Penjelasan Konsep: File Python menunjukkan bahwa eksperimen dirancang untuk membandingkan dua algoritma klasifikasi yang berbeda. SGD (Stochastic Gradient Descent) adalah algoritma optimasi yang sederhana dan cepat, sedangkan MLP (Multi-Layer Perceptron) adalah neural network yang lebih kompleks dengan hidden layer.
Metodologi Eksperimen: Dari kode Python, kita dapat melihat bahwa SGD dikonfigurasi dengan maksimal 300 iterasi training, sementara MLP menggunakan 500 iterasi maksimal dengan 50 neuron di hidden layer. Eksperimen dilakukan sebanyak 30 kali dengan random state yang berbeda untuk setiap percobaan, memastikan variabilitas yang cukup untuk analisis statistik.
Proses Evaluasi: Setiap algoritma dilatih dengan data yang sama (80% untuk training) dan dievaluasi dengan data test yang sama (20%). Akurasi dihitung menggunakan fungsi accuracy_score yang membandingkan prediksi dengan label sebenarnya. Hasil akurasi dari 30 percobaan disimpan dalam list untuk analisis lebih lanjut.
Hasil Statistik Deskriptif: Berdasarkan analisis data di Excel, rata-rata akurasi SGD adalah 44.12% dengan standar deviasi 16.43%. Sementara itu, rata-rata akurasi MLP adalah 47.62% dengan standar deviasi 24.19%. Ini menunjukkan bahwa MLP memiliki performa rata-rata yang lebih baik.
Interpretasi Hasil: Varians SGD (0.0270) lebih kecil dibandingkan MLP (0.0585), yang menunjukkan bahwa SGD memberikan hasil yang lebih konsisten meskipun akurasinya lebih rendah. Range akurasi SGD adalah 13.43% - 71.64%, sedangkan MLP memiliki range yang lebih lebar: 13.43% - 96.71%.
JAWABAN: TIDAK, SGD tidak lebih akurat daripada MLP. MLP unggul 3.5% dalam rata-rata akurasi.
Arsitektur dan Kompleksitas: File Python menunjukkan bahwa MLP memiliki arsitektur yang lebih kompleks dengan hidden layer berisi 50 neuron, memungkinkan pembelajaran pola yang lebih rumit. SGD menggunakan pendekatan linear yang lebih sederhana namun efisien secara komputasi.
Konfigurasi Parameter: MLP dikonfigurasi dengan maksimal 500 iterasi training dibandingkan SGD yang hanya 300 iterasi. Hal ini memberikan MLP lebih banyak kesempatan untuk mempelajari pola dalam data, meskipun juga berisiko overfitting.
Proses Training: Kedua algoritma dilatih dalam kondisi yang sama dengan dataset Palmer Penguins yang berisi 4 fitur morfometrik pinguin. Setiap iterasi menggunakan random_state yang berbeda untuk memastikan variabilitas dalam pembagian data training-testing.
Perbandingan Statistik: Data Excel menunjukkan bahwa MLP memiliki rata-rata akurasi 47.62% dibandingkan SGD yang 44.12%. Namun, MLP juga memiliki variabilitas yang lebih tinggi dengan standar deviasi 24.19% dibandingkan SGD yang 16.43%.
Analisis Distribusi: Nilai maksimum MLP (96.71%) jauh lebih tinggi dari SGD (71.64%), menunjukkan potensi performa terbaik MLP lebih baik. Namun, nilai minimum keduanya sama (13.43%), menunjukkan bahwa kedua algoritma bisa gagal dalam kondisi tertentu.
JAWABAN: YA, MLP lebih akurat secara deskriptif dengan rata-rata 3.5% lebih tinggi, namun dengan variabilitas yang lebih besar.
Desain Eksperimen Paired: File Python menunjukkan bahwa eksperimen dirancang sebagai paired comparison, dimana setiap iterasi menghasilkan sepasang nilai akurasi (SGD dan MLP) dari dataset yang sama. Ini memungkinkan analisis statistik yang lebih akurat karena mengurangi variabilitas eksternal.
Kontrol Variabel: Penggunaan random_state yang konsisten untuk setiap pasangan memastikan bahwa perbedaan hasil benar-benar disebabkan oleh algoritma, bukan oleh perbedaan dalam pembagian data. Setiap iterasi menggunakan train-test split yang sama untuk kedua algoritma.
Pengumpulan Data: Hasil dari 30 percobaan disimpan dalam dua list terpisah yang kemudian akan dianalisis secara statistik. Jumlah 30 percobaan dipilih untuk memenuhi syarat minimum central limit theorem untuk analisis parametrik.
Uji Hipotesis Statistik: Excel menunjukkan hasil uji t-test berpasangan dengan H₀: μ₁ = μ₂ (tidak ada perbedaan rata-rata akurasi). Dengan α = 0.05 dan df = 29, nilai t-tabel adalah 2.045. Hasil perhitungan menunjukkan t-hitung = 1.6715.
Kriteria Keputusan: Karena |t-hitung| = 1.6715 < t-tabel = 2.045, maka H₀ diterima. Ini berarti secara statistik tidak ada perbedaan yang signifikan antara rata-rata akurasi kedua algoritma pada tingkat kepercayaan 95%.
Interpretasi Praktis: Meskipun MLP memiliki rata-rata akurasi yang lebih tinggi secara deskriptif, perbedaan ini tidak cukup besar untuk dianggap signifikan secara statistik. Variabilitas yang tinggi dalam hasil MLP berkontribusi pada tidak signifikannya perbedaan ini.
JAWABAN: YA, secara statistik kedua algoritma memiliki akurasi yang sama (tidak berbeda signifikan).
Tahap Persiapan Data: File Python menunjukkan proses sistematis dalam mengolah data Palmer Penguins. Pertama, data dibaca langsung dari repository GitHub menggunakan pandas, memastikan konsistensi dan reproducibility. Data asli berisi informasi lengkap tentang pinguin termasuk spesies, lokasi, dan berbagai pengukuran morfometrik.
Pembersihan Data: Tahap kritis dalam preprocessing adalah menangani missing values. Kode menggunakan fungsi dropna() untuk menghapus baris yang mengandung nilai NaN. Ini adalah pendekatan konservatif yang memastikan semua data yang digunakan lengkap, meskipun mengurangi ukuran dataset dari data asli menjadi 333 baris.
Seleksi Fitur: Dari berbagai kolom yang tersedia, hanya dipilih 4 fitur numerik yang relevan untuk klasifikasi: panjang paruh (bill_length_mm), kedalaman paruh (bill_depth_mm), panjang sirip (flipper_length_mm), dan berat badan (body_mass_g). Variabel target adalah spesies pinguin (species).
Pembagian Data: Data dibagi menjadi 80% untuk training dan 20% untuk testing menggunakan train_test_split. Pembagian ini dilakukan sekali di awal dan digunakan konsisten untuk semua 30 iterasi eksperimen.
Struktur Data Hasil: File Excel berisi hasil akhir dari 30 iterasi eksperimen dalam format yang siap untuk analisis statistik. Data tersusun dalam dua kolom: "Akurasi SGD" dan "Akurasi MLP", dengan setiap baris mewakili satu iterasi eksperimen.
Format Numerik: Semua nilai akurasi disimpan dalam format desimal (0.0-1.0) yang memudahkan perhitungan statistik. Data sudah terstruktur dengan baik tanpa missing values atau outliers yang perlu ditangani lebih lanjut.
Validasi Data: Excel menunjukkan bahwa semua 30 iterasi berhasil dijalankan dengan hasil yang valid. Tidak ada nilai error atau hasil yang mencurigakan, menunjukkan bahwa proses eksperimen berjalan dengan baik.
Inisialisasi Model: Setiap iterasi dimulai dengan membuat instance baru dari kedua algoritma. SGD diinisialisasi dengan parameter max_iter=300 dan random_state=i, sementara MLP menggunakan hidden_layer_sizes=50, max_iter=500, dan random_state=i. Penggunaan random_state yang sama memastikan fair comparison.
Proses Training: Kedua model dilatih secara terpisah menggunakan data training yang sama. Proses fit() melibatkan optimasi parameter internal model untuk meminimalkan error klasifikasi. SGD menggunakan gradient descent untuk optimasi, sementara MLP menggunakan backpropagation.
Evaluasi dan Prediksi: Setelah training, kedua model digunakan untuk memprediksi spesies pinguin pada data test. Fungsi predict() menghasilkan label prediksi yang kemudian dibandingkan dengan label sebenarnya menggunakan accuracy_score.
Penyimpanan Hasil: Nilai akurasi dari setiap iterasi disimpan dalam list menggunakan append(). Proses ini diulang 30 kali untuk mengumpulkan cukup data untuk analisis statistik yang robust.
Perhitungan Statistik Deskriptif: Excel menghitung berbagai statistik deskriptif untuk kedua algoritma: rata-rata, varians, standar deviasi, nilai minimum, dan maksimum. Perhitungan menggunakan fungsi built-in seperti AVERAGE(), VAR.S(), dan STDEV.S().
Analisis Perbedaan: Untuk uji hipotesis, Excel menghitung selisih akurasi (MLP - SGD) untuk setiap pasangan data. Dari 30 selisih ini, dihitung rata-rata selisih (d̄) dan standar deviasi selisih (sd) yang diperlukan untuk uji t-test.
Uji Statistik: Perhitungan t-hitung menggunakan rumus t = d̄/(sd/√n), dimana n=30. Nilai ini kemudian dibandingkan dengan t-tabel yang diperoleh dari tabel distribusi t dengan df=29 dan α=0.05.
Interpretasi Hasil: Berdasarkan perbandingan t-hitung dengan t-tabel, dibuat keputusan statistik apakah H₀ diterima atau ditolak. Hasil ini kemudian diinterpretasikan dalam konteks praktis perbandingan kedua algoritma.
Konteks Penelitian: File Python menunjukkan bahwa penelitian ini adalah comparative study untuk menentukan algoritma mana yang lebih baik untuk klasifikasi spesies pinguin. Eksperimen dirancang untuk menghasilkan data yang dapat dianalisis secara statistik untuk menjawab pertanyaan penelitian.
Variabel Penelitian: Variabel dependen adalah akurasi klasifikasi (0-1), sementara variabel independen adalah jenis algoritma (SGD vs MLP). Eksperimen menggunakan repeated measures design dengan 30 pengulangan untuk setiap algoritma.
Asumsi Eksperimen: Kode menunjukkan bahwa eksperimen dilakukan dalam kondisi terkontrol: dataset sama, preprocessing sama, train-test split sama, dan evaluasi metric sama. Ini memastikan bahwa perbedaan hasil benar-benar disebabkan oleh algoritma yang digunakan.
Hipotesis Null (H₀): Berdasarkan analisis statistik di Excel, H₀ diformulasikan sebagai μ₁ = μ₂, yang berarti tidak ada perbedaan rata-rata akurasi antara algoritma SGD dan MLP. Secara matematis: H₀: μ_MLP - μ_SGD = 0.
Hipotesis Alternatif (H₁): H₁ menyatakan μ₁ ≠ μ₂, yang berarti ada perbedaan rata-rata akurasi antara kedua algoritma. Ini adalah two-tailed test karena kita tidak memiliki asumsi awal tentang algoritma mana yang lebih baik.
Parameter Statistik: Tingkat signifikansi (α) ditetapkan 0.05, yang merupakan standar dalam penelitian. Derajat kebebasan (df) = n-1 = 29. Uji yang digunakan adalah paired sample t-test karena data berpasangan dari eksperimen yang sama.
Kriteria Keputusan: Jika |t-hitung| > t-tabel, maka H₀ ditolak (ada perbedaan signifikan). Jika |t-hitung| ≤ t-tabel, maka H₀ diterima (tidak ada perbedaan signifikan).
Persiapan Data Eksperimen: File Python menunjukkan bahwa data untuk pengujian hipotesis dipersiapkan melalui eksperimen yang sistematis. Setiap iterasi menghasilkan sepasang nilai akurasi yang akan dianalisis sebagai paired samples. Penggunaan loop for dengan 30 iterasi memastikan ukuran sampel yang cukup untuk analisis statistik.
Kontrol Eksperimen: Kode menunjukkan kontrol yang ketat dalam eksperimen: random_state yang konsisten untuk setiap pasangan, dataset yang sama, dan preprocessing yang identik. Hal ini memastikan bahwa perbedaan hasil murni disebabkan oleh algoritma yang digunakan.
Validasi Metodologi: Penggunaan library scikit-learn yang standar dan metrik evaluasi yang established (accuracy_score) memastikan validitas metodologi. Proses train-test split yang konsisten mencegah bias dalam evaluasi.
Export Data: Kode menunjukkan bahwa hasil eksperimen diekspor ke file Excel untuk analisis statistik lebih lanjut. Ini memisahkan tahap pengumpulan data dari tahap analisis, memastikan objektivitas dalam interpretasi hasil.
Analisis Data Berpasangan: Excel menunjukkan penggunaan paired sample t-test, yang tepat untuk data yang dihasilkan dari eksperimen. Setiap baris data mewakili satu iterasi eksperimen dengan dua nilai akurasi yang berpasangan.
Perhitungan Statistik Uji: Langkah-langkah perhitungan meliputi: 1) Menghitung selisih untuk setiap pasangan data (d = MLP - SGD), 2) Menghitung rata-rata selisih (d̄ = 0.0349), 3) Menghitung standar deviasi selisih (sd = 1.7039), 4) Menghitung t-hitung = d̄/(sd/√n) = 1.6715.
Penentuan Nilai Kritis: Dengan α = 0.05 dan df = 29, nilai t-tabel (two-tailed) adalah 2.045. Ini diperoleh dari tabel distribusi t atau menggunakan fungsi statistik di Excel.
Keputusan Statistik: Karena |t-hitung| = 1.6715 < t-tabel = 2.045, maka H₀ diterima. Ini berarti tidak ada perbedaan yang signifikan secara statistik antara rata-rata akurasi kedua algoritma pada tingkat kepercayaan 95%.
Interpretasi Praktis: Meskipun MLP memiliki rata-rata akurasi yang lebih tinggi (47.62% vs 44.12%), perbedaan ini tidak cukup besar untuk dianggap signifikan secara statistik. Variabilitas yang tinggi dalam hasil MLP berkontribusi pada tidak signifikannya perbedaan ini.
Validitas Metodologi: File Python menunjukkan bahwa eksperimen dilakukan dengan metodologi yang solid dan dapat direproduksi. Penggunaan library yang standar (scikit-learn, pandas) dan praktik terbaik dalam machine learning (train-test split, cross-validation melalui pengulangan) memastikan validitas hasil.
Kualitas Data dan Preprocessing: Dataset Palmer Penguins adalah dataset yang well-documented dan sering digunakan dalam penelitian. Preprocessing yang dilakukan (menghapus missing values, seleksi fitur) sesuai dengan standar praktik dalam machine learning.
Desain Eksperimen: Eksperimen dirancang untuk fair comparison antara kedua algoritma. Penggunaan parameter yang reasonable (bukan optimal) untuk kedua algoritma memastikan bahwa perbandingan tidak bias terhadap salah satu algoritma.
Reproducibility: Kode yang disediakan memungkinkan reproduksi eksperimen yang sama, yang penting untuk validasi hasil dan pengembangan penelitian lebih lanjut.
Hasil Uji Hipotesis: Berdasarkan analisis statistik, H₀ diterima dengan t-hitung = 1.6715 < t-tabel = 2.045. Ini berarti secara statistik tidak ada perbedaan yang signifikan antara rata-rata akurasi SGD dan MLP pada tingkat kepercayaan 95%.
Interpretasi Statistik vs Praktis: Meskipun MLP memiliki rata-rata akurasi yang lebih tinggi secara deskriptif (3.5% lebih tinggi), perbedaan ini tidak signifikan secara statistik. Hal ini menunjukkan bahwa kedua algoritma dapat dianggap memiliki performa yang setara untuk dataset Palmer Penguins.
Implikasi Praktis: Untuk aplikasi praktis, pemilihan algoritma dapat didasarkan pada pertimbangan lain seperti: 1) SGD lebih konsisten (variabilitas lebih rendah), 2) MLP memiliki potensi akurasi maksimal yang lebih tinggi, 3) SGD lebih efisien secara komputasi, 4) MLP lebih flexible untuk pola kompleks.
Keterbatasan dan Rekomendasi: Kesimpulan ini berlaku untuk dataset Palmer Penguins dengan konfigurasi parameter yang digunakan. Untuk generalisasi yang lebih luas, diperlukan: 1) Eksperimen dengan dataset yang lebih besar, 2) Optimasi hyperparameter untuk kedua algoritma, 3) Penggunaan cross-validation yang lebih sophisticated, 4) Evaluasi dengan metrik lain selain akurasi.
| Aspek | File Python | File Excel |
|---|---|---|
| Fungsi | Menghasilkan data eksperimen | Menganalisis data hasil eksperimen |
| Keluaran | Skor akurasi mentah | Analisis statistik |
| Informasi | Metodologi & proses | Hasil & interpretasi |
| Fokus | Implementasi algoritma | Inferensi statistik |
| Hasil | 30 pasang nilai akurasi | Kesimpulan pengujian hipotesis |
| Peran | Pengumpulan data | Analisis dan interpretasi |
| Pendekatan | Eksperimental | Analitik |
| Output Utama | Data numerik | Keputusan statistik |