01
Arah pengolahan data
Tentukan tujuan analisis sejak awal agar alur input dan machine learning menyesuaikan otomatis.
ELECTRONIC NOSE DATA PIPELINE
Ekstraksi fitur EKNose, langkah demi langkah.
Ekstraksi fitur, analisis multivariat, dan machine learning dalam satu alur kerja yang terstruktur.
Memeriksa server…
~/eknose/input/data
STEP 1 / 7
Arah analisis dan sumber data
Pilih klasifikasi, klusterisasi, atau regresi; kemudian masukkan data raw E-Nose.
IN
Sumber data raw E-Nose
Pilih folder atau ZIP setelah menentukan arah analisis. Mode regresi menggunakan satu folder/ZIP raw tanpa label.
+
Tambahkan folder kelas
Pilih folder kelas satu per satu, misalnya Kopi, Teh, atau Kontrol.
ZIP
Tambahkan arsip kelas
Satu ZIP/RAR mewakili satu label. Nama label dapat diedit setelah arsip dipilih.
Struktur arsip: file data boleh berada di root atau subfolder. Folder di dalam arsip tidak mengubah label.
02
Struktur kolom sensor
Nama sensor dideteksi otomatis dari header data yang dipilih pada Step 1.
Menunggu data untuk mendeteksi kolom sensor.
Aktifkan hanya kolom yang ingin diekstraksi menjadi fitur.
MENUNGGU DATA
Belum ada sensor terdeteksi.
Tambahkan kolom sensor manual
Gunakan jika nama kolom sensor tidak dikenali otomatis.
Kolom lain yang ditemukanKlik + untuk menjadikannya kolom sensor.
Belum ada header data.
Catatan: hanya sensor yang aktif yang masuk ekstraksi fitur, boxplot, dan analisis machine learning; PCA/LDA digunakan pada mode yang mendukungnya.
ENV
Kolom lingkungan
Suhu dan humidity dideteksi dari header data yang sama.
Menunggu data untuk mendeteksi suhu dan humidity.
Kolom lingkungan tidak ikut diekstraksi menjadi fitur sensor.
MENUNGGU DATA
Analisis akhir: bila tersedia, suhu dan humidity dianalisis terpisah dengan boxplot serta mean ± standard deviation.
Deteksi kolom Phase
Pilih data pada Step 1 untuk mendeteksi kolom Phase secara otomatis.
Hz
Sampling rate
Default 4 Hz. Nilai ini digunakan untuk mengubah jumlah sampel Phase menjadi durasi detik.
1
Injection
Waktu sampel ditarik masuk ke dalam chamber.
2
Delay / Hold
Waktu sampel ditahan di dalam chamber.
3
Purging
Waktu pembersihan chamber dan pemulihan sensor.
Struktur file
Segmen untuk fitur umum
Fitur respons/kinetik tetap menggunakan pembagian fase injection, delay, dan purging.
0 fitur dipilih
READY TO RUN
Ekstraksi fitur siap dijalankan.
Progress proses akan ditampilkan. Anda tetap dapat menggunakan antarmuka selama komputasi berjalan.
Belum ada hasil
Jalankan ekstraksi pada tahap sebelumnya.
Feature matrix
Data hasil ekstraksi yang siap digunakan pada tahap analisis dan machine learning sesuai arah pengolahan yang dipilih.
Boxplot fitur per sensor
Pilih satu metode ekstraksi fitur untuk membandingkan distribusi seluruh sensor.
Boxplot akan ditampilkan setelah ekstraksi selesai.
Analisis kondisi lingkungan
Suhu dan humidity dianalisis otomatis bila kolom lingkungan ditemukan pada data raw.
Belum ada data lingkungan yang tersedia.
TEMP
—Suhu
HUM
—Humidity
Dasar analisis: satu observasi boxplot adalah rata-rata suhu atau humidity pada satu file/siklus hasil ekstraksi. Nilai mean ± SD per label dihitung antar observasi tersebut sehingga setiap sampel mempunyai bobot yang setara.
Belum ada feature matrix
Jalankan ekstraksi terlebih dahulu, lalu lanjutkan ke tahap ini.
PCA 2D/3D dan loading plot
PCA dihitung hanya dari X. Label baru dipakai setelah proyeksi untuk warna dan simbol scatter.
Alur PCA: feature matrix X → mean imputation → StandardScaler → covariance PCA → proyeksi PC1/PC2/PC3. Kolom Label tidak pernah dikirim ke solver PCA; label hanya digunakan sesudah score diperoleh untuk warna dan simbol.
Pilihan aktif: Seluruh fitur yang diekstraksi. Tekan Visualisasikan PCA untuk menghitung.
Score plot PC1–PC2 dan loading plot akan ditampilkan di sini.
Score plot PC1–PC2
Setiap titik adalah satu observasi. Label hanya mengatur warna/simbol setelah koordinat PCA selesai dihitung.
Loading plot PC1–PC2
Menunjukkan fitur sensor yang paling berkontribusi terhadap arah PC1 dan PC2.
LDA — Linear Discriminant Analysis
LDA menggunakan X dan label y untuk memaksimalkan variasi antar kelas serta meminimalkan variasi di dalam kelas.
Alur LDA: X dan y → preprocessing → within-class scatter + between-class scatter → generalized eigenproblem → proyeksi LD. Berbeda dari PCA, label memang digunakan saat membentuk sumbu LDA.
LDA hanya tersedia untuk feature matrix berlabel dengan minimal dua kelas.
Score plot LD1–LD2
Eigenvalue dan rasio diskriminan
Machine learning klasik
Pilih metode ekstraksi, algoritma, split test, dan jumlah fold.
Ringkasan pelatihan akan ditampilkan di sini.
Hasil setiap fold training
Cross-validation dilakukan hanya pada training set. Baris ringkasan menampilkan mean ± sample standard deviation.
Confusion matrix — test independen
Baris = label aktual, kolom = prediksi model pada test set yang tidak dipakai training.
ROC one-vs-rest — test independen
Kurva dihitung dari score/probabilitas model pada test set.
Ringkasan cluster
K-Means menggunakan StandardScaler, K-Means++, dan solusi inertia terbaik.
Hasil setiap fold regresi
Cross-validation hanya menggunakan training set. Ringkasan menampilkan mean ± sample standard deviation.
Prediksi vs aktual — test independen
Scatter memperlihatkan kedekatan prediksi terhadap garis ideal y = x.
Residual — test independen
Residual = aktual − prediksi. Sebaran acak di sekitar nol diharapkan.
Laporan akhir: satu PDF menyesuaikan arah analisis. Klasifikasi/klusterisasi memuat analisis multivariat; regresi memuat evaluasi numerik, plot prediksi-residual, analisis deskriptif, lingkungan, dan fitur terbaik.