convex-hull-visualizer

Disusun untuk memenuhi Tugas Kecil 2 IF2211 Strategi Algoritma "Implementasi Convex Hull untuk Visualisasi Tes Linear Separability Dataset dengan Algoritma Divide and Conquer"

Daftar Isi

• Deskripsi Singkat Program
• Struktur Program
• Requirement Program
• Cara Kompilasi Program
• Cara Menjalankan Program
• Author

Deskripsi Singkat Program

Permasalahan yang diangkat pada tugas kecil ini adalah memvisualisasikan data yang terdapat pada suatu dataset classification dan menganalisis apakah dataset tersebut dapat dipisahkan secara linear (linearly separable) atau tidak dengan menggunakan convex hull. Dataset yang dapat dianalisis menggunakan metode ini hanyalah dataset yang terdiri atas data-data numerik. Hal tersebut dikarenakan dibutuhkan teknik-teknik pengolahan data lanjut untuk menganalisis dataset yang mempunyari atribut kategorikal.
Convex hull merupakan himpunan titik pada suatu bidang planar (convex) yang dimana jika sembarang dua titik pada himpunan tersebut dihubungkan oleh suatu garis, maka seluruh segmen garis tersebut terdapat di dalam himpunan tersebut. Dengan kata lain jika terdapat himpunan titik pada suatu bidang planar, maka convex hull merupakan poligon planar terkecil yang mencakup seluruh himpunan titik tersebut. Terdapat banyak aplikasi convex hull, seperti dalam kasus ini menjadi suatu pengujian apakah suatu dataset dapat dipisahkan secara linear atau tidak. Jika suatu dataset dapat dipisahkan secara linear, maka pemrogram dapat menggunakan model machine learning dengan tipe linear classification untuk memodelkan data tersebut. Untuk menentukan apakah suatu dataset linearly separable menggunakan visualisasi convex hull adalah dengan melakukan visualisasi untuk setiap pasangan atribut pada dataset tersebut. Ketika convex hull yang terbentuk untuk kategori atribut target yang berbeda terjadi overlap antara satu sama lain, maka dataset tersebut tidak bisa dipisahkan secara linear. Dataset dikatakan linearly separable ketika semua convex hull yang terbentuk dari hasil kombinasi dua atribut datasetnya tidak terdapat overlap sama sekali.
Terdapat beberapa algoritma yang dapat digunakan untuk mencari convex hull, diantaranya adalah Jarvis’s Algorithm (menggunakan strategi brute force), Graham Scan (menggunakan strategi sort and select), serta quickhull (menggunakan strategi divide and conquer). Pada tugas kecil ini, penulis mengambil algoritma quickhull dikarenakan tingkat kompleksitasnya yang tidak terlalu rumit serta berkorelasi dengan materi kelas.

Visualisasi Algoritma Quickhull:

Struktur Program

.
│   .gitignore
│   README.md
│   requirements.txt
│                   
├───src
│   │   myConvexHull.py
│   └───visualize.py
│           
└───test
        banknote.csv
        brain.csv
        heart.csv
        indiansdiabetes.csv
        list.txt

Requirement Program

• Python versi 3.8.5 atau lebih baru. Pastikan pula terdapat package PyPi (PIP) pada Python Anda.

Cara Kompilasi Program

1. Pastikan Python versi 3.8.5 atau lebih baru sudah terpasang pada mesin eksekusi (Anda dapat mengecek versi Python dengan menjalankan command py --version pada command prompt).
2. Lakukan instalasi semua library yang digunakan pada program. Anda dapat menginstalasi seluruh library yang digunakan pada program ini dengan menjalankan command py -m pip install -r requirements.txt pada command prompt.
3. Jika seluruh library berhasil diinstalasi, maka akan terdapat pemberitahuan pada command prompt.

Cara Menjalankan Program

1. Bukalah command prompt pada directory program ini.
2. Jalankan command py visualize.py <directory_dataset> <first_attribute> <second_attribute> -t <target_attribute> -c <list_of_class_name> atau py visualize.py <directory_dataset> <first_attribute> <second_attribute> --target <target_attribute> --class-name <list_of_class_name> pada command prompt.

• directory_dataset berisi relative path dari dataset yang ingin dievaluasi.
• first_attribute berisi nama atribut pertama pada dataset yang ingin dievaluasi (atribut akan dijadikan sumbu X pada grafik).
• second_attribute berisi nama atribut kedua pada dataset yang ingin dievaluasi (atribut akan dijadikan sumbu Y pada grafik).
• target_attribute berisi nama atribut target pada dataset yang ingin dievaluasi (atribut akan dijadikan warna pada grafik).
• list_of_class_name berisi kumpulan string yang dipisahkan sebagai spasi yang menyatakan setiap nama kelas pada atribut target.

3. Catatan:

• Jika Anda masih bingung dengan penjelasan pada README, Anda dapat menjalankan command py visualize.py -h atau py visualize.py --help pada command prompt untuk melihat penjelasan mendetail tentang program.
• Jika Anda ingin menggunakan dataset classification bawaan library scikit-learn, Anda dapat menghilangkan argumen target_attribute dan class_name.

Author

• Nama: Rayhan Kinan Muhannad
• NIM: 13520065
• Prodi/Jurusan: STEI/Teknik Informatika
• Profile GitHub: rayhankinan