Icon

FP_​Parkinson Disease_​Kel.27

Data Preparation
Data Modeling
Data Modeling

Data Deployment

Data Preparation (Feature Selection, Metode Filter)
Data Preparation (Feature Selection, Metode Wrapped)

Evaluasi

Membaca datasetparkinsons.csv
CSV Reader
Melihat kondisi awal data
Data Explorer
Hapus kolom yang tidak relevan
Column Filter
Periksa & tangani nilai kosong
Missing Value
Memberi penamaan kolomyang lebih relevan agar lebih mudah dibaca
Column Renamer
Standarkan semua fitur numerik
Normalizer
Melihat korelasi antara semua atribut umum dengan atribut target
Rank Correlation
Menghitung metrik evaluasi dan menampilkan confusion matrixdalam bentuk heatmap
Evaluation
Atribut umum yg perlu untuk dihilangkan
Row Filter
ROC
Membaca datasetparkinsons.csv
CSV Reader
memilih dan menambahkan fitur satu per satu (Forward Selection) untuk diuji performanya
Feature Selection Loop Start (1:1)
Statistics
Menghitung metrik evaluasi dan menampilkan confusion matrix dalam bentuk heatmap
Evaluation
Menghilangkan atribut yang tidak lolos dari feature selection
Column Filter
Menghitung metrik evaluasi dan menampilkan confusion matrix dalam bentuk heatmap
Evaluation
ANOVA
Menguji model yang sudah dilatih tersebut ke data testing
Naive Bayes Predictor
Standarkan semua fitur numerik
Normalizer
Menghitung nilai akurasi model
Scorer
Periksa & tangani nilai kosong
Missing Value
Membagi data di dalam loop menjadi data latih dan uji.
Table Partitioner
Korelasi antara semua atribut dengan target
Linear Correlation
Hapus kolom yang tidak relevan
Column Filter
Melatih model prediksi hanya menggunakan subset fitur yang sedang dipilih oleh loop
Naive Bayes Learner
Melatih model dengan data latihuntuk disimpan modelnyadan digunakan pada data deploy
Random Forest Learner
Menggunakan model yg sudah dilatihuntuk menebak data latih
Random Forest Predictor
Mengumpulkan semua skor akurasi dari setiap percobaan
Feature Selection Loop End
Melatih model Logistic Regressionmenggunakan data learningdari node partitioner
Logistic Regression Learner
Menampilkan evaluasi model
Scorer (JavaScript)
Melatih model Random Forestmenggunakan data learningdari node partitioner
Random Forest Learner
Menggunakan model yang sudah dilatih untuk menebak (memprediksi) data testing
Logistic Regression Predictor
Menggunakan model yg sudah dilatihuntuk memprediksi hasil data deploy
Random Forest Predictor
Menyimpan model
Model Writer
Membersihkan dataset akhir
Feature Selection Filter
Mengubah kolom status menjadi Parkinson's dan sehat
Rule Engine
Mengubah urutan kolom agar kolom target menjadi paling akhir
Column Resorter
Menggunakan model yang sudah dilatih untuk menebak (memprediksi) data testing
Random Forest Predictor
Menyimpan hasil dari prediksi data deploy
Excel Writer
Membaca model deploy
Model Reader
Melihat kondisi data siap model
Data Explorer
Membagi dataset learnerdengan komposisi 70% untuk learning dan 30% untuk testingdengan teknik Stratified
Table Partitioner
Memberi penamaan kolomyang lebih relevan agar lebih mudah dibaca
Column Renamer
Melatih model SVMmenggunakan data learningdari node partitioner
SVM Learner
Menggunakan model yang sudah dilatih untuk menebak (memprediksi) data testing
SVM Predictor

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: AHDA
Created at: 2025-11-04
On NodePit since: 2025-12-25
Last update: 2025-12-25
Created with KNIME version: v5.8.0

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!