https://github.com/zulfachafidz/titanic_explorer_predicting_survival_with_classification_using_knn_algorithm

Tracking Life Safety with the KNN Predictive Analysis Approach. Leveraging the Titanic Dataset, we apply classification analysis to predict the fate of passengers based on a variety of features.
https://github.com/zulfachafidz/titanic_explorer_predicting_survival_with_classification_using_knn_algorithm

algorithm algorithms data data-analysis data-mining data-science datamodeling datapreprocessing dataset knn-algorithm knn-classification machine-learning machine-learning-algorithms prediction-model

Last synced: about 2 months ago
JSON representation

Tracking Life Safety with the KNN Predictive Analysis Approach. Leveraging the Titanic Dataset, we apply classification analysis to predict the fate of passengers based on a variety of features.

• Host: GitHub
• URL: https://github.com/zulfachafidz/titanic_explorer_predicting_survival_with_classification_using_knn_algorithm
• Owner: zulfachafidz
• Created: 2024-01-27T05:36:32.000Z (12 months ago)
• Default Branch: main
• Last Pushed: 2024-01-27T08:54:00.000Z (12 months ago)
• Last Synced: 2024-02-02T22:49:25.010Z (12 months ago)
• Topics: algorithm, algorithms, data, data-analysis, data-mining, data-science, datamodeling, datapreprocessing, dataset, knn-algorithm, knn-classification, machine-learning, machine-learning-algorithms, prediction-model
• Language: Jupyter Notebook
• Homepage:
• Size: 70.3 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Titanic Explorer Predicting Survival with Classificaion using KNN Algorithm

## Descripton

Titanic Explorer: Menelusuri Kekelamatan Hidup dengan Pendekatan Analisis Prediktif KNN. Memanfaatkan Dataset Titanic, kami menerapkan analisis klasifikasi untuk memprediksi nasib penumpang berdasarkan beragam fitur. Metode KNN digunakan untuk membimbing model prediktif ini, menawarkan wawasan mendalam tentang faktor-faktor yang memengaruhi kemungkinan seseorang selamat. Dengan mengeksplorasi keterkaitan antara karakteristik penumpang dan kelangsungan hidup, proyek ini memberikan perspektif yang lebih dalam tentang peristiwa bersejarah tersebut. Melalui visualisasi yang kuat dan hasil evaluasi model, Titanic Explorer mengajak untuk memahami lebih baik dinamika di balik tragedi kapal Titanic melalui lensa analisis data modern.

## Data Collecting 

Dataset ini berisi data dari penumpang kapal titanic. Peristiwa tenggelamnya kapal titanic ini pada tanggal 15 April 1912. Dataset diperoleh langsung dari Kaggle melalui sumber berikut: [Titanic Dataset](https://www.kaggle.com/datasets/yasserh/titanic-dataset)

## Bahasa 

**Bahasa Pemrograman**: Python

## Analisis Data

### 1. Data Preparation

- **Data Cleaning**: Menggunakan metode menghapus null value karena hanya sedikit data yang bernilai null.

- **Data Transformation**: Melakukan perubahan tipe data dan menghapus kolom yang tidak digunakan.

### 2. Splitting data

Pemisahan antara data test dan data train menggunakan rasio 70:30.

### 3. Modelling 

Penerapan metode klasifikasi menggunakan algoritma K-Nearest Neighbors (KNN).

### 5. Hasil Modelling dan Evaluasi Model

#### Decision Tree

Evaluasi menunjukkan TN (True Negative) sebanyak 142 dan TP (True Positive) sebanyak 52.

Berdasarkan Classification Report algoritma KNN dianggap lebih baik dengan hasil evaluasi sebagai berikut:

- **Accuracy**: 71%

- **Precision**: 71%

- **Recall**: 71%

- **F1-Score**: 71%

### 6. Identifikasi Variable yang Berpengaruh Terhadap Customer Churn

Feature Importance menggunakan K-Nearest Neighbors (KNN) menunjukkan bahwa variabel yang paling berpengaruh adalah Fare. 

Kesimpulan: Penumpang yang membayar lebih mahal lebih berpotensi untuk selamat karena mendapatkan fasilitas yang lebih baik.