1

BAB 3

CARA PENGOLAHAN DATA

Cara pengolahan data secara garis besar terbagi menjadi 2 tahap yaitu tahap

penangkapan paket di jaringan komputer menggunakan software Wireshark dan

pengolahan data jaringan menggunakan software data mining (WEKA: Waikato

Environment for Knowledge Analysis).

3.1 Kajian skema jaringan yang ada

Sebelum dilakukan pengambilan data, dilakukan pengkajian terhadap skema

jaringan yang ada untuk kemudian diputuskan metode yang sesuai dalam pengambilan

data komposisi traffic jaringan.

Jaringan pada sub-unit Akademis, Talent Management, Finance, dan

Laboratorium, dan sub-unit lain, terpusat pada satu titik yaitu di IT Direktorat, Kampus

Syahdan. Setiap komunikasi baik secara lokal ataupun internasional dilakukan melalui

IT Direktorat. Selain pertimbangan topologi, jaringan UBiNus menggunakan switch

untuk distribusi data, sehingga paket data yang dikirim tidak dibroadcast, melainkan

hanya dikirim ke alamat tujuan.

Berdasarkan topologi jaringan UBiNus dan distribusi jaringan yang

menggunakan switch, maka diusulkan metode pengambilan data jaringan dengan teknik

mirroring pada switch yang melayani sub-unit yang akan diamati. Dengan metode

mirroring pada switch, sebuah komputer dihubung dengan port pada switch yang telah

di-mirror (lihat gambar 3.1). Sehingga setiap komunikasi yang dilayani port switch

tersebut akan dapat dipantau melalui komputer dengan menggunakan tools network

analyzer yaitu Wireshark.

2

  

Gambar 3. 1 Tapping data traffic yang dilakukan pada penelitian

Pengambilan data (logging jaringan)

Pengambilan data menggunakan metode survey lapangan pada

jaringan UBiNus. Pengambilan data dilakukan dengan menggunakan

network tools dan sensor (PC untuk logging data jaringan). Network tools

yang digunakan adalah network analyzer Wireshark. Wireshark merupakan

salah satu jenis network tools full content data. Dengan Wireshark, maka

setiap paket yang mengalir dalam jaringan dapat diperiksa baik IP pengguna,

IP tujuan, dan URL.

3

  

Data yang diambil pada penelitian merupakan data keseluruhan dari UBiNus yaitu

traffic internasional dan traffic lokal yang dilakukan oleh setiap sub-unit.

3.2 Capturing Live Network Data

Mesin capture Wireshark menyediakan fitur berikut:

• Capture dari berbagai jenis perangkat keras jaringan (Ethernet, Token Ring,

ATM, dan lain-lain).

• Dapat berhenti capture dengan adanya trigger yang berbeda seperti: jumlah data

yang ditangkap, waktu ditangkap, jumlah paket yang diambil.

• Bersamaan dapat menunjukkan paket yang diterjemahkan sementara Wireshark

terus capture lalu-lintas paket di jaringan tersebut.

• Filter paket, mengurangi jumlah data yang akan ditangkap/capture

3.2.1 Start and stop Capturing

Untuk memulai mencapture lalu-lintas paket di jaringan komputer menggunakan

Wireshark, maka langkah-langkah yang harus dilakukan adalah sebagai berikut:

1. Jalankan aplikasi Wireshark yang telah terinstall di PC/laptop yang akan

digunakan untuk mencapture dengan mengklik start → all programs →

Wireshark atau dapat juga melalui menu run yang ada di microsoft window

ketikkan Wireshark

2. Ketika Wireshark terbuka seperti gambar di bawah ini

Gambar 3.2 Tampilan awal Wireshark

o

3

I

o

I

3. Pilih

linta

Gam

Untu

oleh panah b

3.2.2 Captur

Interface

(Windows

only)

Interface

h capture →

as paketnya →

mbar 3.3 The

uk selesai me

berikut.

re frame

Daftar

yang in

dapat j

sebelum

Kolom

→ interface →

→ start

e "Capture In

enangkap pa

Gam

Tabel 3.1 Ca

drop-down

ngin dilihat.

juga memili

mnya dibuka

ini menent

  

→ tentukan in

Interfaces" d

aket, maka ti

mbar 3.4 stop

apture frame

memungkin

Biasanya ya

ih remote i

a akan ditam

tukan interfa

nterface man

dialog box on

inggal klik p

capturing

e pada Wire

nkan untuk

ang menjadi

interface. Se

mbahkan ke d

face yang in

na yang aka

n Microsoft W

pada tombol

shark

memilih kel

interface lo

etiap remot

daftar ini jug

ngin dicaptu

4

an di capture

Windows

yang ditunju

lompok inte

okal, tetapi d

e interface

ga.

ure. Hanya

e lalu-

ukkan

erface

di sini

yang

dapat

5

  

mencapture pada satu interface, dan hanya dapat mencapture pada

interface yang telah ditemukan oleh Wireshark pada sistem, baik lokal

atau remote. Ini adalah daftar drop-down, jadi cukup klik pada tombol

di sisi kanan dan pilih interface yang diinginkan. Defaultnya adalah

interface non-loopback pertama yang mendukung capture, dan jika

tidak ada, interface loopback pertama. Pada beberapa sistem, interface

loopback tidak dapat digunakan untuk capture

IP address Alamat IP dari interface yang dipilih. Jika alamat IP tidak dapat

diselesaikan dari sistem, "tidak diketahui" akan ditampilkan

Link-layer

header type

Kecuali bila berada dalam situasi yang jarang bahwa diperlukan ini,

tetapkan default.

Wireless

settings

(Windows

only)

Di sini dapat mengatur setting untuk menangkap nirkabel menggunakan

adaptor AirPCap.

Remote

settings

(Windows

only)

Di sini dapat mengatur setting untuk pengambilan jarak jauh

Buffer size: n

megabyte(s)

Masukkan ukuran buffer yang akan digunakan saat menangkap. Ini

adalah ukuran dari buffer kernel yang akan menjaga paket yang

diambil, sampai paket-paket ditulis ke disk. Jika ditemukan paket drop,

coba tingkatkan nilai ini

6

  

Capture

packets in

promiscuous

mode

Checkbox ini memungkinkan untuk menentukan bahwa Wireshark

harus menempatkan interface dalam modus promiscuous saat

mengambil/mencapture. Jika tidak menentukan ini, Wireshark hanya

akan menangkap paket ke atau dari komputer (tidak semua paket yang

ada pada segmen LAN akan dicapture).

Capture

packets in

monitor mode

(Unix/Linux

only)

Checkbox ini memungkinkan untuk men-setup interface Wireless untuk

menangkap semua lalu-lintas data, tidak hanya lalu-lintas di BSS untuk

yang berhubungan, tetapi yang dapat terjadi bahkan ketika mengatur

modus promiscuous. Perlu mengaktifkan pilihan ini untuk melihat

header IEEE 802.11 dan / atau informasi radio dari frame yang

tertangkap.

Capture

packets in

pcap-ng

format

Checkbox ini memungkinkan untuk menentukan bahwa Wireshark

menyimpan paket yang diambil di pcap-ng format.

Limit each

packet to n

bytes

Kolom ini memungkinkan untuk menentukan jumlah maksimum data

yang akan ditangkap untuk setiap paket, dan kadang-kadang disebut

sebagai snaplen. Jika dinonaktifkan, nilai tersebut ditetapkan ke

maksimum (65535) yang akan cukup untuk sebagian besar protokol.

Beberapa aturan praktis:

• Jika tidak yakin, hanya menyimpan nilai default.

• Jika tidak perlu semua data dalam paket - misalnya, jika hanya

perlu link-layer, IP, dan header TCP - ingin memilih panjang

7

  

snapshot kecil, seperti waktu CPU kurang diperlukan untuk

menyalin paket, ruang buffer kurang dibutuhkan untuk paket,

dan dengan demikian lebih sedikit paket akan dicabut jika lalu-

lintas data sangat berat.

• Jika tidak menangkap semua data dalam sebuah paket,

menemukan bahwa data paket yang diinginkan adalah di bagian

yang drop, atau bahwa reassembly tidak mungkin karena data

yang dibutuhkan untuk dipertunjukkan hilang.

Capture Filter Kolom ini memungkinkan untuk menentukan filter capture yang akan

digunakan. Defaultnya adalah kosong, atau tidak ada filter. Dapat

mengklik pada tombol berlabel "Capture Filter", dan Wireshark akan

memunculkan kotak dialog yang dapat digunakan untuk membuat dan /

atau memilih filter

Compile BPF Tombol ini memungkinkan untuk mengkompilasi filter capture ke BPF

kode dan pop up jendela akan menunjukkan kode pseudo yang

dihasilkan. Hal ini dapat membantu dalam memahami kerja dari filter

capture yang dibuat.

i. Export File

Export file memungkinkan untuk mengekspor semua (atau beberapa) dari paket

di file capture ke file dalam bentuk apapun (mis .csv, .txt, .c). Muncul kotak dialog

Wireshark Export. Adapun cara Export File setelah data jaringan terkumpul yaitu:

8

  

1. Buka file hasil capture jaringan yang telah diperoleh pada tahap sebelumnya

sehingga muncul tampilan seperti berikut:

Gambar 3.5 Isi file capture yang telah diperoleh dari tahap sebelumnya

2. Untuk melakukan Export File, dari menu file pilih Export → File seperti yang

ditunjukkan oleh gambar berikut ini:

Gambar 3.6 Export file processing

9

  

3. Setelah itu maka akan muncul kotak dialog yang berisikan bentuk file export

yang dapat dihasilkan oleh Wireshark. Karena WEKA mendukung format file

dalam bentuk .CSV, maka isikan .CSV pada kotak “Safe as type” nya dan

tuliskan nama filenya juga. Selain iu, Tentukan juga lokasi penyimpanan file

yang telah dihasilkan dari proses export tersebut. Setelah itu klik safe. Secara

lebih jelas dapat ditunjukkan oleh gambar berikut ini:

Gambar 3.7 Kotak dialog yang terdapat pada proses export file

3.3 Proses data mining dari Data Jaringan menggunakan software WEKA

Sebelum menggunakan WEKA, maka harus diinstall terlebih dahulu software WEKA

tersebut.

3.3.1 Cara Instalasi WEKA di komputer

1. Download software WEKA dari website:

http://www.cs.waikato.ac.nz/ml/WEKA/

10

  

2. Jalankan file .exe (WEKA-3-7-5jre.exe) tersebut

3. Maka akan tampil wizard seperti berikut:

Gambar 3.8 Wizard Set-up WEKA

4. Klik next. Selanjutnya akan muncul sebuah license agreement seperti gambar

berikut ini:

Gambar 3.9 License Agreement saat install WEKA

5. Kemudian pilih “I Agree” sehingga akan muncul komponen-komponen yang

akan diinstall di komputer. Karena membutuhkan semua komponen dari

software WEKA tersebut, maka pilih “Full” pada pilihan “Select the type of

install” seperti yang terlihat pada gambar berikut ini:

Gambar 3.10 Komponen yang akan diinstall bersamaan dengan WEKA

11

  

6. Kemudian klik next. Setelah itu akan tampil kotak dialog yang berisikan tempat

di mana software WEKA tersebut akan diinstall. Secara default, WEKA akan

diinstall pada folder program file yang ada di drive C dari komputer seperti yang

terlihat pada gambar berikut ini

Gambar 3.11 Lokasi penyimpanan hasil install WEKA

7. Kemudian klik next sehingga muncul kotak dialog yang meminta untuk

menamai folder yang dapat diakses melalui menu start untuk menjalankan

aplikasi WEKA setelah software WEKA tersebut terinstall di komputer. Secara

default, maka folder tersebut diberi nama sesuai dengan nama software dan

versinya sehingga nama folder tersebut menjadi WEKA 3.7.5. Shortcut dari

WEKA tersebut dapat dibuat dan diletakkan pada desktop di tampilan monitor

komputer dengan tujuan agar lebih mudah untuk memanggil WEKA tersebut

ketika hendak digunakan. Namun, bila tidak menginginkan adanya shortcut

tersebut, maka cukup mencentang bagian “Do not create shortcut” tersebut

kemudian klik bagian install seperti yang terlihat pada gambar berikut ini:

12

  

Gambar 3.12 Choose Start Menu Folder

8. Maka proses install dari komponen-komponen yang terdapat pada software

WEKA tersebut akan berjalan seperti gambar berikut:

Gambar 3.13 Proses install WEKA sedang berjalan

9. Biarkan proses tersebut berjalan sampai selesai seperti yang terlihat pada

gambar berijkut ini:

Gambar 3.14 Proses install WEKA telah selesai

13

  

10. Kemudian klik next dan muncul wizard yang mengisyaratkan proses instalasi

berhasil. Bila menginginkan untuk menjalankan WEKA setelah proses instalasi

tersebut, maka beri centang pada bagian “Start WEKA”. Namun bila tidak ingin

menjalankan WEKA setelah proses instalasi tersebut dan menjalankan WEKA

di kesempatan lain, maka tanda centang pada bagian “Start WEKA” tesebut

dihilangkan dengan mengklik bagian “Start WEKA” tersebut sampai tanda

centang tersebut hilang (secara default, bagian “Start WEKA” tersebut

tercentang). Kemudian klik finish pada pilihan yang ada pada kotak dialog yang

menandakan proses instalasi tersebut berhasil seperti yang terdapat pada gambar

berikut ini:

Gambar 3.15 Kotak dialog penanda WEKA telah selesai terinstall secara

komplit

3.3.2 Proses data mining menggunakan Software WEKA

Setelah WEKA terinstall, maka aktivitas data mining menggunakan software WEKA

tersebut dapat dimulai. Proses data mining tersebut dibagi menjadi 2 tahap yaitu Tahap

Preprocess dan Tahap Classify (Classification)

14

  

3.3.2.1 Tahap Preprocess

Tahap Preprocess digunakan untuk memasukkan data laporan jaringan yang telah

dihasilkan melalui proses packet capture dan export file sehingga didapatkan file dalam

bentuk .csv agar dapat diolah menggunakan WEKA. Adapun caranya adalah sebagai

berikut:

1) Jalankan aplikasi WEKA dengan cara start → All Programs → WEKA 3.7.5 →

WEKA 3.7 sehingga muncul tampilan seperti di bawah ini:

Gambar 3.16 Tampilan awal WEKA

2) Kemudian klik Explorer yang terdapat di bagian Applications

3) Sehingga muncul window seperti berikut ini

Gambar 3.17 Tampilan preprocess pada WEKA

4) Kemudian pada Preprocess pilih open file → cari file .csv yang berisi laporan

jaringan yang telah didapat sebelumnya dari Wireshark → ubah file typenya

15

  

menjadi .csv data file → pilih file .csv yang ingin diolah menggunakan tools data

mining (WEKA) → kemudian klik tombol open seperti yang ditunjukkan di

bawah ini:

Gambar 3.18 berisikan file-file hasil capturing paket yang akan diolah

menggunakan WEKA

5) Maka pada WEKA Explorer akan ditampilkan berupa grafik dari isi file tersebut.

Pada tahap preprocess ini, dapat digunakan untuk memfilter data-data yang ada.

Namun, pemfilteran ini tidak akan dibahas karena pada tahapan preprocess ini

hanya digunakan untuk memasukkan data laporan jaringan ke tools data mining

(WEKA) dengan tujuan agar data dapat diolah menggunakan software WEKA

dan menghasilkan informasi.

Gambar 3.19 Hasil preprocess dari laporan jaringan yang telah dimasukkan pada

tahap sebelumnya

16

  

3.3.2.2 Klasifikasi pada WEKA

3.3.2.2.1 Memilih sebuah Classifier

Di bagian atas dari bagian classify terdapat kotak Classifier. Kotak ini memiliki kolom

teks yang memberikan nama dari classifier yang sedang dipilih. Mengklik pada kotak

teks dengan tombol kiri mouse memunculkan kotak dialog Generic Object Editor, sama

seperti untuk filter, yang dapat digunakan untuk mengkonfigurasi opsi-opsi dari

classifier saat ini. Dengan klik kanan (atau Alt + Shift + klik kiri) dapat digunakan untuk

menyalin string setup ke clipboard atau menampilkan properti di kotak dialog Generic

Object Editor. Tombol select memungkinkan untuk memilih salah satu dari

pengklasifikasi yang tersedia di WEKA seperti yang ditunjukkan oleh gambar berikut

ini:

Gambar 3.20 Memilih metode Classify yang akan digunakan untuk teknik data mining

Gambar 3.21 Memilih Algoritma yang digunakan sebagai Classifier

17

  

3.3.2.2.2 Test Options

Hasil menerapkan classifier yang dipilih akan diuji sesuai dengan pilihan yang

ditetapkan dengan mengklik pada kotak Test Option.

Ada empat mode tes:

1. Use training set

Pengetesan dilakukan dengan menggunakan data training itu sendiri.

2. Supplied test set

Pengetesan dilakukan dengan menggunakan data lain. Dengan menggunakan

option inilah, bisa dilakukan prediksi terhadap data tes.

3. Cross-validation

Pada cross-validation, akan ada pilihan berapa fold yang akan digunakan. Nilai

default-nya adalah 10. Mekanisme-nya adalah sebagai berikut :

Data training dibagi menjadi k buah subset (subhimpunan). Dimana k adalah

nilai dari fold. Selanjutnya, untuk tiap dari subset, akan dijadikan data tes dari

hasil klasifikasi yang dihasilkan dari k-1 subset lainnya. Jadi, akan ada 10 kali

tes. Dimana, setiap datum akan menjadi data tes sebanyak 1 kali, dan menjadi

data training sebanyak k-1 kali. Kemudian, error dari k tes tersebut akan

dihitung rata-ratanya.

4. Percentage split

Hasil klasifikasi akan dites dengan menggunakan k% dari data tersebut. k

merupakan masukan dari user.

18

  

Dalam penelitian ini, digunakan mode tes yang pertama, yaitu mode Use training set

seperti yang ditunjukkan oleh gambar berikut ini:

Gambar 3.22 Test Option yang digunakan pada penelitian (Use Taining Set)

Pilihan pengujian lebih lanjut dapat diatur dengan mengklik tombol More options seperti

yang ditunjukkan oleh gambar berikut ini:

Gambar 3.23 More Option yang dapat diatur untuk pengujian lebih lanjut

19

  

Gambar 3.24 Classifier evaluation options

1. Output model. Model klasifikasi pada training set lengkap output sehingga dapat

dilihat, divisualisasikan, dan lain-lain. Opsi ini dipilih secara default.

2. Output per-class stats. Ketepatan dan statistik benar / salah untuk setiap kelas.

Pilihan ini juga dipilih secara default.

3. Output entropy evaluation measures. Langkah-langkah evaluasi entropi termasuk

dalam output. Pilihan ini tidak dipilih secara default.

4. Output confusion matrix. Matriks confusion pada prediksi classifier termasuk

dalam output. Opsi ini dipilih secara default.

5. Store predictions for visualization. Prediksi classifier diingat atau disimpan

sehingga dapat divisualisasikan. Opsi ini dipilih secara default.

6. Output predictions. Prediksi pada data evaluasi ntuk ditampilkan sebagai output.

Perhatikan bahwa dalam kasus validasi silang nomor contoh tidak sesuai dengan

lokasi dalam data.

20

  

7. Output additional attributes. Jika atribut tambahan perlu menjadi output samping

prediksi, misalnya, atribut ID untuk misclassifications pelacakan, maka indeks dari

atribut ini dapat ditentukan di sini.

8. Cost-sensitive evaluation. Kesalahan dievaluasi sehubungan dengan matriks biaya.

Tombol set memungkinkan untuk menentukan matriks biaya yang digunakan.

9. Random seed for xval / % Split. Ini menentukan benih acak yang digunakan ketika

mengacak data sebelum dibagi untuk tujuan evaluasi.

10. Preserve order for % Split. Hal ini menekan pengacakan data sebelum membelah

diri menjadi train set dan test set.

11. Output source code. Jika classifier output dibangun sebagai kode sumber Java,

maka dapat ditentukan nama kelas di sini. Kode akan dicetak di daerah "Classifier

output".

3.3.2.2.3 Atribut kelas

Pengklasifikasi dalam WEKA dirancang untuk dilatih untuk memprediksi 'kelas'

satu atribut, yang merupakan target untuk prediksi. Beberapa pengklasifikasi hanya bisa

memahami kelas nominal; pengklasifikasi lain hanya dapat memahami kelas numerik

(masalah regresi); yang lainnya dapat memahami kedua-duanya.

Secara default, kelas diambil menjadi atribut terakhir dalam data. Jika ingin

mencoba classifier untuk memprediksi atribut berbeda, klik pada kotak di bawah kotak

Test Options untuk membawa sebuah daftar drop-down dari atribut untuk memilih nya

seperti yang ditunjukkan oleh gambar berikut ini:

21

  

Gambar 3.25 Atribut kelas yang digunakan dalam proses klasifikasi (default)

3.3.2.3 Training a Classifier

Setelah classifier, tes dan kelas pilihan semuanya telah ditetapkan, proses belajar

dimulai dengan mengklik tombol Start. Proses pelatihan dapat dihentikan setiap saat

dengan mengklik tombol Stop. Ketika pelatihan selesai, beberapa hal akan dihasilkan.

Classifier output area di kanan layar diisi dengan teks yang menjelaskan hasil pelatihan

dan pengujian. Sebuah entri baru akan muncul dalam kotak Result List.

3.3.2.3.1 The Classifier Output Text

Teks dalam daerah output Classifier memiliki bar gulir memungkinkan untuk

menelusuri hasil. Mengklik dengan tombol kiri mouse ke dalam area teks, dengan

menekan Alt dan Shift, membawa sebuah dialog yang memungkinkan untuk menyimpan

output ditampilkan dalam berbagai format (BMP, EPS, JPEG dan PNG) seperti yang

ditunjukkan oleh gambar berikut ini:

22

  

Gambar 3.26 Hasil klasifikasi (Run information, Classifier model (full training set),

hasil test mode)

Output dibagi menjadi beberapa bagian:

1. Run information. Sebuah daftar informasi memberikan pilihan skema belajar,

hubungan nama, contoh, atribut dan test mode yang terlibat dalam proses.

2. Classifier model (full training set). Sebuah representasi tekstual dari model klasifikasi

yang dihasilkan pada data pelatihan penuh.

3. Hasil test mode yang dipilih dipecah menjadi beberapa bagian sepeti yang ditunjukkan

oleh gambar berikut ini:

Gambar 3.27 Hasil summary dan Detailed Accuracy By Class dari proses klasifikasi

23

  

Gambar 3.28 Confusion Matrix dari proses klasifikasi

1. Summary: Sebuah daftar statistik merangkum bagaimana classifier akurat mampu

memprediksi kelas sebenarnya dari contoh di bawah test mode yang

dipilih.

2. Detailed Accuracy By Class. Sebuah lebih rinci per kelas memecah dari akurasi

prediksi classifier itu.

3. Confusion Matrix. Menunjukkan banyaknya contoh yang telah ditugaskan untuk

masing-masing kelas. Elemen menunjukkan jumlah contoh uji

yang sebenarnya sebagai kelas baris dan yang diprediksi

sebagai kelas kolom.

4. Source code (opsional). Bagian ini berisi daftar kode Java jika salah memilih

"Output source code" pada dialog "Opsi lainnya".

3.3.2.4 The Result List

Setelah pelatihan beberapa pengklasifikasi, daftar hasil akan berisi beberapa

entri. Pada bagian kiri tengah terdapat bagian result list yang terdapat berbagai hasil

yang telah dihasilkan. Menekan delete berarti menghapus entri dipilih dari hasil.

24

  

Mengklik kanan entri memanggil menu seperti yang ditunjukkan oleh gambar berikut

ini:

Gambar 3.29 Result List

1. View in main window. Menunjukkan output di jendela utama (seperti mengklik kiri

entri).

2. View in separate window. Membuka jendela baru untuk melihat hasil yang

independen.

3. Save result buffer. Menampilkan dialog yang memungkinkan untuk menyimpan teks

file containing output tekstual.

4. Load model. Load objek model pra-training dari file biner.

5. Save model. Menyimpan objek model ke file biner. Obyek disimpan dalam bentuk

'objek serial' Java.

6. Re-evaluate model on current test set. Membawa model yang telah dibangun dan tes

kinerja pada data set yang telah ditentukan dengan tombol tes di bawah Supplied test set

option.

25

  

7. Visualize classifier errors. Membawa sebuah jendela visualisasi yang plot hasil

klasifikasi. Contoh diklasifikasikan dengan benar diwakili oleh crosses, sedangkan yang

salah diklasifikasikan muncul sebagai squares (kotak).

8. Visualize tree or Visualize graph. Membawa sebuah representasi grafis dari struktur

model classifier, yaitu untuk pohon keputusan atau jaringan Bayesian. Pilihan visualisasi

grafik hanya muncul jika jaringan Bayesian classifier telah dibangun. Dalam

visualisator pohon, menu dapat dibuka dengan mengklik kanan pada area kosong,

menjelajah dengan menyeret mouse, dan melihat contoh pelatihan di setiap node dengan

mengklik di atasnya. CTRL-klik zoom melihat keluar, sementara SHIFT menyeret zoom

tampilan kotak masuk visualisator grafik seharusnya cukup jelas.

9. Visualize margin curve. Menghasilkan plot menggambarkan margin prediksi. Margin

didefinisikan sebagai perbedaan antara probabilitas diprediksi untuk kelas aktual dan

probabilitas tertinggi diperkirakan untuk kelas-kelas lain.

10. Visualize threshold curve. Menghasilkan plot menggambarkan trade-off dalam

prediksi yang diperoleh dengan memvariasikan nilai ambang batas antara kelas-kelas.

Misalnya, dengan nilai ambang batas default dari 0,5, probabilitas prediksi 'positif' harus

lebih besar dari 0,5 untuk contoh untuk diprediksi sebagai 'positif'. Plot dapat digunakan

untuk memvisualisasikan presisi (ingat trade-off), untuk analisis kurva ROC (tingkat

positif benar vs tingkat positif palsu), dan untuk jenis lain kurva.

11. Visualize cost curve. Menghasilkan sebuah plot yang memberikan representasi

eksplisit dari biaya yang diharapkan, seperti yang telah dijelaskan.

12. Plugins. Item menu ini hanya muncul jika ada visualisasi plugin yang tersedia

(secara default: none).