-
Notifications
You must be signed in to change notification settings - Fork 0
/
komputasi.py
183 lines (173 loc) · 9.04 KB
/
komputasi.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
from datetime import date
import re
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import streamlit as st
import time
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import association_rules, apriori
from sklearn.preprocessing import MinMaxScaler
def normalize_data(df):
scaler = MinMaxScaler()
df[['Tanggal', 'Bulan', 'Tahun']] = scaler.fit_transform(df[['Tanggal', 'Bulan', 'Tahun']])
return df
def preprocess_data(df, tanggal, sep, dateformat):
df = prep_date(df, tanggal, sep, dateformat)
df = normalize_data(df)
return df
def prep_date(df, tanggal, sep, dateformat):
if dateformat == 'ddmmyy':
df['Tanggal'] = df[tanggal].apply(lambda x: int(x.split(sep)[0]))
df['Bulan'] = df[tanggal].apply(lambda x: int(x.split(sep)[1]))
df['Tahun'] = df[tanggal].apply(lambda x: int(x.split(sep)[2]))
elif dateformat == 'mmddyy':
df['Tanggal'] = df[tanggal].apply(lambda x: int(x.split(sep)[1]))
df['Bulan'] = df[tanggal].apply(lambda x: int(x.split(sep)[0]))
df['Tahun'] = df[tanggal].apply(lambda x: int(x.split(sep)[2]))
elif dateformat == 'yymmdd':
df['Tanggal'] = df[tanggal].apply(lambda x: int(x.split(sep)[2]))
df['Bulan'] = df[tanggal].apply(lambda x: int(x.split(sep)[1]))
df['Tahun'] = df[tanggal].apply(lambda x: int(x.split(sep)[0]))
return df
def dataset_settings(df, pembeli, tanggal, produk):
c1, c2 = st.columns((2, 1))
year_list = ['Semua']
year_list = np.append(year_list, df['Tahun'].unique())
by_year = c1.selectbox('Tahun ', (year_list))
if by_year != 'Semua':
df = df[df['Tahun'] == int(by_year)]
by_month = c2.slider('Bulan', 1, 12, (1, 12))
df = df[df['Bulan'].between(int(by_month[0]), int(by_month[1]), inclusive="both")]
return df
def show_transaction_info(df, produk, pembeli):
try:
col1, col2 = st.columns(2)
st.subheader(f'Informasi Transaksi:')
total_produk = df[produk].nunique()
total_transaksi = df[pembeli].nunique()
total_barang_terjual = df[produk].sum() # Menghitung jumlah total barang terjual
total_frekuensi_produk = len(df) # Menghitung frekuensi total dari semua produk
col1.info(f'Produk terjual : {total_produk}')
col2.info(f'Total transaksi : {total_transaksi}')
col2.info(f'Frekuensi total produk terjual : {total_frekuensi_produk}') # Menampilkan frekuensi total produk terjual
sort = col1.radio('Tentukan kategori produk', ('Terlaris', 'Kurang Laris'))
jumlah = col2.slider('Tentukan jumlah produk', 0, total_produk, 10)
if sort == 'Terlaris':
most_sold = df[produk].value_counts().head(jumlah)
else:
most_sold = df[produk].value_counts().tail(jumlah)
most_sold = most_sold.sort_values(ascending=True)
if not most_sold.empty:
c1, c2 = st.columns((2, 1))
plt.figure(figsize=(8, 4))
most_sold.plot(kind='bar')
plt.title('Grafik Penjualan')
c1.pyplot(plt)
c2.write(most_sold)
else:
st.warning("Tidak ada data yang sesuai dengan kriteria yang dipilih.")
except Exception as e:
st.error(f"Terjadi kesalahan saat menampilkan informasi transaksi: {str(e)}")
def data_summary(df, pembeli, tanggal, produk):
st.header('Ringkasan Dataset')
col1, col2 = st.columns(2)
sep_option = col1.radio('Tentukan separator tanggal', options=[('-', 'Dash'), ('/', 'Slash')])
sep = sep_option[0]
dateformat = col2.radio('Tentukan format urutan tanggal', ('ddmmyy', 'mmddyy', 'yymmdd'))
try:
df = prep_date(df, tanggal, sep, dateformat)
except ValueError:
st.warning('Format tanggal tidak sesuai! Silakan cek kembali dan pastikan format yang benar.')
st.stop()
except IndexError:
st.warning('Separator tanggal salah! Silakan cek kembali dan pastikan pemisah yang benar.')
st.stop()
st.write('Setelan Tampilan Dataset:')
df = dataset_settings(df, pembeli, tanggal, produk)
st.dataframe(df.sort_values(by=['Tahun', 'Bulan', 'Tanggal'], ascending=True))
show_transaction_info(df, produk, pembeli)
return df
def prep_frozenset(rules):
temp = re.sub(r'frozenset\({', '', str(rules))
temp = re.sub(r'}\)', '', temp)
return temp
def MBA(df, pembeli, produk):
st.header('Association Rule Mining Menggunakan Apriori')
if st.button("Mulai Perhitungan Asosiasi"):
start_time = time.time()
transaction_list = []
for i in df[pembeli].unique():
tlist = list(set(df[df[pembeli]==i][produk]))
if len(tlist)>0:
transaction_list.append(tlist)
te = TransactionEncoder()
te_ary = te.fit(transaction_list).transform(transaction_list)
df2 = pd.DataFrame(te_ary, columns=te.columns_)
frequent_itemsets = apriori(df2, min_support=0.02, use_colnames=True) #nilai support yang digunakan
try:
rules = association_rules(frequent_itemsets, metric='confidence', min_threshold=0.01)
# Ganti min_threshold sesuai dengan nilai confidence yang diinginkan
except ValueError as e:
st.error(f"Terjadi kesalahan saat menghasilkan aturan asosiasi: {str(e)}")
st.stop()
end_time = time.time()
processing_time = end_time - start_time
col1, col2 = st.columns(2)
col1.subheader('Hasil Rules (Pola Pembelian Pelanggan)')
st.write('Total rules yang dihasilkan :', len(rules))
col1.write(f'Waktu yang dibutuhkan untuk memproses rule: {processing_time:.2f} detik')
if len(rules) == 0: # Tidak ada aturan yang dihasilkan
st.write("Tidak ada aturan yang dihasilkan.")
else:
antecedents = rules['antecedents'].apply(prep_frozenset)
consequents = rules['consequents'].apply(prep_frozenset)
matrix = {
'antecedents': antecedents,
'consequents': consequents,
'support': rules['support'],
'confidence': rules['confidence'],
'lift ratio': rules['lift'],
'contribution': rules['support'] * rules['confidence']
}
matrix = pd.DataFrame(matrix)
matrix.reset_index(drop=True, inplace=True)
matrix.index += 1
col1.write(matrix)
col2.subheader('Keterangan')
col2.write("- Support = Seberapa sering sebuah rules tersebut muncul dalam data,")
col2.write("- Confidence = Seberapa sering rules tersebut dikatakan benar")
col2.write("- Lift Ratio = Ukuran Kekuatan hubungan antara dua item")
col2.write("- Contribution = Kontribusi setiap rules terhadap peningkatan lift secara keseluruhan")
# Tampilkan rekomendasi stok barang untuk dibeli
col1, col2 = st.columns(2)
col1.subheader("Rekomendasi stok barang untuk dibeli (contribution) :")
recommended_products = []
recommended_products_contribution = {}
for antecedent, contribution in zip(matrix['antecedents'], matrix['contribution']):
antecedent_list = antecedent.split(', ')
for item in antecedent_list:
if item not in recommended_products_contribution:
recommended_products_contribution[item] = contribution
else:
recommended_products_contribution[item] += contribution
recommended_products.extend(antecedent_list)
recommended_products = list(set(recommended_products)) # Hapus duplikat
recommended_products_sorted = sorted(recommended_products, key=lambda x: (recommended_products_contribution[x], matrix[matrix['antecedents'].apply(lambda y: x in y)]['lift ratio'].values[0]), reverse=True)
for idx, item in enumerate(recommended_products_sorted, start=1):
col1.write(f"{idx}. <font color='red'>{item}</font> ({recommended_products_contribution[item]})", unsafe_allow_html=True)
# Tampilkan informasi tentang produk yang paling laris terjual dalam bentuk tabel
most_sold = df[produk].value_counts()
if not most_sold.empty:
col2.subheader("Jumlah Produk Terjual")
col2.dataframe(most_sold, width=400)
else:
st.warning("Tidak ada data yang sesuai dengan kriteria yang dipilih.")
for a, c, supp, conf, lift in sorted(zip(matrix['antecedents'], matrix['consequents'], matrix['support'], matrix['confidence'], matrix['lift ratio']), key=lambda x: x[4], reverse=True):
st.info(f'Jika customer membeli {a}, maka customer juga membeli {c}')
st.write('Support : {:.3f}'.format(supp))
st.write('Confidence : {:.3f}'.format(conf))
st.write('Lift Ratio : {:.3f}'.format(lift))
st.write('Contribution : {:.3f}'.format(supp * conf))
st.write('')