Classification - Distribusi Grosir
Kumpulan data ini mengacu pada klien dari distributor grosir. Ini termasuk pengeluaran tahunan dalam satuan moneter (m.u.) untuk kategori produk yang beragam. Distributor grosir yang beroperasi di berbagai wilayah di Portugal memiliki informasi tentang pengeluaran tahunan beberapa item di toko mereka di berbagai wilayah dan saluran. Dataset terdiri dari 440 pengeluaran tahunan pengecer besar pada 6 jenis produk yang berbeda di 3 wilayah berbeda (lisbon , oporto, lainnya) dan di berbagai saluran penjualan
Library
library(glue)
library(dplyr)
library(gtools)
library(caret)
library(rsample)
library(class)
library(plotly)
library(ggplot2)Load Dataset
sale <- read.csv("data_input/wholesale.csv")
head(sale)
#> Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
#> 1 2 3 12669 9656 7561 214 2674 1338
#> 2 2 3 7057 9810 9568 1762 3293 1776
#> 3 2 3 6353 8808 7684 2405 3516 7844
#> 4 1 3 13265 1196 4221 6404 507 1788
#> 5 2 3 22615 5410 7198 3915 1777 5185
#> 6 2 3 9413 8259 5126 666 1795 1451Data Preparation
Mari kita mengecek tipe data dari tiap kolom
glimpse(sale)
#> Rows: 440
#> Columns: 8
#> $ Channel <int> 2, 2, 2, 1, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 1, 2, 1,…
#> $ Region <int> 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,…
#> $ Fresh <int> 12669, 7057, 6353, 13265, 22615, 9413, 12126, 7579, 5…
#> $ Milk <int> 9656, 9810, 8808, 1196, 5410, 8259, 3199, 4956, 3648,…
#> $ Grocery <int> 7561, 9568, 7684, 4221, 7198, 5126, 6975, 9426, 6192,…
#> $ Frozen <int> 214, 1762, 2405, 6404, 3915, 666, 480, 1669, 425, 115…
#> $ Detergents_Paper <int> 2674, 3293, 3516, 507, 1777, 1795, 3140, 3321, 1716, …
#> $ Delicassen <int> 1338, 1776, 7844, 1788, 5185, 1451, 545, 2566, 750, 2…Berikut adalah deskripsi dari setiap kolom
FRESH: annual spending (m.u.) on fresh products (Continuous);
MILK: annual spending (m.u.) on milk products (Continuous);
GROCERY: annual spending (m.u.)on grocery products (Continuous);
FROZEN: annual spending (m.u.)on frozen products (Continuous)
DETERGENTS_PAPER: annual spending (m.u.) on detergents and paper products (Continuous)
DELICATESSEN: annual spending (m.u.)on and delicatessen products (Continuous);
CHANNEL: customer Channel - Horeca (Hotel/Restaurant/Café) or Retail channel (Nominal)
REGION: customer Region Lisnon, Oporto or Other (Nominal)
Untuk memudahkan kita dalam pembuatan model nanti mari kita ubah terlebih dahulu angka dari Channel dan Region menjadi character Channel 1 = Horeca Channel 2 = Retail
Region 1 = Lisnon Region 2 = Oporto Region 3 = Other
Dengan menggunakan fungsi dibawah ini
pw_channel <- function(x){
if(x == 1){
x <- "Horeca"
}else{
x <- "Retail"
}
}
pw_reg <- function(x){
if(x == 1){
x <- "Lisnon"
}else if(x ==2){
x <- "Oporto"
}
else{
x <- "Other"
}
}Setelah membuat fungsi tersebut kita tinggal memasukkan fungsi tersebut kedalam kolom yang ingin diubah nilainya
sale$Channel <- sapply(sale$Channel, FUN = pw_channel)
sale$Region <- sapply(sale$Region, FUN = pw_reg)Mari kita cek terlebih dahulu
head(sale)
#> Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
#> 1 Retail Other 12669 9656 7561 214 2674 1338
#> 2 Retail Other 7057 9810 9568 1762 3293 1776
#> 3 Retail Other 6353 8808 7684 2405 3516 7844
#> 4 Horeca Other 13265 1196 4221 6404 507 1788
#> 5 Retail Other 22615 5410 7198 3915 1777 5185
#> 6 Retail Other 9413 8259 5126 666 1795 1451Data tersebut sudah berubah tinggal kita mengubahnya ke faktor
sale <- sale %>%
mutate_at(c("Channel","Region"),as.factor)glimpse(sale)
#> Rows: 440
#> Columns: 8
#> $ Channel <fct> Retail, Retail, Retail, Horeca, Retail, Retail, Retai…
#> $ Region <fct> Other, Other, Other, Other, Other, Other, Other, Othe…
#> $ Fresh <int> 12669, 7057, 6353, 13265, 22615, 9413, 12126, 7579, 5…
#> $ Milk <int> 9656, 9810, 8808, 1196, 5410, 8259, 3199, 4956, 3648,…
#> $ Grocery <int> 7561, 9568, 7684, 4221, 7198, 5126, 6975, 9426, 6192,…
#> $ Frozen <int> 214, 1762, 2405, 6404, 3915, 666, 480, 1669, 425, 115…
#> $ Detergents_Paper <int> 2674, 3293, 3516, 507, 1777, 1795, 3140, 3321, 1716, …
#> $ Delicassen <int> 1338, 1776, 7844, 1788, 5185, 1451, 545, 2566, 750, 2…Selanjutnya mari kita mengecek summary
summary(sale)
#> Channel Region Fresh Milk Grocery
#> Horeca:298 Lisnon: 77 Min. : 3 Min. : 55 Min. : 3
#> Retail:142 Oporto: 47 1st Qu.: 3128 1st Qu.: 1533 1st Qu.: 2153
#> Other :316 Median : 8504 Median : 3627 Median : 4756
#> Mean : 12000 Mean : 5796 Mean : 7951
#> 3rd Qu.: 16934 3rd Qu.: 7190 3rd Qu.:10656
#> Max. :112151 Max. :73498 Max. :92780
#> Frozen Detergents_Paper Delicassen
#> Min. : 25.0 Min. : 3.0 Min. : 3.0
#> 1st Qu.: 742.2 1st Qu.: 256.8 1st Qu.: 408.2
#> Median : 1526.0 Median : 816.5 Median : 965.5
#> Mean : 3071.9 Mean : 2881.5 Mean : 1524.9
#> 3rd Qu.: 3554.2 3rd Qu.: 3922.0 3rd Qu.: 1820.2
#> Max. :60869.0 Max. :40827.0 Max. :47943.0Kalau dilihat dari proporsi angkanya kita tidak memerlukan scaling, kita akan melanjutkannya dengan mengecek missing value
is.na(sale) %>% colSums()
#> Channel Region Fresh Milk
#> 0 0 0 0
#> Grocery Frozen Detergents_Paper Delicassen
#> 0 0 0 0Tidak ada missing value
Exploratory Data Analysis
Kita ingin melihat Jumlah Channel
channel_count <- sale %>%
group_by(Channel) %>%
summarise(count= n())
channel_count
#> # A tibble: 2 × 2
#> Channel count
#> <fct> <int>
#> 1 Horeca 298
#> 2 Retail 142channel_count <- channel_count %>%
mutate(
label =glue(
"Jumlah : {count}"
)
)
plot2 <- ggplot(data = channel_count, aes(x = count,
y = reorder(Channel, count),
text = label)) + # reorder(A, berdasarkan B)
geom_col(aes(fill = count)) +
scale_fill_gradient() +
labs(title = "Count of Channel",
x = "Count",
y = NULL) +
theme_minimal() +
theme(legend.position = "none")
ggplotly(plot2, tooltip = "text")Jumlah Channel di Horeca lebih besar dibanding retail
Coba kita cek jumlah channel berdasarkan jumlah di setiap negara
channel_count_byreg <- sale %>%
group_by(Channel, Region) %>%
summarise(count= n())
channel_count_byreg
#> # A tibble: 6 × 3
#> # Groups: Channel [2]
#> Channel Region count
#> <fct> <fct> <int>
#> 1 Horeca Lisnon 59
#> 2 Horeca Oporto 28
#> 3 Horeca Other 211
#> 4 Retail Lisnon 18
#> 5 Retail Oporto 19
#> 6 Retail Other 105plot1 <- ggplot(data = channel_count_byreg, aes(x = Channel, y = count)) +
geom_col(aes(fill = Region), position = "dodge")
ggplotly(plot1)Pada Channel Horeca dan Retail terdapat banyak pelanggan Di negara Other dibandingkan negara lain
Pembuatan Model Logistic Regression
Cross Validation
Kita akan melakukan cross validation, yang akan dibagi menjadi 2 dataset yaitu data train dan data test dengan proporsi 80:20, nantinya kita akan membuat model dari data train dan data test menjadi uji model.
RNGkind(sample.kind = "Rounding")
set.seed(417)
index <- sample(nrow(sale), nrow(sale)*0.8)
sale_train <- sale[index,]
sale_test <- sale[-index,]prop.table(table(sale_train$Channel))
#>
#> Horeca Retail
#> 0.6619318 0.3380682prop.table(table(sale_test$Channel))
#>
#> Horeca Retail
#> 0.7386364 0.2613636Persebaran data tidak terlalu merata namun menurut saya ini masih cukup bisa digunakan. Dengan catatan model yang dihasilkan bisa baik
Logistic Regression
model <- glm(formula = Channel ~. , data = sale_train, family = "binomial")
summary(model)
#>
#> Call:
#> glm(formula = Channel ~ ., family = "binomial", data = sale_train)
#>
#> Deviance Residuals:
#> Min 1Q Median 3Q Max
#> -2.95022 -0.30694 -0.17003 0.05659 3.12184
#>
#> Coefficients:
#> Estimate Std. Error z value Pr(>|z|)
#> (Intercept) -4.851e+00 8.420e-01 -5.760 8.39e-09 ***
#> RegionOporto 2.344e+00 9.348e-01 2.507 0.0122 *
#> RegionOther 1.221e+00 6.881e-01 1.774 0.0761 .
#> Fresh 8.738e-06 1.966e-05 0.445 0.6567
#> Milk 1.225e-04 6.664e-05 1.838 0.0660 .
#> Grocery 7.382e-05 6.380e-05 1.157 0.2472
#> Frozen -2.507e-04 1.190e-04 -2.107 0.0351 *
#> Detergents_Paper 9.056e-04 1.581e-04 5.727 1.02e-08 ***
#> Delicassen -1.794e-05 1.134e-04 -0.158 0.8743
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> (Dispersion parameter for binomial family taken to be 1)
#>
#> Null deviance: 450.38 on 351 degrees of freedom
#> Residual deviance: 160.94 on 343 degrees of freedom
#> AIC: 178.94
#>
#> Number of Fisher Scoring iterations: 7exp(2.344e+00)
#> [1] 10.42284
exp(9.056e-04)
#> [1] 1.000906inv.logit(-4.851e+00)
#> [1] 0.007759867Interpretasi : Null deviance = 450.38
Residual deviance = 160.9 Variabel Detergents_Paper, RegionOporto,
Frozen menjadi variabel yang signifikan Nilai log of odds seseorang
mendapatkan pelanggan Channel horeca di negeri oproto adalah 10 kali
lebih besar dibandingkan peluang pelanggan channel horeca dengan region
di lisbon Nilai log of odds untuk mendapatkan pelanggan di penjualan
Detergent_Paper di Channel sebesar 1 kali lebih besar dibandingkan
penjualan yang lain Peluang mendapatkan pelanggan di Channel adalah 0,7
%
Kita juga dapat menggunakan step wise untuk mendapatkan modele terbaik
model2 <- step(model, direction = "backward", trace = FALSE)
model2
#>
#> Call: glm(formula = Channel ~ Region + Milk + Frozen + Detergents_Paper,
#> family = "binomial", data = sale_train)
#>
#> Coefficients:
#> (Intercept) RegionOporto RegionOther Milk
#> -4.6760081 2.4095874 1.2678524 0.0001559
#> Frozen Detergents_Paper
#> -0.0002460 0.0009954
#>
#> Degrees of Freedom: 351 Total (i.e. Null); 346 Residual
#> Null Deviance: 450.4
#> Residual Deviance: 162.6 AIC: 174.6mari kita menyimpan model tersebut dalam model_step dan mari kita jalankan
model_step <- glm(formula = Channel ~ Region + Milk + Frozen + Detergents_Paper,
family = "binomial", data = sale_train)
summary(model_step)
#>
#> Call:
#> glm(formula = Channel ~ Region + Milk + Frozen + Detergents_Paper,
#> family = "binomial", data = sale_train)
#>
#> Deviance Residuals:
#> Min 1Q Median 3Q Max
#> -3.06499 -0.31986 -0.17286 0.06116 3.11349
#>
#> Coefficients:
#> Estimate Std. Error z value Pr(>|z|)
#> (Intercept) -4.676e+00 8.156e-01 -5.733 9.85e-09 ***
#> RegionOporto 2.410e+00 9.386e-01 2.567 0.01025 *
#> RegionOther 1.268e+00 6.770e-01 1.873 0.06110 .
#> Milk 1.559e-04 5.812e-05 2.682 0.00732 **
#> Frozen -2.460e-04 1.035e-04 -2.378 0.01741 *
#> Detergents_Paper 9.954e-04 1.323e-04 7.523 5.34e-14 ***
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> (Dispersion parameter for binomial family taken to be 1)
#>
#> Null deviance: 450.38 on 351 degrees of freedom
#> Residual deviance: 162.61 on 346 degrees of freedom
#> AIC: 174.61
#>
#> Number of Fisher Scoring iterations: 7Interpretasi: Ada beberapa prediktor yang menjadi variabel yang signifikan diantaranya, RegionOporto, Milk,Frozen, dan Detergents_Paper AIC yang dihasilkan juga lebih baik dibandingkan dengan model sebelumnya
Prediksi log of odds Channel untuk 10 data teratas
predict(object = model_step, newdata = sale_test[1:10,],type = "link")
#> 4 12 17 33 37 41 42
#> -4.2925555 -3.0358428 2.4201212 -2.3544120 -2.2956270 -3.9328380 -0.8674848
#> 54 58 59
#> 3.6262184 5.6676749 -3.0217808Prediksi Probability Channel untuk 10 data teratas
predict(object = model_step, newdata = sale_test[1:10,], type = "response")
#> 4 12 17 33 37 41 42
#> 0.01348560 0.04583263 0.91834883 0.08671572 0.09148578 0.01921168 0.29577794
#> 54 58 59
#> 0.97407343 0.99655601 0.04645153sale_test$pred.sale <-predict(object = model_step, newdata = sale_test, type = "response") Selanjutkan mari kita klasifikasikan data sale_test berdasarkan pred.sale dan kita menyimpannya dalam pred.label
sale_test$pred.label <- ifelse(sale_test$pred.sale>0.5 , "Retail" , "Horeca") %>% as.factor()Selanjutnya kita melihat prediksi yang kita hasilkan
sale_test %>% select(pred.sale, pred.label, Channel)
#> pred.sale pred.label Channel
#> 4 0.013485600 Horeca Horeca
#> 12 0.045832631 Horeca Retail
#> 17 0.918348833 Retail Retail
#> 33 0.086715719 Horeca Horeca
#> 37 0.091485783 Horeca Horeca
#> 41 0.019211684 Horeca Horeca
#> 42 0.295777938 Horeca Horeca
#> 54 0.974073431 Retail Retail
#> 58 0.996556011 Retail Retail
#> 59 0.046451533 Horeca Horeca
#> 73 0.030034474 Horeca Horeca
#> 74 0.021515962 Horeca Retail
#> 79 0.031036818 Horeca Horeca
#> 82 0.996954412 Retail Retail
#> 83 0.797396570 Retail Retail
#> 84 0.039626058 Horeca Horeca
#> 89 0.003855553 Horeca Horeca
#> 90 0.038963358 Horeca Horeca
#> 91 0.016790872 Horeca Horeca
#> 98 0.029163777 Horeca Horeca
#> 107 0.987197808 Retail Retail
#> 111 0.028113147 Horeca Horeca
#> 118 0.052596793 Horeca Horeca
#> 120 0.023282132 Horeca Horeca
#> 133 0.092577523 Horeca Horeca
#> 139 0.073445121 Horeca Horeca
#> 140 0.099658521 Horeca Horeca
#> 144 0.007884788 Horeca Horeca
#> 147 0.036913972 Horeca Horeca
#> 151 0.040529843 Horeca Horeca
#> 152 0.059174942 Horeca Horeca
#> 154 0.134997756 Horeca Horeca
#> 160 0.996777468 Retail Retail
#> 161 0.796041420 Retail Retail
#> 162 0.026866259 Horeca Horeca
#> 166 0.989548512 Retail Retail
#> 169 0.027715451 Horeca Horeca
#> 172 0.999898469 Retail Retail
#> 174 0.999356806 Retail Retail
#> 177 0.068410006 Horeca Horeca
#> 193 0.041931782 Horeca Horeca
#> 203 0.020856917 Horeca Horeca
#> 204 0.023315802 Horeca Horeca
#> 215 0.885937583 Retail Retail
#> 224 0.007551624 Horeca Retail
#> 229 0.480061300 Horeca Horeca
#> 230 0.005266137 Horeca Horeca
#> 232 0.141005179 Horeca Horeca
#> 238 0.005541329 Horeca Horeca
#> 239 0.008131276 Horeca Horeca
#> 244 0.070277567 Horeca Horeca
#> 245 0.348249581 Horeca Horeca
#> 251 0.010373640 Horeca Horeca
#> 258 0.116120312 Horeca Horeca
#> 259 0.008017489 Horeca Horeca
#> 265 0.941029277 Retail Retail
#> 270 0.007222514 Horeca Horeca
#> 285 0.016119650 Horeca Horeca
#> 287 0.096573050 Horeca Horeca
#> 293 0.045209831 Horeca Horeca
#> 294 0.994328986 Retail Retail
#> 305 0.999971712 Retail Retail
#> 308 0.138274496 Horeca Horeca
#> 323 0.167552780 Horeca Horeca
#> 324 0.337792082 Horeca Horeca
#> 332 0.999909582 Retail Retail
#> 333 0.106102212 Horeca Horeca
#> 337 0.114508203 Horeca Horeca
#> 340 0.020458346 Horeca Horeca
#> 344 0.999996999 Retail Retail
#> 350 0.999973599 Retail Retail
#> 351 0.029127782 Horeca Horeca
#> 354 0.997879425 Retail Retail
#> 357 0.015443930 Horeca Horeca
#> 369 0.025968628 Horeca Horeca
#> 370 0.027047838 Horeca Horeca
#> 378 0.044133941 Horeca Horeca
#> 385 0.350944718 Horeca Horeca
#> 386 0.023920924 Horeca Horeca
#> 392 0.042844275 Horeca Horeca
#> 400 0.037497666 Horeca Horeca
#> 405 0.055036498 Horeca Horeca
#> 415 0.033396274 Horeca Horeca
#> 416 0.655163777 Retail Retail
#> 418 0.695989582 Retail Horeca
#> 429 0.102263312 Horeca Horeca
#> 432 0.011018758 Horeca Horeca
#> 434 0.050625701 Horeca HorecaModel Evaluation Logistic Regression
Kita akan melakukan evaluasi pada model yang telah kita buat kita bisa menggunakan fungsi dari library caret yaitu confusion matrix
confusionMatrix(data=sale_test$pred.label, reference=sale_test$Channel, positive="Horeca")
#> Confusion Matrix and Statistics
#>
#> Reference
#> Prediction Horeca Retail
#> Horeca 64 3
#> Retail 1 20
#>
#> Accuracy : 0.9545
#> 95% CI : (0.8877, 0.9875)
#> No Information Rate : 0.7386
#> P-Value [Acc > NIR] : 1.108e-07
#>
#> Kappa : 0.8789
#>
#> Mcnemar's Test P-Value : 0.6171
#>
#> Sensitivity : 0.9846
#> Specificity : 0.8696
#> Pos Pred Value : 0.9552
#> Neg Pred Value : 0.9524
#> Prevalence : 0.7386
#> Detection Rate : 0.7273
#> Detection Prevalence : 0.7614
#> Balanced Accuracy : 0.9271
#>
#> 'Positive' Class : Horeca
#> Akurasi dari sebuah model yang kita dapatkan sebesar 95 persen, bisa dibilang model ini sudah bagus Recall dari model diatas juga mencapai 98% Presisi dari model diatas juga mencapai 95%
Untuk saya lebih memilih model dari recall dikarenakan saya ingin memprediksi seseorang di pelanggan Channel Horeca, namun aktualnya pelanggan tersebut memang ada di Channel Horeca
Pembuatan Model KNN
KNN
Mari kita membuat duplikat dari data sale dengan mengassign kedalam variabel sale_knn
sale_knn <- saleCross Validation
set.seed(100)
index <- initial_split(data=sale_knn,
prop = 0.8,
strata = Channel)
sale_knn_train <- training(index)
sale_knn_test <- testing(index)# prediktor data train
train_x <- sale_knn_train %>% select_if(is.numeric)
# target data train
train_y <- sale_knn_train %>% select(Channel)
# prediktor data test
test_x <- sale_knn_test %>% select_if(is.numeric)
# target data test
test_y <- sale_knn_test %>% select(Channel)Kita akan memilih nilai k dari akar sebuah observasi
sqrt(nrow(train_x))
#> [1] 18.73499Mari kita bulatkan nilai tersebut menjadi 19 dan kita masukkan kedalam model KNN kita
sale_knn_pred <- knn(train = train_x,
test = test_x,
cl = train_y$Channel,
k=19)Model Evaluation KNN
confusionMatrix(data=sale_knn_pred, reference=test_y$Channel, positive="Horeca")
#> Confusion Matrix and Statistics
#>
#> Reference
#> Prediction Horeca Retail
#> Horeca 57 7
#> Retail 3 22
#>
#> Accuracy : 0.8876
#> 95% CI : (0.8031, 0.9448)
#> No Information Rate : 0.6742
#> P-Value [Acc > NIR] : 2.711e-06
#>
#> Kappa : 0.7348
#>
#> Mcnemar's Test P-Value : 0.3428
#>
#> Sensitivity : 0.9500
#> Specificity : 0.7586
#> Pos Pred Value : 0.8906
#> Neg Pred Value : 0.8800
#> Prevalence : 0.6742
#> Detection Rate : 0.6404
#> Detection Prevalence : 0.7191
#> Balanced Accuracy : 0.8543
#>
#> 'Positive' Class : Horeca
#> Akurasi yang didapatkan dari model KNN adalah 88% Recall yang dihasilkan sebesar 95 % Presisi yang dihasilkan sebesar 89 %
Kesimpulan
Dari model yang dihasilkan kita bisa mengetahui bahwa model dari logistik regresi menjadi model yang terbaik dikarenakan Akurasi yang dihasilkan lebih besar dibandingkan KNN. Dalam kasus ini kita mengklasifikasikan penjualan di Channel Horeca dan Retail. Berbagai variabel dapat mempengaruhi variabel target dari sebuah data yang kita analisis
Menurut saya model yang akan digunakan adalah dari Model Logistik Regression dan metriks yang akan digunakan adalah Recall dikarenakan nilai metriks tersebut mencapai 98 % hampir sempurna. Karena saya ingin memprediksi pelanggan channel yang terdapat di Channel Horeca, namun aslinya memang di Channel Horeca. Untuk menimalisir kesalahan pada pelanggan channel