Data Preparation#
Data Preparation merupakan langkah lanjut dari data understanding, mempersiapkan data mencakup semua aktifitas untuk membangun dataset akhir (data yang siap untuk dijadikan input bagi model data mining)
Tugasnya adalah memilih table, record dan atribut juga tranformasi dan membersihkan data
Langkah-langkah Prepocessing Data#
Instalasi Library PIP untuk Database#
%pip install pymysql
%pip install psycopg2
Requirement already satisfied: pymysql in /usr/local/python/3.12.1/lib/python3.12/site-packages (1.1.1)
[notice] A new release of pip is available: 24.3.1 -> 25.0.1
[notice] To update, run: python3 -m pip install --upgrade pip
Note: you may need to restart the kernel to use updated packages.
Requirement already satisfied: psycopg2 in /usr/local/python/3.12.1/lib/python3.12/site-packages (2.9.10)
[notice] A new release of pip is available: 24.3.1 -> 25.0.1
[notice] To update, run: python3 -m pip install --upgrade pip
Note: you may need to restart the kernel to use updated packages.
Penggabungan Database#
Koneksikan kedua database dengan informasi dari aiven. Gabung feature sepal length, sepal width, petal_length, dan petal_width dengan menggunakan fungsi merge dari pandas
import psycopg2
import pymysql
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.neighbors import LocalOutlierFactor
from matplotlib.legend_handler import HandlerPathCollection
from scipy.spatial.distance import euclidean
def get_pg_data():
conn = psycopg2.connect(
host="pg-359aec68-tugas-pendata.g.aivencloud.com",
user="avnadmin",
password="AVNS_oal2yP3mG6JLIwX3BUK",
database="defaultdb",
port=17416
)
cursor = conn.cursor()
cursor.execute("SELECT * FROM iris_data")
data = cursor.fetchall()
columns = [desc[0] for desc in cursor.description] # Ambil nama kolom
cursor.close()
conn.close()
return pd.DataFrame(data, columns=columns)
def get_mysql_data():
conn = pymysql.connect(
host="mysql-3634ef1a-tugas-pendata.g.aivencloud.com",
user="avnadmin",
password="AVNS_2NRSFWfr9pGMEI7BSpA",
database="defaultdb",
port=17416
)
cursor = conn.cursor()
cursor.execute("SELECT * FROM iris_data")
data = cursor.fetchall()
columns = [desc[0] for desc in cursor.description] # Ambil nama kolom
cursor.close()
conn.close()
return pd.DataFrame(data, columns=columns)
# Ambil data dari kedua database
df_postgresql = get_pg_data()
df_mysql = get_mysql_data()
# Gabungkan berdasarkan kolom 'id' dan 'Class'
df_merged = pd.merge(df_mysql, df_postgresql, on=["id", "class"], how="inner")
feature_columns = ["petal length", "petal width", "sepal_length", "sepal_width"]
data_values = df_merged[feature_columns].values
# Cetak semua data hasil gabungan tanpa indeks
print(df_merged.to_string(index=False))
id class petal length petal width sepal_length sepal_width
1 Iris-setosa 1.4 0.2 5.1 3.5
2 Iris-setosa 78.0 88.0 90.0 80.0
3 Iris-setosa 1.6 0.4 6.3 2.8
4 Iris-setosa 1.5 0.2 4.7 3.2
5 Iris-setosa 1.4 0.2 5.1 3.6
6 Iris-setosa 1.7 0.4 5.1 3.4
7 Iris-setosa 1.4 0.3 4.6 3.4
8 Iris-setosa 1.5 0.2 5.0 3.4
9 Iris-setosa 1.4 0.2 4.4 2.9
10 Iris-setosa 99.0 87.0 77.0 98.0
11 Iris-setosa 1.5 0.2 5.4 3.7
12 Iris-setosa 1.6 0.2 4.8 3.4
13 Iris-setosa 1.4 0.1 4.8 3.0
14 Iris-setosa 1.1 0.1 4.3 3.0
15 Iris-setosa 1.5 0.3 5.2 4.1
16 Iris-setosa 89.0 91.0 120.0 90.0
17 Iris-setosa 1.3 0.4 5.4 3.9
18 Iris-setosa 1.4 0.3 5.1 3.5
19 Iris-setosa 1.7 0.3 4.6 3.1
20 Iris-setosa 1.4 0.3 5.1 3.8
21 Iris-setosa 98.0 89.0 90.0 91.0
22 Iris-setosa 1.5 0.4 5.1 3.7
23 Iris-setosa 78.0 87.0 98.0 76.0
24 Iris-setosa 1.7 0.5 5.1 3.3
25 Iris-setosa 1.5 0.2 4.8 3.4
26 Iris-setosa 1.6 0.2 4.8 3.2
27 Iris-setosa 1.6 0.4 5.0 3.4
28 Iris-setosa 1.5 0.2 5.2 3.5
29 Iris-setosa 1.4 0.2 5.2 3.4
30 Iris-setosa 1.4 0.2 4.7 3.2
31 Iris-setosa 1.6 0.4 4.9 3.5
32 Iris-setosa 1.5 0.4 5.4 3.4
33 Iris-setosa 1.5 0.1 5.2 4.1
34 Iris-setosa 1.4 0.2 5.5 4.2
35 Iris-setosa 1.4 0.2 4.9 3.1
36 Iris-setosa 1.2 0.2 5.2 3.6
37 Iris-setosa 1.3 0.2 5.5 3.5
38 Iris-setosa 1.5 0.1 4.9 3.1
39 Iris-setosa 1.3 0.2 4.4 3.0
40 Iris-setosa 1.6 0.4 5.1 3.4
41 Iris-setosa 1.3 0.3 5.3 3.5
42 Iris-setosa 1.3 0.3 4.5 2.3
43 Iris-setosa 1.3 0.2 4.4 3.2
44 Iris-setosa 1.6 0.6 5.0 3.5
45 Iris-setosa 1.5 0.2 5.1 3.8
46 Iris-setosa 1.4 0.3 4.8 3.2
47 Iris-setosa 1.6 0.2 5.1 3.8
48 Iris-setosa 1.4 0.2 4.6 3.2
49 Iris-setosa 1.5 0.2 5.3 3.7
50 Iris-setosa 1.6 4.0 4.1 3.2
51 Iris-versicolor 4.7 1.4 5.4 2.9
52 Iris-versicolor 4.5 1.5 6.4 3.2
53 Iris-versicolor 4.9 1.5 6.9 3.1
54 Iris-versicolor 4.0 1.3 5.5 2.3
55 Iris-versicolor 4.7 1.3 6.5 2.8
56 Iris-versicolor 4.5 1.3 6.8 3.1
57 Iris-versicolor 4.7 1.6 6.3 3.3
58 Iris-versicolor 87.0 94.0 97.0 96.0
59 Iris-versicolor 4.6 1.3 6.6 2.9
60 Iris-versicolor 4.3 1.2 5.2 2.7
61 Iris-versicolor 3.5 1.0 5.7 2.7
62 Iris-versicolor 4.2 1.5 5.9 3.0
63 Iris-versicolor 92.0 89.0 90.0 87.0
64 Iris-versicolor 4.7 1.4 6.1 2.9
65 Iris-versicolor 4.4 1.4 5.6 2.9
66 Iris-versicolor 4.4 1.4 5.7 2.6
67 Iris-versicolor 4.5 1.5 5.6 3.0
68 Iris-versicolor 4.1 1.0 5.8 2.7
69 Iris-versicolor 4.5 1.5 6.2 2.2
70 Iris-versicolor 3.9 1.2 5.6 2.5
71 Iris-versicolor 4.8 1.8 5.8 2.5
72 Iris-versicolor 4.0 1.3 6.1 2.8
73 Iris-versicolor 4.9 1.5 6.3 2.5
74 Iris-versicolor 4.7 1.2 6.1 2.8
75 Iris-versicolor 4.3 1.3 6.4 2.9
76 Iris-versicolor 4.4 1.4 6.6 3.0
77 Iris-versicolor 4.8 1.4 6.8 2.8
78 Iris-versicolor 5.0 1.7 6.7 3.0
79 Iris-versicolor 4.5 1.5 6.0 2.9
80 Iris-versicolor 3.5 1.0 5.7 2.6
81 Iris-versicolor 3.8 1.1 5.5 2.4
82 Iris-versicolor 3.7 1.0 5.5 2.4
83 Iris-versicolor 3.9 1.2 5.8 2.7
84 Iris-versicolor 5.1 1.6 6.0 2.7
85 Iris-versicolor 4.5 1.5 5.4 3.0
86 Iris-versicolor 4.5 1.6 6.0 3.4
87 Iris-versicolor 4.7 1.5 6.7 3.1
88 Iris-versicolor 4.4 1.3 6.3 2.3
89 Iris-versicolor 4.1 1.3 5.6 3.0
90 Iris-versicolor 4.0 1.3 5.5 2.5
91 Iris-versicolor 4.4 1.2 5.5 2.6
92 Iris-versicolor 4.6 1.4 6.1 3.0
93 Iris-versicolor 4.0 1.2 5.8 2.6
94 Iris-versicolor 92.0 89.0 120.0 99.0
95 Iris-versicolor 4.2 1.3 5.6 2.7
96 Iris-versicolor 4.2 1.2 5.7 3.0
97 Iris-versicolor 4.2 1.3 5.7 2.9
98 Iris-versicolor 4.3 1.3 6.2 2.9
99 Iris-versicolor 96.0 79.0 98.0 87.0
100 Iris-versicolor 4.1 1.3 5.7 2.8
101 Iris-virginica 6.0 2.5 6.3 3.3
102 Iris-virginica 5.1 1.9 5.8 2.7
103 Iris-virginica 5.9 2.1 7.1 3.0
104 Iris-virginica 5.6 1.8 6.3 2.9
105 Iris-virginica 5.8 2.2 6.5 3.0
106 Iris-virginica 6.6 2.1 7.6 3.0
107 Iris-virginica 89.0 84.0 87.0 89.0
108 Iris-virginica 6.3 1.8 7.3 2.9
109 Iris-virginica 5.8 1.8 6.7 2.5
110 Iris-virginica 6.1 2.5 7.2 3.6
111 Iris-virginica 5.1 2.0 6.5 3.2
112 Iris-virginica 5.3 1.9 6.4 2.7
113 Iris-virginica 5.5 2.1 6.8 3.0
114 Iris-virginica 5.0 2.0 5.7 2.5
115 Iris-virginica 5.1 2.4 5.8 2.8
116 Iris-virginica 5.3 2.3 6.4 3.2
117 Iris-virginica 5.5 1.8 6.5 3.0
118 Iris-virginica 6.7 2.2 7.7 3.8
119 Iris-virginica 6.9 2.3 7.7 2.6
120 Iris-virginica 5.0 1.5 6.0 2.2
121 Iris-virginica 5.7 2.3 6.9 3.2
122 Iris-virginica 4.9 2.0 5.6 2.8
123 Iris-virginica 99.0 89.0 111.0 96.0
124 Iris-virginica 4.9 1.8 6.4 2.8
125 Iris-virginica 5.7 2.1 6.2 3.3
126 Iris-virginica 6.0 1.8 6.2 2.8
127 Iris-virginica 5.3 1.4 6.2 2.8
128 Iris-virginica 4.9 1.8 6.4 3.1
129 Iris-virginica 5.6 2.1 6.4 2.8
130 Iris-virginica 95.0 85.0 96.0 83.0
131 Iris-virginica 6.1 1.9 7.4 2.8
132 Iris-virginica 6.4 2.0 7.9 3.8
133 Iris-virginica 5.6 2.2 6.4 2.8
134 Iris-virginica 5.1 1.5 6.3 2.8
135 Iris-virginica 5.6 1.4 6.1 2.6
136 Iris-virginica 6.1 2.3 7.7 3.0
137 Iris-virginica 5.6 2.4 6.3 3.4
138 Iris-virginica 5.5 1.8 6.4 3.1
139 Iris-virginica 4.8 1.8 6.0 3.0
140 Iris-virginica 5.4 2.1 6.9 3.1
141 Iris-virginica 5.6 2.4 6.7 3.1
142 Iris-virginica 89.0 78.0 110.0 93.0
143 Iris-virginica 5.1 1.9 5.8 2.7
144 Iris-virginica 5.9 2.3 6.8 3.2
145 Iris-virginica 5.7 2.5 6.7 3.3
146 Iris-virginica 5.2 2.3 6.7 3.0
147 Iris-virginica 109.0 81.0 98.0 82.0
148 Iris-virginica 5.2 2.0 6.5 3.0
149 Iris-virginica 5.4 2.3 6.2 3.4
150 Iris-virginica 5.1 1.8 5.9 3.0
151 ? 5.1 3.2 5.8 1.0
Deteksi Outlier#
Deteksi Outlier mengggunakan Local Outlier Factor (LOF).
Algoritma LOF bekerja dengan membandingkan kepadatan lokal titik data dengan kepadatan tetangganya. n_neighbors=7 berarti setiap titik akan dibandingkan dengan 7 tetangga terdekatnya. Outlier memiliki kepadatan yang lebih rendah dibandingkan tetangganya.
Menandai outlier dalam dataset (-1 untuk outlier, 1 untuk data normal).
Menghitung dan menampilkan jumlah outlier.
Menampilkan tabel dengan ID, kelas, dan status outlier dalam format HTML.
from IPython.display import display, HTML
import numpy as np
from sklearn.neighbors import LocalOutlierFactor
# Menerapkan Local Outlier Factor untuk deteksi outlier
X = df_merged.iloc[:, 2:].values # Mengambil fitur numerik
clf = LocalOutlierFactor(n_neighbors=20,contamination=0.1)
y_pred = clf.fit_predict(X)
df_merged['outlier'] = np.where(y_pred == -1, -1, 1) # Menandai outlier (-1) dan non-outlier (1)
X_scores = clf.negative_outlier_factor_
# Menampilkan tabel ID dan status outlier tanpa indeks
outlier_table = df_merged[['id', 'class', 'outlier']]
print("\nTabel ID dan Status Outlier:")
# Menampilkan jumlah outlier
total_outliers = (y_pred == -1).sum()
print(f"Jumlah outlier yang terdeteksi: {total_outliers}")
# Menampilkan tabel tanpa indeks
display(HTML(outlier_table.to_html(index=False)))
Tabel ID dan Status Outlier:
Jumlah outlier yang terdeteksi: 15
| id | class | outlier |
|---|---|---|
| 1 | Iris-setosa | 1 |
| 2 | Iris-setosa | -1 |
| 3 | Iris-setosa | 1 |
| 4 | Iris-setosa | 1 |
| 5 | Iris-setosa | 1 |
| 6 | Iris-setosa | 1 |
| 7 | Iris-setosa | 1 |
| 8 | Iris-setosa | 1 |
| 9 | Iris-setosa | 1 |
| 10 | Iris-setosa | -1 |
| 11 | Iris-setosa | 1 |
| 12 | Iris-setosa | 1 |
| 13 | Iris-setosa | 1 |
| 14 | Iris-setosa | 1 |
| 15 | Iris-setosa | 1 |
| 16 | Iris-setosa | -1 |
| 17 | Iris-setosa | 1 |
| 18 | Iris-setosa | 1 |
| 19 | Iris-setosa | 1 |
| 20 | Iris-setosa | 1 |
| 21 | Iris-setosa | -1 |
| 22 | Iris-setosa | 1 |
| 23 | Iris-setosa | -1 |
| 24 | Iris-setosa | 1 |
| 25 | Iris-setosa | 1 |
| 26 | Iris-setosa | 1 |
| 27 | Iris-setosa | 1 |
| 28 | Iris-setosa | 1 |
| 29 | Iris-setosa | 1 |
| 30 | Iris-setosa | 1 |
| 31 | Iris-setosa | 1 |
| 32 | Iris-setosa | 1 |
| 33 | Iris-setosa | 1 |
| 34 | Iris-setosa | 1 |
| 35 | Iris-setosa | 1 |
| 36 | Iris-setosa | 1 |
| 37 | Iris-setosa | 1 |
| 38 | Iris-setosa | 1 |
| 39 | Iris-setosa | 1 |
| 40 | Iris-setosa | 1 |
| 41 | Iris-setosa | 1 |
| 42 | Iris-setosa | 1 |
| 43 | Iris-setosa | 1 |
| 44 | Iris-setosa | 1 |
| 45 | Iris-setosa | 1 |
| 46 | Iris-setosa | 1 |
| 47 | Iris-setosa | 1 |
| 48 | Iris-setosa | 1 |
| 49 | Iris-setosa | 1 |
| 50 | Iris-setosa | -1 |
| 51 | Iris-versicolor | 1 |
| 52 | Iris-versicolor | 1 |
| 53 | Iris-versicolor | 1 |
| 54 | Iris-versicolor | 1 |
| 55 | Iris-versicolor | 1 |
| 56 | Iris-versicolor | 1 |
| 57 | Iris-versicolor | 1 |
| 58 | Iris-versicolor | -1 |
| 59 | Iris-versicolor | 1 |
| 60 | Iris-versicolor | 1 |
| 61 | Iris-versicolor | 1 |
| 62 | Iris-versicolor | 1 |
| 63 | Iris-versicolor | -1 |
| 64 | Iris-versicolor | 1 |
| 65 | Iris-versicolor | 1 |
| 66 | Iris-versicolor | 1 |
| 67 | Iris-versicolor | 1 |
| 68 | Iris-versicolor | 1 |
| 69 | Iris-versicolor | 1 |
| 70 | Iris-versicolor | 1 |
| 71 | Iris-versicolor | 1 |
| 72 | Iris-versicolor | 1 |
| 73 | Iris-versicolor | 1 |
| 74 | Iris-versicolor | 1 |
| 75 | Iris-versicolor | 1 |
| 76 | Iris-versicolor | 1 |
| 77 | Iris-versicolor | 1 |
| 78 | Iris-versicolor | 1 |
| 79 | Iris-versicolor | 1 |
| 80 | Iris-versicolor | 1 |
| 81 | Iris-versicolor | 1 |
| 82 | Iris-versicolor | 1 |
| 83 | Iris-versicolor | 1 |
| 84 | Iris-versicolor | 1 |
| 85 | Iris-versicolor | 1 |
| 86 | Iris-versicolor | 1 |
| 87 | Iris-versicolor | 1 |
| 88 | Iris-versicolor | 1 |
| 89 | Iris-versicolor | 1 |
| 90 | Iris-versicolor | 1 |
| 91 | Iris-versicolor | 1 |
| 92 | Iris-versicolor | 1 |
| 93 | Iris-versicolor | 1 |
| 94 | Iris-versicolor | -1 |
| 95 | Iris-versicolor | 1 |
| 96 | Iris-versicolor | 1 |
| 97 | Iris-versicolor | 1 |
| 98 | Iris-versicolor | 1 |
| 99 | Iris-versicolor | -1 |
| 100 | Iris-versicolor | 1 |
| 101 | Iris-virginica | 1 |
| 102 | Iris-virginica | 1 |
| 103 | Iris-virginica | 1 |
| 104 | Iris-virginica | 1 |
| 105 | Iris-virginica | 1 |
| 106 | Iris-virginica | 1 |
| 107 | Iris-virginica | -1 |
| 108 | Iris-virginica | 1 |
| 109 | Iris-virginica | 1 |
| 110 | Iris-virginica | 1 |
| 111 | Iris-virginica | 1 |
| 112 | Iris-virginica | 1 |
| 113 | Iris-virginica | 1 |
| 114 | Iris-virginica | 1 |
| 115 | Iris-virginica | 1 |
| 116 | Iris-virginica | 1 |
| 117 | Iris-virginica | 1 |
| 118 | Iris-virginica | 1 |
| 119 | Iris-virginica | 1 |
| 120 | Iris-virginica | 1 |
| 121 | Iris-virginica | 1 |
| 122 | Iris-virginica | 1 |
| 123 | Iris-virginica | -1 |
| 124 | Iris-virginica | 1 |
| 125 | Iris-virginica | 1 |
| 126 | Iris-virginica | 1 |
| 127 | Iris-virginica | 1 |
| 128 | Iris-virginica | 1 |
| 129 | Iris-virginica | 1 |
| 130 | Iris-virginica | -1 |
| 131 | Iris-virginica | 1 |
| 132 | Iris-virginica | 1 |
| 133 | Iris-virginica | 1 |
| 134 | Iris-virginica | 1 |
| 135 | Iris-virginica | 1 |
| 136 | Iris-virginica | 1 |
| 137 | Iris-virginica | 1 |
| 138 | Iris-virginica | 1 |
| 139 | Iris-virginica | 1 |
| 140 | Iris-virginica | 1 |
| 141 | Iris-virginica | 1 |
| 142 | Iris-virginica | -1 |
| 143 | Iris-virginica | 1 |
| 144 | Iris-virginica | 1 |
| 145 | Iris-virginica | 1 |
| 146 | Iris-virginica | 1 |
| 147 | Iris-virginica | -1 |
| 148 | Iris-virginica | 1 |
| 149 | Iris-virginica | 1 |
| 150 | Iris-virginica | 1 |
| 151 | ? | 1 |
Pengelompokan Data Outlier#
from IPython.display import display, HTML
import numpy as np
from sklearn.neighbors import LocalOutlierFactor
# Menerapkan Local Outlier Factor untuk deteksi outlier
X = df_merged.iloc[:, 2:].values # Mengambil fitur numerik
clf = LocalOutlierFactor(n_neighbors=20, contamination=0.1)
y_pred = clf.fit_predict(X)
df_merged['outlier'] = np.where(y_pred == -1, -1, 1) # Menandai outlier (-1) dan non-outlier (1)
X_scores = clf.negative_outlier_factor_
# Filter untuk menampilkan hanya data outlier
outlier_table = df_merged.loc[df_merged['outlier'] == -1, ['id', 'class', 'outlier']]
print("\nTabel ID dan Status Outlier (Hanya Outlier):")
# Menampilkan jumlah outlier yang terdeteksi
total_outliers = (y_pred == -1).sum()
print(f"Jumlah outlier yang terdeteksi: {total_outliers}")
# Menampilkan tabel tanpa indeks
display(HTML(outlier_table.to_html(index=False)))
Tabel ID dan Status Outlier (Hanya Outlier):
Jumlah outlier yang terdeteksi: 15
| id | class | outlier |
|---|---|---|
| 2 | Iris-setosa | -1 |
| 10 | Iris-setosa | -1 |
| 16 | Iris-setosa | -1 |
| 21 | Iris-setosa | -1 |
| 23 | Iris-setosa | -1 |
| 50 | Iris-setosa | -1 |
| 58 | Iris-versicolor | -1 |
| 63 | Iris-versicolor | -1 |
| 94 | Iris-versicolor | -1 |
| 99 | Iris-versicolor | -1 |
| 107 | Iris-virginica | -1 |
| 123 | Iris-virginica | -1 |
| 130 | Iris-virginica | -1 |
| 142 | Iris-virginica | -1 |
| 147 | Iris-virginica | -1 |
Pengahapusan Data dari Outlier#
Hapus semua data outlier dan menampilkan semua data dan total setelah penghapusan
from sklearn.neighbors import LocalOutlierFactor
# Ambil data dari kedua database
df_postgresql = get_pg_data()
df_mysql = get_mysql_data()
# Gabungkan berdasarkan kolom 'id' dan 'class'
df_merged = pd.merge(df_mysql, df_postgresql, on=["id", "class"], how="inner")
# Ambil data fitur numerik
feature_columns = ["petal length", "petal width", "sepal_length", "sepal_width"]
data_values = df_merged[feature_columns].values
# Menerapkan LOF untuk deteksi outlier
lof = LocalOutlierFactor(n_neighbors=20, contamination=0.1)
outlier_labels = lof.fit_predict(data_values)
df_merged["outlier"] = outlier_labels
# Menghapus data yang terdeteksi sebagai outlier
df_cleaned = df_merged[df_merged["outlier"] == 1].drop(columns=["outlier"])
# Menampilkan jumlah data sebelum dan setelah pembersihan
print(f"Jumlah data sebelum pembersihan: {df_merged.shape[0]}")
print(f"Jumlah data setelah pembersihan: {df_cleaned.shape[0]}")
# Menampilkan data yang telah dibersihkan
print(df_cleaned.to_string(index=False))
Jumlah data sebelum pembersihan: 151
Jumlah data setelah pembersihan: 136
id class petal length petal width sepal_length sepal_width
1 Iris-setosa 1.4 0.2 5.1 3.5
3 Iris-setosa 1.6 0.4 6.3 2.8
4 Iris-setosa 1.5 0.2 4.7 3.2
5 Iris-setosa 1.4 0.2 5.1 3.6
6 Iris-setosa 1.7 0.4 5.1 3.4
7 Iris-setosa 1.4 0.3 4.6 3.4
8 Iris-setosa 1.5 0.2 5.0 3.4
9 Iris-setosa 1.4 0.2 4.4 2.9
11 Iris-setosa 1.5 0.2 5.4 3.7
12 Iris-setosa 1.6 0.2 4.8 3.4
13 Iris-setosa 1.4 0.1 4.8 3.0
14 Iris-setosa 1.1 0.1 4.3 3.0
15 Iris-setosa 1.5 0.3 5.2 4.1
17 Iris-setosa 1.3 0.4 5.4 3.9
18 Iris-setosa 1.4 0.3 5.1 3.5
19 Iris-setosa 1.7 0.3 4.6 3.1
20 Iris-setosa 1.4 0.3 5.1 3.8
22 Iris-setosa 1.5 0.4 5.1 3.7
24 Iris-setosa 1.7 0.5 5.1 3.3
25 Iris-setosa 1.5 0.2 4.8 3.4
26 Iris-setosa 1.6 0.2 4.8 3.2
27 Iris-setosa 1.6 0.4 5.0 3.4
28 Iris-setosa 1.5 0.2 5.2 3.5
29 Iris-setosa 1.4 0.2 5.2 3.4
30 Iris-setosa 1.4 0.2 4.7 3.2
31 Iris-setosa 1.6 0.4 4.9 3.5
32 Iris-setosa 1.5 0.4 5.4 3.4
33 Iris-setosa 1.5 0.1 5.2 4.1
34 Iris-setosa 1.4 0.2 5.5 4.2
35 Iris-setosa 1.4 0.2 4.9 3.1
36 Iris-setosa 1.2 0.2 5.2 3.6
37 Iris-setosa 1.3 0.2 5.5 3.5
38 Iris-setosa 1.5 0.1 4.9 3.1
39 Iris-setosa 1.3 0.2 4.4 3.0
40 Iris-setosa 1.6 0.4 5.1 3.4
41 Iris-setosa 1.3 0.3 5.3 3.5
42 Iris-setosa 1.3 0.3 4.5 2.3
43 Iris-setosa 1.3 0.2 4.4 3.2
44 Iris-setosa 1.6 0.6 5.0 3.5
45 Iris-setosa 1.5 0.2 5.1 3.8
46 Iris-setosa 1.4 0.3 4.8 3.2
47 Iris-setosa 1.6 0.2 5.1 3.8
48 Iris-setosa 1.4 0.2 4.6 3.2
49 Iris-setosa 1.5 0.2 5.3 3.7
51 Iris-versicolor 4.7 1.4 5.4 2.9
52 Iris-versicolor 4.5 1.5 6.4 3.2
53 Iris-versicolor 4.9 1.5 6.9 3.1
54 Iris-versicolor 4.0 1.3 5.5 2.3
55 Iris-versicolor 4.7 1.3 6.5 2.8
56 Iris-versicolor 4.5 1.3 6.8 3.1
57 Iris-versicolor 4.7 1.6 6.3 3.3
59 Iris-versicolor 4.6 1.3 6.6 2.9
60 Iris-versicolor 4.3 1.2 5.2 2.7
61 Iris-versicolor 3.5 1.0 5.7 2.7
62 Iris-versicolor 4.2 1.5 5.9 3.0
64 Iris-versicolor 4.7 1.4 6.1 2.9
65 Iris-versicolor 4.4 1.4 5.6 2.9
66 Iris-versicolor 4.4 1.4 5.7 2.6
67 Iris-versicolor 4.5 1.5 5.6 3.0
68 Iris-versicolor 4.1 1.0 5.8 2.7
69 Iris-versicolor 4.5 1.5 6.2 2.2
70 Iris-versicolor 3.9 1.2 5.6 2.5
71 Iris-versicolor 4.8 1.8 5.8 2.5
72 Iris-versicolor 4.0 1.3 6.1 2.8
73 Iris-versicolor 4.9 1.5 6.3 2.5
74 Iris-versicolor 4.7 1.2 6.1 2.8
75 Iris-versicolor 4.3 1.3 6.4 2.9
76 Iris-versicolor 4.4 1.4 6.6 3.0
77 Iris-versicolor 4.8 1.4 6.8 2.8
78 Iris-versicolor 5.0 1.7 6.7 3.0
79 Iris-versicolor 4.5 1.5 6.0 2.9
80 Iris-versicolor 3.5 1.0 5.7 2.6
81 Iris-versicolor 3.8 1.1 5.5 2.4
82 Iris-versicolor 3.7 1.0 5.5 2.4
83 Iris-versicolor 3.9 1.2 5.8 2.7
84 Iris-versicolor 5.1 1.6 6.0 2.7
85 Iris-versicolor 4.5 1.5 5.4 3.0
86 Iris-versicolor 4.5 1.6 6.0 3.4
87 Iris-versicolor 4.7 1.5 6.7 3.1
88 Iris-versicolor 4.4 1.3 6.3 2.3
89 Iris-versicolor 4.1 1.3 5.6 3.0
90 Iris-versicolor 4.0 1.3 5.5 2.5
91 Iris-versicolor 4.4 1.2 5.5 2.6
92 Iris-versicolor 4.6 1.4 6.1 3.0
93 Iris-versicolor 4.0 1.2 5.8 2.6
95 Iris-versicolor 4.2 1.3 5.6 2.7
96 Iris-versicolor 4.2 1.2 5.7 3.0
97 Iris-versicolor 4.2 1.3 5.7 2.9
98 Iris-versicolor 4.3 1.3 6.2 2.9
100 Iris-versicolor 4.1 1.3 5.7 2.8
101 Iris-virginica 6.0 2.5 6.3 3.3
102 Iris-virginica 5.1 1.9 5.8 2.7
103 Iris-virginica 5.9 2.1 7.1 3.0
104 Iris-virginica 5.6 1.8 6.3 2.9
105 Iris-virginica 5.8 2.2 6.5 3.0
106 Iris-virginica 6.6 2.1 7.6 3.0
108 Iris-virginica 6.3 1.8 7.3 2.9
109 Iris-virginica 5.8 1.8 6.7 2.5
110 Iris-virginica 6.1 2.5 7.2 3.6
111 Iris-virginica 5.1 2.0 6.5 3.2
112 Iris-virginica 5.3 1.9 6.4 2.7
113 Iris-virginica 5.5 2.1 6.8 3.0
114 Iris-virginica 5.0 2.0 5.7 2.5
115 Iris-virginica 5.1 2.4 5.8 2.8
116 Iris-virginica 5.3 2.3 6.4 3.2
117 Iris-virginica 5.5 1.8 6.5 3.0
118 Iris-virginica 6.7 2.2 7.7 3.8
119 Iris-virginica 6.9 2.3 7.7 2.6
120 Iris-virginica 5.0 1.5 6.0 2.2
121 Iris-virginica 5.7 2.3 6.9 3.2
122 Iris-virginica 4.9 2.0 5.6 2.8
124 Iris-virginica 4.9 1.8 6.4 2.8
125 Iris-virginica 5.7 2.1 6.2 3.3
126 Iris-virginica 6.0 1.8 6.2 2.8
127 Iris-virginica 5.3 1.4 6.2 2.8
128 Iris-virginica 4.9 1.8 6.4 3.1
129 Iris-virginica 5.6 2.1 6.4 2.8
131 Iris-virginica 6.1 1.9 7.4 2.8
132 Iris-virginica 6.4 2.0 7.9 3.8
133 Iris-virginica 5.6 2.2 6.4 2.8
134 Iris-virginica 5.1 1.5 6.3 2.8
135 Iris-virginica 5.6 1.4 6.1 2.6
136 Iris-virginica 6.1 2.3 7.7 3.0
137 Iris-virginica 5.6 2.4 6.3 3.4
138 Iris-virginica 5.5 1.8 6.4 3.1
139 Iris-virginica 4.8 1.8 6.0 3.0
140 Iris-virginica 5.4 2.1 6.9 3.1
141 Iris-virginica 5.6 2.4 6.7 3.1
143 Iris-virginica 5.1 1.9 5.8 2.7
144 Iris-virginica 5.9 2.3 6.8 3.2
145 Iris-virginica 5.7 2.5 6.7 3.3
146 Iris-virginica 5.2 2.3 6.7 3.0
148 Iris-virginica 5.2 2.0 6.5 3.0
149 Iris-virginica 5.4 2.3 6.2 3.4
150 Iris-virginica 5.1 1.8 5.9 3.0
151 ? 5.1 3.2 5.8 1.0
Visualisasi Persebaran Class#
Visualisasi Petal#
import matplotlib.pyplot as plt
# Pilih dua fitur untuk scatter plot
x_feature = "petal length"
y_feature = "petal width"
# Warna berdasarkan kelas
colors = {"Iris-setosa": "blue", "Iris-versicolor": "green", "Iris-virginica": "red"}
# Handle missing values by filling with 'grey'
df_cleaned["color"] = df_cleaned["class"].map(colors).fillna('grey')
# Plot scatter dengan ukuran (s) dan warna (c)
plt.figure(figsize=(8, 6))
plt.scatter(df_cleaned[x_feature], df_cleaned[y_feature], s=50, c=df_cleaned["color"], alpha=0.7, edgecolors="k")
plt.xlabel(x_feature)
plt.ylabel(y_feature)
plt.title("Scatter Plot dengan Warna Berdasarkan Class")
plt.show()
Visualisasi Sepal#
import matplotlib.pyplot as plt
# Pilih dua fitur untuk scatter plot
x_feature = "sepal_length"
y_feature = "sepal_width"
# Warna berdasarkan kelas
colors = {"Iris-setosa": "blue", "Iris-versicolor": "green", "Iris-virginica": "red"}
# Handle missing values by filling with 'grey'
df_cleaned["color"] = df_cleaned["class"].map(colors).fillna('grey')
# Plot scatter dengan ukuran (s) dan warna (c)
plt.figure(figsize=(8, 6))
plt.scatter(df_cleaned[x_feature], df_cleaned[y_feature], s=50, c=df_cleaned["color"], alpha=0.7, edgecolors="k")
plt.xlabel(x_feature)
plt.ylabel(y_feature)
plt.title("Scatter Plot dengan Warna Berdasarkan Class")
plt.show()
Pembagian Data#
Bagi data untuk training set sebesar 80% dan data untuk testing 20%
from sklearn.neighbors import LocalOutlierFactor
from sklearn.model_selection import train_test_split
# Ambil data fitur numerik
feature_columns = ["petal length", "petal width", "sepal_length", "sepal_width"]
X = df_merged[feature_columns].values # Data fitur
y = df_merged["class"] # Label klasifikasi
# Menerapkan LOF untuk deteksi outlier
lof = LocalOutlierFactor(n_neighbors=20, contamination=0.1)
outlier_labels = lof.fit_predict(X)
df_merged["outlier"] = outlier_labels
# Menghapus data yang terdeteksi sebagai outlier
df_cleaned = df_merged[df_merged["outlier"] == 1].drop(columns=["outlier"])
# Bagi data menjadi Training (80%) dan Testing (20%)
X_train, X_test, y_train, y_test = train_test_split(
df_cleaned[feature_columns], df_cleaned["class"], test_size=0.2, random_state=42
)
# Menampilkan jumlah data setelah pembagian
print(f"Jumlah data setelah pembersihan: {df_cleaned.shape[0]}")
print(f"Training set: {X_train.shape[0]} sampel")
print(f"Testing set: {X_test.shape[0]} sampel")
Jumlah data setelah pembersihan: 136
Training set: 108 sampel
Testing set: 28 sampel
Akurasi Data Tanpa Outlier#
import matplotlib.pyplot as plt
from sklearn.neighbors import LocalOutlierFactor, KNeighborsClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
# Ambil data fitur numerik
feature_columns = ["petal length", "petal width", "sepal_length", "sepal_width"]
X = df_merged[feature_columns]
y = df_merged["class"]
# Encode label kelas ke numerik
label_encoder = LabelEncoder()
y_encoded = label_encoder.fit_transform(y)
# Menerapkan LOF untuk deteksi outlier
lof = LocalOutlierFactor(n_neighbors=20, contamination=0.1)
outlier_labels = lof.fit_predict(X)
# Menghapus data yang terdeteksi sebagai outlier
X_cleaned = X[outlier_labels == 1]
y_cleaned = y_encoded[outlier_labels == 1]
# Split data menjadi training (80%) dan testing (20%)
X_train, X_test, y_train, y_test = train_test_split(
X_cleaned, y_cleaned, test_size=0.2, random_state=42
)
# Pipeline dengan StandardScaler dan KNN
clf = Pipeline([
("scaler", StandardScaler()),
("knn", KNeighborsClassifier(n_neighbors=11))
])
# Latih model
clf.fit(X_train, y_train)
# Prediksi pada data testing
y_pred = clf.predict(X_test)
# Evaluasi akurasi
accuracy = accuracy_score(y_test, y_pred)
print(f"Akurasi Model (Dengan Penghapusan Outlier): {accuracy:.2f}")
# Menampilkan laporan klasifikasi
print("\nLaporan Klasifikasi:")
# Get unique class labels from y_test
unique_classes_test = np.unique(y_test)
# Get target names for the unique classes in the test set
target_names_test = label_encoder.inverse_transform(unique_classes_test)
print(classification_report(y_test, y_pred, target_names=target_names_test)) # Use target_names_test here
Akurasi Model (Dengan Penghapusan Outlier): 0.86
Laporan Klasifikasi:
precision recall f1-score support
Iris-setosa 1.00 1.00 1.00 12
Iris-versicolor 0.88 0.70 0.78 10
Iris-virginica 0.62 0.83 0.71 6
accuracy 0.86 28
macro avg 0.83 0.84 0.83 28
weighted avg 0.88 0.86 0.86 28
Akurasi Dengan Outlier#
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
# Ambil data fitur numerik
feature_columns = ["petal length", "petal width", "sepal_length", "sepal_width"]
X = df_merged[feature_columns]
y = df_merged["class"]
# Encode label kelas ke numerik
label_encoder = LabelEncoder()
y_encoded = label_encoder.fit_transform(y)
# Split data menjadi training (80%) dan testing (20%)
X_train, X_test, y_train, y_test = train_test_split(
X, y_encoded, test_size=0.2, random_state=42
)
# Pipeline dengan StandardScaler dan KNN
clf = Pipeline([
("scaler", StandardScaler()),
("knn", KNeighborsClassifier(n_neighbors=11))
])
# Latih model
clf.fit(X_train, y_train)
# Prediksi pada data testing
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Akurasi Model (Tanpa Menghapus Outlier): {accuracy:.2f}")
# Menampilkan laporan klasifikasi
print("\nLaporan Klasifikasi:")
# Get unique class labels from y_test
unique_classes_test = np.unique(y_test)
# Get target names for the unique classes in the test set
target_names_test = label_encoder.inverse_transform(unique_classes_test)
print(classification_report(y_test, y_pred, target_names=target_names_test))
Akurasi Model (Tanpa Menghapus Outlier): 0.87
Laporan Klasifikasi:
precision recall f1-score support
Iris-setosa 1.00 0.82 0.90 11
Iris-versicolor 0.91 0.91 0.91 11
Iris-virginica 0.73 0.89 0.80 9
accuracy 0.87 31
macro avg 0.88 0.87 0.87 31
weighted avg 0.89 0.87 0.87 31
Perbandingan Kedua Akurasi#
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import LocalOutlierFactor, KNeighborsClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report
# Ambil data fitur numerik
feature_columns = ["petal length", "petal width", "sepal_length", "sepal_width"]
X = df_merged[feature_columns]
y = df_merged["class"]
# Encode label kelas ke numerik
label_encoder = LabelEncoder()
y_encoded = label_encoder.fit_transform(y)
# Menerapkan LOF untuk deteksi outlier
lof = LocalOutlierFactor(n_neighbors=20, contamination=0.1)
outlier_labels = lof.fit_predict(X)
# Menghapus data yang terdeteksi sebagai outlier
X_cleaned = X[outlier_labels == 1]
y_cleaned = y_encoded[outlier_labels == 1]
# Split data menjadi training (80%) dan testing (20%) - Tanpa Penghapusan Outlier
X_train_full, X_test_full, y_train_full, y_test_full = train_test_split(
X, y_encoded, test_size=0.2, random_state=42
)
# Split data menjadi training (80%) dan testing (20%) - Dengan Penghapusan Outlier
X_train_cleaned, X_test_cleaned, y_train_cleaned, y_test_cleaned = train_test_split(
X_cleaned, y_cleaned, test_size=0.2, random_state=42
)
# Pipeline dengan StandardScaler dan KNN (Tanpa Penghapusan Outlier)
clf_full = Pipeline([
("scaler", StandardScaler()),
("knn", KNeighborsClassifier(n_neighbors=11))
])
clf_full.fit(X_train_full, y_train_full)
y_pred_full = clf_full.predict(X_test_full)
accuracy_full = accuracy_score(y_test_full, y_pred_full)
# Pipeline dengan StandardScaler dan KNN (Dengan Penghapusan Outlier)
clf_cleaned = Pipeline([
("scaler", StandardScaler()),
("knn", KNeighborsClassifier(n_neighbors=11))
])
clf_cleaned.fit(X_train_cleaned, y_train_cleaned)
y_pred_cleaned = clf_cleaned.predict(X_test_cleaned)
accuracy_cleaned = accuracy_score(y_test_cleaned, y_pred_cleaned)
# Tampilkan hasil perbandingan
print(f"Akurasi Model (Tanpa Penghapusan Outlier): {accuracy_full:.2f}")
print(f"Akurasi Model (Dengan Penghapusan Outlier): {accuracy_cleaned:.2f}")
# Menampilkan laporan klasifikasi
print("\nLaporan Klasifikasi (Tanpa Penghapusan Outlier):")
target_names_full = label_encoder.inverse_transform(np.unique(y_test_full))
print(classification_report(y_test_full, y_pred_full, target_names=target_names_full))
print("\nLaporan Klasifikasi (Dengan Penghapusan Outlier):")
target_names_cleaned = label_encoder.inverse_transform(np.unique(y_test_cleaned))
print(classification_report(y_test_cleaned, y_pred_cleaned, target_names=target_names_cleaned))
Akurasi Model (Tanpa Penghapusan Outlier): 0.87
Akurasi Model (Dengan Penghapusan Outlier): 0.86
Laporan Klasifikasi (Tanpa Penghapusan Outlier):
precision recall f1-score support
Iris-setosa 1.00 0.82 0.90 11
Iris-versicolor 0.91 0.91 0.91 11
Iris-virginica 0.73 0.89 0.80 9
accuracy 0.87 31
macro avg 0.88 0.87 0.87 31
weighted avg 0.89 0.87 0.87 31
Laporan Klasifikasi (Dengan Penghapusan Outlier):
precision recall f1-score support
Iris-setosa 1.00 1.00 1.00 12
Iris-versicolor 0.88 0.70 0.78 10
Iris-virginica 0.62 0.83 0.71 6
accuracy 0.86 28
macro avg 0.83 0.84 0.83 28
weighted avg 0.88 0.86 0.86 28
Naive Bayes#
Apa Itu Naive Bayes?#
Naïve bayes atau dikenal juga dengan naïve bayes classifier merupakan salah satu algoritme machine learning yang diawasi (supervised learning) yang digunakan untuk menangani masalah klasifikasi berdarkan pada probabilitas atau kemungkinan sesuai dengan Teorema Bayes. Lalu, apa itu Teorema Bayes? Dalam statistic, Teorema Bayes atau hukum bayes menjelaskan probabilitas suatu kejadian di masa depan berdasarkan pengalaman sebelumnya tentang kondisi yang mungkin terkait dengan kejadian tersebut, sehingga dapat digunakan untuk pengambilan keputusan.
algoritme naïve bayes merupakan metode yang digunakan dalam machine learning untuk menangani masalah klasifikasi berdasarkan pada probabilitas. Beberapa contoh implementasi algoritme naïve bayes yaitu klasifikasi dokumen, perkiraan cuaca, mendeteksi atau menyaring spam, system rekomendasi, analisis sentiment, dan lain sebagainya. Berdasarkan fungsinya, metode naïve bayes digolongkan menjadi beberapa tipe seperti berikut:
Multinomial naïve bayes. Merupakan metode naïve bayes yang digunakan untuk mengklasifikasikan kategori dokumen. Misalnya, sebuah dokumen diklasifikasikan bertema teknologi, olahraga, politik dan lain sebagainya berdasarkan frekuensi kata-kata yang muncul di dalam dokumen tersebut.
Gaussian naïve bayes. Adalah tipe naïve bayes yang mendukung data kontinu (tidak terbatas) berdasarkan asumsi ditribusi gaussian.
Bernoulli naïve bayes. Metode ini hampir sama seperti tipe multinomial, bedanya, tipe Bernoulli lebih berfokus pada hasil yang bernilai Boolean yaitu benar atau salah. Contoh, prediksi apakah sebuah kata tertentu muncul dalam dokumen teks atau tidak.
Categorical Naïve Bayes adalah varian dari algoritma Naïve Bayes yang dirancang untuk bekerja dengan fitur kategorikal.
Alur Kerja Naive Bayes#
Implentasi Naive Bayes dengan data Outlier#
from sklearn.naive_bayes import GaussianNB
from sklearn.impute import SimpleImputer
# Impute missing values if any (replace with your preferred imputation strategy)
imputer = SimpleImputer(strategy='mean') # Or 'median', 'most_frequent', etc.
X_imputed = imputer.fit_transform(X)
# ==============================
# Training Naive Bayes dengan semua data (inlier dan outlier)
# ==============================
gnb = GaussianNB()
gnb.fit(X_imputed, y) # Training dengan semua data
# ==============================
# Hasil Probabilitas dan Prediksi Manual
# ==============================
# Menghitung probabilitas prediksi untuk setiap baris
probs = gnb.predict_proba(X_imputed)
predictions = gnb.predict(X_imputed)
# Buat dataframe untuk tampilkan perhitungan
result_df = df_merged.copy() # Assuming df_merged is your original DataFrame
result_df['Predicted Class'] = predictions
result_df['Probabilities'] = probs.tolist() # Simpan seluruh probabilitas tiap kelas
# ==============================
# Tampilkan hasil
# ==============================
print("\n=== Hasil Perhitungan Naive Bayes (Probabilitas dan Prediksi) ===")
for idx, row in result_df.iterrows():
print(f"Data ke-{idx+1}")
# Access feature values using the column names, not 'feature_column'
print(f"Fitur : {row[['petal length', 'petal width', 'sepal_length', 'sepal_width']].values}")
print(f"Outlier : {'OUTLIER' if row['outlier'] == -1 else 'INLIER'}")
print(f"Probabilitas Kelas : {row['Probabilities']}")
print(f"Prediksi Kelas : {row['Predicted Class']}")
print("-" * 50)
=== Hasil Perhitungan Naive Bayes (Probabilitas dan Prediksi) ===
Data ke-1
Fitur : [1.4 0.2 5.1 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3103619799577017, 0.41412233231559736, 0.27551568772669977]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-2
Fitur : [78.0 88.0 90.0 80.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.35062088440142314, 0.027627327474989038, 0.6217517881235889]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-3
Fitur : [1.6 0.4 6.3 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30953084981879353, 0.4144552404830616, 0.2760139096981465]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-4
Fitur : [1.5 0.2 4.7 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31024656421053065, 0.41431402885123125, 0.27543940693823726]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-5
Fitur : [1.4 0.2 5.1 3.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31039619351464615, 0.41408113150335013, 0.27552267498200417]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-6
Fitur : [1.7 0.4 5.1 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30989737830717157, 0.4143443919979457, 0.27575822969488273]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-7
Fitur : [1.4 0.3 4.6 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31038936506571413, 0.41417090829726366, 0.2754397266370228]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-8
Fitur : [1.5 0.2 5.0 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3102441696381079, 0.41422811541993826, 0.275527714941953]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-9
Fitur : [1.4 0.2 4.4 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31032357387373555, 0.4143712990788218, 0.27530512704744314]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-10
Fitur : [99.0 87.0 77.0 98.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.290921548382692, 0.013337516633274394, 0.6957409349840309]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-11
Fitur : [1.5 0.2 5.4 3.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3102544865984202, 0.41409131435739105, 0.2756541990441897]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-12
Fitur : [1.6 0.2 4.8 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3101843605691585, 0.4142934728418973, 0.27552216658894274]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-13
Fitur : [1.4 0.1 4.8 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3103188043728086, 0.4143300041960686, 0.2753511914311231]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-14
Fitur : [1.1 0.1 4.3 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3107605415596633, 0.4141396339654787, 0.2750998244748583]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-15
Fitur : [1.5 0.3 5.2 4.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3103828297976366, 0.41392789763984134, 0.2756892725625237]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-16
Fitur : [89.0 91.0 120.0 90.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.2616174178473012, 0.008805522396198166, 0.7295770597565013]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-17
Fitur : [1.3 0.4 5.4 3.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31042674596926234, 0.41387883020572425, 0.27569442382501186]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-18
Fitur : [1.4 0.3 5.1 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.310306226615124, 0.41412124774596126, 0.27557252563891504]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-19
Fitur : [1.7 0.3 4.6 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30996785548551237, 0.41447544730825686, 0.2755566972062298]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-20
Fitur : [1.4 0.3 5.1 3.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3104091431840026, 0.4139965778467308, 0.27559427896926597]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-21
Fitur : [98.0 89.0 90.0 91.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.2864970337023331, 0.012110192206741567, 0.701392774090923]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-22
Fitur : [1.5 0.4 5.1 3.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3102127523005456, 0.4140990321025861, 0.2756882155968671]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-23
Fitur : [78.0 87.0 98.0 76.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.33443564560325284, 0.0258441727965469, 0.6397201816002017]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-24
Fitur : [1.7 0.5 5.1 3.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3098090705584809, 0.4143824365927157, 0.2758084928488025]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-25
Fitur : [1.5 0.2 4.8 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31029095619217534, 0.4142320850028634, 0.27547695880496065]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-26
Fitur : [1.6 0.2 4.8 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31011643121637883, 0.4143740870183411, 0.27550948176527845]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-27
Fitur : [1.6 0.4 5.0 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3100268230561127, 0.41428662513929854, 0.2756865518045891]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-28
Fitur : [1.5 0.2 5.2 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31023192067944705, 0.4141815478642263, 0.275586531456327]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-29
Fitur : [1.4 0.2 5.2 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31030473386676527, 0.41416009777046164, 0.27553516836277475]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-30
Fitur : [1.4 0.2 4.7 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31035349443891147, 0.41425171315119674, 0.2753947924098906]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-31
Fitur : [1.6 0.4 4.9 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31008425427352265, 0.4142480034896337, 0.275667742236844]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-32
Fitur : [1.5 0.4 5.4 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.310041113198214, 0.4142120300662292, 0.2757468567355578]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-33
Fitur : [1.5 0.1 5.2 4.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3104950697352745, 0.4139294197828482, 0.275575510481877]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-34
Fitur : [1.4 0.2 5.5 4.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31051156422787846, 0.41381149947616824, 0.2756769362959529]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-35
Fitur : [1.4 0.2 4.9 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3102726617747075, 0.4142883995732673, 0.27543893865202607]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-36
Fitur : [1.2 0.2 5.2 3.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3105879590936481, 0.4139506978592509, 0.2754613430471023]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-37
Fitur : [1.3 0.2 5.5 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31037735629753493, 0.41404419094614225, 0.2755784527563217]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-38
Fitur : [1.5 0.1 4.9 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3102221723939997, 0.4143511456922648, 0.27542668191373665]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-39
Fitur : [1.3 0.2 4.4 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31046449461256004, 0.41426898632361003, 0.2752665190638297]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-40
Fitur : [1.6 0.4 5.1 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.310003597536045, 0.41428396841149767, 0.27571243405245766]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-41
Fitur : [1.3 0.3 5.3 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3103673299304402, 0.41405144849083003, 0.27558122157873105]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-42
Fitur : [1.3 0.3 4.5 2.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31015137794550574, 0.41453380586208005, 0.2753148161924126]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-43
Fitur : [1.3 0.2 4.4 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31053209132228293, 0.41418979153028607, 0.2752781171474327]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-44
Fitur : [1.6 0.6 5.0 3.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3099529434905677, 0.41424030476897605, 0.2758067517404557]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-45
Fitur : [1.5 0.2 5.1 3.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3103579587584593, 0.41405995606070467, 0.2755820851808357]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-46
Fitur : [1.4 0.3 4.8 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.310274196493338, 0.4142493114965193, 0.27547649201014274]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-47
Fitur : [1.6 0.2 5.1 3.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31025134982075003, 0.41412133134228146, 0.2756273188369676]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-48
Fitur : [1.4 0.2 4.6 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3103771567787401, 0.4142525967407878, 0.27537024648047165]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-49
Fitur : [1.5 0.2 5.3 3.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.31027740333623005, 0.4140952727155401, 0.27562732394823003]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-50
Fitur : [1.6 4.0 4.1 3.2]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.308654963411276, 0.41387422998831913, 0.2774708066004052]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-51
Fitur : [4.7 1.4 5.4 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30612342033779777, 0.4158559404892044, 0.27802063917299785]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-52
Fitur : [4.5 1.5 6.4 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3061468556830807, 0.4155967666619397, 0.278256377654981]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-53
Fitur : [4.9 1.5 6.9 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3056234167386953, 0.41571436690054836, 0.2786622163607574]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-54
Fitur : [4.0 1.3 5.5 2.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3066286332748812, 0.4158397508299265, 0.27753161589519104]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-55
Fitur : [4.7 1.3 6.5 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30589446487091415, 0.4158280671789528, 0.278277467950132]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-56
Fitur : [4.5 1.3 6.8 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30612240338619845, 0.4156157549058698, 0.2782618417079325]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-57
Fitur : [4.7 1.6 6.3 3.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30596363270749516, 0.4156209845978168, 0.2784153826946879]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-58
Fitur : [87.0 94.0 97.0 96.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.3213044782547472, 0.013054835164056209, 0.6656406865811932]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-59
Fitur : [4.6 1.3 6.6 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30600209430919734, 0.41574760734546784, 0.27825029834533344]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-60
Fitur : [4.3 1.2 5.2 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3065846140842933, 0.4158220220809236, 0.27759336383478167]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-61
Fitur : [3.5 1.0 5.7 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30735789370890393, 0.41549753191342076, 0.2771445743776764]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-62
Fitur : [4.2 1.5 5.9 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30648026909001713, 0.4156087551349935, 0.27791097577498874]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-63
Fitur : [92.0 89.0 90.0 87.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.3083154781226216, 0.015929979879604962, 0.675754541997774]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-64
Fitur : [4.7 1.4 6.1 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3059669879871918, 0.41581425589905063, 0.2782187561137562]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-65
Fitur : [4.4 1.4 5.6 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30636694060578196, 0.41574617085437593, 0.2778868885398438]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-66
Fitur : [4.4 1.4 5.7 2.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30624493917828965, 0.41585544890993437, 0.2778996119117746]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-67
Fitur : [4.5 1.5 5.6 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30625660511131814, 0.41573216001258406, 0.2780112348760973]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-68
Fitur : [4.1 1.0 5.8 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30674282844556494, 0.41573384910541433, 0.27752332244902056]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-69
Fitur : [4.5 1.5 6.2 2.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3058593029466389, 0.41599418774402525, 0.2781465093093358]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-70
Fitur : [3.9 1.2 5.6 2.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30681858572533516, 0.41572970718861985, 0.27745170708604666]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-71
Fitur : [4.8 1.8 5.8 2.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30562124692457004, 0.41597711925820496, 0.2784016338172248]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-72
Fitur : [4.0 1.3 6.1 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3066598556466049, 0.4156152016413063, 0.27772494271208753]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-73
Fitur : [4.9 1.5 6.3 2.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3055530483294088, 0.41600318489353194, 0.2784437667770604]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-74
Fitur : [4.7 1.2 6.1 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3060300036374235, 0.41586964523467856, 0.27810035112789766]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-75
Fitur : [4.3 1.3 6.4 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30633491144203945, 0.4156633627369884, 0.2780017258209733]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-76
Fitur : [4.4 1.4 6.6 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30618042430893166, 0.41563239801914287, 0.27818717767192364]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-77
Fitur : [4.8 1.4 6.8 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30568695434839455, 0.4158209747080809, 0.2784920709435233]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-78
Fitur : [5.0 1.7 6.7 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3054455176145699, 0.41578363768940624, 0.27877084469602265]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-79
Fitur : [4.5 1.5 6.0 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30613404262611166, 0.41574646422494316, 0.2781194931489469]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-80
Fitur : [3.5 1.0 5.7 2.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30732473386416, 0.4155354566430984, 0.2771398094927424]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-81
Fitur : [3.8 1.1 5.5 2.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30695603403314736, 0.41573933145827985, 0.2773046345085712]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-82
Fitur : [3.7 1.0 5.5 2.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3071048873491976, 0.4157051294769145, 0.27718998317388704]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-83
Fitur : [3.9 1.2 5.8 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3068398983884331, 0.4156428732339403, 0.2775172283776278]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-84
Fitur : [5.1 1.6 6.0 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30544897116177094, 0.41599918106036804, 0.2785518477778606]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-85
Fitur : [4.5 1.5 5.4 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3063018437773527, 0.4157418471264497, 0.2779563090961977]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-86
Fitur : [4.5 1.6 6.0 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3062553269688773, 0.41553804633324976, 0.2782066266978741]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-87
Fitur : [4.7 1.5 6.7 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30585666891457025, 0.41567366257028276, 0.2784696685151459]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-88
Fitur : [4.4 1.3 6.3 2.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3060615641295066, 0.4159334084963484, 0.27800502737414473]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-89
Fitur : [4.1 1.3 5.6 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30673993680964357, 0.41560736748567684, 0.27765269570467893]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-90
Fitur : [4.0 1.3 5.5 2.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30669439050921415, 0.41576572523787486, 0.2775398842529099]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-91
Fitur : [4.4 1.2 5.5 2.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30638625228197464, 0.41588268114606597, 0.27773106657196034]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-92
Fitur : [4.6 1.4 6.1 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30609623521447465, 0.4157428932070308, 0.27816087157849423]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-93
Fitur : [4.0 1.2 5.8 2.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30670852287382416, 0.41571972963268944, 0.27757174749348457]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-94
Fitur : [92.0 89.0 120.0 99.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.23856824320465694, 0.0071075157028923875, 0.7543242410924517]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-95
Fitur : [4.2 1.3 5.6 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30654244726502977, 0.4157603330222336, 0.27769721971273714]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-96
Fitur : [4.2 1.2 5.7 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3066683833135955, 0.4156469648871768, 0.2776846517992267]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-97
Fitur : [4.2 1.3 5.7 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3065864719029167, 0.4156779617959235, 0.2777355663011604]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-98
Fitur : [4.3 1.3 6.2 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3063784693882685, 0.4156800679805286, 0.277941462631202]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-99
Fitur : [96.0 79.0 98.0 87.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.2491120717512763, 0.014313913355969725, 0.7365740148927511]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-100
Fitur : [4.1 1.3 5.7 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30665076722800466, 0.41567950357210803, 0.2776697291998877]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-101
Fitur : [6.0 2.5 6.3 3.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30436105621018184, 0.41583619213377615, 0.27980275165604207]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-102
Fitur : [5.1 1.9 5.8 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.305358329157315, 0.4159784077012819, 0.27866326314140205]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-103
Fitur : [5.9 2.1 7.1 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3043465433762091, 0.4159131165672346, 0.2797403400565552]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-104
Fitur : [5.6 1.8 6.3 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30489121112967443, 0.4160060613827501, 0.27910272748757375]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-105
Fitur : [5.8 2.2 6.5 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3045234721514048, 0.4159420839313166, 0.2795344439172772]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-106
Fitur : [6.6 2.1 7.6 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3036097134205088, 0.41596860357175963, 0.28042168300773057]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-107
Fitur : [89.0 84.0 87.0 89.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.3021956476278308, 0.019766315533595865, 0.6780380368385706]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-108
Fitur : [6.3 1.8 7.3 2.9]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30403838204739797, 0.4160405247703581, 0.27992109318224534]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-109
Fitur : [5.8 1.8 6.7 2.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30448835436420457, 0.4161658744078477, 0.2793457712279495]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-110
Fitur : [6.1 2.5 7.2 3.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.304179395830799, 0.41563890077432386, 0.2801817033948772]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-111
Fitur : [5.1 2.0 6.5 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3053277734080996, 0.41571667392246997, 0.2789555526694306]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-112
Fitur : [5.3 1.9 6.4 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3050385464992663, 0.41598752103611847, 0.2789739324646136]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-113
Fitur : [5.5 2.1 6.8 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30477911240572736, 0.4158572364869083, 0.27936365110736455]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-114
Fitur : [5.0 2.0 5.7 2.5]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3053656198737761, 0.41601852160850855, 0.2786158585177143]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-115
Fitur : [5.1 2.4 5.8 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3051802339715079, 0.41587040224429506, 0.2789493637841969]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-116
Fitur : [5.3 2.3 6.4 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3050345654695606, 0.41573816177358824, 0.2792272727568502]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-117
Fitur : [5.5 1.8 6.5 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30497406332325677, 0.4159254071748235, 0.27910052950192094]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-118
Fitur : [6.7 2.2 7.7 3.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30372654009825883, 0.41562945411977037, 0.28064400578196963]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-119
Fitur : [6.9 2.3 7.7 2.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3031072040534384, 0.41611619219100154, 0.28077660375555924]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-120
Fitur : [5.0 1.5 6.0 2.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30542567414945104, 0.4161663927513713, 0.27840793309917683]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-121
Fitur : [5.7 2.3 6.9 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30455556804874295, 0.415785495059786, 0.2796589368914721]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-122
Fitur : [4.9 2.0 5.6 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3055819852900047, 0.41588090177626613, 0.27853711293372774]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-123
Fitur : [99.0 89.0 111.0 96.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.24008263053981022, 0.00710749124548945, 0.7528098782147004]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-124
Fitur : [4.9 1.8 6.4 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30549334792267174, 0.4158488173668914, 0.27865783471043654]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-125
Fitur : [5.7 2.1 6.2 3.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3048232441397635, 0.41584122706769355, 0.2793355287925434]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-126
Fitur : [6.0 1.8 6.2 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3045117020916417, 0.41613933829727684, 0.27934895961108214]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-127
Fitur : [5.3 1.4 6.2 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30534350816499045, 0.4160198954768577, 0.2786365963581524]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-128
Fitur : [4.9 1.8 6.4 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30559326775998724, 0.415731967715407, 0.27867476452460516]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-129
Fitur : [5.6 2.1 6.4 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3047055835252356, 0.41599775618490986, 0.2792966602898548]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-130
Fitur : [95.0 85.0 96.0 83.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.27749778753066684, 0.014729666068505322, 0.7077725464008291]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-131
Fitur : [6.1 1.9 7.4 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3041217746564285, 0.41601813711693053, 0.27986008822664]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-132
Fitur : [6.4 2.0 7.9 3.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3040400460785335, 0.4155833783381817, 0.2803765755832835]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-133
Fitur : [5.6 2.2 6.4 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30466336937729893, 0.41598372177644855, 0.27935290884625164]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-134
Fitur : [5.1 1.5 6.3 2.8]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30546273457867673, 0.4159477632441159, 0.2785895021772078]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-135
Fitur : [5.6 1.4 6.1 2.6]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3050196648103392, 0.41617855672237725, 0.27880177846728327]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-136
Fitur : [6.1 2.3 7.7 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3039566205660876, 0.4158434134868659, 0.28019996594704627]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-137
Fitur : [5.6 2.4 6.3 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3048029715775932, 0.4157256299948668, 0.27947139842754154]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-138
Fitur : [5.5 1.8 6.4 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30502901362580337, 0.41589521664190426, 0.2790757697322909]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-139
Fitur : [4.8 1.8 6.0 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30574254861437944, 0.4157726475354385, 0.27848480385018154]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-140
Fitur : [5.4 2.1 6.9 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30488446339771375, 0.4157822588524575, 0.27933327774982997]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-141
Fitur : [5.6 2.4 6.7 3.1]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30461626132270586, 0.41580822041780224, 0.27957551825949256]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-142
Fitur : [89.0 78.0 110.0 93.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.23833977459777989, 0.013268723026233446, 0.7483915023759833]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-143
Fitur : [5.1 1.9 5.8 2.7]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.305358329157315, 0.4159784077012819, 0.27866326314140205]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-144
Fitur : [5.9 2.3 6.8 3.2]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30439269285068893, 0.4158394580864395, 0.2797678490628727]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-145
Fitur : [5.7 2.5 6.7 3.3]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3045505053733844, 0.41573552323748963, 0.27971397138912424]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-146
Fitur : [5.2 2.3 6.7 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.3049971295156765, 0.4157617780358072, 0.2792410924485175]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-147
Fitur : [109.0 81.0 98.0 82.0]
Outlier : OUTLIER
Probabilitas Kelas : [0.0, 0.22226163304235577, 0.008904710817914161, 0.7688336561397332]
Prediksi Kelas : Iris-virginica
--------------------------------------------------
Data ke-148
Fitur : [5.2 2.0 6.5 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30516673397782895, 0.41582327535668817, 0.27900999066548277]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-149
Fitur : [5.4 2.3 6.2 3.4]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30505172574489886, 0.41570044422362584, 0.2792478300314758]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-150
Fitur : [5.1 1.8 5.9 3.0]
Outlier : INLIER
Probabilitas Kelas : [0.0, 0.30548003493959447, 0.41586820338913816, 0.2786517616712668]
Prediksi Kelas : Iris-versicolor
--------------------------------------------------
Data ke-151
Fitur : [5.1 3.2 5.8 1.0]
Outlier : INLIER
Probabilitas Kelas : [1.0, 4.774855893796569e-17, 6.533235464961485e-17, 4.383313869769019e-17]
Prediksi Kelas : ?
--------------------------------------------------
1️⃣ Menangani Data Hilang (Missing Values)
imputer = SimpleImputer(strategy='mean')
X_imputed = imputer.fit_transform(X)
Jika ada nilai yang hilang dalam dataset X, mereka digantikan dengan rata-rata dari setiap fitur.
SimpleImputer(strategy='mean')melakukan ini secara otomatis.
2️⃣ Melatih Model Naïve Bayes
gnb = GaussianNB()
gnb.fit(X_imputed, y)
GaussianNB()digunakan karena fitur dalam dataset ini berupa nilai numerik (seperti panjang & lebar petal/sepal).Model dilatih menggunakan data yang telah diimputasi (
X_imputed) dengan target kelas (y).
3️⃣ Menghitung Probabilitas dan Prediksi
probs = gnb.predict_proba(X_imputed)
predictions = gnb.predict(X_imputed)
predict_proba(X_imputed): Menghasilkan probabilitas setiap sampel termasuk ke dalam masing-masing kelas.predict(X_imputed): Memberikan prediksi akhir berdasarkan probabilitas tertinggi.
4️⃣ Menyimpan Hasil dalam DataFrame
result_df = df_merged.copy()
result_df['Predicted Class'] = predictions
result_df['Probabilities'] = probs.tolist()
Hasil prediksi dimasukkan ke dalam DataFrame baru (
result_df).Predicted Class: Menyimpan kelas yang diprediksi untuk setiap sampel.Probabilities: Menyimpan probabilitas tiap kelas dalam bentuk list.
5️⃣ Menampilkan Hasil
for idx, row in result_df.iterrows():
print(f"Data ke-{idx+1}")
print(f"Fitur : {row[['petal length', 'petal width', 'sepal_length', 'sepal_width']].values}")
print(f"Outlier : {'OUTLIER' if row['outlier'] == -1 else 'INLIER'}")
print(f"Probabilitas Kelas : {row['Probabilities']}")
print(f"Prediksi Kelas : {row['Predicted Class']}")
print("-" * 50)
Fitur (sepal & petal length/width)
Apakah data ini outlier atau tidak (OUTLIER atau INLIER)
Probabilitas kelas (berapa persen kemungkinan sampel masuk ke kelas tertentu)
Kelas yang diprediksi berdasarkan probabilitas tertinggi.
Implentasi Naive Bayes dengan data tanpa Outlier#
Gunakan dataset untuk yang sudah dihilangkan outlier dan menggunakan cara yang sama seperti kode diatas
from sklearn.naive_bayes import GaussianNB
from sklearn.impute import SimpleImputer
from sklearn.neighbors import LocalOutlierFactor
import numpy as np
import pandas as pd
# Assuming 'X' contains your features and 'y' contains your target variable
# Impute missing values if any (replace with your preferred imputation strategy)
imputer = SimpleImputer(strategy='mean') # Or 'median', 'most_frequent', etc.
X_imputed = imputer.fit_transform(X)
# ==============================
# Training Naive Bayes setelah Penghapusan Outlier
# ==============================
gnb_cleaned = GaussianNB()
gnb_cleaned.fit(X_cleaned, y_cleaned) # Training dengan data yang telah dibersihkan
# ==============================
# Hasil Probabilitas dan Prediksi Manual setelah Outlier Dihapus
# ==============================
# Menghitung probabilitas prediksi untuk setiap baris
y_pred_cleaned = gnb_cleaned.predict(X_cleaned)
probs_cleaned = gnb_cleaned.predict_proba(X_cleaned)
# Buat dataframe untuk tampilkan perhitungan
result_df_cleaned = df_merged.iloc[outlier_labels == 1].copy() # Hanya ambil data inlier
result_df_cleaned['Predicted Class'] = y_pred_cleaned
result_df_cleaned['Probabilities'] = probs_cleaned.tolist() # Simpan seluruh probabilitas tiap kelas
# ==============================
# Tampilkan hasil setelah Penghapusan Outlier
# ==============================
print("\n=== Hasil Perhitungan Naive Bayes (Setelah Penghapusan Outlier) ===")
for idx, row in result_df_cleaned.iterrows():
print(f"Data ke-{idx+1}")
print(f"Fitur : {row[['petal length', 'petal width', 'sepal_length', 'sepal_width']].values}")
print(f"Probabilitas Kelas : {row['Probabilities']}")
print(f"Prediksi Kelas : {row['Predicted Class']}")
print("-" * 50)
=== Hasil Perhitungan Naive Bayes (Setelah Penghapusan Outlier) ===
Data ke-1
Fitur : [1.4 0.2 5.1 3.5]
Probabilitas Kelas : [0.0, 1.0, 2.6990455135920833e-26, 1.290916229985945e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-3
Fitur : [1.6 0.4 6.3 2.8]
Probabilitas Kelas : [0.0, 0.9999999999999982, 1.6180603739866402e-15, 1.1213111451736128e-18]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-4
Fitur : [1.5 0.2 4.7 3.2]
Probabilitas Kelas : [0.0, 1.0, 3.77429846596369e-25, 3.718073137911328e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-5
Fitur : [1.4 0.2 5.1 3.6]
Probabilitas Kelas : [0.0, 1.0, 1.0211924378734336e-26, 8.30021064612853e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-6
Fitur : [1.7 0.4 5.1 3.4]
Probabilitas Kelas : [0.0, 1.0, 1.9569553579571822e-19, 1.5706978647034008e-22]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-7
Fitur : [1.4 0.3 4.6 3.4]
Probabilitas Kelas : [0.0, 1.0, 1.7516589916329554e-25, 2.084077264128925e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-8
Fitur : [1.5 0.2 5.0 3.4]
Probabilitas Kelas : [0.0, 1.0, 3.0922576476817286e-25, 5.78635607757156e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-9
Fitur : [1.4 0.2 4.4 2.9]
Probabilitas Kelas : [0.0, 1.0, 1.0056748053038147e-25, 9.362451518052755e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-11
Fitur : [1.5 0.2 5.4 3.7]
Probabilitas Kelas : [0.0, 1.0, 1.5349717712282253e-25, 1.4692340052033368e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-12
Fitur : [1.6 0.2 4.8 3.4]
Probabilitas Kelas : [0.0, 1.0, 1.530012613595733e-24, 2.0520225017379025e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-13
Fitur : [1.4 0.1 4.8 3.0]
Probabilitas Kelas : [0.0, 1.0, 1.7980465462063265e-26, 5.592531579786566e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-14
Fitur : [1.1 0.1 4.3 3.0]
Probabilitas Kelas : [0.0, 1.0, 1.1311745555640386e-28, 3.412477712984356e-29]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-15
Fitur : [1.5 0.3 5.2 4.1]
Probabilitas Kelas : [0.0, 1.0, 1.113764763346649e-26, 4.541226699111187e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-17
Fitur : [1.3 0.4 5.4 3.9]
Probabilitas Kelas : [0.0, 1.0, 5.811334692666682e-25, 5.50910736002873e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-18
Fitur : [1.4 0.3 5.1 3.5]
Probabilitas Kelas : [0.0, 1.0, 7.532178798397443e-25, 1.0506671110709718e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-19
Fitur : [1.7 0.3 4.6 3.1]
Probabilitas Kelas : [0.0, 1.0, 3.9958707040796095e-21, 3.841640645161439e-24]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-20
Fitur : [1.4 0.3 5.1 3.8]
Probabilitas Kelas : [0.0, 1.0, 3.356312974783685e-26, 2.6265564212848292e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-22
Fitur : [1.5 0.4 5.1 3.7]
Probabilitas Kelas : [0.0, 1.0, 3.714367555134175e-23, 3.427923460319857e-25]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-24
Fitur : [1.7 0.5 5.1 3.3]
Probabilitas Kelas : [0.0, 1.0, 3.6381330074880655e-17, 7.993005629492442e-21]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-25
Fitur : [1.5 0.2 4.8 3.4]
Probabilitas Kelas : [0.0, 1.0, 1.173077466714648e-25, 2.4479649490627913e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-26
Fitur : [1.6 0.2 4.8 3.2]
Probabilitas Kelas : [0.0, 1.0, 7.720576348026456e-24, 4.4810598080531323e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-27
Fitur : [1.6 0.4 5.0 3.4]
Probabilitas Kelas : [0.0, 1.0, 5.321783869279374e-21, 6.575379270120412e-24]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-28
Fitur : [1.5 0.2 5.2 3.5]
Probabilitas Kelas : [0.0, 1.0, 3.609527409898915e-25, 1.0732912826537917e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-29
Fitur : [1.4 0.2 5.2 3.4]
Probabilitas Kelas : [0.0, 1.0, 1.1497041235305822e-25, 3.381789879588893e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-30
Fitur : [1.4 0.2 4.7 3.2]
Probabilitas Kelas : [0.0, 1.0, 4.854220192951611e-26, 7.688150109025811e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-31
Fitur : [1.6 0.4 4.9 3.5]
Probabilitas Kelas : [0.0, 1.0, 1.3083395032122838e-21, 2.7446757059505985e-24]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-32
Fitur : [1.5 0.4 5.4 3.4]
Probabilitas Kelas : [0.0, 1.0, 3.7395684652936935e-21, 7.493013943003005e-24]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-33
Fitur : [1.5 0.1 5.2 4.1]
Probabilitas Kelas : [0.0, 1.0, 2.423065003625504e-29, 1.4029545576496096e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-34
Fitur : [1.4 0.2 5.5 4.2]
Probabilitas Kelas : [0.0, 1.0, 7.681578211654777e-29, 4.359379989997001e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-35
Fitur : [1.4 0.2 4.9 3.1]
Probabilitas Kelas : [0.0, 1.0, 2.489611305658623e-25, 2.3816424067626247e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-36
Fitur : [1.2 0.2 5.2 3.6]
Probabilitas Kelas : [0.0, 1.0, 1.3713618818316977e-27, 3.1773348088411724e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-37
Fitur : [1.3 0.2 5.5 3.5]
Probabilitas Kelas : [0.0, 1.0, 5.852693354076121e-26, 5.2848549361822476e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-38
Fitur : [1.5 0.1 4.9 3.1]
Probabilitas Kelas : [0.0, 1.0, 1.1752501613893935e-25, 2.896077152415484e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-39
Fitur : [1.3 0.2 4.4 3.0]
Probabilitas Kelas : [0.0, 1.0, 1.2128032853963563e-26, 2.43931865114098e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-40
Fitur : [1.6 0.4 5.1 3.4]
Probabilitas Kelas : [0.0, 1.0, 8.944602589531998e-21, 1.0810228658485107e-23]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-41
Fitur : [1.3 0.3 5.3 3.5]
Probabilitas Kelas : [0.0, 1.0, 4.919508219746035e-25, 1.1638747357581292e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-42
Fitur : [1.3 0.3 4.5 2.3]
Probabilitas Kelas : [0.0, 1.0, 7.410525330621703e-24, 1.5145133960983287e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-43
Fitur : [1.3 0.2 4.4 3.2]
Probabilitas Kelas : [0.0, 1.0, 3.1177125703189473e-27, 1.2122866770344964e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-44
Fitur : [1.6 0.6 5.0 3.5]
Probabilitas Kelas : [0.0, 1.0, 2.3366175182445183e-17, 1.0260127226704074e-20]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-45
Fitur : [1.5 0.2 5.1 3.8]
Probabilitas Kelas : [0.0, 1.0, 9.351231470182719e-27, 1.5606867087475321e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-46
Fitur : [1.4 0.3 4.8 3.2]
Probabilitas Kelas : [0.0, 1.0, 2.124589584605626e-24, 8.99652558333574e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-47
Fitur : [1.6 0.2 5.1 3.8]
Probabilitas Kelas : [0.0, 1.0, 1.2196553516710876e-25, 1.3082557598462716e-26]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-48
Fitur : [1.4 0.2 4.6 3.2]
Probabilitas Kelas : [0.0, 1.0, 3.167333986385454e-26, 5.59171928134022e-28]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-49
Fitur : [1.5 0.2 5.3 3.7]
Probabilitas Kelas : [0.0, 1.0, 8.521929213613044e-26, 7.815355099607074e-27]
Prediksi Kelas : 1
--------------------------------------------------
Data ke-51
Fitur : [4.7 1.4 5.4 2.9]
Probabilitas Kelas : [0.0, 2.6298492998075884e-158, 0.9973091711565729, 0.0026908288434272154]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-52
Fitur : [4.5 1.5 6.4 3.2]
Probabilitas Kelas : [0.0, 7.661936781937538e-149, 0.9694366935406515, 0.030563306459348485]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-53
Fitur : [4.9 1.5 6.9 3.1]
Probabilitas Kelas : [0.0, 3.568220061068063e-184, 0.45749520506606256, 0.5425047949339372]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-54
Fitur : [4.0 1.3 5.5 2.3]
Probabilitas Kelas : [0.0, 1.0890762257555624e-103, 0.9999766042610133, 2.3395738986745724e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-55
Fitur : [4.7 1.3 6.5 2.8]
Probabilitas Kelas : [0.0, 4.855207572752825e-158, 0.9938233579281326, 0.006176642071867454]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-56
Fitur : [4.5 1.3 6.8 3.1]
Probabilitas Kelas : [0.0, 1.654322963753875e-142, 0.9882900519637674, 0.011709948036232357]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-57
Fitur : [4.7 1.6 6.3 3.3]
Probabilitas Kelas : [0.0, 1.2465254753909526e-168, 0.7275532939142157, 0.2724467060857842]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-59
Fitur : [4.6 1.3 6.6 2.9]
Probabilitas Kelas : [0.0, 4.1159314105007173e-150, 0.9941418224163671, 0.0058581775836330854]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-60
Fitur : [4.3 1.2 5.2 2.7]
Probabilitas Kelas : [0.0, 1.487134582059122e-119, 0.9999532143911589, 4.6785608841077306e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-61
Fitur : [3.5 1.0 5.7 2.7]
Probabilitas Kelas : [0.0, 6.112086284312512e-63, 0.9999977772903679, 2.222709631698762e-06]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-62
Fitur : [4.2 1.5 5.9 3.0]
Probabilitas Kelas : [0.0, 1.5948365812117162e-125, 0.998669447610855, 0.0013305523891449097]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-64
Fitur : [4.7 1.4 6.1 2.9]
Probabilitas Kelas : [0.0, 2.2321831534653466e-160, 0.9933756407122436, 0.006624359287756438]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-65
Fitur : [4.4 1.4 5.6 2.9]
Probabilitas Kelas : [0.0, 2.7822310590869415e-135, 0.9993813373674322, 0.000618662632567886]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-66
Fitur : [4.4 1.4 5.7 2.6]
Probabilitas Kelas : [0.0, 3.720125937862482e-136, 0.9995905478949774, 0.0004094521050226552]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-67
Fitur : [4.5 1.5 5.6 3.0]
Probabilitas Kelas : [0.0, 7.443038614901544e-147, 0.9962515762608383, 0.0037484237391617044]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-68
Fitur : [4.1 1.0 5.8 2.7]
Probabilitas Kelas : [0.0, 2.9537523327053183e-100, 0.9999851398436841, 1.486015631590873e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-69
Fitur : [4.5 1.5 6.2 2.2]
Probabilitas Kelas : [0.0, 5.993978959874126e-150, 0.9957881216269675, 0.004211878373032462]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-70
Fitur : [3.9 1.2 5.6 2.5]
Probabilitas Kelas : [0.0, 1.5796307517210736e-93, 0.9999902909724665, 9.709027533427794e-06]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-71
Fitur : [4.8 1.8 5.8 2.5]
Probabilitas Kelas : [0.0, 7.404170854517402e-187, 0.5641281393741027, 0.4358718606258973]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-72
Fitur : [4.0 1.3 6.1 2.8]
Probabilitas Kelas : [0.0, 8.533705892392336e-105, 0.9999173445799935, 8.265542000644041e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-73
Fitur : [4.9 1.5 6.3 2.5]
Probabilitas Kelas : [0.0, 7.796331512258337e-183, 0.9469892011410546, 0.053010798858945524]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-74
Fitur : [4.7 1.2 6.1 2.8]
Probabilitas Kelas : [0.0, 6.714402672034948e-153, 0.9988065254391111, 0.0011934745608888093]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-75
Fitur : [4.3 1.3 6.4 2.9]
Probabilitas Kelas : [0.0, 1.7744885418722425e-126, 0.9992840176010888, 0.0007159823989112883]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-76
Fitur : [4.4 1.4 6.6 3.0]
Probabilitas Kelas : [0.0, 2.4404345135427458e-138, 0.9937891765316763, 0.006210823468323868]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-77
Fitur : [4.8 1.4 6.8 2.8]
Probabilitas Kelas : [0.0, 1.7107205190450448e-171, 0.9344913927311387, 0.06550860726886151]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-78
Fitur : [5.0 1.7 6.7 3.0]
Probabilitas Kelas : [0.0, 3.0374940288904643e-202, 0.07894918030791996, 0.92105081969208]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-79
Fitur : [4.5 1.5 6.0 2.9]
Probabilitas Kelas : [0.0, 2.6060491395055298e-148, 0.9949589041426764, 0.005041095857323685]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-80
Fitur : [3.5 1.0 5.7 2.6]
Probabilitas Kelas : [0.0, 4.1527704018031287e-63, 0.9999980461760325, 1.9538239674412606e-06]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-81
Fitur : [3.8 1.1 5.5 2.4]
Probabilitas Kelas : [0.0, 1.4184183590364688e-83, 0.999996070789597, 3.929210403269203e-06]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-82
Fitur : [3.7 1.0 5.5 2.4]
Probabilitas Kelas : [0.0, 3.070133419718443e-74, 0.9999977493969632, 2.250603036742406e-06]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-83
Fitur : [3.9 1.2 5.8 2.7]
Probabilitas Kelas : [0.0, 8.409005233132845e-94, 0.9999847703336262, 1.5229666373690268e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-84
Fitur : [5.1 1.6 6.0 2.7]
Probabilitas Kelas : [0.0, 8.00297290590711e-204, 0.6720500940061395, 0.3279499059938607]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-85
Fitur : [4.5 1.5 5.4 3.0]
Probabilitas Kelas : [0.0, 2.5891742510732447e-146, 0.9967733861695922, 0.0032266138304077384]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-86
Fitur : [4.5 1.6 6.0 3.4]
Probabilitas Kelas : [0.0, 3.1600578481631284e-151, 0.909114144778275, 0.09088585522172496]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-87
Fitur : [4.7 1.5 6.7 3.1]
Probabilitas Kelas : [0.0, 2.881659612183694e-166, 0.8566397941656115, 0.14336020583438835]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-88
Fitur : [4.4 1.3 6.3 2.3]
Probabilitas Kelas : [0.0, 1.8922002689447385e-134, 0.9995311059388283, 0.00046889406117171345]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-89
Fitur : [4.1 1.3 5.6 3.0]
Probabilitas Kelas : [0.0, 1.6022551735498917e-109, 0.9999083379481001, 9.166205189983493e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-90
Fitur : [4.0 1.3 5.5 2.5]
Probabilitas Kelas : [0.0, 1.7041614509566247e-103, 0.9999757729807588, 2.422701924120951e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-91
Fitur : [4.4 1.2 5.5 2.6]
Probabilitas Kelas : [0.0, 6.794963209551929e-128, 0.9999247908198581, 7.520918014207837e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-92
Fitur : [4.6 1.4 6.1 3.0]
Probabilitas Kelas : [0.0, 4.804714916164195e-152, 0.9951371306454897, 0.0048628693545102195]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-93
Fitur : [4.0 1.2 5.8 2.6]
Probabilitas Kelas : [0.0, 1.7778119831247717e-100, 0.9999811112524326, 1.8888747567410572e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-95
Fitur : [4.2 1.3 5.6 2.7]
Probabilitas Kelas : [0.0, 3.761629680160207e-117, 0.9999282240685382, 7.177593146176259e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-96
Fitur : [4.2 1.2 5.7 3.0]
Probabilitas Kelas : [0.0, 4.9939209312958526e-113, 0.9999202122585172, 7.978774148277141e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-97
Fitur : [4.2 1.3 5.7 2.9]
Probabilitas Kelas : [0.0, 5.130839025402148e-117, 0.9998817498909023, 0.00011825010909779418]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-98
Fitur : [4.3 1.3 6.2 2.9]
Probabilitas Kelas : [0.0, 8.926707249244528e-126, 0.9995640291731791, 0.0004359708268207855]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-100
Fitur : [4.1 1.3 5.7 2.8]
Probabilitas Kelas : [0.0, 2.768019126745148e-110, 0.9999368860726545, 6.311392734551428e-05]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-101
Fitur : [6.0 2.5 6.3 3.3]
Probabilitas Kelas : [0.0, 0.0, 2.651661364196326e-13, 0.9999999999997349]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-102
Fitur : [5.1 1.9 5.8 2.7]
Probabilitas Kelas : [0.0, 2.5842314291478356e-219, 0.022747395843359157, 0.9772526041566406]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-103
Fitur : [5.9 2.1 7.1 3.0]
Probabilitas Kelas : [0.0, 7.8e-321, 5.467441248609468e-09, 0.9999999945325586]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-104
Fitur : [5.6 1.8 6.3 2.9]
Probabilitas Kelas : [0.0, 3.197122943093472e-265, 0.0006433535806027037, 0.9993566464193973]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-105
Fitur : [5.8 2.2 6.5 3.0]
Probabilitas Kelas : [0.0, 3.99217820447e-313, 1.1560057180364483e-08, 0.9999999884399428]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-106
Fitur : [6.6 2.1 7.6 3.0]
Probabilitas Kelas : [0.0, 0.0, 2.335615273250918e-13, 0.9999999999997664]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-108
Fitur : [6.3 1.8 7.3 2.9]
Probabilitas Kelas : [0.0, 0.0, 1.6700127520449715e-08, 0.9999999832998726]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-109
Fitur : [5.8 1.8 6.7 2.5]
Probabilitas Kelas : [0.0, 2.3799240947732876e-289, 5.863068466603729e-05, 0.9999413693153338]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-110
Fitur : [6.1 2.5 7.2 3.6]
Probabilitas Kelas : [0.0, 0.0, 9.819071332363976e-16, 0.9999999999999991]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-111
Fitur : [5.1 2.0 6.5 3.2]
Probabilitas Kelas : [0.0, 8.150868595149884e-228, 0.00019116478580219088, 0.9998088352141977]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-112
Fitur : [5.3 1.9 6.4 2.7]
Probabilitas Kelas : [0.0, 4.1527747951185866e-241, 0.0015048496749178902, 0.998495150325082]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-113
Fitur : [5.5 2.1 6.8 3.0]
Probabilitas Kelas : [0.0, 9.861562287086434e-276, 6.891816337273068e-07, 0.9999993108183663]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-114
Fitur : [5.0 2.0 5.7 2.5]
Probabilitas Kelas : [0.0, 4.38404025371626e-216, 0.009092771701201098, 0.9909072282987991]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-115
Fitur : [5.1 2.4 5.8 2.8]
Probabilitas Kelas : [0.0, 2.7847907781375005e-253, 1.5001086639855732e-07, 0.9999998499891337]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-116
Fitur : [5.3 2.3 6.4 3.2]
Probabilitas Kelas : [0.0, 4.517671193989397e-267, 4.779031579072914e-08, 0.9999999522096841]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-117
Fitur : [5.5 1.8 6.5 3.0]
Probabilitas Kelas : [0.0, 1.4654639666284054e-255, 0.0006873354115934368, 0.9993126645884065]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-118
Fitur : [6.7 2.2 7.7 3.8]
Probabilitas Kelas : [0.0, 0.0, 9.270651084042948e-17, 1.0]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-119
Fitur : [6.9 2.3 7.7 2.6]
Probabilitas Kelas : [0.0, 0.0, 5.0356824438584585e-17, 1.0]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-120
Fitur : [5.0 1.5 6.0 2.2]
Probabilitas Kelas : [0.0, 7.857837111708505e-191, 0.944987837134812, 0.055012162865187404]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-121
Fitur : [5.7 2.3 6.9 3.2]
Probabilitas Kelas : [0.0, 3.8539920037566e-311, 3.1321138268469754e-10, 0.9999999996867888]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-122
Fitur : [4.9 2.0 5.6 2.8]
Probabilitas Kelas : [0.0, 2.2554757321191245e-206, 0.013407960835817308, 0.9865920391641827]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-124
Fitur : [4.9 1.8 6.4 2.8]
Probabilitas Kelas : [0.0, 1.5336047780287303e-197, 0.11944937550694104, 0.8805506244930589]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-125
Fitur : [5.7 2.1 6.2 3.3]
Probabilitas Kelas : [0.0, 1.7814171277689575e-293, 2.3476609316622624e-07, 0.9999997652339068]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-126
Fitur : [6.0 1.8 6.2 2.8]
Probabilitas Kelas : [0.0, 3.31880498511454e-309, 2.26737021133593e-05, 0.9999773262978869]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-127
Fitur : [5.3 1.4 6.2 2.8]
Probabilitas Kelas : [0.0, 2.793554683043931e-214, 0.7074446955645497, 0.29255530443545036]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-128
Fitur : [4.9 1.8 6.4 3.1]
Probabilitas Kelas : [0.0, 4.270543414676163e-197, 0.05809618417481058, 0.9419038158251892]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-129
Fitur : [5.6 2.1 6.4 2.8]
Probabilitas Kelas : [0.0, 2.061794514720708e-284, 1.6360256858941887e-06, 0.999998363974314]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-131
Fitur : [6.1 1.9 7.4 2.8]
Probabilitas Kelas : [0.0, 0.0, 1.8765660329639972e-08, 0.9999999812343396]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-132
Fitur : [6.4 2.0 7.9 3.8]
Probabilitas Kelas : [0.0, 0.0, 9.82725409173049e-14, 0.9999999999999023]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-133
Fitur : [5.6 2.2 6.4 2.8]
Probabilitas Kelas : [0.0, 3.1231440411863502e-291, 1.551326036220725e-07, 0.9999998448673963]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-134
Fitur : [5.1 1.5 6.3 2.8]
Probabilitas Kelas : [0.0, 3.6703500004222674e-200, 0.7538775581951115, 0.24612244180488874]
Prediksi Kelas : 2
--------------------------------------------------
Data ke-135
Fitur : [5.6 1.4 6.1 2.6]
Probabilitas Kelas : [0.0, 2.154965212312945e-244, 0.2486259871795358, 0.7513740128204641]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-136
Fitur : [6.1 2.3 7.7 3.0]
Probabilitas Kelas : [0.0, 0.0, 2.8889655087995875e-13, 0.9999999999997113]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-137
Fitur : [5.6 2.4 6.3 3.4]
Probabilitas Kelas : [0.0, 2.002147889237488e-304, 1.4193721264398885e-10, 0.9999999998580629]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-138
Fitur : [5.5 1.8 6.4 3.1]
Probabilitas Kelas : [0.0, 6.324384707761525e-255, 0.0006692405192117605, 0.9993307594807882]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-139
Fitur : [4.8 1.8 6.0 3.0]
Probabilitas Kelas : [0.0, 8.471640860195758e-187, 0.2822929187416432, 0.7177070812583567]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-140
Fitur : [5.4 2.1 6.9 3.1]
Probabilitas Kelas : [0.0, 6.543079836875334e-266, 8.098322163299315e-07, 0.9999991901677838]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-141
Fitur : [5.6 2.4 6.7 3.1]
Probabilitas Kelas : [0.0, 6.555756678528477e-307, 1.4535470513910339e-10, 0.9999999998546456]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-143
Fitur : [5.1 1.9 5.8 2.7]
Probabilitas Kelas : [0.0, 2.5842314291478356e-219, 0.022747395843359157, 0.9772526041566406]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-144
Fitur : [5.9 2.3 6.8 3.2]
Probabilitas Kelas : [0.0, 0.0, 6.75705353247148e-11, 0.9999999999324296]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-145
Fitur : [5.7 2.5 6.7 3.3]
Probabilitas Kelas : [0.0, 0.0, 1.5026972537470224e-12, 0.9999999999984972]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-146
Fitur : [5.2 2.3 6.7 3.0]
Probabilitas Kelas : [0.0, 3.9089019555616666e-259, 8.060276101078604e-08, 0.999999919397239]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-148
Fitur : [5.2 2.0 6.5 3.0]
Probabilitas Kelas : [0.0, 1.2146731520700078e-237, 0.00017678355544919108, 0.9998232164445509]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-149
Fitur : [5.4 2.3 6.2 3.4]
Probabilitas Kelas : [0.0, 8.134428827531738e-276, 1.5220483832236752e-08, 0.9999999847795161]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-150
Fitur : [5.1 1.8 5.9 3.0]
Probabilitas Kelas : [0.0, 1.997137041776334e-213, 0.05861700808101435, 0.9413829919189858]
Prediksi Kelas : 3
--------------------------------------------------
Data ke-151
Fitur : [5.1 3.2 5.8 1.0]
Probabilitas Kelas : [1.0, 0.0, 3.6432089474798794e-48, 2.7617562347861364e-27]
Prediksi Kelas : 0
--------------------------------------------------