Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/aliepratama/kuliah-final-kecerdasan-buatan
Repo untuk menyimpan projek kelompok pada mata kuliah Kecerdasan buatan
https://github.com/aliepratama/kuliah-final-kecerdasan-buatan
fuzzy-logic kuliah python
Last synced: 7 days ago
JSON representation
Repo untuk menyimpan projek kelompok pada mata kuliah Kecerdasan buatan
- Host: GitHub
- URL: https://github.com/aliepratama/kuliah-final-kecerdasan-buatan
- Owner: aliepratama
- Created: 2024-01-09T05:01:52.000Z (10 months ago)
- Default Branch: main
- Last Pushed: 2024-01-20T10:58:33.000Z (10 months ago)
- Last Synced: 2024-01-20T11:41:14.343Z (10 months ago)
- Topics: fuzzy-logic, kuliah, python
- Language: Jupyter Notebook
- Homepage:
- Size: 192 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
Implementasi Logika Fuzzy
Implementasi
algoritma dan studi kasus pada mata kuliah Kecerdasan Buatan
------------------------------------------------------------------------
## Fuzzy Logic (From Stratch)
Kami menggunakan data kecil yang digunakan pada excel
##### 1. Install library dan kebutuhan analisis
``` python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
```
##### 2. Membuka file dataset
``` python
df_main = pd.DataFrame({
"PERMINTAAN": [4000],
"PERSEDIAAN": [300],
})
df_main
```
PERMINTAAN PERSEDIAAN
0 4000 300
##### 3. Membuat fungsi grafik untuk model segitiga dan trapesium
``` python
def segitiga(x, abc):
assert len(abc) == 3
a, b, c = np.r_[abc]
assert a <= b and b <= c
y = np.zeros(len(x))
if a != b:
idx = np.nonzero(np.logical_and(a < x, x < b))[0]
y[idx] = (x[idx] - a) / float(b - a)
if b != c:
idx = np.nonzero(np.logical_and(b < x, x < c))[0]
y[idx] = (c - x[idx]) / float(c - b)
idx = np.nonzero(x == b)
y[idx] = 1
return y
def trapesium(x, abcd):
assert len(abcd) == 4
a, b, c, d = np.r_[abcd]
assert a <= b and b <= c and c <= d
y = np.ones(len(x))
idx = np.nonzero(x <= b)[0]
y[idx] = segitiga(x[idx], np.r_[a, b, b])
idx = np.nonzero(x >= c)[0]
y[idx] = segitiga(x[idx], np.r_[c, c, d])
idx = np.nonzero(x < a)[0]
y[idx] = np.zeros(len(idx))
idx = np.nonzero(x > d)[0]
y[idx] = np.zeros(len(idx))
return y
```
##### 4. Analisis fitur permintaan dengan logika fuzzy
Kami mengikuti konfigurasi yang diberikan soal, sepeti di gambar
berikut: 
Didapatkan rentang logika fuzzy pada range 1000 sampai 5000. Tetapi kami
beri interval range pada grafik sekitar 1000 untuk batas bawah, sehingga
range dari 0 sampai 5000.
Sehingga diperoleh dengan diagram garis seperti dibawah
``` python
x_permintaan = np.arange(0, 5000, 1)
y_permintaan_lo = [0, 0, 1000, 5000]
y_permintaan_hi = [1000, 5000, 5000]
permintaan_lo = trapesium(x_permintaan, y_permintaan_lo)
permintaan_hi = segitiga(x_permintaan, y_permintaan_hi)
plt.plot(x_permintaan, permintaan_lo, 'b', linewidth=1.5, label='Turun')
plt.plot(x_permintaan, permintaan_hi, 'r', linewidth=1.5, label='Naik')
plt.title('Permintaan')
plt.legend()
plt.show()
```
Membuat kolom baru pada dataframe untuk kedua derajat anggota.
``` python
def derajat_anggota_turun(val):
if val[0] <= 1000:
return 1
elif val[0] > 1000 and val[0] < 5000:
return round((5000 - val[0]) / (5000 - 1000), 2)
else:
return 0
df_main['DA PERMINTAAN TURUN'] = df_main[['PERMINTAAN']].apply(derajat_anggota_turun, axis=1)
def derajat_anggota_naik(val):
if val[0] <= 1000:
return 0
elif val[0] > 1000 and val[0] < 5000:
return round((val[0] - 1000) / (5000 - 1000), 2)
else:
return 1
df_main['DA PERMINTAAN NAIK'] = df_main[['PERMINTAAN']].apply(derajat_anggota_naik, axis=1)
df_main
```
PERMINTAAN PERSEDIAAN DA PERMINTAAN TURUN DA PERMINTAAN NAIK
0 4000 300 0.25 0.75
##### 5. Analisis fitur persediaan dengan logika fuzzy
Kami mengikuti konfigurasi yang diberikan soal, sepeti di gambar
berikut: 
Didapatkan rentang logika fuzzy pada range 100 sampai 600. Tetapi kami
beri interval range pada grafik sekitar 100 untuk batas bawah, sehingga
range dari 0 sampai 600.
Sehingga diperoleh dengan diagram garis seperti dibawah
``` python
x_persediaan = np.arange(0, 600, 1)
y_persediaan_lo = np.array([0, 0, 100, 600])
y_persediaan_hi = np.array([100, 600, 600])
persediaan_lo = trapesium(x_persediaan, y_persediaan_lo)
persediaan_hi = segitiga(x_persediaan, y_persediaan_hi)
plt.plot(x_persediaan, persediaan_lo, 'b', linewidth=1.5, label='Sedikit')
plt.plot(x_persediaan, persediaan_hi, 'r', linewidth=1.5, label='Banyak')
plt.title('Persediaan')
plt.legend()
plt.show()
```
Membuat kolom baru pada dataframe untuk kedua derajat anggota.
``` python
def derajat_anggota_sedikit(val):
if val[0] <= 100:
return 1
elif val[0] > 100 and val[0] < 600:
return round((600 - val[0]) / (600 - 100), 2)
else:
return 0
df_main['DA PERSEDIAAN SEDIKIT'] = df_main[['PERSEDIAAN']].apply(derajat_anggota_sedikit, axis=1)
def derajat_anggota_banyak(val):
if val[0] <= 100:
return 0
elif val[0] > 100 and val[0] < 600:
return round((val[0] - 100) / (600 - 100), 2)
else:
return 1
df_main['DA PERSEDIAAN BANYAK'] = df_main[['PERSEDIAAN']].apply(derajat_anggota_banyak, axis=1)
df_main
```
PERMINTAAN PERSEDIAAN DA PERMINTAAN TURUN DA PERMINTAAN NAIK \
0 4000 300 0.25 0.75
DA PERSEDIAAN SEDIKIT DA PERSEDIAAN BANYAK
0 0.6 0.4
##### 6. Analisis fitur produksi dengan logika fuzzy
Kami mengikuti konfigurasi yang diberikan soal, sepeti di gambar
berikut: 
Didapatkan rentang logika fuzzy pada range 2000 sampai 7000. Tetapi kami
beri interval range pada grafik sekitar 2000 untuk batas bawah, sehingga
range dari 0 sampai 7000.
Sehingga diperoleh dengan diagram garis seperti dibawah
``` python
x_produksi = np.arange(0, 7000, 1)
y_produksi_lo = np.array([0, 0, 2000, 7000])
y_produksi_hi = np.array([2000, 7000, 7000])
produksi_lo = trapesium(x_produksi, y_produksi_lo)
produksi_hi = segitiga(x_produksi, y_produksi_hi)
plt.plot(x_produksi, produksi_lo, 'b', linewidth=1.5, label='Berkurang')
plt.plot(x_produksi, produksi_hi, 'r', linewidth=1.5, label='Bertambah')
plt.title('Produksi')
plt.legend()
plt.show()
```
##### 7. Membuat aturan logika Fuzzy
Terdapat 4 aturan yang membuat keputusan akhir pada kasus ini:
``` python
def z_berkurang(val):
alpha = min(val)
return 7000 - ((7000 - 2000) * alpha)
def z_bertambah(val):
alpha = min(val)
return 2000 + ((7000 - 2000) * alpha)
df_main['R1_a'] = df_main[['DA PERMINTAAN TURUN', 'DA PERSEDIAAN BANYAK']].apply(min, axis=1)
df_main['R1'] = df_main[['DA PERMINTAAN TURUN', 'DA PERSEDIAAN BANYAK']].apply(z_berkurang, axis=1)
df_main['R2'] = df_main[['DA PERMINTAAN TURUN', 'DA PERSEDIAAN SEDIKIT']].apply(z_berkurang, axis=1)
df_main['R2_a'] = df_main[['DA PERMINTAAN TURUN', 'DA PERSEDIAAN SEDIKIT']].apply(min, axis=1)
df_main['R3'] = df_main[['DA PERMINTAAN NAIK', 'DA PERSEDIAAN BANYAK']].apply(z_bertambah, axis=1)
df_main['R3_a'] = df_main[['DA PERMINTAAN NAIK', 'DA PERSEDIAAN BANYAK']].apply(min, axis=1)
df_main['R4'] = df_main[['DA PERMINTAAN NAIK', 'DA PERSEDIAAN SEDIKIT']].apply(z_bertambah, axis=1)
df_main['R4_a'] = df_main[['DA PERMINTAAN NAIK', 'DA PERSEDIAAN SEDIKIT']].apply(min, axis=1)
df_main
```
PERMINTAAN PERSEDIAAN DA PERMINTAAN TURUN DA PERMINTAAN NAIK \
0 4000 300 0.25 0.75
DA PERSEDIAAN SEDIKIT DA PERSEDIAAN BANYAK R1_a R1 R2 R2_a \
0 0.6 0.4 0.25 5750.0 5750.0 0.25
R3 R3_a R4 R4_a
0 4000.0 0.4 5000.0 0.6
##### 8. Kalkulasi COA berdasarkan aturan yang diberikan
COA (Centered of Average) dapat dihitung dengan rumus berikut:
``` python
coa = df_main[['R1', 'R2', 'R3', 'R4']].apply(lambda x: x[0] * df_main['R1_a'] + x[1] * df_main['R2_a'] + x[2] * df_main['R3_a'] + x[3] * df_main['R4_a'], axis=1) / df_main[['R1_a', 'R2_a', 'R3_a', 'R4_a']].sum().sum()
coa
```
0
0 4983.333333
## Fuzzy Logic (Library Scikit-Fuzzy)
Kami menggunakan dataset csv yang diextract dari excel:
##### 1. Install library dan kebutuhan analisis
``` python
!pip install scikit-fuzzy
import numpy as np
import pandas as pd
import skfuzzy as fuzz
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
```
Collecting scikit-fuzzy
Downloading scikit-fuzzy-0.4.2.tar.gz (993 kB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 0.0/994.0 kB ? eta -:--:--
━━━━━╸━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 143.4/994.0 kB 4.0 MB/s eta 0:00:01
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 994.0/994.0 kB 15.3 MB/s eta 0:00:00
etadata (setup.py) ... ent already satisfied: numpy>=1.6.0 in /usr/local/lib/python3.10/dist-packages (from scikit-fuzzy) (1.23.5)
Requirement already satisfied: scipy>=0.9.0 in /usr/local/lib/python3.10/dist-packages (from scikit-fuzzy) (1.11.4)
Requirement already satisfied: networkx>=1.9.0 in /usr/local/lib/python3.10/dist-packages (from scikit-fuzzy) (3.2.1)
Building wheels for collected packages: scikit-fuzzy
Building wheel for scikit-fuzzy (setup.py) ... e=scikit_fuzzy-0.4.2-py3-none-any.whl size=894077 sha256=ae4fb9f17265ce368d67d0b7b571744508282d837ff53f7a247d2faa66d9ae7e
Stored in directory: /root/.cache/pip/wheels/4f/86/1b/dfd97134a2c8313e519bcebd95d3fedc7be7944db022094bc8
Successfully built scikit-fuzzy
Installing collected packages: scikit-fuzzy
Successfully installed scikit-fuzzy-0.4.2
##### 2. Membuka file dataset
``` python
url = 'https://cdn.jsdelivr.net/gh/aliepratama/kuliah-final-kecerdasan-buatan/tahani.csv'
df_karyawan = pd.DataFrame(pd.read_csv(url))
df_karyawan
```
NO NAMA TGL LAHIR THN MASUK GAJI UMUR MASA KERJA
0 1 Lia 03/06/72 1996 Rp.750,000 30 6
1 2 Iwan 23/09/54 1985 Rp.1,500,000 48 17
2 3 Sari 12/12/66 1988 Rp.1,250,000 36 14
3 4 Andi 06/03/65 1998 Rp.1,040,000 37 4
4 5 Budi 04/12/60 1990 Rp.950,000 42 12
5 6 Amir 18/11/63 1989 Rp.1,600,000 39 13
6 7 Rian 28/05/65 1997 Rp.1,250,000 37 5
7 8 Kiki 09/07/71 2001 Rp.550,000 31 1
8 9 Alda 14/08/67 1999 Rp.735,000 35 3
9 10 Yoga 17/09/77 2000 Rp.860,000 25 2
##### 3. Mengecek kelengkapan data
``` python
df_karyawan.info()
```
RangeIndex: 10 entries, 0 to 9
Data columns (total 7 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 NO 10 non-null int64
1 NAMA 10 non-null object
2 TGL LAHIR 10 non-null object
3 THN MASUK 10 non-null int64
4 GAJI 10 non-null object
5 UMUR 10 non-null int64
6 MASA KERJA 10 non-null int64
dtypes: int64(4), object(3)
memory usage: 688.0+ bytes
##### 4. Memperbaiki format data
``` python
df_karyawan['GAJI'] = df_karyawan['GAJI'].apply(lambda x: int(x.replace('Rp.', '').replace(',', '')))
df_karyawan['GAJI'].dtype
```
dtype('int64')
##### 5. Pemisahan fitur pada dataset (tujuannya agar lebih mudah dalam menganalisis data)
``` python
data_umur = df_karyawan[['NO', 'UMUR']]
data_masa_kerja = df_karyawan[['NO', 'MASA KERJA']]
data_gaji = df_karyawan[['NO', 'GAJI']]
```
##### 6. Analisis fitur umur dengan logika fuzzy
Kami mengikuti konfigurasi yang diberikan soal, sepeti di gambar
berikut: 
Didapatkan rentang logika fuzzy pada range 30 sampai 50. Tetapi kami
beri interval range pada grafik sekitar 10 per batasnya, sehingga range
dari 20 sampai 60.
Sehingga diperoleh dengan diagram garis seperti dibawah
``` python
x_umur = np.arange(20, 60, 1)
umur_lo = fuzz.trapmf(x_umur, [20, 20, 30, 40])
umur_md = fuzz.trimf(x_umur, [35, 45, 50])
umur_hi = fuzz.trapmf(x_umur, [40, 50, 60, 60])
plt.plot(x_umur, umur_lo, 'b', linewidth=1.5, label='Muda')
plt.plot(x_umur, umur_md, 'g', linewidth=1.5, label='Parobaya')
plt.plot(x_umur, umur_hi, 'r', linewidth=1.5, label='Tua')
plt.title('Umur')
plt.legend()
plt.show()
```
Membuat kolom baru pada dataframe untuk ketiga derajat anggota.
``` python
data_umur['DERAJAT ANGGOTA MUDA'] = fuzz.interp_membership(x_umur, umur_lo, data_umur['UMUR'])
data_umur['DERAJAT ANGGOTA PAROBAYA'] = fuzz.interp_membership(x_umur, umur_md, data_umur['UMUR'])
data_umur['DERAJAT ANGGOTA TUA'] = fuzz.interp_membership(x_umur, umur_hi, data_umur['UMUR'])
data_umur
```
NO UMUR DERAJAT ANGGOTA MUDA DERAJAT ANGGOTA PAROBAYA \
0 1 30 1.0 0.0
1 2 48 0.0 0.4
2 3 36 0.4 0.1
3 4 37 0.3 0.2
4 5 42 0.0 0.7
5 6 39 0.1 0.4
6 7 37 0.3 0.2
7 8 31 0.9 0.0
8 9 35 0.5 0.0
9 10 25 1.0 0.0
DERAJAT ANGGOTA TUA
0 0.0
1 0.8
2 0.0
3 0.0
4 0.2
5 0.0
6 0.0
7 0.0
8 0.0
9 0.0
Membuat klasifikasi kategori berdasarkan derajat anggota dan disimpan
dalam kolom baru
``` python
def status(derajat):
if derajat[0] > derajat[1] and derajat[0] > derajat[2]:
return 'MUDA'
elif derajat[1] > derajat[0] and derajat[1] > derajat[2]:
return 'PAROBAYA'
elif derajat[2] > derajat[0] and derajat[2] > derajat[1]:
return 'TUA'
data_umur['STATUS UMUR'] = data_umur[['DERAJAT ANGGOTA MUDA', 'DERAJAT ANGGOTA PAROBAYA', 'DERAJAT ANGGOTA TUA']].apply(status, axis=1)
data_umur
```
NO UMUR DERAJAT ANGGOTA MUDA DERAJAT ANGGOTA PAROBAYA \
0 1 30 1.0 0.0
1 2 48 0.0 0.4
2 3 36 0.4 0.1
3 4 37 0.3 0.2
4 5 42 0.0 0.7
5 6 39 0.1 0.4
6 7 37 0.3 0.2
7 8 31 0.9 0.0
8 9 35 0.5 0.0
9 10 25 1.0 0.0
DERAJAT ANGGOTA TUA STATUS UMUR
0 0.0 MUDA
1 0.8 TUA
2 0.0 MUDA
3 0.0 MUDA
4 0.2 PAROBAYA
5 0.0 PAROBAYA
6 0.0 MUDA
7 0.0 MUDA
8 0.0 MUDA
9 0.0 MUDA
##### 7. Analisis fitur masa kerja dengan logika fuzzy
Kami mengikuti konfigurasi yang diberikan soal, sepeti di gambar
berikut: 
Didapatkan rentang logika fuzzy pada range 5 sampai 25. Tetapi kami beri
interval range pada grafik sekitar 5 per batasnya, sehingga range dari 0
sampai 30.
Sehingga diperoleh dengan diagram garis seperti dibawah
``` python
x_masa_kerja = np.arange(0, 30, 1)
masa_kerja_lo = fuzz.trapmf(x_masa_kerja, [0, 0, 5, 15])
masa_kerja_hi = fuzz.trapmf(x_masa_kerja, [10, 25, 30, 30])
plt.plot(x_masa_kerja, masa_kerja_lo, 'b', linewidth=1.5, label='Baru')
plt.plot(x_masa_kerja, masa_kerja_hi, 'r', linewidth=1.5, label='Lama')
plt.title('Masa Kerja')
plt.legend()
plt.show()
```
Membuat kolom baru pada dataframe untuk kedua derajat anggota.
``` python
data_masa_kerja['DERAJAT ANGGOTA BARU'] = fuzz.interp_membership(x_masa_kerja, masa_kerja_lo, data_masa_kerja['MASA KERJA'])
data_masa_kerja['DERAJAT ANGGOTA LAMA'] = fuzz.interp_membership(x_masa_kerja, masa_kerja_hi, data_masa_kerja['MASA KERJA'])
data_masa_kerja
```
NO MASA KERJA DERAJAT ANGGOTA BARU DERAJAT ANGGOTA LAMA
0 1 6 0.9 0.000000
1 2 17 0.0 0.466667
2 3 14 0.1 0.266667
3 4 4 1.0 0.000000
4 5 12 0.3 0.133333
5 6 13 0.2 0.200000
6 7 5 1.0 0.000000
7 8 1 1.0 0.000000
8 9 3 1.0 0.000000
9 10 2 1.0 0.000000
Membuat klasifikasi kategori berdasarkan derajat anggota dan disimpan
dalam kolom baru
``` python
def status(derajat):
if derajat[0] > derajat[1]:
return 'BARU'
elif derajat[1] > derajat[0]:
return 'LAMA'
return 'LAMA'
data_masa_kerja['STATUS MASA KERJA'] = data_masa_kerja[['DERAJAT ANGGOTA BARU', 'DERAJAT ANGGOTA LAMA']].apply(status, axis=1)
data_masa_kerja
```
NO MASA KERJA DERAJAT ANGGOTA BARU DERAJAT ANGGOTA LAMA \
0 1 6 0.9 0.000000
1 2 17 0.0 0.466667
2 3 14 0.1 0.266667
3 4 4 1.0 0.000000
4 5 12 0.3 0.133333
5 6 13 0.2 0.200000
6 7 5 1.0 0.000000
7 8 1 1.0 0.000000
8 9 3 1.0 0.000000
9 10 2 1.0 0.000000
STATUS MASA KERJA
0 BARU
1 LAMA
2 LAMA
3 BARU
4 BARU
5 LAMA
6 BARU
7 BARU
8 BARU
9 BARU
##### 8. Analisis fitur umur dengan logika fuzzy
Kami mengikuti konfigurasi yang diberikan soal, sepeti di gambar
berikut: 
Didapatkan rentang logika fuzzy pada range Rp300.000 sampai Rp2.000.000.
Sehingga diperoleh dengan diagram garis seperti dibawah
``` python
x_gaji = np.arange(300000, 2000000, 1)
gaji_lo = fuzz.trimf(x_gaji, [300000, 300000, 800000])
gaji_md = fuzz.trimf(x_gaji, [500000, 1000000, 1500000])
gaji_hi = fuzz.trimf(x_gaji, [1000000, 2000000, 2000000])
plt.plot(x_gaji, gaji_lo, 'b', linewidth=1.5, label='Rendah')
plt.plot(x_gaji, gaji_md, 'g', linewidth=1.5, label='Sedang')
plt.plot(x_gaji, gaji_hi, 'r', linewidth=1.5, label='Tinggi')
plt.title('Gaji')
plt.legend()
plt.show()
```
Membuat kolom baru pada dataframe untuk ketiga derajat anggota.
``` python
data_gaji['DERAJAT ANGGOTA RENDAH'] = fuzz.interp_membership(x_gaji, gaji_lo, data_gaji['GAJI'])
data_gaji['DERAJAT ANGGOTA SEDANG'] = fuzz.interp_membership(x_gaji, gaji_md, data_gaji['GAJI'])
data_gaji['DERAJAT ANGGOTA TINGGI'] = fuzz.interp_membership(x_gaji, gaji_hi, data_gaji['GAJI'])
data_gaji
```
NO GAJI DERAJAT ANGGOTA RENDAH DERAJAT ANGGOTA SEDANG \
0 1 750000 0.10 0.50
1 2 1500000 0.00 0.00
2 3 1250000 0.00 0.50
3 4 1040000 0.00 0.92
4 5 950000 0.00 0.90
5 6 1600000 0.00 0.00
6 7 1250000 0.00 0.50
7 8 550000 0.50 0.10
8 9 735000 0.13 0.47
9 10 860000 0.00 0.72
DERAJAT ANGGOTA TINGGI
0 0.00
1 0.50
2 0.25
3 0.04
4 0.00
5 0.60
6 0.25
7 0.00
8 0.00
9 0.00
Membuat klasifikasi kategori berdasarkan derajat anggota dan disimpan
dalam kolom baru
``` python
def status(derajat):
if derajat[0] > derajat[1] and derajat[0] > derajat[2]:
return 'RENDAH'
elif derajat[1] > derajat[0] and derajat[1] > derajat[2]:
return 'SEDANG'
elif derajat[2] > derajat[0] and derajat[2] > derajat[1]:
return 'TINGGI'
data_gaji['STATUS GAJI'] = data_gaji[['DERAJAT ANGGOTA RENDAH', 'DERAJAT ANGGOTA SEDANG', 'DERAJAT ANGGOTA TINGGI']].apply(status, axis=1)
data_gaji
```
NO GAJI DERAJAT ANGGOTA RENDAH DERAJAT ANGGOTA SEDANG \
0 1 750000 0.10 0.50
1 2 1500000 0.00 0.00
2 3 1250000 0.00 0.50
3 4 1040000 0.00 0.92
4 5 950000 0.00 0.90
5 6 1600000 0.00 0.00
6 7 1250000 0.00 0.50
7 8 550000 0.50 0.10
8 9 735000 0.13 0.47
9 10 860000 0.00 0.72
DERAJAT ANGGOTA TINGGI STATUS GAJI
0 0.00 SEDANG
1 0.50 TINGGI
2 0.25 SEDANG
3 0.04 SEDANG
4 0.00 SEDANG
5 0.60 TINGGI
6 0.25 SEDANG
7 0.00 RENDAH
8 0.00 SEDANG
9 0.00 SEDANG
##### 9. Join antar dataframe
``` python
data_join = data_umur.join(data_masa_kerja[['NO', 'STATUS MASA KERJA']], rsuffix='l').drop('NOl', axis=1)
data_join = data_join.join(data_gaji[['NO', 'STATUS GAJI']], rsuffix='l').drop('NOl', axis=1)
data_join = data_join.drop(['DERAJAT ANGGOTA MUDA', 'DERAJAT ANGGOTA PAROBAYA', 'DERAJAT ANGGOTA TUA', 'UMUR'], axis=1)
data_join
```
NO STATUS UMUR STATUS MASA KERJA STATUS GAJI
0 1 MUDA BARU SEDANG
1 2 TUA LAMA TINGGI
2 3 MUDA LAMA SEDANG
3 4 MUDA BARU SEDANG
4 5 PAROBAYA BARU SEDANG
5 6 PAROBAYA LAMA TINGGI
6 7 MUDA BARU SEDANG
7 8 MUDA BARU RENDAH
8 9 MUDA BARU SEDANG
9 10 MUDA BARU SEDANG
##### 10. Membuat aturan untuk klasifikasi
Pada excel tersedia aturan seperti di gambar:
Kami golongkan dari kiri ke kanan menjadi
1. Karyawan 1
2. Karyawan 2
3. Karyawan 3
4. Karyawan 4
5. Selain itu, tidak diketahui
``` python
def penggolongan_karyawan(kolom):
if kolom[0] == 'MUDA' and kolom[2] == 'TINGGI':
return 'KARYAWAN 1'
elif kolom[0] == 'MUDA' or kolom[2] == 'TINGGI':
return 'KARYAWAN 2'
elif kolom[0] == 'MUDA' and kolom[1] == 'LAMA':
return 'KARYAWAN 3'
elif kolom[0] == 'PAROBAYA' and kolom[2] == 'SEDANG':
return 'KARYAWAN 4'
elif kolom[0] == 'PAROBAYA' and kolom[1] == 'LAMA':
return 'KARYAWAN 4'
else:
return 'TIDAK DIKETAHUI'
data_join['JENIS KARYAWAN'] = data_join[['STATUS UMUR', 'STATUS MASA KERJA', 'STATUS GAJI']].apply(penggolongan_karyawan, axis=1)
data_join
```
NO STATUS UMUR STATUS MASA KERJA STATUS GAJI JENIS KARYAWAN
0 1 MUDA BARU SEDANG KARYAWAN 2
1 2 TUA LAMA TINGGI KARYAWAN 2
2 3 MUDA LAMA SEDANG KARYAWAN 2
3 4 MUDA BARU SEDANG KARYAWAN 2
4 5 PAROBAYA BARU SEDANG KARYAWAN 4
5 6 PAROBAYA LAMA TINGGI KARYAWAN 2
6 7 MUDA BARU SEDANG KARYAWAN 2
7 8 MUDA BARU RENDAH KARYAWAN 2
8 9 MUDA BARU SEDANG KARYAWAN 2
9 10 MUDA BARU SEDANG KARYAWAN 2