Postingan

30 JENIS ALGORITMA SUPERVISED LEARNING (PREDIKSI)

Penjelasan Tentang Pembelajaran Supervised Learning Pembelajaran Supervised Learning adalah salah satu jenis metode pembelajaran mesin (machine learning) yang paling umum digunakan. Dalam pembelajaran terawasi, model dilatih menggunakan dataset yang sudah memiliki label atau jawaban yang benar. Tujuannya adalah untuk mengajarkan model agar dapat memprediksi output atau label yang benar untuk input baru yang belum pernah dilihat sebelumnya. Komponen Utama dalam Supervised Learning: Data Pelatihan (Training Data) : Input (Fitur atau Variabel Independem) : Merupakan atribut atau karakteristik yang digunakan untuk membuat prediksi. Biasanya dilambangkan dengan X X X . Output (Label atau Variabel Dependen) : Merupakan hasil atau kategori yang ingin diprediksi oleh model. Biasanya dilambangkan dengan Y Y Y . Model Pembelajaran Mesin : Model adalah algoritma yang digunakan untuk mempelajari hubungan antara input dan output dari data pelatihan. Model ini kemudian digunakan untuk memprediksi ou
Posting Komentar
Baca selengkapnya

APA SAJA TAHAPAN DALAM PRE-PROCESSING

Gambar
 Penjelasan Tahapan Preprocessing Data      Tahapan preprocessing data merupakan langkah-langkah penting dalam proses analisis data. Tujuan utama preprocessing data adalah untuk membersihkan, mengolah, dan memformat data agar siap untuk dianalisis. Berikut adalah penjelasan dari setiap tahapan preprocessing data: 1. Data Collection Tahap pertama dalam preprocessing data adalah pengumpulan data . Data dapat diperoleh dari berbagai sumber, seperti: Database internal: Data yang disimpan dalam database internal perusahaan, seperti data pelanggan, data penjualan, dan data transaksi. Data eksternal: Data yang diperoleh dari sumber eksternal, seperti data publik, data web scraping, dan data media sosial. Sumber data lainnya: Data yang diperoleh dari sumber lain, seperti survei, kuesioner, dan eksperimen. 2. Data Cleaning Tahap selanjutnya adalah pembersihan data . Tujuan pembersihan data adalah untuk: Menghapus data yang hilang atau tidak lengkap: Data yang hilang atau tidak lengkap dapat
Posting Komentar
Baca selengkapnya

APA ITU DATA PREPARATION DAN DATA VISUALIZATION DALAM DATA MINING

Gambar
Penjalasan Tentang Data Preparation dan Data Visualization      Data preparation dan data visualization adalah dua proses penting dalam ilmu data. Keduanya bekerja sama untuk membantu Anda memahami dan mengomunikasikan data Anda dengan lebih baik.  Data Preparation adalah proses membersihkan dan mengatur data Anda sehingga siap untuk dianalisis. Ini termasuk tugas-tugas seperti: Memeriksa data Anda untuk missing values dan outliers. Missing values adalah data yang hilang, dan outliers adalah data yang jauh dari nilai normal. Kedua hal ini dapat memengaruhi hasil analisis Anda, jadi penting untuk mengidentifikasinya dan menanganinya. Membersihkan data Anda. Ini termasuk memperbaiki kesalahan ketik, memformat data Anda dengan benar, dan mengubah data Anda menjadi format yang konsisten. Menormalisasi data Anda. Ini berarti menskalakan data Anda ke kisaran yang sama sehingga dapat dibandingkan dengan mudah. Sedangkan  Data Visualization adalah proses mengubah data Anda menjadi format
Posting Komentar
Baca selengkapnya

Studi Kasus Data Mining Dalam Menentukan Tingkat Kelulusan Mahasiswa

Gambar
Studi Kasus:  Anda diberikan data transkrip nilai dan data lulusan dari universitas melalui API. Data transkrip nilai mencakup detail nilai yang diperoleh mahasiswa untuk mata kuliah yang diambil. Data lulusan memberikan informasi demografis dan akademik mahasiswa, termasuk tanggal masuk dan lulus, serta predikat kelulusan. (API Dokumentasi :  https://documenter.getpostman.com/view/6355959/2sA35HY1XM  atau dapat di lihat pada bagian FInal Project Information ). 1. Integrasi dan Pembersihan Data. Cari IPS setiap semester permahasiswa. ini bisa memudahkan untuk normalisasi data Gabungkan IPS permahasiswa dengan dataset yang lainya ("ms_lulusan") berdasarkan NIM. Tambahkan hasil dari durasi studi masing-masing mahasiswa Lakukan pembersihan data, termasuk mengidentifikasi dan mengatasi nilai yang hilang atau tidak konsisten dalam data. Hilangkan mahasiswa pindahan. Standardisasi format tanggal dan jenis kelamin untuk analisis lebih lanjut. 2. Analisis Cari pola atau tren yang pal
Posting Komentar
Baca selengkapnya