
> ⚠️ **NOTE**: Pastikan sudah menyelesaikan materi [**Python Dasar**](https://www.developerpemula.com/blogs/tutorial-set/Python). terlebih dahulu sebelum mempelajari materi ini.


## 1. Pengenalan Machine Learning
### 1.1 Apa itu Machine Learning?

**Machine Learning (ML)** adalah cabang dari kecerdasan buatan (Artificial Intelligence/AI) yang berfokus pada pengembangan algoritma dan model yang memungkinkan komputer untuk belajar dari dan membuat keputusan berdasarkan data tanpa diprogram secara eksplisit.

Bayangkan kamu memiliki komputer yang bisa belajar dari pengalaman dan membuat keputusan seperti manusia! 🤖
Begitulah cara kerja Machine Learning. Ia dapat mengenali pola dari data dan membuat prediksi atau keputusan berdasarkan pola tersebut.

![Gambar ML](https://res.cloudinary.com/developerpemula/image/upload/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_1_miit0w.png)

Dalam konteks sederhana, Machine Learning memungkinkan komputer untuk mengenali pola dari data dan membuat prediksi atau keputusan berdasarkan pola tersebut.

![Esensi Machine Learning](https://res.cloudinary.com/developerpemula/image/upload/v1739328965/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_2_rn382m.png)

ML digunakan di berbagai aplikasi, mulai dari rekomendasi produk di e-commerce 🛒, deteksi penipuan di industri keuangan 💳, hingga asisten virtual seperti Google Assistant dan Siri.

![Memahami ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328963/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_crzogw.png)

## 2. Sejarah dan Perkembangan Machine Learning

**Era Awal (1950-an - 1970-an)** ⏳

`1950`: Alan Turing memperkenalkan konsep "Turing Test" untuk mengukur kecerdasan mesin.

`1957`: Perceptron, algoritma dasar untuk jaringan saraf tiruan, diperkenalkan oleh Frank Rosenblatt.

![Sejarah ML Awal](https://res.cloudinary.com/developerpemula/image/upload/v1739328962/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_3_ub4uup.png)

**Era Pertengahan (1980-an - 1990-an)** 🔄

`1986`: Pengembangan algoritma Backpropagation oleh Rumelhart, Hinton, dan Williams yang meningkatkan kemampuan jaringan saraf tiruan.

`1990-an`: Peningkatan dalam algoritma Support Vector Machines (SVM) dan penemuan Random Forest.

![Sejarah Pertengahan ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328962/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_4_vctkyc.png)

**Era Modern (2000-an - Sekarang)** 🚀

`2006`: Geoffrey Hinton dan rekannya mempopulerkan kembali Deep Learning, dengan fokus pada jaringan saraf dalam (Deep Neural Networks).

`Sekarang`: Machine Learning digunakan secara luas di berbagai industri seperti kesehatan, keuangan, dan teknologi dengan kemajuan dalam komputasi awan dan big data.

![Sejarah Modern ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328961/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_5_ojszns.png)

## 3. Kegunaan dan Aplikasi Machine Learning di Dunia Nyata

**Rekomendasi Produk dan Layanan** 🎁

`Contoh`: Netflix menggunakan Machine Learning untuk merekomendasikan film dan serial berdasarkan preferensi pengguna.

`Teknik`: Collaborative Filtering, content-Based Filtering, dll.

![Evolusi ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328961/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_6_nchruh.png)

**Deteksi Penipuan** 🔍

`Contoh`: Bank menggunakan Machine Learning untuk mendeteksi aktivitas penipuan dengan mempelajari pola transaksi.

`Teknik`: Anomaly Detection, dll.

![Deteksi ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328970/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_7_symzze.png)

**Pengolahan Bahasa Alami (Natural Language Processing)** 🗣️

`Contoh`: Chatbot dan asisten virtual seperti Google Assistant dan Amazon Alexa.

`Teknik`: Sentiment Analysis, Language Modeling, dll.

![NLP ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328969/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_8_wddqig.png)

**Penglihatan Komputer (Computer Vision)** 👁️

`Contoh`: Teknologi pengenalan wajah untuk keamanan dan autentikasi.

`Teknik`: Convolutional Neural Networks (CNN), dll.

![CNN](https://res.cloudinary.com/developerpemula/image/upload/v1739328969/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_9_rp0ysd.png)

**Prediksi Kesehatan** 🏥

`Contoh`: Prediksi penyakit berdasarkan data medis pasien.

`Teknik`: Decision Trees, Random Forests, dll.

![Prediksi ML](https://res.cloudinary.com/developerpemula/image/upload/v1739328966/developerpemula/assets/Pengenalan_Machine_Learning_-_visual_selection_10_neqlii.png)

🎓 **Kesimpulan**
Dengan pemahaman awal ini, kamu sekarang lebih mengenal:

- Konsep dasar Machine Learning 🤖
- Sejarah dan perkembangan Machine Learning 📜
- Aplikasi dan kegunaan Machine Learning di dunia nyata 🌍

Machine Learning tidak hanya teori, tapi sudah merambah ke berbagai aspek kehidupan kita sehari-hari!
Jangan lupa untuk terus belajar dan ikuti perkembangan terbaru dalam dunia Machine Learning. Teknologi terus berkembang, dan dengan semangat belajar kamu akan siap menghadapi perubahan! 🚀

Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.



Materi ini memperkenalkan konsep dasar Machine Learning, termasuk definisi, sejarah, dan perkembangannya dari waktu ke waktu. Kalian akan memahami peran dan dampak Machine Learning dalam kehidupan sehari-hari melalui berbagai aplikasi praktis di industri seperti e-commerce, kesehatan, keuangan, dan transportasi.

Belajar Machine Learning untuk Pemula: Pengenalan Machine Learning


## 1. Klasifikasi Machine Learning

Machine Learning (ML) adalah bidang dalam kecerdasan buatan yang memungkinkan sistem untuk **belajar dan membuat keputusan** berdasarkan data tanpa diprogram secara eksplisit. 😎
Berdasarkan cara model belajar dari data, Machine Learning dapat diklasifikasikan ke dalam **tiga kategori utama**: 
1. Supervised Learning🎯
2. Unsupervised Learning 🔍 
3. Reinforcement Learning 🕹️

Dengan memahami klasifikasi ini, kamu bisa mengetahui kapan dan bagaimana menggunakan masing-masing jenis ML. Yuk, kita kupas satu per satu!

![Klasifikasi-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739336982/developerpemula/assets/Klasifikasi_Machine_Learning_-_visual_selection_hon85u.png)


## 2. Supervised Learning

Supervised Learning adalah jenis Machine Learning di mana **model dilatih menggunakan data yang telah diberi label.** Artinya, setiap contoh data dalam set pelatihan memiliki input dan output yang diketahui. Tujuan dari Supervised Learning adalah untuk mempelajari hubungan atau pemetaan antara input dan output agar dapat membuat prediksi pada data baru yang belum pernah dilihat sebelumnya.

![Supervised-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739336981/developerpemula/assets/Klasifikasi_Machine_Learning_-_visual_selection_1_eq3x0g.png)

📊 **Contoh Algoritma Supervised Learning**:

`Linear Regression` 📈: Digunakan untuk memprediksi nilai kontinu. Linear Regression mencari hubungan linear antara variabel input (independen) dan output (dependen).

`Logistic Regression` 🔑: Digunakan untuk klasifikasi biner. Logistic Regression menghitung probabilitas kelas dan digunakan untuk masalah klasifikasi seperti menentukan apakah email adalah spam atau bukan.

`Support Vector Machines (SVM)` 🔍: Algoritma ini digunakan untuk klasifikasi dan regresi. SVM bekerja dengan menemukan hyperplane optimal yang memisahkan data dari kelas yang berbeda dengan margin terbesar.

`Neural Networks` 🧠: Neural Networks atau Jaringan Saraf digunakan dalam berbagai aplikasi seperti pengenalan gambar, suara, dan teks. Jaringan saraf tiruan terdiri dari lapisan-lapisan neuron yang terhubung dan dapat belajar dari data kompleks.

> **Tips 🚀:** Gunakan *Supervised Learning* saat kamu memiliki **data historis yang lengkap dengan label** dan ingin membuat prediksi atau klasifikasi.


## 3. Unsupervised Learning

*Unsupervised Learning adalah jenis Machine Learning di mana model dilatih menggunakan **data yang tidak diberi label**. Model tidak memiliki output yang diketahui untuk belajar, sehingga tugasnya adalah menemukan pola atau struktur dalam data. Unsupervised Learning sering digunakan untuk pengelompokan data dan reduksi dimensi.

![unsupervised-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739336982/developerpemula/assets/Klasifikasi_Machine_Learning_-_visual_selection_2_randmv.png)

🧩 **Contoh Algoritma Unsupervised Learning**:

`K-Means Clustering` 🎨: Digunakan untuk mengelompokkan data ke dalam sejumlah cluster berdasarkan **kesamaan fitur**. Algoritma ini mengelompokkan data sedemikian rupa sehingga data dalam cluster yang sama lebih mirip satu sama lain dibandingkan dengan data dalam cluster lain.

`Hierarchical Clustering` 🌳: Mengelompokkan data ke dalam **hierarki cluster yang bersarang**. Pendekatan ini membentuk struktur pohon di mana setiap node adalah cluster yang terdiri dari sub-cluster.

`Principal Component Analysis (PCA)` 🔎: Digunakan untuk **reduksi dimensi data**. PCA membantu dalam memvisualisasikan dan menganalisis data dengan mengurangi jumlah variabel sambil mempertahankan variabilitas data sebanyak mungkin.

`Autoencoders` 🤖: Jaringan saraf yang dirancang untuk reduksi dimensi dan **deteksi anomali**. Autoencoders belajar untuk merepresentasikan data input dalam bentuk yang lebih sederhana sambil mempertahankan informasi penting.

> **Fun Fact 💡:** Unsupervised Learning sering digunakan dalam segmentasi pelanggan dan analisis pasar!**


## 4. Reinforcement Learning

Reinforcement Learning adalah jenis Machine Learning di mana **agen** belajar untuk membuat keputusan melalui **interaksi dengan lingkungan**. Agen menerima umpan balik dalam bentuk reward atau punishment berdasarkan aksi yang diambil, dan tujuan agen adalah untuk memaksimalkan reward total yang diperoleh selama waktu tertentu.

![Reinforcement-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739336981/developerpemula/assets/Klasifikasi_Machine_Learning_-_visual_selection_3_xmvqby.png)

🎮 **Contoh Algoritma Reinforcement Learning**:

`Q-Learning` 🎲: Algoritma berbasis tabel yang digunakan untuk menentukan kebijakan optimal bagi agen. Q-Learning memperbarui nilai-nilai aksi berdasarkan reward yang diterima dari lingkungan.

`Deep Q-Networks (DQN)` 🕹️: Menggunakan jaringan saraf untuk mengaproksimasi fungsi nilai aksi dalam lingkungan yang kompleks. DQN memungkinkan agen untuk belajar dalam situasi dengan ruang aksi yang besar.

`Policy Gradient Methods` 📈: Algoritma ini mengoptimalkan kebijakan secara langsung dengan menggunakan metode gradient ascent. Pendekatan ini berfokus pada mencari kebijakan optimal yang memaksimalkan reward jangka panjang.

`Actor-Critic Methods` 🎭: Kombinasi dari pendekatan berbasis nilai dan kebijakan untuk memperbaiki efisiensi pembelajaran. Actor-Critic menggabungkan dua komponen utama: actor yang memilih aksi dan critic yang mengevaluasi aksi tersebut.

> **Seru kan? 🎢 RL sering digunakan dalam game AI dan robotika otonom!**

Dengan memahami klasifikasi dan contoh algoritma di atas, diharapkan kalian dapat membedakan jenis-jenis Machine Learning serta memahami aplikasi dan kelebihan dari setiap kategori. 🚀

Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.



Materi ini akan mempelajari tiga kategori utama dalam Machine Learning yaitu Supervised Learning, Unsupervised Learning, dan Reinforcement Learning. Setiap kategori akan dijelaskan dengan contoh nyata dan algoritma yang sering digunakan, sehingga siswa dapat membedakan kapan dan bagaimana masing-masing digunakan.

Belajar Machine Learning untuk Pemula: Klasifikasi Machine Learning


Machine Learning (ML) terdiri dari beberapa komponen utama yang bekerja bersama untuk membangun model prediktif yang efektif. Berikut adalah komponen-komponen utama dalam ML dengan penjelasan lebih rinci:

## 1. Data

Data merupakan bahan dasar dalam Machine Learning. Kualitas data sangat menentukan hasil dari model yang dibuat. Data dapat dikategorikan sebagai berikut:

📊 `Data Terstruktur`: Data yang memiliki format tetap, seperti tabel database **(SQL, CSV, Excel)**.

📝 `Data Tidak Terstruktur`: Data yang tidak memiliki format tetap, seperti **teks**, **gambar**, **video**, dan **audio**.

🔗 `Data Semi-Terstruktur`: Data yang memiliki elemen-elemen struktur tertentu tetapi tidak sekaku data terstruktur, seperti **JSON** dan **XML**.

![kategori-data-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370387/Komponen_Machine_Learning_-_visual_selection_ou5pa9.png)

**Atribut dan Label**

![atribut-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370388/Komponen_Machine_Learning_-_visual_selection_2_uusz5x.png)

(Source : https://flinsetyadi.com/memahami-konsep-data-mining-beserta-prosesnya/)

🔎 `Atribut (Features)`: Variabel atau kolom yang digunakan dalam model Machine Learning.

🎯 `Label (Target Variable)`: Variabel hasil yang ingin diprediksi (khusus untuk supervised learning).

📚 `Dataset Training`: Kumpulan data yang digunakan untuk melatih model.

🧪 `Dataset Validasi`: Kumpulan data yang digunakan untuk menyetel parameter model.

🧾 `Dataset Testing`: Kumpulan data yang digunakan untuk mengevaluasi performa model setelah training.


## 2. Fitur

Fitur adalah representasi dari data yang digunakan untuk pelatihan model ML. Jenis-jenis fitur meliputi:

🔢 `Fitur Numerik`: Variabel dengan nilai angka, misalnya tinggi badan, berat badan, harga produk.

🔠 `Fitur Kategorikal`: Variabel yang berupa kategori, misalnya jenis kelamin (Laki-laki/Perempuan), warna (Merah/Biru).

🔢 `Fitur Ordinal`: Variabel kategorikal yang memiliki urutan, seperti tingkat pendidikan (SD, SMP, SMA).

📜 `Fitur Tekstual`: Data berbasis teks yang perlu diproses menggunakan NLP (Natural Language Processing).

🖼️ `Fitur Gambar`: Data visual yang diubah menjadi piksel atau fitur menggunakan metode CNN (Convolutional Neural Networks).

![fitur-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370388/Komponen_Machine_Learning_-_visual_selection_1_nlpzy7.png)

Fitur juga bisa mengalami rekayasa fitur (Feature Engineering), seperti:

`Normalisasi`: Mengubah skala nilai agar memiliki distribusi yang seragam.

`Ekstraksi Fitur`: Mengambil informasi penting dari fitur, seperti PCA (Principal Component Analysis).

`Encoding Kategorikal`: Mengubah fitur kategorikal menjadi numerik menggunakan metode seperti One-Hot Encoding atau Label Encoding.

![proses-fitur-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370388/Komponen_Machine_Learning_-_visual_selection_3_hqfobf.png)

## 3. Algoritma

Algoritma dalam Machine Learning menentukan cara model belajar dari data. Jenis-jenis algoritma ML meliputi:

- 🧠 **Algoritma Supervised Learning**: Seperti *Linear Regression*, *Decision Tree*, dan *Neural Networks*.
- 🔍 **Algoritma Unsupervised Learning**: Seperti *K-Means Clustering* dan *PCA*.
- 🎮 **Algoritma Reinforcement Learning**: Seperti *Q-Learning* dan *Deep Q-Networks (DQN)*.

> **Tips 🚀:** Gunakan *Supervised Learning* saat kamu memiliki **data historis yang lengkap dengan label** dan ingin membuat prediksi atau klasifikasi.

![Algoritma-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370387/Komponen_Machine_Learning_-_visual_selection_4_m52zfi.png)

## 4. Model

Model adalah hasil dari proses training pada data menggunakan algoritma tertentu. Komponen utama dalam model meliputi:

🔧 `Parameter`: Nilai yang dipelajari oleh model selama training.

⚙️ `Hyperparameter`: Nilai yang ditentukan sebelum training dan mengontrol cara model belajar (misalnya learning rate, jumlah hidden layers dalam Neural Networks).

🔁 `Fungsi Aktivasi`: Digunakan dalam jaringan saraf untuk menentukan output dari setiap neuron (contoh: ReLU, Sigmoid, Softmax).

![Model-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370387/Komponen_Machine_Learning_-_visual_selection_5_bbrug1.png)

## 5. Training

Training adalah proses di mana model belajar dari data menggunakan algoritma yang dipilih. Langkah-langkah utama dalam training meliputi:

`Memasukkan data ke dalam algoritma.`

`Menghitung kesalahan (loss function).`

`Mengupdate parameter model berdasarkan kesalahan (misalnya menggunakan Gradient Descent).`

`Mengulangi proses hingga model mencapai performa yang diinginkan.`

**Teknik yang digunakan dalam training model**:

🔄 `Batch Gradient Descent`: Menggunakan seluruh dataset dalam satu iterasi.

🔂 `Stochastic Gradient Descent (SGD)`: Menggunakan satu data per iterasi untuk mempercepat training.

🔄 `Mini-Batch Gradient Descent`: Kombinasi antara batch dan stochastic, menggunakan subset kecil data.

## 6. Evaluasi Model
Evaluasi digunakan untuk menilai performa model setelah training. Beberapa metrik evaluasi yang digunakan:

### 6.1 Untuk Model Klasifikasi

`Akurasi`: Persentase prediksi benar dibandingkan keseluruhan data.

`Precision, Recall, F1-score`: Digunakan dalam masalah dengan kelas tidak seimbang.

`AUC-ROC Curve`: Mengukur performa model berdasarkan perbedaan antara prediksi positif dan negatif.

![model-klasifikasi-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370388/Komponen_Machine_Learning_-_visual_selection_6_tyb8fl.png)

### 6.2 Untuk Model Regresi

`Mean Absolute Error (MAE)`: Rata-rata kesalahan absolut antara prediksi dan nilai asli.

`Mean Squared Error (MSE)`: Rata-rata kuadrat kesalahan, lebih sensitif terhadap outlier.

`R-squared (R²)`: Mengukur seberapa baik model menjelaskan variabilitas data.

![Regresi-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739370387/Komponen_Machine_Learning_-_visual_selection_7_gplzaj.png)

## 7. Deployment

Setelah model diuji dan terbukti efektif, langkah berikutnya adalah mendepoy model agar bisa digunakan dalam sistem nyata. Deployment bisa dilakukan dalam bentuk:

🌐 `API (Application Programming Interface)`: Model diintegrasikan dengan aplikasi melalui REST API atau GraphQL.

📱 `Aplikasi Web/Mobile`: Model dijalankan di backend aplikasi web atau mobile.

🔗 `Edge Computing`: Model diterapkan di perangkat seperti IoT dan mobile tanpa perlu koneksi ke server utama.

Memahami komponen-komponen machine learning adalah langkah awal yang penting dalam mengembangkan solusi berbasis data. Dengan pengetahuan ini, kita dapat merancang sistem yang lebih cerdas dan responsif terhadap kebutuhan pengguna.

Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.



Materi ini akan mempelajari komponen-komponen utama dalam Machine Learning yang terdiri dari Data (Dataset), Model Machine Learning, Algoritma, Evaluasi Model, Hyperparameter Tuning, dan Deployment. Setiap komponen akan dijelaskan secara rinci dengan contoh penerapannya dalam pengembangan model Machine Learning. Siswa akan memahami peran masing-masing komponen serta bagaimana mengintegrasikannya dalam alur kerja Machine Learning untuk membangun model yang akurat dan efektif.

Belajar Machine Learning untuk Pemula: Komponen Machine Learning


## Apa Itu Preprocessing Data?

_Preprocessing data_ atau **persiapan data** adalah tahap krusial dalam Machine Learning yang melibatkan pengumpulan, pembersihan, pemformatan, serta pemahaman fitur dan target sebelum data digunakan dalam model. Dengan data yang terstruktur dan bersih, model Machine Learning akan lebih akurat dan handal.

## 1. Pengumpulan Data

Data dapat dikumpulkan dari berbagai sumber, di antaranya:

📊 **Database**: SQL, NoSQL

🌐 **API**: REST, GraphQL

📁 **File Dataset**: CSV, Excel, JSON

🕸️ **Web Scraping**: Scrapy, BeautifulSoup

📚 **Platform Dataset**: Kaggle, Google Dataset Search

📡 **Sensor atau Log Data**: Data dari perangkat IoT atau aplikasi

Berikut tabel sumber data dan keterangan singkatnya:

<table>
  <thead>
    <tr>
      <th>Sumber Data</th>
      <th>Keterangan</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td><strong>Database</strong></td>
      <td>Menyimpan dan mengelola data secara terstruktur dengan SQL atau NoSQL.</td>
    </tr>
    <tr>
      <td><strong>API</strong></td>
      <td>REST dan GraphQL digunakan untuk mengakses data dari layanan pihak ketiga.</td>
    </tr>
    <tr>
      <td><strong>File Dataset</strong></td>
      <td>Data dalam format CSV, Excel, atau JSON untuk analisis lebih lanjut.</td>
    </tr>
    <tr>
      <td><strong>Web Scraping</strong></td>
      <td>Scrapy dan BeautifulSoup digunakan untuk mengekstrak data dari web.</td>
    </tr>
    <tr>
      <td><strong>Platform Dataset</strong></td>
      <td>Kaggle dan Google Dataset Search menyediakan kumpulan data publik.</td>
    </tr>
    <tr>
      <td><strong>Sensor atau Log Data</strong></td>
      <td>Data yang dihasilkan otomatis dari perangkat sensor atau aplikasi.</td>
    </tr>
  </tbody>
</table>

## 2. Membersihkan dan Memformat Data

Data mentah sering kali mengandung nilai yang hilang, duplikasi, atau anomali. Oleh karena itu, diperlukan beberapa langkah berikut:

❌ **Menghapus data yang tidak relevan**: Data yang tidak terkait dengan analisis.

🔄 **Menangani nilai yang hilang**: Menggunakan _imputasi_ (Mean/Median/Modus) atau penghapusan.

🧽 **Menghilangkan duplikasi**: Agar analisis tidak bias.

🔢 **Mengubah format data**: Misalnya mengonversi teks ke angka.

📏 **Normalisasi atau Standarisasi Data**: Untuk menyelaraskan skala data.

![membersihkan-data-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739432602/Persiapan_Data_-_visual_selection_ynwene.png)

## 3. Memahami Fitur dan Target

Setelah data bersih, langkah selanjutnya adalah memahami **Fitur (Feature)** dan **Target (Label)** dalam model Machine Learning.

**Fitur (Feature)**: Variabel independen yang digunakan untuk membuat prediksi.
**Target (Label/Output)**: Variabel dependen yang ingin diprediksi.

### Jenis Data:
**Numerik**: Bilangan diskrit atau kontinu (contoh: umur, pendapatan)
**Kategorikal**: Data kategori (contoh: jenis kelamin, warna)
**Ordinal**: Kategori dengan urutan (contoh: pendidikan: SD, SMP, SMA)

![fitur-target-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739432602/Persiapan_Data_-_visual_selection_2_qntkco.png)

<table>
  <thead>
    <tr>
      <th>Jenis Variabel</th>
      <th>Contoh</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td><strong>Fitur Numerik</strong></td>
      <td>Umur, Gaji, Berat Badan</td>
    </tr>
    <tr>
      <td><strong>Fitur Kategorikal</strong></td>
      <td>Jenis Kelamin (Laki-laki/Perempuan)</td>
    </tr>
    <tr>
      <td><strong>Fitur Ordinal</strong></td>
      <td>Tingkat Pendidikan (SD, SMP, SMA)</td>
    </tr>
    <tr>
      <td><strong>Target</strong></td>
      <td>Apakah pelanggan membeli produk (Ya/Tidak)</td>
    </tr>
  </tbody>
</table>


## Kesimpulan

Preprocessing data adalah **tahap krusial** dalam pengembangan model Machine Learning yang efektif. Dengan membersihkan dan memformat data dengan baik, kamu bisa memaksimalkan akurasi dan keandalan model. 

🔥 **Jangan lupa!** Data yang berkualitas akan menghasilkan model yang berkualitas pula!


Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.




Pada bagian ini, kamu akan belajar cara mengumpulkan, membersihkan, dan memformat data sebelum digunakan dalam model Machine Learning. Pahami pentingnya data yang berkualitas dalam membangun model yang akurat dan handal.

Belajar Machine Learning untuk Pemula: Preprocessing Data


Dalam Machine Learning, statistik dasar sangat penting untuk memahami data sebelum melatih model. Dengan memahami **mean**, **median**, **mode**, **variance**, **standard deviation**, **korelasi**, dan **covariance**, kita bisa mengeksplorasi data secara menyeluruh dan membuat model yang lebih akurat.

## 1. Mean atau Rata-rata
Mean adalah jumlah seluruh data dibagi dengan banyaknya data.

**Mengapa Penting?**
Mean membantu kita memahami tendensi sentral dari data. Dalam Machine Learning, mean sering digunakan untuk feature scaling agar data lebih mudah diolah model.

📘 Rumus:

```python
Mean = ∑X / N
```
`X = Nilai data`

`N = Jumlah data`

**🔍 Contoh:**
Nilai ulangan siswa: 80, 85, 90, 75, 95

```python
Mean = (80 + 85 + 90 + 75 + 95) / 5 = 85
```

**💻 Contoh Kode (Python):**
```python
data = [80, 85, 90, 75, 95]
mean = sum(data) / len(data)
print("Mean:", mean)  # Output: Mean: 85
```

🔗 **Relevansi dalam Machine Learning**

`Feature Scaling`: Mean digunakan dalam normalisasi atau standardisasi data.

`Data Cleaning`: Data yang jauh dari mean bisa dianggap outlier.

## 2. Median

Median adalah nilai tengah dari data yang sudah diurutkan.

**Mengapa Penting?**
Median lebih robust terhadap outlier dibandingkan mean, sehingga lebih akurat untuk data yang tidak simetris.

📘 **Cara Menghitung**:

`Jika jumlah data ganjil`: Ambil nilai tengah.

`Jika jumlah data genap`: Ambil rata-rata dua nilai tengah.

🔍 **Contoh:**
Data (sudah diurutkan): 75, 80, 85, 90, 95

Jumlah data ganjil
```python
Median = 85

#nilai tengah
```

Data: 75, 80, 85, 90

Jumlah data genap:

```python
Median = (80 + 85) / 2 = 82.5

```

**💻 Contoh Kode (Python):**
```python
data = [80, 85, 90, 75, 95]
data.sort()
mid = len(data) // 2
median = data[mid] if len(data) % 2 != 0 else (data[mid - 1] + data[mid]) / 2
print("Median:", median)  # Output: Median: 85
```

## 3. Mode atau Modus

Mode adalah nilai yang paling sering muncul dalam data.

**Mengapa Penting?**
Mode membantu mengidentifikasi frekuensi atau pola kemunculan data yang dominan.

📘 **Contoh:**
Data: 1, 2, 2, 3, 4, 4, 4, 5

```python
Mode = 4
```

💻 **Contoh Kode (Python):**
```python
from collections import Counter

data = [1, 2, 2, 3, 4, 4, 4, 5]
mode = Counter(data).most_common(1)[0][0]
print("Mode:", mode)  # Output: Mode: 4
```

## 4. Variance

Variance mengukur penyebaran data dari mean. Semakin besar variansi, semakin tersebar data dari rata-rata.

📘 **Rumus:**
```python
Variance = ∑(X - Mean)² / N
```

📘 **Contoh:**
Data: 80, 85, 90, 75, 95

Mean = 85

```python
Variance = ((80-85)² + (85-85)² + (90-85)² + (75-85)² + (95-85)²) / 5
```

💻 **Contoh Kode (Python):**
```python
import numpy as np

data = [80, 85, 90, 75, 95]
variance = np.var(data)
print("Variance:", variance)
```

## 5. Standard Deviation

Standard Deviation adalah akar kuadrat dari variance. Ini menunjukkan penyebaran data dalam satuan yang sama dengan data asli.

📘 **Rumus:**
```python
Standard Deviation = √Variance
```

💻 **Contoh Kode (Python):**
```python
std_dev = np.std(data)
print("Standard Deviation:", std_dev)
```

## 6. Korelasi

Korelasi mengukur hubungan linear antara dua variabel.

Nilai Korelasi (r):

`r > 0`: Hubungan positif (searah)

`r < 0`: Hubungan negatif (berlawanan arah)

`r = 0`: Tidak ada hubungan linear

💻 **Contoh Kode (Python):**
```python
import numpy as np

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
correlation = np.corrcoef(x, y)[0, 1]
print("Correlation:", correlation)  # Output: Correlation: 1.0
```

## 7. Covariance

Covariance mengukur seberapa banyak dua variabel berubah bersama.

`Cov > 0`: Kedua variabel cenderung bergerak searah.

`Cov < 0`: Kedua variabel cenderung bergerak berlawanan arah.

💻 **Contoh Kode (Python):**
```python
icovariance = np.cov(x, y)[0, 1]
print("Covariance:", covariance)
```

Dengan memahami statistik dasar ini, kamu bisa:

**Mengeksplorasi data dengan lebih baik.**

**Mendeteksi outlier dan membersihkan data.**

Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.




Materi ini akan mempelajari konsep statistik dasar seperti mean, median, mode, variance, standard deviation, korelasi, dan covariance. Pemahaman statistik ini sangat penting untuk menganalisis dan memahami pola dalam data.

Belajar Machine Learning untuk Pemula: Statistik Dasar


## 1. Apa itu Google Colab

Google Colaboratory (Google Colab) adalah layanan berbasis cloud yang memungkinkan pengguna menulis dan menjalankan kode Python langsung di browser tanpa perlu menginstal perangkat lunak tambahan. Colab sangat populer di kalangan peneliti dan praktisi machine learning karena menyediakan akses ke GPU dan TPU secara gratis.

![Google-Colab-ML](https://res.cloudinary.com/developerpemula/image/upload/v1740581549/Pengenalan_Google_Colab_-_visual_selection_zzvtop.png)


Cara Akses dan Membuat Notebook

![Notebook-ML](https://res.cloudinary.com/developerpemula/image/upload/v1740581549/Pengenalan_Google_Colab_-_visual_selection_1_ibfq6k.png)


## 2. Fungsi Utama di Google Colab

🗂 Upload Dataset ke Google Colab

Kita bisa mengunggah file dataset dari komputer atau Google Drive.

🔹 Upload File dari Komputer:
```python
from google.colab import files
uploaded = files.upload()
```
📌 Cara: Akan muncul opsi untuk memilih file dari komputer dan mengunggahnya.

![upload-ML](https://res.cloudinary.com/developerpemula/image/upload/v1740581549/Pengenalan_Google_Colab_-_visual_selection_2_twge2k.png)

🔹 Menghubungkan Google Drive ke Colab:

```python
from google.colab import drive
drive.mount('/content/drive')
```
📌 Cara:
1. Jalankan kode di atas
2. Klik link yang muncul dan login ke akun Google
3. Salin authentication code dan tempel di Colab

![drive-ML](https://res.cloudinary.com/developerpemula/image/upload/v1740581549/Pengenalan_Google_Colab_-_visual_selection_3_qfavgg.png)

#### Install Library Tambahan

Google Colab sudah menyediakan banyak library seperti `NumPy`, `Pandas`, `Matplotlib`, `TensorFlow`, dll.

Tapi jika ingin menginstal library lain:

```python
!pip install nama_library
```

Contoh:
```python
!pip install seaborn
```

#### Mengatur Runtime (CPU, GPU, TPU)
1. Klik "Runtime" → "Ubah jenis runtime"
2. Pilih hardware accelerator:

`None` = Hanya CPU

`GPU` = Akselerasi dengan GPU

`TPU` = Google Tensor Processing Unit (untuk model besar)


#### Shortcut dan Trik Dasar

`Shift + Enter`: Menjalankan sel kode.

`Ctrl + M + B`: Menambahkan sel baru di bawah.

`Ctrl + M + D`: Menghapus sel.

`Ctrl + M + L`: Menampilkan nomor baris.

## 3. Keuntungan Google Colab

✅ Gratis untuk penggunaan dasar dengan akses GPU/TPU. 

✅ Tidak perlu instalasi karena berbasis cloud. 

✅ Terintegrasi dengan Google Drive untuk penyimpanan mudah. 

✅ Cocok untuk pemula karena lingkungan siap pakai. 

✅ Dukungan komunitas besar dan dokumentasi yang lengkap.

## 4. Kelemahan Google Colab

❌ Batasan waktu penggunaan GPU/TPU (sesi bisa terputus setelah beberapa jam). 

❌ Bergantung pada koneksi internet karena berbasis cloud. 

❌ Kurang optimal untuk proyek besar karena keterbatasan RAM dan penyimpanan. 

❌ Batasan instalasi library (tidak semua pustaka tersedia secara default).

#### Kesimpulan: Google Colab adalah pilihan terbaik untuk pemula dan proyek skala kecil hingga menengah dalam machine learning dan data science. Namun, untuk proyek besar atau penggunaan intensif, alternatif seperti Jupyter Notebook atau layanan cloud lainnya mungkin lebih sesuai.

🚀 Coba Google Colab sekarang dan mulai eksplorasi coding di cloud!



Materi ini akan membahas Google Colab sebagai platform berbasis cloud untuk menjalankan kode Python. Dalam materi ini, kita akan mempelajari cara mengakses Google Colab, membuat notebook, serta memahami fungsi utama seperti mengunggah dataset, menginstal library, dan menggunakan GPU/TPU untuk komputasi yang lebih cepat.

Belajar Machine Learning untuk Pemula: Pengenalan Google Colab


## 1. Apa itu Overfitting dan Underfitting

`Overfitting` terjadi ketika model terlalu kompleks dan terlalu menyesuaikan dengan **data latih (training data)**, sehingga performa pada **data uji (test data)** menjadi buruk. Model ini **terlalu pintar** untuk data latih, tetapi buruk dalam generalisasi.

`Underfitting` terjadi ketika model terlalu sederhana sehingga tidak dapat menangkap pola yang cukup dari **data latih** maupun **data uji**, sehingga akurasinya rendah pada data pelatihan dan data uji.

![overfitting-vs-underfitting](https://res.cloudinary.com/developerpemula/image/upload/v1739953647/Overfitting_dan_Underfitting_-_visual_selection_rhhscs.png)


## 2. Penyebab dan Dampaknya terhadap Model

#### 🚫 **Penyebab Overfitting:**

`Model terlalu kompleks` (contoh: terlalu banyak layer pada neural network).

`Terlalu banyak fitur yang tidak relevan.`

`Data latih (training data) terlalu sedikit.`

![penyebab-overfitting](https://res.cloudinary.com/developerpemula/image/upload/v1739953648/Overfitting_dan_Underfitting_-_visual_selection_1_pmmdbh.png)

#### ⚠️ **Dampak Overfitting:**

`Akurasi sangat tinggi pada data latih`, `namun rendah pada data uji.`

`Model tidak bisa melakukan generalisasi ke data baru.`


#### 🚫 **Penyebab Underfitting:**

`Model terlalu sederhana` (contoh: model linear untuk data non-linear).

`Terlalu sedikit fitur yang digunakan.`

`Training yang terlalu singkat` atau parameter yang kurang optimal.

![penyebab-underfitting](https://res.cloudinary.com/developerpemula/image/upload/v1739953647/Overfitting_dan_Underfitting_-_visual_selection_2_dix9gg.png)

#### ⚠️ Dampak Underfitting:

`Akurasi rendah baik pada data latih maupun data uji.`

`Model tidak cukup kuat untuk menangkap pola data yang kompleks.`

## 3. Teknik Mengatasi Overfitting dan Underfitting

#### 🔧 **Mengatasi Overfitting:**

#### 1. Regularisasi

`L1 dan L2 Regularization` untuk menambah penalti pada parameter model yang besar.

`Dropout` untuk menonaktifkan beberapa neuron secara acak pada neural network.

#### 2. Cross-Validation

`Menggunakan k-Fold Cross-Validation` untuk memastikan model dapat digeneralisasi dengan baik pada data baru.

#### 3. Early Stopping

`Menghentikan training ketika akurasi data uji tidak meningkat lagi untuk menghindari overfitting.`

![teknik-mengatasi-overfitting](https://res.cloudinary.com/developerpemula/image/upload/v1739953648/Overfitting_dan_Underfitting_-_visual_selection_3_xfyrzr.png)

#### 🔧 **Mengatasi Underfitting:**

#### 1. Menambah Kompleksitas Model

Menggunakan model yang lebih kompleks (contoh: dari Linear Regression ke Polynomial Regression).

#### 2. Feature Engineering

Menambah fitur yang relevan dan informatif untuk model.

#### 3. Meningkatkan Waktu Training

Memperpanjang waktu training untuk meningkatkan akurasi model.

![teknik-mengatasi-underfitting](https://res.cloudinary.com/developerpemula/image/upload/v1739953648/Overfitting_dan_Underfitting_-_visual_selection_4_iqbdni.png)


## 4. Praktik di Colab - Membuat Learning Curves dengan Scikit-Learn

Gunakan Google Colab untuk mempraktikkan pembuatan Learning Curves dan melihat perbedaan antara overfitting dan underfitting.

📌 Langkah-langkah:

**Persiapan Data dan Library**

```python
# Import library
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
```

**Membuat Dataset**

```python
#membuat dataset secara acak 
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
```

**Menampilkan Learning Curves**

```python
model = LogisticRegression()
plot_learning_curve(model, X, y)
```

Ketika dirunning di Colab, akan menampilkan kurva training dan cross-validation. Cara running di Colab adalah sebagai berikut:

- klik **Runtime > Jalankan Semua**
- atau klik shift + enter di keyboard atau tombol **Run Cell**

hasilnya akan seperti ini:

![learning-curves-ML](https://res.cloudinary.com/developerpemula/image/upload/v1739953647/Overfitting_dan_Underfitting_-_visual_selection_5_dk0n5u.png)

Dari grafik Learning Curves di atas, berikut analisis mengenai overfitting dan underfitting:

#### 📊 **Interpretasi Kurva:**

Kurva Training (Biru): Akurasi tinggi namun menurun seiring bertambahnya data training.

Kurva Cross-Validation (Oranye): Akurasi lebih rendah dibandingkan kurva training namun stabil saat jumlah data meningkat.

#### 🔍 **Analisis Gap Kurva:**

Terdapat gap yang cukup lebar antara kurva training dan cross-validation.

Kurva training menunjukkan akurasi tinggi, sedangkan kurva cross-validation lebih rendah dan tidak meningkat signifikan.

#### ⚠️ **Kesimpulan: Model Mengalami Overfitting!**

Kenapa Overfitting? Model terlalu fokus pada data training sehingga tidak dapat menggeneralisasi dengan baik pada data baru (cross-validation).

**Ciri-ciri:** Akurasi tinggi pada training tapi rendah pada cross-validation, dengan gap yang besar di antara keduanya.

#### 📢 Tips Penting:

✅ Selalu periksa learning curves untuk memastikan model tidak overfitting atau underfitting!

🔄 Eksperimen dengan berbagai teknik seperti Regularisasi, Cross-Validation, dan Early Stopping.

Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.



Materi ini akan mempelajari konsep overfitting dan underfitting dalam model Machine Learning. Pemahaman dasar tentang bagaimana model bisa belajar terlalu baik pada data pelatihan (overfitting) atau kurang belajar (underfitting).

Belajar Machine Learning untuk Pemula: Overfitting dan Underfitting


Regresi adalah teknik dalam Machine Learning yang digunakan untuk memprediksi nilai kontinu berdasarkan hubungan antara variabel independen (input) dan variabel dependen (output).

📊 Contoh:
- Memprediksi harga rumah berdasarkan luas, jumlah kamar, dan lokasi.
- Menentukan penjualan bulanan berdasarkan iklan dan promosi.

## 1. Regresi Linear Sederhana

Konsep:
Regresi Linear Sederhana digunakan untuk **menganalisis hubungan** antara **satu variabel independen (X)** dan **satu variabel dependen (Y).**

```python
Y = b0 + b1 * X
```

`Y` : Variabel dependen (target yang diprediksi)

`X` : Variabel independen (fitur input)

`b0`: Intercept (titik potong dengan sumbu Y)

`b1`: Slope (kemiringan) yang menunjukkan seberapa besar perubahan Y saat X berubah.


#### Cara Kerja:
Algoritma mencari **garis terbaik (best fit line)** yang meminimalkan error (selisih antara nilai prediksi dan nilai aktual). Metode yang sering digunakan adalah Least Squares Method.


**Contoh Penerapan:**
- Memprediksi berat badan berdasarkan tinggi badan.
- Menentukan harga saham berdasarkan jumlah penjualan.

## 2.  Multiple Linear Regression

Konsep:
Multiple Linear Regression digunakan saat terdapat lebih dari **satu variabel independen (X1, X2, ..., Xn)**.

Persamaan Multiple Linear Regression:
```python
Y = b0 + b1 * X1 + b2 * X2 + ... + bn * Xn 
```
`Y` : Variabel dependen (target yang diprediksi)

`X1, X2, ..., Xn` : Variabel independen (fitur input)

`b0`: Intercept (titik potong dengan sumbu Y)

`b1, b2, ..., bn`: Koefisien regresi yang menunjukkan pengaruh masing-masing variabel independen terhadap variabel dependen.

#### Cara Kerja:
Algoritma mencari **hiperplane terbaik** di ruang dimensi tinggi yang meminimalkan error.


**Contoh Penerapan:**
- Memprediksi harga rumah berdasarkan luas, jumlah kamar, dan lokasi.
- Memprediksi pendapatan bulanan berdasarkan usia, pendidikan, dan pengalaman kerja.

## 3. Evaluasi Model Regresi

📌  Mean Squared Error (MSE)

MSE mengukur rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi.

Formula MSE:

```python
MSE = (1/n) * Σ (Yi - Ŷi)^2
```
`Yi` : Nilai aktual

`Ŷi` : Nilai prediksi

`n` : Jumlah data

Interpretasi:

- Semakin kecil MSE, semakin baik model dalam meminimalkan error.
- Nilai MSE = 0 menunjukkan model sempurna.

```python
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error (MSE):", mse)
```

📌  R-squared (R²)

R-squared (R²) mengukur seberapa baik variabel independen menjelaskan variabel dependen.

Formula R-squared:

```python
R² = 1 - (Σ (Yi - Ŷi)^2 / Σ (Yi - Ymean)^2)
```
`Yi` : Nilai aktual

`Ŷi` : Nilai prediksi

`Ymean` : Rata-rata nilai aktual

Interpretasi:

- Nilai R² berkisar antara 0 hingga 1.

- R² = 1 menunjukkan model sempurna dalam menjelaskan variabilitas data.

- R² = 0 menunjukkan model tidak dapat menjelaskan variabilitas data sama sekali.

```python
from sklearn.metrics import r2_score
r2 = r2_score(y_test, y_pred)
print("R-squared (R²):", r2)
```

## 4. Praktik di Colab Implementasi Regresi Linear dengan Scikit-Learn
Berikut adalah contoh implementasi regresi linear di Python menggunakan Scikit-Learn dan visualisasi menggunakan Matplotlib.

#### Regresi Linear Sederhana

Pertama-tama Import Library dan Dataset
```python
# Import library
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.datasets import fetch_california_housing

# Load dataset California housing
data = fetch_california_housing()
X = data.data[:, np.newaxis, 5]  # Menggunakan fitur 'AveRooms' (jumlah rata-rata kamar per rumah tangga)
y = data.target

# Split dataset (80% training, 20% testing)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```

Lalu tambahkan code berikut:

```python
# Membuat model regresi linear
model = LinearRegression()
model.fit(X_train, y_train)

# Melakukan prediksi
y_pred = model.predict(X_test)

# Evaluasi Model
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("Mean Squared Error (MSE):", mse)
print("R-squared (R²):", r2)

# Visualisasi Hasil Prediksi
plt.scatter(X_test, y_test, color='blue', label='Data Aktual')
plt.plot(X_test, y_pred, color='red', linewidth=2, label='Garis Prediksi')
plt.title('Regresi Linear Sederhana')
plt.xlabel('Jumlah Kamar (RM)')
plt.ylabel('Harga Rumah')
plt.legend()
plt.show()
```
Output:

![hasil-ML](https://res.cloudinary.com/developerpemula/image/upload/v1740589672/sfsfs_vncrwf.png)

Berdasarkan grafik yang ditampilkan, model regresi linear sederhana ini tidak berhasil memprediksi harga rumah dengan baik hanya berdasarkan jumlah rata-rata kamar per rumah tangga. Hal ini terlihat dari **nilai R² yang sangat kecil (0.00058)**, yang berarti jumlah kamar hampir tidak berpengaruh terhadap harga rumah. Selain itu, Mean Squared Error (MSE) sebesar 1.31 menunjukkan bahwa ada perbedaan yang cukup besar antara nilai prediksi dan nilai sebenarnya.

Dari grafiknya, kita bisa melihat bahwa sebagian besar data terkumpul di sisi kiri, yang menunjukkan bahwa kebanyakan rumah memiliki jumlah kamar yang relatif sedikit. Garis merah, yang mewakili prediksi model, hampir mendatar, artinya perubahan jumlah kamar tidak berdampak signifikan pada harga rumah. Selain itu, ada beberapa titik data yang jauh dari kumpulan utama (outlier), seperti rumah dengan jumlah kamar sangat tinggi, yang bisa menyebabkan hasil model menjadi kurang akurat.

Kesimpulannya, menggunakan hanya jumlah kamar untuk memprediksi harga rumah bukanlah pendekatan yang baik. Untuk mendapatkan hasil yang lebih akurat, sebaiknya kita menambahkan faktor lain seperti lokasi, luas tanah, atau fasilitas yang tersedia. Model yang lebih kompleks, seperti **regresi linear berganda** atau metode lain seperti pohon keputusan, bisa membantu memberikan prediksi yang lebih baik.

Oke mungkin, sampai disini dulu tutorial pada bagian ini.. Semoga dapat dipahami dengan mudah. Jangan lupa untuk menjaga diri Anda tetap up-to-date dengan perkembangan terbaru dalam Machine Learning dan teknologi lainnya.


developer<PEMULA/>

developer<PEMULA/>

Tutorial ml

8 Artikel 📖

1. Belajar Machine Learning untuk Pemula: Pengenalan Machine Learning

2. Belajar Machine Learning untuk Pemula: Klasifikasi Machine Learning

3. Belajar Machine Learning untuk Pemula: Komponen Machine Learning

4. Belajar Machine Learning untuk Pemula: Preprocessing Data

5. Belajar Machine Learning untuk Pemula: Statistik Dasar

6. Belajar Machine Learning untuk Pemula: Pengenalan Google Colab

7. Belajar Machine Learning untuk Pemula: Overfitting dan Underfitting

8. Belajar Machine Learning untuk Pemula: Regresi