library(nnet)
## Warning: package 'nnet' was built under R version 4.4.3
library(caret)
## Warning: package 'caret' was built under R version 4.4.3
## Loading required package: ggplot2
## Loading required package: lattice
library(NeuralNetTools)
## Warning: package 'NeuralNetTools' was built under R version 4.4.3
library(readr)
## Warning: package 'readr' was built under R version 4.4.3
#load dataset
data <- read_csv("C:/Users/Aulia Puspita/Downloads/Admission_Predict.csv")
## Rows: 400 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (9): Serial No., GRE Score, TOEFL Score, University Rating, SOP, LOR, CG...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
data <-data[,-1]
data$Admit <- factor(ifelse(data$`TOEFL Score`>= 100 & data$`GRE Score`>=300 & data$CGPA >= 8.5 & data$`University Rating`> 4, "Yes", "No"))
print(as.data.frame(data))
## GRE Score TOEFL Score University Rating SOP LOR CGPA Research
## 1 337 118 4 4.5 4.5 9.65 1
## 2 324 107 4 4.0 4.5 8.87 1
## 3 316 104 3 3.0 3.5 8.00 1
## 4 322 110 3 3.5 2.5 8.67 1
## 5 314 103 2 2.0 3.0 8.21 0
## 6 330 115 5 4.5 3.0 9.34 1
## 7 321 109 3 3.0 4.0 8.20 1
## 8 308 101 2 3.0 4.0 7.90 0
## 9 302 102 1 2.0 1.5 8.00 0
## 10 323 108 3 3.5 3.0 8.60 0
## 11 325 106 3 3.5 4.0 8.40 1
## 12 327 111 4 4.0 4.5 9.00 1
## 13 328 112 4 4.0 4.5 9.10 1
## 14 307 109 3 4.0 3.0 8.00 1
## 15 311 104 3 3.5 2.0 8.20 1
## 16 314 105 3 3.5 2.5 8.30 0
## 17 317 107 3 4.0 3.0 8.70 0
## 18 319 106 3 4.0 3.0 8.00 1
## 19 318 110 3 4.0 3.0 8.80 0
## 20 303 102 3 3.5 3.0 8.50 0
## 21 312 107 3 3.0 2.0 7.90 1
## 22 325 114 4 3.0 2.0 8.40 0
## 23 328 116 5 5.0 5.0 9.50 1
## 24 334 119 5 5.0 4.5 9.70 1
## 25 336 119 5 4.0 3.5 9.80 1
## 26 340 120 5 4.5 4.5 9.60 1
## 27 322 109 5 4.5 3.5 8.80 0
## 28 298 98 2 1.5 2.5 7.50 1
## 29 295 93 1 2.0 2.0 7.20 0
## 30 310 99 2 1.5 2.0 7.30 0
## 31 300 97 2 3.0 3.0 8.10 1
## 32 327 103 3 4.0 4.0 8.30 1
## 33 338 118 4 3.0 4.5 9.40 1
## 34 340 114 5 4.0 4.0 9.60 1
## 35 331 112 5 4.0 5.0 9.80 1
## 36 320 110 5 5.0 5.0 9.20 1
## 37 299 106 2 4.0 4.0 8.40 0
## 38 300 105 1 1.0 2.0 7.80 0
## 39 304 105 1 3.0 1.5 7.50 0
## 40 307 108 2 4.0 3.5 7.70 0
## 41 308 110 3 3.5 3.0 8.00 1
## 42 316 105 2 2.5 2.5 8.20 1
## 43 313 107 2 2.5 2.0 8.50 1
## 44 332 117 4 4.5 4.0 9.10 0
## 45 326 113 5 4.5 4.0 9.40 1
## 46 322 110 5 5.0 4.0 9.10 1
## 47 329 114 5 4.0 5.0 9.30 1
## 48 339 119 5 4.5 4.0 9.70 0
## 49 321 110 3 3.5 5.0 8.85 1
## 50 327 111 4 3.0 4.0 8.40 1
## 51 313 98 3 2.5 4.5 8.30 1
## 52 312 100 2 1.5 3.5 7.90 1
## 53 334 116 4 4.0 3.0 8.00 1
## 54 324 112 4 4.0 2.5 8.10 1
## 55 322 110 3 3.0 3.5 8.00 0
## 56 320 103 3 3.0 3.0 7.70 0
## 57 316 102 3 2.0 3.0 7.40 0
## 58 298 99 2 4.0 2.0 7.60 0
## 59 300 99 1 3.0 2.0 6.80 1
## 60 311 104 2 2.0 2.0 8.30 0
## 61 309 100 2 3.0 3.0 8.10 0
## 62 307 101 3 4.0 3.0 8.20 0
## 63 304 105 2 3.0 3.0 8.20 1
## 64 315 107 2 4.0 3.0 8.50 1
## 65 325 111 3 3.0 3.5 8.70 0
## 66 325 112 4 3.5 3.5 8.92 0
## 67 327 114 3 3.0 3.0 9.02 0
## 68 316 107 2 3.5 3.5 8.64 1
## 69 318 109 3 3.5 4.0 9.22 1
## 70 328 115 4 4.5 4.0 9.16 1
## 71 332 118 5 5.0 5.0 9.64 1
## 72 336 112 5 5.0 5.0 9.76 1
## 73 321 111 5 5.0 5.0 9.45 1
## 74 314 108 4 4.5 4.0 9.04 1
## 75 314 106 3 3.0 5.0 8.90 0
## 76 329 114 2 2.0 4.0 8.56 1
## 77 327 112 3 3.0 3.0 8.72 1
## 78 301 99 2 3.0 2.0 8.22 0
## 79 296 95 2 3.0 2.0 7.54 1
## 80 294 93 1 1.5 2.0 7.36 0
## 81 312 105 3 2.0 3.0 8.02 1
## 82 340 120 4 5.0 5.0 9.50 1
## 83 320 110 5 5.0 4.5 9.22 1
## 84 322 115 5 4.0 4.5 9.36 1
## 85 340 115 5 4.5 4.5 9.45 1
## 86 319 103 4 4.5 3.5 8.66 0
## 87 315 106 3 4.5 3.5 8.42 0
## 88 317 107 2 3.5 3.0 8.28 0
## 89 314 108 3 4.5 3.5 8.14 0
## 90 316 109 4 4.5 3.5 8.76 1
## 91 318 106 2 4.0 4.0 7.92 1
## 92 299 97 3 5.0 3.5 7.66 0
## 93 298 98 2 4.0 3.0 8.03 0
## 94 301 97 2 3.0 3.0 7.88 1
## 95 303 99 3 2.0 2.5 7.66 0
## 96 304 100 4 1.5 2.5 7.84 0
## 97 306 100 2 3.0 3.0 8.00 0
## 98 331 120 3 4.0 4.0 8.96 1
## 99 332 119 4 5.0 4.5 9.24 1
## 100 323 113 3 4.0 4.0 8.88 1
## 101 322 107 3 3.5 3.5 8.46 1
## 102 312 105 2 2.5 3.0 8.12 0
## 103 314 106 2 4.0 3.5 8.25 0
## 104 317 104 2 4.5 4.0 8.47 0
## 105 326 112 3 3.5 3.0 9.05 1
## 106 316 110 3 4.0 4.5 8.78 1
## 107 329 111 4 4.5 4.5 9.18 1
## 108 338 117 4 3.5 4.5 9.46 1
## 109 331 116 5 5.0 5.0 9.38 1
## 110 304 103 5 5.0 4.0 8.64 0
## 111 305 108 5 3.0 3.0 8.48 0
## 112 321 109 4 4.0 4.0 8.68 1
## 113 301 107 3 3.5 3.5 8.34 1
## 114 320 110 2 4.0 3.5 8.56 0
## 115 311 105 3 3.5 3.0 8.45 1
## 116 310 106 4 4.5 4.5 9.04 1
## 117 299 102 3 4.0 3.5 8.62 0
## 118 290 104 4 2.0 2.5 7.46 0
## 119 296 99 2 3.0 3.5 7.28 0
## 120 327 104 5 3.0 3.5 8.84 1
## 121 335 117 5 5.0 5.0 9.56 1
## 122 334 119 5 4.5 4.5 9.48 1
## 123 310 106 4 1.5 2.5 8.36 0
## 124 308 108 3 3.5 3.5 8.22 0
## 125 301 106 4 2.5 3.0 8.47 0
## 126 300 100 3 2.0 3.0 8.66 1
## 127 323 113 3 4.0 3.0 9.32 1
## 128 319 112 3 2.5 2.0 8.71 1
## 129 326 112 3 3.5 3.0 9.10 1
## 130 333 118 5 5.0 5.0 9.35 1
## 131 339 114 5 4.0 4.5 9.76 1
## 132 303 105 5 5.0 4.5 8.65 0
## 133 309 105 5 3.5 3.5 8.56 0
## 134 323 112 5 4.0 4.5 8.78 0
## 135 333 113 5 4.0 4.0 9.28 1
## 136 314 109 4 3.5 4.0 8.77 1
## 137 312 103 3 5.0 4.0 8.45 0
## 138 316 100 2 1.5 3.0 8.16 1
## 139 326 116 2 4.5 3.0 9.08 1
## 140 318 109 1 3.5 3.5 9.12 0
## 141 329 110 2 4.0 3.0 9.15 1
## 142 332 118 2 4.5 3.5 9.36 1
## 143 331 115 5 4.0 3.5 9.44 1
## 144 340 120 4 4.5 4.0 9.92 1
## 145 325 112 2 3.0 3.5 8.96 1
## 146 320 113 2 2.0 2.5 8.64 1
## 147 315 105 3 2.0 2.5 8.48 0
## 148 326 114 3 3.0 3.0 9.11 1
## 149 339 116 4 4.0 3.5 9.80 1
## 150 311 106 2 3.5 3.0 8.26 1
## 151 334 114 4 4.0 4.0 9.43 1
## 152 332 116 5 5.0 5.0 9.28 1
## 153 321 112 5 5.0 5.0 9.06 1
## 154 324 105 3 3.0 4.0 8.75 0
## 155 326 108 3 3.0 3.5 8.89 0
## 156 312 109 3 3.0 3.0 8.69 0
## 157 315 105 3 2.0 2.5 8.34 0
## 158 309 104 2 2.0 2.5 8.26 0
## 159 306 106 2 2.0 2.5 8.14 0
## 160 297 100 1 1.5 2.0 7.90 0
## 161 315 103 1 1.5 2.0 7.86 0
## 162 298 99 1 1.5 3.0 7.46 0
## 163 318 109 3 3.0 3.0 8.50 0
## 164 317 105 3 3.5 3.0 8.56 0
## 165 329 111 4 4.5 4.0 9.01 1
## 166 322 110 5 4.5 4.0 8.97 0
## 167 302 102 3 3.5 5.0 8.33 0
## 168 313 102 3 2.0 3.0 8.27 0
## 169 293 97 2 2.0 4.0 7.80 1
## 170 311 99 2 2.5 3.0 7.98 0
## 171 312 101 2 2.5 3.5 8.04 1
## 172 334 117 5 4.0 4.5 9.07 1
## 173 322 110 4 4.0 5.0 9.13 1
## 174 323 113 4 4.0 4.5 9.23 1
## 175 321 111 4 4.0 4.0 8.97 1
## 176 320 111 4 4.5 3.5 8.87 1
## 177 329 119 4 4.5 4.5 9.16 1
## 178 319 110 3 3.5 3.5 9.04 0
## 179 309 108 3 2.5 3.0 8.12 0
## 180 307 102 3 3.0 3.0 8.27 0
## 181 300 104 3 3.5 3.0 8.16 0
## 182 305 107 2 2.5 2.5 8.42 0
## 183 299 100 2 3.0 3.5 7.88 0
## 184 314 110 3 4.0 4.0 8.80 0
## 185 316 106 2 2.5 4.0 8.32 0
## 186 327 113 4 4.5 4.5 9.11 1
## 187 317 107 3 3.5 3.0 8.68 1
## 188 335 118 5 4.5 3.5 9.44 1
## 189 331 115 5 4.5 3.5 9.36 1
## 190 324 112 5 5.0 5.0 9.08 1
## 191 324 111 5 4.5 4.0 9.16 1
## 192 323 110 5 4.0 5.0 8.98 1
## 193 322 114 5 4.5 4.0 8.94 1
## 194 336 118 5 4.5 5.0 9.53 1
## 195 316 109 3 3.5 3.0 8.76 0
## 196 307 107 2 3.0 3.5 8.52 1
## 197 306 105 2 3.0 2.5 8.26 0
## 198 310 106 2 3.5 2.5 8.33 0
## 199 311 104 3 4.5 4.5 8.43 0
## 200 313 107 3 4.0 4.5 8.69 0
## 201 317 103 3 2.5 3.0 8.54 1
## 202 315 110 2 3.5 3.0 8.46 1
## 203 340 120 5 4.5 4.5 9.91 1
## 204 334 120 5 4.0 5.0 9.87 1
## 205 298 105 3 3.5 4.0 8.54 0
## 206 295 99 2 2.5 3.0 7.65 0
## 207 315 99 2 3.5 3.0 7.89 0
## 208 310 102 3 3.5 4.0 8.02 1
## 209 305 106 2 3.0 3.0 8.16 0
## 210 301 104 3 3.5 4.0 8.12 1
## 211 325 108 4 4.5 4.0 9.06 1
## 212 328 110 4 5.0 4.0 9.14 1
## 213 338 120 4 5.0 5.0 9.66 1
## 214 333 119 5 5.0 4.5 9.78 1
## 215 331 117 4 4.5 5.0 9.42 1
## 216 330 116 5 5.0 4.5 9.36 1
## 217 322 112 4 4.5 4.5 9.26 1
## 218 321 109 4 4.0 4.0 9.13 1
## 219 324 110 4 3.0 3.5 8.97 1
## 220 312 104 3 3.5 3.5 8.42 0
## 221 313 103 3 4.0 4.0 8.75 0
## 222 316 110 3 3.5 4.0 8.56 0
## 223 324 113 4 4.5 4.0 8.79 0
## 224 308 109 2 3.0 4.0 8.45 0
## 225 305 105 2 3.0 2.0 8.23 0
## 226 296 99 2 2.5 2.5 8.03 0
## 227 306 110 2 3.5 4.0 8.45 0
## 228 312 110 2 3.5 3.0 8.53 0
## 229 318 112 3 4.0 3.5 8.67 0
## 230 324 111 4 3.0 3.0 9.01 1
## 231 313 104 3 4.0 4.5 8.65 0
## 232 319 106 3 3.5 2.5 8.33 1
## 233 312 107 2 2.5 3.5 8.27 0
## 234 304 100 2 2.5 3.5 8.07 0
## 235 330 113 5 5.0 4.0 9.31 1
## 236 326 111 5 4.5 4.0 9.23 1
## 237 325 112 4 4.0 4.5 9.17 1
## 238 329 114 5 4.5 5.0 9.19 1
## 239 310 104 3 2.0 3.5 8.37 0
## 240 299 100 1 1.5 2.0 7.89 0
## 241 296 101 1 2.5 3.0 7.68 0
## 242 317 103 2 2.5 2.0 8.15 0
## 243 324 115 3 3.5 3.0 8.76 1
## 244 325 114 3 3.5 3.0 9.04 1
## 245 314 107 2 2.5 4.0 8.56 0
## 246 328 110 4 4.0 2.5 9.02 1
## 247 316 105 3 3.0 3.5 8.73 0
## 248 311 104 2 2.5 3.5 8.48 0
## 249 324 110 3 3.5 4.0 8.87 1
## 250 321 111 3 3.5 4.0 8.83 1
## 251 320 104 3 3.0 2.5 8.57 1
## 252 316 99 2 2.5 3.0 9.00 0
## 253 318 100 2 2.5 3.5 8.54 1
## 254 335 115 4 4.5 4.5 9.68 1
## 255 321 114 4 4.0 5.0 9.12 0
## 256 307 110 4 4.0 4.5 8.37 0
## 257 309 99 3 4.0 4.0 8.56 0
## 258 324 100 3 4.0 5.0 8.64 1
## 259 326 102 4 5.0 5.0 8.76 1
## 260 331 119 4 5.0 4.5 9.34 1
## 261 327 108 5 5.0 3.5 9.13 1
## 262 312 104 3 3.5 4.0 8.09 0
## 263 308 103 2 2.5 4.0 8.36 1
## 264 324 111 3 2.5 1.5 8.79 1
## 265 325 110 2 3.0 2.5 8.76 1
## 266 313 102 3 2.5 2.5 8.68 0
## 267 312 105 2 2.0 2.5 8.45 0
## 268 314 107 3 3.0 3.5 8.17 1
## 269 327 113 4 4.5 5.0 9.14 0
## 270 308 108 4 4.5 5.0 8.34 0
## 271 306 105 2 2.5 3.0 8.22 1
## 272 299 96 2 1.5 2.0 7.86 0
## 273 294 95 1 1.5 1.5 7.64 0
## 274 312 99 1 1.0 1.5 8.01 1
## 275 315 100 1 2.0 2.5 7.95 0
## 276 322 110 3 3.5 3.0 8.96 1
## 277 329 113 5 5.0 4.5 9.45 1
## 278 320 101 2 2.5 3.0 8.62 0
## 279 308 103 2 3.0 3.5 8.49 0
## 280 304 102 2 3.0 4.0 8.73 0
## 281 311 102 3 4.5 4.0 8.64 1
## 282 317 110 3 4.0 4.5 9.11 1
## 283 312 106 3 4.0 3.5 8.79 1
## 284 321 111 3 2.5 3.0 8.90 1
## 285 340 112 4 5.0 4.5 9.66 1
## 286 331 116 5 4.0 4.0 9.26 1
## 287 336 118 5 4.5 4.0 9.19 1
## 288 324 114 5 5.0 4.5 9.08 1
## 289 314 104 4 5.0 5.0 9.02 0
## 290 313 109 3 4.0 3.5 9.00 0
## 291 307 105 2 2.5 3.0 7.65 0
## 292 300 102 2 1.5 2.0 7.87 0
## 293 302 99 2 1.0 2.0 7.97 0
## 294 312 98 1 3.5 3.0 8.18 1
## 295 316 101 2 2.5 2.0 8.32 1
## 296 317 100 2 3.0 2.5 8.57 0
## 297 310 107 3 3.5 3.5 8.67 0
## 298 320 120 3 4.0 4.5 9.11 0
## 299 330 114 3 4.5 4.5 9.24 1
## 300 305 112 3 3.0 3.5 8.65 0
## 301 309 106 2 2.5 2.5 8.00 0
## 302 319 108 2 2.5 3.0 8.76 0
## 303 322 105 2 3.0 3.0 8.45 1
## 304 323 107 3 3.5 3.5 8.55 1
## 305 313 106 2 2.5 2.0 8.43 0
## 306 321 109 3 3.5 3.5 8.80 1
## 307 323 110 3 4.0 3.5 9.10 1
## 308 325 112 4 4.0 4.0 9.00 1
## 309 312 108 3 3.5 3.0 8.53 0
## 310 308 110 4 3.5 3.0 8.60 0
## 311 320 104 3 3.0 3.5 8.74 1
## 312 328 108 4 4.5 4.0 9.18 1
## 313 311 107 4 4.5 4.5 9.00 1
## 314 301 100 3 3.5 3.0 8.04 0
## 315 305 105 2 3.0 4.0 8.13 0
## 316 308 104 2 2.5 3.0 8.07 0
## 317 298 101 2 1.5 2.0 7.86 0
## 318 300 99 1 1.0 2.5 8.01 0
## 319 324 111 3 2.5 2.0 8.80 1
## 320 327 113 4 3.5 3.0 8.69 1
## 321 317 106 3 4.0 3.5 8.50 1
## 322 323 104 3 4.0 4.0 8.44 1
## 323 314 107 2 2.5 4.0 8.27 0
## 324 305 102 2 2.0 2.5 8.18 0
## 325 315 104 3 3.0 2.5 8.33 0
## 326 326 116 3 3.5 4.0 9.14 1
## 327 299 100 3 2.0 2.0 8.02 0
## 328 295 101 2 2.5 2.0 7.86 0
## 329 324 112 4 4.0 3.5 8.77 1
## 330 297 96 2 2.5 1.5 7.89 0
## 331 327 113 3 3.5 3.0 8.66 1
## 332 311 105 2 3.0 2.0 8.12 1
## 333 308 106 3 3.5 2.5 8.21 1
## 334 319 108 3 3.0 3.5 8.54 1
## 335 312 107 4 4.5 4.0 8.65 1
## 336 325 111 4 4.0 4.5 9.11 1
## 337 319 110 3 3.0 2.5 8.79 0
## 338 332 118 5 5.0 5.0 9.47 1
## 339 323 108 5 4.0 4.0 8.74 1
## 340 324 107 5 3.5 4.0 8.66 1
## 341 312 107 3 3.0 3.0 8.46 1
## 342 326 110 3 3.5 3.5 8.76 1
## 343 308 106 3 3.0 3.0 8.24 0
## 344 305 103 2 2.5 3.5 8.13 0
## 345 295 96 2 1.5 2.0 7.34 0
## 346 316 98 1 1.5 2.0 7.43 0
## 347 304 97 2 1.5 2.0 7.64 0
## 348 299 94 1 1.0 1.0 7.34 0
## 349 302 99 1 2.0 2.0 7.25 0
## 350 313 101 3 2.5 3.0 8.04 0
## 351 318 107 3 3.0 3.5 8.27 1
## 352 325 110 4 3.5 4.0 8.67 1
## 353 303 100 2 3.0 3.5 8.06 1
## 354 300 102 3 3.5 2.5 8.17 0
## 355 297 98 2 2.5 3.0 7.67 0
## 356 317 106 2 2.0 3.5 8.12 0
## 357 327 109 3 3.5 4.0 8.77 1
## 358 301 104 2 3.5 3.5 7.89 1
## 359 314 105 2 2.5 2.0 7.64 0
## 360 321 107 2 2.0 1.5 8.44 0
## 361 322 110 3 4.0 5.0 8.64 1
## 362 334 116 4 4.0 3.5 9.54 1
## 363 338 115 5 4.5 5.0 9.23 1
## 364 306 103 2 2.5 3.0 8.36 0
## 365 313 102 3 3.5 4.0 8.90 1
## 366 330 114 4 4.5 3.0 9.17 1
## 367 320 104 3 3.5 4.5 8.34 1
## 368 311 98 1 1.0 2.5 7.46 0
## 369 298 92 1 2.0 2.0 7.88 0
## 370 301 98 1 2.0 3.0 8.03 1
## 371 310 103 2 2.5 2.5 8.24 0
## 372 324 110 3 3.5 3.0 9.22 1
## 373 336 119 4 4.5 4.0 9.62 1
## 374 321 109 3 3.0 3.0 8.54 1
## 375 315 105 2 2.0 2.5 7.65 0
## 376 304 101 2 2.0 2.5 7.66 0
## 377 297 96 2 2.5 2.0 7.43 0
## 378 290 100 1 1.5 2.0 7.56 0
## 379 303 98 1 2.0 2.5 7.65 0
## 380 311 99 1 2.5 3.0 8.43 1
## 381 322 104 3 3.5 4.0 8.84 1
## 382 319 105 3 3.0 3.5 8.67 1
## 383 324 110 4 4.5 4.0 9.15 1
## 384 300 100 3 3.0 3.5 8.26 0
## 385 340 113 4 5.0 5.0 9.74 1
## 386 335 117 5 5.0 5.0 9.82 1
## 387 302 101 2 2.5 3.5 7.96 0
## 388 307 105 2 2.0 3.5 8.10 0
## 389 296 97 2 1.5 2.0 7.80 0
## 390 320 108 3 3.5 4.0 8.44 1
## 391 314 102 2 2.0 2.5 8.24 0
## 392 318 106 3 2.0 3.0 8.65 0
## 393 326 112 4 4.0 3.5 9.12 1
## 394 317 104 2 3.0 3.0 8.76 0
## 395 329 111 4 4.5 4.0 9.23 1
## 396 324 110 3 3.5 3.5 9.04 1
## 397 325 107 3 3.0 3.5 9.11 1
## 398 330 116 4 5.0 4.5 9.45 1
## 399 312 103 3 3.5 4.0 8.78 0
## 400 333 117 4 5.0 4.0 9.66 1
## Chance of Admit Admit
## 1 0.92 No
## 2 0.76 No
## 3 0.72 No
## 4 0.80 No
## 5 0.65 No
## 6 0.90 Yes
## 7 0.75 No
## 8 0.68 No
## 9 0.50 No
## 10 0.45 No
## 11 0.52 No
## 12 0.84 No
## 13 0.78 No
## 14 0.62 No
## 15 0.61 No
## 16 0.54 No
## 17 0.66 No
## 18 0.65 No
## 19 0.63 No
## 20 0.62 No
## 21 0.64 No
## 22 0.70 No
## 23 0.94 Yes
## 24 0.95 Yes
## 25 0.97 Yes
## 26 0.94 Yes
## 27 0.76 Yes
## 28 0.44 No
## 29 0.46 No
## 30 0.54 No
## 31 0.65 No
## 32 0.74 No
## 33 0.91 No
## 34 0.90 Yes
## 35 0.94 Yes
## 36 0.88 Yes
## 37 0.64 No
## 38 0.58 No
## 39 0.52 No
## 40 0.48 No
## 41 0.46 No
## 42 0.49 No
## 43 0.53 No
## 44 0.87 No
## 45 0.91 Yes
## 46 0.88 Yes
## 47 0.86 Yes
## 48 0.89 Yes
## 49 0.82 No
## 50 0.78 No
## 51 0.76 No
## 52 0.56 No
## 53 0.78 No
## 54 0.72 No
## 55 0.70 No
## 56 0.64 No
## 57 0.64 No
## 58 0.46 No
## 59 0.36 No
## 60 0.42 No
## 61 0.48 No
## 62 0.47 No
## 63 0.54 No
## 64 0.56 No
## 65 0.52 No
## 66 0.55 No
## 67 0.61 No
## 68 0.57 No
## 69 0.68 No
## 70 0.78 No
## 71 0.94 Yes
## 72 0.96 Yes
## 73 0.93 Yes
## 74 0.84 No
## 75 0.74 No
## 76 0.72 No
## 77 0.74 No
## 78 0.64 No
## 79 0.44 No
## 80 0.46 No
## 81 0.50 No
## 82 0.96 No
## 83 0.92 Yes
## 84 0.92 Yes
## 85 0.94 Yes
## 86 0.76 No
## 87 0.72 No
## 88 0.66 No
## 89 0.64 No
## 90 0.74 No
## 91 0.64 No
## 92 0.38 No
## 93 0.34 No
## 94 0.44 No
## 95 0.36 No
## 96 0.42 No
## 97 0.48 No
## 98 0.86 No
## 99 0.90 No
## 100 0.79 No
## 101 0.71 No
## 102 0.64 No
## 103 0.62 No
## 104 0.57 No
## 105 0.74 No
## 106 0.69 No
## 107 0.87 No
## 108 0.91 No
## 109 0.93 Yes
## 110 0.68 Yes
## 111 0.61 No
## 112 0.69 No
## 113 0.62 No
## 114 0.72 No
## 115 0.59 No
## 116 0.66 No
## 117 0.56 No
## 118 0.45 No
## 119 0.47 No
## 120 0.71 Yes
## 121 0.94 Yes
## 122 0.94 Yes
## 123 0.57 No
## 124 0.61 No
## 125 0.57 No
## 126 0.64 No
## 127 0.85 No
## 128 0.78 No
## 129 0.84 No
## 130 0.92 Yes
## 131 0.96 Yes
## 132 0.77 Yes
## 133 0.71 Yes
## 134 0.79 Yes
## 135 0.89 Yes
## 136 0.82 No
## 137 0.76 No
## 138 0.71 No
## 139 0.80 No
## 140 0.78 No
## 141 0.84 No
## 142 0.90 No
## 143 0.92 Yes
## 144 0.97 No
## 145 0.80 No
## 146 0.81 No
## 147 0.75 No
## 148 0.83 No
## 149 0.96 No
## 150 0.79 No
## 151 0.93 No
## 152 0.94 Yes
## 153 0.86 Yes
## 154 0.79 No
## 155 0.80 No
## 156 0.77 No
## 157 0.70 No
## 158 0.65 No
## 159 0.61 No
## 160 0.52 No
## 161 0.57 No
## 162 0.53 No
## 163 0.67 No
## 164 0.68 No
## 165 0.81 No
## 166 0.78 Yes
## 167 0.65 No
## 168 0.64 No
## 169 0.64 No
## 170 0.65 No
## 171 0.68 No
## 172 0.89 Yes
## 173 0.86 No
## 174 0.89 No
## 175 0.87 No
## 176 0.85 No
## 177 0.90 No
## 178 0.82 No
## 179 0.72 No
## 180 0.73 No
## 181 0.71 No
## 182 0.71 No
## 183 0.68 No
## 184 0.75 No
## 185 0.72 No
## 186 0.89 No
## 187 0.84 No
## 188 0.93 Yes
## 189 0.93 Yes
## 190 0.88 Yes
## 191 0.90 Yes
## 192 0.87 Yes
## 193 0.86 Yes
## 194 0.94 Yes
## 195 0.77 No
## 196 0.78 No
## 197 0.73 No
## 198 0.73 No
## 199 0.70 No
## 200 0.72 No
## 201 0.73 No
## 202 0.72 No
## 203 0.97 Yes
## 204 0.97 Yes
## 205 0.69 No
## 206 0.57 No
## 207 0.63 No
## 208 0.66 No
## 209 0.64 No
## 210 0.68 No
## 211 0.79 No
## 212 0.82 No
## 213 0.95 No
## 214 0.96 Yes
## 215 0.94 No
## 216 0.93 Yes
## 217 0.91 No
## 218 0.85 No
## 219 0.84 No
## 220 0.74 No
## 221 0.76 No
## 222 0.75 No
## 223 0.76 No
## 224 0.71 No
## 225 0.67 No
## 226 0.61 No
## 227 0.63 No
## 228 0.64 No
## 229 0.71 No
## 230 0.82 No
## 231 0.73 No
## 232 0.74 No
## 233 0.69 No
## 234 0.64 No
## 235 0.91 Yes
## 236 0.88 Yes
## 237 0.85 No
## 238 0.86 Yes
## 239 0.70 No
## 240 0.59 No
## 241 0.60 No
## 242 0.65 No
## 243 0.70 No
## 244 0.76 No
## 245 0.63 No
## 246 0.81 No
## 247 0.72 No
## 248 0.71 No
## 249 0.80 No
## 250 0.77 No
## 251 0.74 No
## 252 0.70 No
## 253 0.71 No
## 254 0.93 No
## 255 0.85 No
## 256 0.79 No
## 257 0.76 No
## 258 0.78 No
## 259 0.77 No
## 260 0.90 No
## 261 0.87 Yes
## 262 0.71 No
## 263 0.70 No
## 264 0.70 No
## 265 0.75 No
## 266 0.71 No
## 267 0.72 No
## 268 0.73 No
## 269 0.83 No
## 270 0.77 No
## 271 0.72 No
## 272 0.54 No
## 273 0.49 No
## 274 0.52 No
## 275 0.58 No
## 276 0.78 No
## 277 0.89 Yes
## 278 0.70 No
## 279 0.66 No
## 280 0.67 No
## 281 0.68 No
## 282 0.80 No
## 283 0.81 No
## 284 0.80 No
## 285 0.94 No
## 286 0.93 Yes
## 287 0.92 Yes
## 288 0.89 Yes
## 289 0.82 No
## 290 0.79 No
## 291 0.58 No
## 292 0.56 No
## 293 0.56 No
## 294 0.64 No
## 295 0.61 No
## 296 0.68 No
## 297 0.76 No
## 298 0.86 No
## 299 0.90 No
## 300 0.71 No
## 301 0.62 No
## 302 0.66 No
## 303 0.65 No
## 304 0.73 No
## 305 0.62 No
## 306 0.74 No
## 307 0.79 No
## 308 0.80 No
## 309 0.69 No
## 310 0.70 No
## 311 0.76 No
## 312 0.84 No
## 313 0.78 No
## 314 0.67 No
## 315 0.66 No
## 316 0.65 No
## 317 0.54 No
## 318 0.58 No
## 319 0.79 No
## 320 0.80 No
## 321 0.75 No
## 322 0.73 No
## 323 0.72 No
## 324 0.62 No
## 325 0.67 No
## 326 0.81 No
## 327 0.63 No
## 328 0.69 No
## 329 0.80 No
## 330 0.43 No
## 331 0.80 No
## 332 0.73 No
## 333 0.75 No
## 334 0.71 No
## 335 0.73 No
## 336 0.83 No
## 337 0.72 No
## 338 0.94 Yes
## 339 0.81 Yes
## 340 0.81 Yes
## 341 0.75 No
## 342 0.79 No
## 343 0.58 No
## 344 0.59 No
## 345 0.47 No
## 346 0.49 No
## 347 0.47 No
## 348 0.42 No
## 349 0.57 No
## 350 0.62 No
## 351 0.74 No
## 352 0.73 No
## 353 0.64 No
## 354 0.63 No
## 355 0.59 No
## 356 0.73 No
## 357 0.79 No
## 358 0.68 No
## 359 0.70 No
## 360 0.81 No
## 361 0.85 No
## 362 0.93 No
## 363 0.91 Yes
## 364 0.69 No
## 365 0.77 No
## 366 0.86 No
## 367 0.74 No
## 368 0.57 No
## 369 0.51 No
## 370 0.67 No
## 371 0.72 No
## 372 0.89 No
## 373 0.95 No
## 374 0.79 No
## 375 0.39 No
## 376 0.38 No
## 377 0.34 No
## 378 0.47 No
## 379 0.56 No
## 380 0.71 No
## 381 0.78 No
## 382 0.73 No
## 383 0.82 No
## 384 0.62 No
## 385 0.96 No
## 386 0.96 Yes
## 387 0.46 No
## 388 0.53 No
## 389 0.49 No
## 390 0.76 No
## 391 0.64 No
## 392 0.71 No
## 393 0.84 No
## 394 0.77 No
## 395 0.89 No
## 396 0.82 No
## 397 0.84 No
## 398 0.91 No
## 399 0.67 No
## 400 0.95 No
#Preprocessing
data$Admit <- as.factor(data$Admit)
#normalisasi data
num_cols <- names(data)[sapply(data, is.numeric)]
data[num_cols] <- scale(data[num_cols])
#bagi data menjadi training dan testing
set.seed(123)
index <- createDataPartition(data$Admit, p=0.7, list=FALSE)
train_data <- data[index, ]
test_data <- data[-index, ]
biner <- subset(train_data, Admit != "Yes")
biner$Admit <- factor(biner$Admit)
#Latih model neural network
nn_model <- nnet(Admit ~., data= train_data, size = 3, decay=0.01, maxit = 200)
## # weights: 31
## initial value 313.888179
## iter 10 value 8.618369
## iter 20 value 2.983436
## iter 30 value 2.822124
## iter 40 value 2.789707
## iter 50 value 2.778859
## iter 60 value 2.744595
## iter 70 value 2.703795
## iter 80 value 2.692289
## iter 90 value 2.689654
## iter 100 value 2.689236
## iter 110 value 2.689102
## final value 2.689100
## converged
plotnet(nn_model)
#Prediksi
predictions <- predict(nn_model, newdata = test_data, type = "class")
#Evaluasi performa
predictions <- as.factor(predictions)
actual <- as.factor(test_data$Admit)
confusionMatrix(predictions, actual)
## Confusion Matrix and Statistics
##
## Reference
## Prediction No Yes
## No 102 0
## Yes 0 17
##
## Accuracy : 1
## 95% CI : (0.9695, 1)
## No Information Rate : 0.8571
## P-Value [Acc > NIR] : 1.08e-08
##
## Kappa : 1
##
## Mcnemar's Test P-Value : NA
##
## Sensitivity : 1.0000
## Specificity : 1.0000
## Pos Pred Value : 1.0000
## Neg Pred Value : 1.0000
## Prevalence : 0.8571
## Detection Rate : 0.8571
## Detection Prevalence : 0.8571
## Balanced Accuracy : 1.0000
##
## 'Positive' Class : No
##