silhouette PCA
• 30Perplexity

t-SNE memetakan 8 indikator ke 2 dimensi dengan trustworthiness 0.981 (PCA 0.929) dan silhouette 0.728, sehingga kelompok data terlihat jelas.

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

Tentang t-SNE untuk Visualisasi

t-SNE memetakan data berdimensi tinggi ke dua dimensi dengan mempertahankan kedekatan lokal antar titik. Dipakai hanya untuk visualisasi eksploratif struktur klaster, bukan untuk pengujian statistik.

Langkah pengerjaan

1. 1Standarisasi fitur dan (bila dimensi sangat tinggi) reduksi awal dengan PCA
2. 2Pilih perplexity (misalnya 5 sampai 50)
3. 3Jalankan TSNE dengan random_state tetap
4. 4Coba beberapa perplexity untuk menguji kestabilan pola
5. 5Warnai titik menurut kelas atau klaster
6. 6Interpretasikan secara hati-hati

Asumsi yang perlu diperiksa

• Jarak antar klaster dan ukuran klaster pada gambar tidak bermakna kuantitatif
• Hasil bergantung pada perplexity dan inisialisasi
• Tidak dapat memproyeksikan data baru tanpa melatih ulang

Membaca dan melaporkan hasil

Sajikan t-SNE sebagai ilustrasi pendukung dan nyatakan perplexity serta seed yang dipakai. Jangan menyimpulkan jarak antar klaster dari gambar ini.

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.manifold import TSNE
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

X, food_nutrient_profile = make_blobs(n_samples=400, n_features=20, centers=4, cluster_std=3.0, random_state=22)
Xs = StandardScaler().fit_transform(X)
calories = Xs[:, 0]
protein = Xs[:, 1]

Xp = PCA(n_components=10, random_state=22).fit_transform(Xs)
fig, axes = plt.subplots(1, 3, figsize=(14, 4))
for ax, perp in zip(axes, (5, 30, 60)):
    emb = TSNE(n_components=2, perplexity=perp, init="pca", random_state=22).fit_transform(Xp)
    ax.scatter(emb[:, 0], emb[:, 1], c=food_nutrient_profile, s=10)
    ax.set_title(f"perplexity = {perp}")
    print("perplexity", perp, "KL divergence not exposed; embedding shape:", emb.shape)
plt.tight_layout()
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