Upload 5 files

app.py

@@ -0,0 +1,10 @@
+import streamlit as st
+import eda_m2
+import prediction_m2
+
+navigation = st.sidebar.selectbox('Pilih Halaman: ', ('EDA', 'Prediksi'))
+
+if navigation == 'EDA':
+    eda_m2.run()
+else:
+    prediction_m2.run()

eda_m2.py

@@ -0,0 +1,172 @@
+import streamlit as st
+import pandas as pd
+import seaborn as sns
+import matplotlib.pyplot as plt
+import plotly.express as px
+
+
+st.write('### Nama : Kumala Cantika Ainun Maya')
+st.write('### Batch : SBY-004')
+st.write('### Objective : ')
+st.write('##### Pada bagian ini berisikan EDA data informasi nasabah dengan kelayakan diberikan pinjaman')
+st.markdown('---')
+
+def run():
+    # Load dataset
+    st.write('### Data Loan Status Nasabah')
+    df = pd.read_csv('train.csv')
+    st.dataframe(df)
+
+
+    st.markdown('---')
+    st.title('Exploratory Data Analysis(EDA) Data Layak Pinjam Nasabah')
+
+    # Plot Target
+    st.write('### Pie Chart Loan Status Nasabah')
+    fig,ax1 = plt.subplots(figsize=(5,5))
+    df['Loan_Status'].value_counts().plot(kind='pie',labels=['yes', 'no'],
+                                                        autopct='%.2f%%',ax=ax1, colors=['lime','red'])
+    st.pyplot(fig)
+    '''
+    Pie chart tersebut merupakan perbandingan antara target yang layak dan tidak layak mendapatkan pinjaman, 
+    yang mana hanya sekitar **68.73%** nasabah yang layak untuk mendapatkan pinjaman.
+    '''
+    st.markdown('---')
+
+    # Plot ApplicantIncome
+    st.write('### Histogram dan Box Plot Pendapatan Nasabah')
+    fig = plt.figure(figsize=(15, 6))
+    # Histogram
+    plt.subplot(1, 2, 1)
+    sns.histplot(data=df['ApplicantIncome'], palette='Set1', color='cyan')
+    plt.title('Histogram Pendapatan Nasabah')
+    plt.xlabel('Pendapatan')
+    plt.ylabel('Total')
+    # Boxplot
+    plt.subplot(1, 2, 2)
+    sns.boxplot(y=df['ApplicantIncome'], color='cyan')
+    plt.title('Boxplot Pendapatan')
+    plt.xlabel('Pendapatan')
+    st.pyplot(fig)
+    '''
+    Berdasarkan visualisasi histogram dan boxplot menunjukkan bahwa:
+    
+        - Persebaran data pendapatan nasabah mayoritas ada pada rentang lebih dari 0 dan kurang dari sama dengan 10000
+        - Terdapat banyak outlier yang terlihat dalam visualisasi boxplot
+        - Persebaran data cenderung miring kanan/ skew, sehingga mungkin diperlukan cek skewness pada fitur ini
+    '''
+    st.markdown('---')
+
+    # Plot Coapllicantincome
+    st.write('### Histogram dan Box Plot Pendapatan Sampingan Nasabah')
+    fig = plt.figure(figsize=(15, 6))
+    # Scatterplot
+    plt.subplot(1, 2, 1)
+    sns.scatterplot(data=df['CoapplicantIncome'], palette='Set1', color='red')
+    plt.title('Histogram Pendapatan Sampingan Nasabah')
+    plt.xlabel('Pendapatan Sampingan')
+    plt.ylabel('Total')
+    # Boxplot
+    plt.subplot(1, 2, 2)
+    sns.boxplot(y=df['CoapplicantIncome'], color='red')
+    plt.title('Boxplot Pendapatan Sampingan')
+    plt.xlabel('Pendapatan Sampingan')
+    st.pyplot(fig)
+    '''
+    Berdasarkan visualisasi histogram dan boxplot menunjukkan bahwa:
+
+        - Persebaran data pendapatan nasabah mayoritas ada pada rentang 0 hingga kurang dari 10000
+        - Terdapat banyak outlier yang terlihat dalam visualisasi boxplot
+        - Persebaran data cenderung miring kanan/ skew, sehingga mungkin diperlukan cek skewness pada fitur ini
+        - Jika dibandingkan dengan `ApplicantIncome`, pendapatan sampingan yang dimiliki oleh nasabah jauh lebih sedikit dibandingkan pendapatan utama
+            '''
+    st.markdown('---')
+
+
+    # Plot Loan Amount
+    st.write('### Histogram dan Box Plot Pinjaman Nasabah')
+    fig = plt.figure(figsize=(15, 6))
+    # Distogram
+    plt.subplot(1, 2, 1)
+    sns.distplot(df['LoanAmount'], color='grey')
+    plt.title('Histogram Besar Pinjaman')
+    plt.xlabel('Pinjaman')
+    plt.ylabel('Total')
+    # Boxplot
+    plt.subplot(1, 2, 2)
+    sns.boxplot(y=df['LoanAmount'], color='grey')
+    plt.title('Boxplot Besar Pinjaman')
+    plt.xlabel('Pinjaman')
+    st.pyplot(fig)
+    '''
+    Berdasarkan visualisasi histogram dan boxplot menunjukkan bahwa:
+    
+        - Persebaran data mayoritas pinjaman yang diajukan oleh nasabah adalah mulai rentang lebih dari sama dengan 100 hingga kurang dari 200
+        - Terdapat banyak outlier yang terlihat dalam visualisasi boxplot
+        - Persebaran data cenderung miring kanan/ skew, sehingga mungkin diperlukan cek skewness juga pada fitur ini
+    '''
+    st.markdown('---')
+
+    # EDA catgoeical
+    st.write('### Pie Chart Informasi Status Nasabah')
+    fig = plt.figure(figsize = (20,10))
+
+    # Fitur Gender
+    plt.subplot(1,4,1) 
+    plt.pie(df['Gender'].value_counts(), labels=['Male', 'Female'], autopct='%1.0f%%',colors=['orange','grey'])
+    plt.title('Perbandingan Jenis Kelamin Nasabah')
+    # Fitur Married  
+    plt.subplot(1,4,2) 
+    plt.pie(df['Married'].value_counts(), labels=['Yes', 'No'], autopct='%1.0f%%',colors=['orange','grey'])
+    plt.title('Perbandingan Status Nasabah')
+    # Fitur Self Employed  
+    plt.subplot(1,4,3) 
+    plt.pie(df['Self_Employed'].value_counts(), labels=['No', 'Yes'], autopct='%1.0f%%',colors=['orange','grey'])
+    plt.title('Perbandingan Status Pekerjaan Nasabah')
+    # Fitur Credit_History
+    plt.subplot(1,4,4) 
+    plt.pie(df['Credit_History'].value_counts(), labels=['Yes', 'No'], autopct='%1.0f%%',colors=['orange','grey'])
+    plt.title('Perbandingan Rekam Pinjaman Nasabah')
+    st.pyplot(fig)
+    '''
+    Hasil visualisasi 4 fitur categorical `Gender`, `Married`, `Self_Employed`, dan `Credit_History` diperoleh beberapa hal berikut:
+
+        - Sekitar 81% nasabah berjenis kelamin pria
+        - Sekitar 65% nasabah sudah berkeluarga
+        - Sekitar 86% nasabah tidak bekerja secara mandiri (bekerja kepada badan atau orang lain, sehingga berkemungkinan memiliki pendapatan yang tetap)
+        - Sekitar 84% nasabah sudah pernah melakukan pinjaman sebelumnya 
+    '''
+    st.markdown('---')
+
+    # Plot bar perbadingan status Dependents
+    st.write('### Jumlah Tanggungan Nasabah')
+    fig,ax1 = plt.subplots(figsize=(5,5))
+    df['Dependents'].value_counts().sort_index().plot(kind='bar', rot=0, color='navy')
+    plt.xlabel('Tanggungan (orang)')
+    plt.ylabel('Jumlah')
+    st.pyplot(fig)
+    '''
+    Berdasarkan visualisasi bar perbandingan jumlah tanggungan yang dimiliki nasabah diketahui bahwa:
+
+        - Sebagian besar nasabah tidak memiliki tanggungan pembiayaan
+    '''
+    st.markdown('---')
+
+    # Plot Loan Amount Term
+    st.write('### Scatter Persebaran Rentang Waktu Peminjaman')
+    fig = plt.figure(figsize=(10, 4))
+    sns.scatterplot(data=df['Loan_Amount_Term'], palette='Set1', color='pink')
+    plt.xlabel('Waktu(hari)')
+    plt.ylabel('Jumlah')
+    st.pyplot(fig)
+    '''
+    Berdasarkan visualisasi histagram diatas menunjukkan bahwa:
+
+        - Rentang waktu peminjaman paling sering adalah dalam rentang 300 hingga 400 atau lebih tepatnya pada **360 hari** 
+        - Dalam rentang waktu tersebut dapat juga berarti nasabah sebagian besar memiliki rentang waktu peminjaman selama 1 tahun lamanya.
+    '''
+    st.markdown('---')
+
+
+if __name__ == '__main__':
+    run()

model_knn.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bf814de0f19feae73b0ddcd925bf66d37faf3f1debacd0b694c6bb8639163502
+size 104719

prediction_m2.py

@@ -0,0 +1,68 @@
+'''
+Nama        : Kumala Cantika Ainun Maya
+Batch       : SBY-004
+Objective   : Pada bagian ini berisikan ----------------
+---------
+'''
+
+import numpy as np
+import pickle
+import json
+import streamlit as st
+import pandas as pd
+
+
+with open('model_knn.pkl', 'rb') as file_1:
+    model_knn = pickle.load(file_1)
+
+def run():
+    with st.form(key='Form Parameter'):
+        loanid = st.write()
+        gender = st.radio("Gender",["Male","Female"])
+        married = st.radio("Marital Status",['Yes','No'])
+        dependents = st.selectbox("Dependents",('0','1','2','3+'))
+        education = st.radio("Education",['Graduate','Not Graduate'])
+        self_employed = st.radio("Self Employed",['Yes','No'])
+        applicantincome =  st.number_input("Applicant Income :",min_value=150,max_value=81000,step=1)
+        coapplicantincome = st.number_input("CoApplicant Income :",min_value=0,max_value=41700,step=1)
+        loanamount = st.number_input("Loan Amount :",min_value=9,max_value=700,step=1)
+        loanamountterm = st.selectbox("Loan Amount Term",(12,36,60,84,120,180,240,360,480))
+        credithistory = st.radio("Credit History",['No','Yes'])
+        propertyarea = st.radio("Property Area",['Urban', 'Semiurban', 'Rural'])
+        submitted = st.form_submit_button('Predict')
+
+    if credithistory == 'No':
+        credithistory = 0
+    else:
+        credithistory = 1
+
+    data_inf = {'Loan_ID':loanid,
+                'Gender':gender,
+                'Married':married,
+                'Dependents': dependents,
+                'Education':education,
+                'Self_Employed':self_employed,
+                'ApplicantIncome':applicantincome,
+                'CoapplicantIncome':coapplicantincome,
+                'LoanAmount':loanamount,
+                'Loan_Amount_Term':loanamountterm,
+                'Credit_History':credithistory,
+                'Property_Area':propertyarea
+                }
+
+    df = pd.DataFrame([data_inf])
+    st.dataframe(df)
+
+    y_pred_inf = model_knn.predict(df)
+
+    if y_pred_inf == 0:
+        y_pred_inf = 'No'
+    else:
+        y_pred_inf = 'Yes'
+
+    st.write('## Hasil Prediksi Klasifikasi Loan Status : ',str(y_pred_inf))
+
+if __name__ == '__main__':
+    run()
+
+

requirements.txt

@@ -0,0 +1,7 @@
+streamlit == 1.31.1
+pandas == 2.2.1
+numpy == 1.26.4
+seaborn == 0.13.2
+matplotlib == 3.8.3
+scikit-learn == 1.4.1.post1
+plotly == 5.19.0