https://github.com/arfazrll/data-mining-competition

Repository ini berisi partisipasi saya dalam kompetisi ADIKARA 2024 - Data Mining Competition. Repository ini terkait mengembangkan model prediksi Food Price Index menggunakan dataset spatiotemporal.
https://github.com/arfazrll/data-mining-competition

dataanalysis datamining kaggle-competition machine-learning predictive-modeling spatiotemporal-forecasting

Last synced: 6 months ago
JSON representation

Repository ini berisi partisipasi saya dalam kompetisi ADIKARA 2024 - Data Mining Competition. Repository ini terkait mengembangkan model prediksi Food Price Index menggunakan dataset spatiotemporal.

• Host: GitHub
• URL: https://github.com/arfazrll/data-mining-competition
• Owner: Arfazrll
• License: mit
• Created: 2024-12-21T08:01:23.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2024-12-22T18:46:41.000Z (about 1 year ago)
• Last Synced: 2024-12-30T04:28:33.051Z (about 1 year ago)
• Topics: dataanalysis, datamining, kaggle-competition, machine-learning, predictive-modeling, spatiotemporal-forecasting
• Language: Jupyter Notebook
• Homepage: https://www.kaggle.com/competitions/data-mining-adikara
• Size: 21.9 MB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
# 🌟 **ADIKARA 2024 - Data Mining Competition**

![ADIKARA 2024 Banner](https://github.com/Arfazrll/AllReference/blob/main/Adikara.image.header.png?raw=true)

**ADIKARA 2024 - Data Mining Competition**! 🏆 

Kompetisi ini bertujuan untuk mengasah keterampilan analisis data dalam memprediksi **Food Price Index** dengan dataset spatiotemporal.

---

## 📋 **Daftar Isi**

- [🌟 Latar Belakang](#-latar-belakang)

- [🎯 Tujuan](#-tujuan)

- [📂 Struktur Repository](#-struktur-repository)

- [📊 Dataset](#-dataset)

- [📏 Metrik Evaluasi](#-metrik-evaluasi)

- [🚀 Alur Penyelesaian](#-alur-penyelesaian)

- [📘 Notebook 1 - Pelatihan Model](#-notebook-1---pelatihan-model)

- [📗 Notebook 2 - Prediksi Submission](#-notebook-2---prediksi-submission)

- [📑 Format Submission](#-format-submission)

- [💻 Cara Menjalankan](#-cara-menjalankan)

-  [🛠️ Prasyarat](#%EF%B8%8F-prasyarat)

- [📂 File Pendukung](#-file-pendukung)

- [🌐 Teknologi yang Digunakan](#-teknologi-yang-digunakan)

- [🔮 Kesimpulan](#-kesimpulan)

---

## 🌟 **Latar Belakang**

Untuk membaca, menganalitis dan menangani data spatiotemporal. Dengan dataset berbasis **indeks harga pangan**, lalu mengembangkan model yang mendukung pengambilan keputusan terkait data tersebut.

---

## 🎯 **Tujuan**

- **Mengaplikasikan Data dan Machine Learning**

- **Meningkatkan teknis dalam data mining**

- **Mendukung pengambilan keputusan berbasis data**

---

## 📂 **Struktur Repository**

```plaintext

adikara2024-datamining/

├── Notebook File/

│   ├── Notebook1_Manusia_Pelupa_ADIKARA2024.ipynb

│   └── Notebook2_Manusia_Pelupa_ADIKARA2024.ipynb

├── Submission File/

│   ├── submission_Manusia Pelupa_ADIKARA2024.csv

│   └── test_adikara2024_unlabeled.csv

├── adikara2024-datamining/

│   ├── train_adikara2024.csv

│   └── sample_submission_adikara2024.csv

├── LICENSE

├── README.md

└── ...

```

---

## 📊 **Dataset**

| **File**                   | **Deskripsi**                                                |

|----------------------------|------------------------------------------------------------|

| `train_adikara2024.csv`    | Data pelatihan dengan label *Food Price Index*              |

| `test_adikara2024_unlabeled.csv` | Data uji tanpa label, digunakan untuk prediksi                 |

| `sample_submission_adikara2024.csv` | Contoh format file *submission* untuk leaderboard            |

> ⚠️ **Catatan:** Pastikan untuk Menggunakan data dengan benar.

---

## 📏 **Metrik Evaluasi**

Menggunakan **Symmetric Mean Absolute Percentage Error (sMAPE)**:

![sMAPE Formula](https://github.com/Arfazrll/AllReference/blob/main/sMape.png)

Semakin **kecil nilai sMAPE**, semakin baik prediksi modelnya.

---

## 🚀 **Alur Penyelesaian**

1. 📥 **Eksplorasi Data**

2. 🛠️ **Pre-processing & Feature Engineering**

3. 🧠 **Pemodelan**

4. 📊 **Evaluasi Model dengan sMAPE**

5. 💾 **Eksport Model Terbaik**

6. 🔍 **Prediksi Data Uji**

7. 📝 **Generate Submission File**

---

## 📘 **Notebook 1 - Pelatihan Model**

**Nama File:** `Notebook1_Manusia_Pelupa_ADIKARA2024.ipynb`

Notebook ini mencakup:

- Eksplorasi data (`train_adikara2024.csv`)

- *Pre-processing* (menangani nilai hilang, *encoding*, dsb.)

- Pelatihan model dengan algoritma seperti Random Forest, XGBoost, dll.

- Evaluasi model menggunakan sMAPE

- Eksport model terbaik 

---

## 📗 **Notebook 2 - Prediksi Submission**

**Nama File:** `Notebook2_Manusia_Pelupa_ADIKARA2024.ipynb`

Notebook ini mencakup:

- Membaca file `test_adikara2024_unlabeled.csv`

- Mengimpor model terbaik dari Notebook 1

- *Pre-processing* data uji

- Memprediksi *Food Price Index*

- Menghasilkan file submission (`submission_Manusia Pelupa_ADIKARA2024.csv`)

---

## 📑 **Format Submission**

Berikut format yang harus digunakan untuk file submission:

```csv

id,FoodPriceIndex

122,20.5

123,21.7

124,19.8

```

---

## 💻 **Cara Menjalankan**

1. Clone repository ini:

   ```bash

   git clone https://github.com/YourUsername/adikara2024-datamining.git

   cd adikara2024-datamining

   ```

2. Siapkan lingkungan Python (opsional):

   ```bash

   python -m venv env

   source env/bin/activate  # Untuk Linux/Mac

   env\Scripts\activate   # Untuk Windows

   pip install -r All_Requirements.txt

   ```

## 🛠️ **Prasyarat**

Pastikan Anda memiliki:

- Python 3.8 atau lebih baru

- Library utama seperti `pandas`, `numpy`, `scikit-learn`, `xgboost`, dll.

- Jupyter Notebook untuk menjalankan `.ipynb` file

---

## 📂 **File Pendukung**

| **File/Fungsi**          | **Deskripsi** |

|--------------------------|---------------|

| `requirements.txt`       | Daftar library yang diperlukan untuk menjalankan kode |

| `sample_submission.csv`  | Template untuk format submission |

| `train.csv`              | Dataset pelatihan dengan label |

| `test.csv`               | Dataset uji tanpa label |

---

## 🌐 **Teknologi yang Digunakan**

- Python 🐍

- Jupyter Notebook 📓

- Machine Learning (Random Forest, XGBoost, dll.) 🤖

- Pandas & Numpy untuk analisis data 📊

- Matplotlib & Seaborn untuk visualisasi 📈

---

3. Jalankan notebook dengan Jupyter:

   ```bash

   jupyter notebook

   ```

4. Ikuti instruksi pada `Notebook1` dan `Notebook2` untuk pelatihan serta prediksi.

---

## 🔮 **Kesimpulan**

**ADIKARA 2024 - Data Mining Competition** memberikan saya peluang luar biasa untuk meningkatkan kemampuan analisis data spatiotemporal dan machine learning. Dengan memanfaatkan metrik evaluasi seperti sMAPE, saya dapat mengembangkan model prediksi yang akurat dan relevan🚀

---