P1M2_deployment

.streamlit/config.toml

@@ -0,0 +1,5 @@
+[theme]
+primaryColor="#bd93f9"
+backgroundColor="#282a36"
+secondaryBackgroundColor="#44475a"
+textColor="#f8f8f2"

app.py

@@ -0,0 +1,31 @@
+import streamlit as st
+import eda
+import prediction
+
+
+#Set Config dan icon
+st.set_page_config(
+        page_title='Resign Prediction',
+        layout='wide',
+        initial_sidebar_state='expanded' , page_icon='https://imgur.com/sYKazYD.png'
+        )
+
+#Hide Streamlit Style
+hide_streamlit_style = """
+            <style>
+            #MainMenu {visibility: hidden;}
+            footer {visibility: hidden;}
+            </style>
+            """
+st.markdown(hide_streamlit_style, unsafe_allow_html=True) 
+
+#Membuat navigasi
+st.sidebar.markdown("# Evan Derin Ihsanudin - RMT-FTDS-17")
+navigation = st.sidebar.selectbox('Pilih Halaman (Resign Prediction/EDA): ', ('Resign Prediction','Exploratory Data Analysis'))
+st.sidebar.image("https://imgur.com/sYKazYD.png", use_column_width=True)
+
+#Run modul dengan if else
+if navigation == 'Resign Prediction' :
+    prediction.run()
+else :
+    eda.run()

eda.py

@@ -0,0 +1,425 @@
+import streamlit as st
+import pandas as pd
+import seaborn as sns
+import matplotlib.pyplot as plt
+import plotly.express as px
+from PIL import Image
+
+
+
+
+def run() :
+    # Membuat Title 
+    st.markdown("<h1 style='text-align: center; color: white;'>Exploratory Data Analysis</h1>", unsafe_allow_html=True)
+    st.write('Berikut adalah EDA dari setiap feature')
+
+    # Import DF
+    df_eda = pd.read_csv('employee_eda.csv')
+
+    # Membuat Sub Header Age
+    st.subheader('**EDA Feature Age**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- Umur karyawan terpusat pada 25-30 tahun (2.350 karyawan/50.5%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan dengan *range* umur 25-30 tahun (787 karyawan). Kemungkinan banyak pada *range* ini karena, karyawan paling banyak pada *range* umur tersebut ')
+    st.markdown('- Akan tetapi jika dilihat dari persentase *resign* pada setiap kelas, maka pada *range* umur 20-25 tahun memiliki persentase *resign* tertinggi. Kemudian pada *range* 25-40 tahun cenderung stabil dan persentase turun di angka 28% pada *range* 40-45 tahun')
+
+    # Membuat visualisasi Distribusi Age berdasarkan Bins
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='AgeBin', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("Employee Age", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi Employee Age', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,2500)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+45), ha='center', va='center',fontsize = 8) 
+
+    df_eda['AgeBin'].value_counts().plot(kind='pie', autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    # Membuat Visualisasi distribusi Age berdasarkan LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'AgeBin', hue="LeaveOrNot", palette = 'winter', order =  ['(20, 25]', '(25, 30]', '(30, 35]', '(35, 40]', '(40, 45]'])
+    plt.title('Distribusi Range Age', fontsize=18, fontweight='bold')
+    plt.xlabel("Range Age", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    ax.tick_params(axis="x", labelsize= 9.5)
+    plt.legend(fontsize=10,title='Klasifikasi LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+25), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,1700)
+    col1.pyplot(fig)
+
+    #Visualisasi % Leave or Not dari setiap kelas
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = 'AgeBin', y = 'LeaveOrNot', data = df_eda, palette = 'winter', order = ['(20, 25]', '(25, 30]', '(30, 35]', '(35, 40]', '(40, 45]'], errorbar=None)
+    plt.xlabel("Range Age", fontsize= 12)
+    plt.ylabel("% Leave", fontsize= 12)
+    plt.title('% Leave berdasarkan Age', fontsize=18, fontweight='bold')
+    plt.ylim(0,0.5)
+    for p in ax.patches:
+        ax.annotate("%.2f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+0.012), ha='center', va='center',fontsize = 11) 
+    col2.pyplot(fig)
+
+
+    # Membuat Sub Header ExperienceInCurrentDomain
+    st.subheader('**EDA Feature ExperienceInCurrentDomain**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- Pengalaman karyawan pada domain-nya terpusat pada 2 tahun (1.087 karyawan/23.4%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan dengan *range* pengalaman 2 tahun (399 karyawan). Kemungkinan banyak pada *range* ini karena, karyawan paling banyak pada *range* pengalaman tersebut ')
+    st.markdown('- Akan tetapi jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* pada setiap kelas pengalaman tidak jauh berbeda (sekitar 30%)')
+
+    # Membuat visualisasi Distribusi ExperienceInCurrentDomain
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='ExperienceInCurrentDomain', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("Experience In Current Domain", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi Experience In Current Domain', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,1300)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+25), ha='center', va='center',fontsize = 8) 
+    df_eda['ExperienceInCurrentDomain'].value_counts().plot(kind='pie', autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    # Membuat Visualisasi distribusi ExperienceInCurrentDomain berdasarkan LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'ExperienceInCurrentDomain', hue="LeaveOrNot", palette = 'winter')
+    plt.title('Distribusi Experience In Current Domain', fontsize=18, fontweight='bold')
+    plt.xlabel("Experience In Current Domain", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    ax.tick_params(axis="x", labelsize= 9.5)
+    plt.legend(fontsize=10,title='Klasifikasi LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+15), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,800)
+    col1.pyplot(fig)
+
+    #Visualisasi % Leave or Not dari setiap kelas
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = 'ExperienceInCurrentDomain', y = 'LeaveOrNot', data = df_eda, palette = 'winter', errorbar=None)
+    plt.xlabel("Experience In Current Domain", fontsize= 12)
+    plt.ylabel("% Leave", fontsize= 12)
+    plt.title('% Leave berdasarkan Experience In Current Domain', fontsize=18, fontweight='bold')
+    plt.ylim(0,0.5)
+    for p in ax.patches:
+        ax.annotate("%.2f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+0.012), ha='center', va='center',fontsize = 11) 
+    col2.pyplot(fig)
+
+
+    # Membuat Sub Header JoiningYear
+    st.subheader('**EDA Feature JoiningYear**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- Karyawan paling banyak bergabung pada tahun 2017 (1.108 karyawan/23.8%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan yang bergabung pada tahun 2018 (362 karyawan)')
+    st.markdown('- Jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* untuk karyawan yang bergabung pada tahun 2018 lebih besar dari tahun lain-nya (99%)')
+
+    # Membuat visualisasi Distribusi JoiningYear
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='JoiningYear', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("JoiningYear", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi JoiningYear', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,1200)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+22), ha='center', va='center',fontsize = 8) 
+
+    df_eda['JoiningYear'].value_counts().plot(kind='pie',autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    #Visualisasi distribusi JoiningYear berdasarkan klasifikasi LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'JoiningYear', hue="LeaveOrNot", palette = 'winter')
+    plt.xlabel("JoiningYear", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    plt.title('JoiningYear vs LeaveOrNot', fontsize=18, fontweight='bold')
+    plt.legend(fontsize=10,title='LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+15), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,900)
+    col1.pyplot(fig)
+
+    #Visualisasi persentase Leave berdasarkan JoiningYear
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = "JoiningYear", y = "LeaveOrNot", data = df_eda, palette = 'winter', errorbar= None)
+    plt.ylabel("% Leave", fontsize= 14)
+    plt.xlabel("JoiningYear", fontsize= 14)
+    plt.ylim(0,1.2)
+    plt.title('% Leave vs JoiningYear', fontsize=18, fontweight='bold')
+    for p in ax.patches:
+        ax.annotate("%.2f" %(p.get_height()), (p.get_x()+0.23, p.get_height()+0.01),fontsize=13)
+    col2.pyplot(fig)
+
+    # Membuat Sub Header Target LeaveOrNot
+    st.subheader('**EDA Feature LeaveOrNot**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- Karyawan yang tidak *resign* lebih banyak dari pada karyawan yang *resign* dengan perbandingan 2 (65.6%) : 1 (34.4%)')
+
+    # Membuat visualisasi Distribusi LeaveOrNot
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='LeaveOrNot', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("LeaveOrNot", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi LeaveOrNot', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,3300)
+    plt.xlabel("Leave Or Not", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    ax[0].set_xticks([0,1], ['Not Leave', 'Leave'], fontsize = 11)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+55), ha='center', va='center',fontsize = 10) 
+
+    df_eda['LeaveOrNot'].value_counts().plot(kind='pie', labels = ['Not Leave','Leave'],autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    # Membuat Sub Header Education
+    st.subheader('**EDA Feature Education**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- *Education* karyawan terbanyak adalah pada level *bachelors* (3.601 karyawan/77.4%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan dengan level edukasi *bachelors* (1.129 karyawan). Kemungkinan banyak pada level ini karena, karyawan paling banyak pada level edukasi tersebut ')
+    st.markdown('- Akan tetapi jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* pada level edukasi *masters* lebih tinggi dari pada level edukasi lainnya (49%)')
+
+    # Membuat visualisasi Distribusi Education
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='Education', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("Education", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi Education', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,4000)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+70), ha='center', va='center',fontsize = 8) 
+    df_eda['Education'].value_counts().plot(kind='pie',autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    #Visualisasi distribusi Education berdasarkan klasifikasi LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'Education', hue="LeaveOrNot", palette = 'winter')
+    plt.xlabel("Education", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    plt.title('Education vs LeaveOrNot', fontsize=18, fontweight='bold')
+    plt.legend(fontsize=10,title='LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+45), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,3000)
+    col1.pyplot(fig)
+
+
+    #Visualisasi persentase Leave berdasarkan Education
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = "Education", y = "LeaveOrNot", data = df_eda, palette = 'winter', errorbar= None)
+    plt.ylabel("% Leave", fontsize= 14)
+    plt.xlabel("Education", fontsize= 14)
+    plt.ylim(0,0.7)
+    plt.title('% Leave vs Education', fontsize=18, fontweight='bold')
+    for p in ax.patches:
+        ax.annotate("%.2f" %(p.get_height()), (p.get_x()+0.33, p.get_height()+0.01),fontsize=13)
+    col2.pyplot(fig)
+
+    # Membuat Sub Header City
+    st.subheader('**EDA Feature City**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- Karyawan banyak yang bekerja pada kota Bangalore (2.228 karyawan/47.9%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan yang bekerja di kota Pune (639 karyawan)')
+    st.markdown('- Jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* pada karyawan yang bekerja di kota Pune lebih tinggi dari pada karyawan yang bekerja di kota lainnya (50%)')
+
+    # Membuat visualisasi Distribusi City
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='City', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("City", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi City', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,2500)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+50), ha='center', va='center',fontsize = 8) 
+    df_eda['City'].value_counts().plot(kind='pie',autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    #Visualisasi distribusi City berdasarkan klasifikasi LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'City', hue="LeaveOrNot", palette = 'winter')
+    plt.xlabel("City", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    plt.title('City vs LeaveOrNot', fontsize=18, fontweight='bold')
+    plt.legend(fontsize=10,title='LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+35), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,2000)
+    col1.pyplot(fig)
+
+
+    #Visualisasi persentase Leave berdasarkan City
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = "City", y = "LeaveOrNot", data = df_eda, palette = 'winter', errorbar= None)
+    plt.ylabel("% Leave", fontsize= 14)
+    plt.xlabel("City", fontsize= 14)
+    plt.ylim(0,0.7)
+    plt.title('% Leave vs City', fontsize=18, fontweight='bold')
+    for p in ax.patches:
+        ax.annotate("%.2f" %(p.get_height()), (p.get_x()+0.33, p.get_height()+0.01),fontsize=13)
+    col2.pyplot(fig)
+
+    # Membuat Sub Header Gender
+    st.subheader('**EDA Feature Gender**')
+    st.write('Dari visualisasi dibawah dapat disimpulkan bahwa :')
+    st.markdown('- Karyawan yang bekerja paling banyak memiliki *gender* pria (2.778 karyawan/59.7%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan dengan *gender* wanita (884 karyawan)')
+    st.markdown('- Jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* pada *gender* wanita lebih banyak dari pada *gender* pria (47%)')
+
+    # Membuat visualisasi Distribusi Gender
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='Gender', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("Gender", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi Gender', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,3000)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+55), ha='center', va='center',fontsize = 8) 
+
+    df_eda['Gender'].value_counts().plot(kind='pie',autopct='%1.1f%%', textprops = {"fontsize":8})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    #Visualisasi distribusi Gender berdasarkan klasifikasi LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'Gender', hue="LeaveOrNot", palette = 'winter')
+    plt.xlabel("Gender", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    plt.title('Gender vs LeaveOrNot', fontsize=18, fontweight='bold')
+    plt.legend(fontsize=10,title='LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+45), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,2300)
+    col1.pyplot(fig)
+
+    #Visualisasi persentase Leave berdasarkan Gender
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = "Gender", y = "LeaveOrNot", data = df_eda, palette = 'winter', errorbar= None)
+    plt.ylabel("% Leave", fontsize= 14)
+    plt.xlabel("Gender", fontsize= 14)
+    plt.ylim(0,0.6)
+    plt.title('% Leave vs Gender', fontsize=18, fontweight='bold')
+    for p in ax.patches:
+        ax.annotate("%.2f" %(p.get_height()), (p.get_x()+0.33, p.get_height()+0.01),fontsize=13)
+    col2.pyplot(fig)
+
+    # Membuat Sub Header EverBenched
+    st.subheader('**EDA Feature EverBenched**')
+    st.write('Dari visualisasi dibawha dapat disimpulkan bahwa :')
+    st.markdown('- Karyawan yang tidak pernah memegang *project* > 1 bulan lebih banyak dari yang pernah memegang *project* (4.175 karyawan/89.7%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan yang tidak pernah memegang *project* > 1 bulan (1.383 karyawan). Kemungkinan banyak pada kelas ini karena, karyawan paling banyak pada kelas tersebut')
+    st.markdown('- Akan tetapi jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* pada karyawan yang pernah memegang *project* > 1 bulan lebih tinggi dari pada yang tidak pernah memegang *project* > 1 bulan (45%)')
+
+    # Membuat visualisasi Distribusi EverBenched
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='EverBenched', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("EverBenched", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi EverBenched', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,4600)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+70), ha='center', va='center',fontsize = 8) 
+
+    df_eda['EverBenched'].value_counts().plot(kind='pie',autopct='%1.1f%%', textprops = {"fontsize":12})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    #Visualisasi distribusi EverBenched berdasarkan klasifikasi LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'EverBenched', hue="LeaveOrNot", palette = 'winter')
+    plt.xlabel("EverBenched", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    plt.title('EverBenched vs LeaveOrNot', fontsize=18, fontweight='bold')
+    plt.legend(fontsize=10,title='LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+45), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,3100)
+    col1.pyplot(fig)
+
+    #Visualisasi persentase Leave berdasarkan EverBenched
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = "EverBenched", y = "LeaveOrNot", data = df_eda, palette = 'winter', errorbar= None)
+    plt.ylabel("% Leave", fontsize= 14)
+    plt.xlabel("EverBenched", fontsize= 14)
+    plt.ylim(0,0.7)
+    plt.title('% Leave vs EverBenched', fontsize=18, fontweight='bold')
+    for p in ax.patches:
+        ax.annotate("%.2f" %(p.get_height()), (p.get_x()+0.33, p.get_height()+0.01),fontsize=13)
+    col2.pyplot(fig)
+
+    # Membuat Sub Header PaymentTier
+    st.subheader('**EDA Feature PaymentTier**')
+    st.write('Dari visualisasi dibawha dapat disimpulkan bahwa :')
+    st.markdown('- Karyawan banyak yang memiliki gaji dengan *tier* 3 (3.492 karyawan/75%)')
+    st.markdown('- Karyawan yang paling banyak *resign* adalah karyawan dengan gaji *tier* 3 (961 karyawan). Kemungkinan banyak pada kelas ini karena, karyawan paling banyak pada *tier* gaji tersebut')
+    st.markdown('- Akan tetapi jika dilihat dari persentase *resign* pada setiap kelas, maka persentase *resign* pada kelas gaji *tier* 2 lebih tinggi dari pada *tier* lainnya (60%)')
+
+    # Membuat visualisasi Distribusi PaymentTier
+    fig, ax =plt.subplots(1,2,figsize=(8,4))
+    sns.countplot(x='PaymentTier', data=df_eda, palette="winter", ax=ax[0])
+    ax[0].set_xlabel("PaymentTier", fontsize= 12)
+    ax[0].set_ylabel("# of Employee", fontsize= 12)
+    fig.suptitle('Distribusi PaymentTier', fontsize=18, fontweight='bold')
+    ax[0].set_ylim(0,4000)
+    for p in ax[0].patches:
+        ax[0].annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+55), ha='center', va='center',fontsize = 8) 
+
+    df_eda['PaymentTier'].value_counts().plot(kind='pie',autopct='%1.1f%%', textprops = {"fontsize":12})
+    ax[1].set_ylabel("% of Employee", fontsize= 12)
+    st.pyplot(fig)
+
+    #Visualisasi distribusi PaymentTier berdasarkan klasifikasi LeaveOrNot
+    col1, col2 = st.columns(2)
+    fig = plt.figure(figsize=(12,6))
+    ax = sns.countplot(data = df_eda, x = 'PaymentTier', hue="LeaveOrNot", palette = 'winter')
+    plt.xlabel("PaymentTier", fontsize= 12)
+    plt.ylabel("# of Employee", fontsize= 12)
+    plt.title('PaymentTier vs LeaveOrNot', fontsize=18, fontweight='bold')
+    plt.legend(fontsize=10,title='LeaveOrNot', loc='upper right', labels=['Not Leave', 'Leave'])
+    for p in ax.patches:
+        ax.annotate("%.0f"%(p.get_height()), (p.get_x() + p.get_width() / 2,
+                        p.get_height()+45), ha='center', va='center',fontsize = 11) 
+    plt.ylim(0,3000)
+    col1.pyplot(fig)
+
+    #Visualisasi persentase Leave berdasarkan PaymentTier
+    plt.figure(figsize=(12,6))
+    ax = sns.barplot(x = "PaymentTier", y = "LeaveOrNot", data = df_eda, palette = 'winter', errorbar= None)
+    plt.ylabel("% Leave", fontsize= 14)
+    plt.xlabel("PaymentTier", fontsize= 14)
+    plt.ylim(0,0.7)
+    plt.title('% Leave vs PaymentTier', fontsize=18, fontweight='bold')
+    for p in ax.patches:
+        ax.annotate("%.2f" %(p.get_height()), (p.get_x()+0.33, p.get_height()+0.01),fontsize=13)
+    col2.pyplot(fig)
+
+if __name__ == '__main__':
+    run()
+

prediction.py

@@ -0,0 +1,67 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+import pickle 
+
+
+
+
+
+# Load All Files
+with open('pipeline_xgb_opt', 'rb') as file_1:
+  pipeline_xgb_opt = pickle.load(file_1)
+
+def run() :
+  # Membuat Title 
+  st.markdown("<h1 style='text-align: center; color: white;'>Resign Prediction</h1>", unsafe_allow_html=True)
+
+  # Menambahkan Deskripsi Form
+  st.write('Page ini berisi model untuk memprediksi potensi resign karyawan dalam 2 tahun mendatang')
+  st.write('Mohon persiapkan data terlebih dahulu sebelum melakukan prediksi')
+
+  #Membuat Form
+  with st.form(key= 'form_employee'):
+      Education = st.radio('Education', options=['Bachelors','Masters','PHD'], horizontal=True)
+      JoiningYear = st.number_input('Joining Year', min_value=2012, max_value=2018, value=2015 ,step=1, help='Tahun bergabungnya karyawan')
+      City = st.selectbox('City',('Bangalore','Pune','New Delhi'),index=1)
+      PaymentTier = st.selectbox('Payment Tier',(1,2,3),index=1)
+      Age = st.slider('Age',22,41,25)
+      Gender = st.radio('Gender', options=['Male','Female'], horizontal=False)
+      EverBenched = st.selectbox('Ever Benched',('Yes','No'),index=1)
+      ExperienceInCurrentDomain= st.slider('Experience',0,7,2)
+      submitted = st.form_submit_button('Predict')
+
+  #Membuat Data Inference
+  data_inf = {
+      'Education' : Education, 
+      'JoiningYear' : JoiningYear, 
+      'City' : City, 
+      'PaymentTier' : PaymentTier, 
+      'Age' : Age, 
+      'Gender' : Gender,
+      'EverBenched' : EverBenched, 
+      'ExperienceInCurrentDomain' : ExperienceInCurrentDomain
+  }
+
+  #Membuat Dataframe
+  data_inf = pd.DataFrame([data_inf])
+  data_inf
+
+  #Prediksi Kemungkinan Resign
+
+  if submitted :
+      # Predict using XGBoost Parameter Tuning
+      y_pred_inf = pipeline_xgb_opt.predict(data_inf)
+
+      if y_pred_inf == 1:
+        prediction = 'Resign'
+      else:
+        prediction = 'Not Resign'
+        
+      st.write('# Resign Prediction : ', prediction)
+
+if __name__ == '__main__':
+    run()
+
+
+

requirements.txt

@@ -0,0 +1,6 @@
+streamlit
+pandas
+seaborn
+matplotlib
+scikit-learn == 1.1.3
+numpy