Postingan

SUPERVISE LEARNING (PREDIKSI) DAN ALGORITMA YANG ADA DI DALAMNYA MINIMAL 30 ALGORITMA PREDIKSI

Gambar
    (supervised learning) untuk prediksi melibatkan pelatihan model dengan data berlabel untuk memprediksi output yang tidak diketahui. Prediksi ini bisa berupa regresi (nilai kontinu) atau klasifikasi (nilai diskret). Berikut adalah 30 algoritma prediksi yang sering digunakan dalam supervised learning, beserta penjelasannya: Algoritma Regresi Linear Regression Deskripsi : Memodelkan hubungan linier antara variabel independen (fitur) dan variabel dependen (target). Kelebihan : Sederhana dan mudah diinterpretasikan. Kekurangan : Tidak efektif untuk hubungan non-linear. Polynomial Regression Deskripsi : Memodelkan hubungan non-linear dengan menambahkan variabel pangkat dari fitur. Kelebihan : Lebih fleksibel daripada regresi linier. Kekurangan : Bisa overfitting jika derajat polinomial terlalu tinggi. Ridge Regression Deskripsi : Linear regression dengan regularisasi L2 untuk mencegah overfitting. Kelebihan : Mengurangi variansi model. Kekurangan : Kurang efektif jika fitur tida...
Posting Komentar
Baca selengkapnya

SUPERVISE LEARNING (KLASIFIKASI) DAN ALGORITMA YANG ADA DI DALAMNYA MINIMAL 30 ALGORITMA KLASIFIKASI

Gambar
           (supervised learning)  adalah pendekatan dalam pembelajaran mesin (machine learning) di mana model dilatih menggunakan data yang telah diberi label. Dalam konteks klasifikasi, model belajar dari data input untuk memprediksi kategori atau kelas dari data baru yang belum terlihat. Berikut adalah minimal 30 algoritma klasifikasi yang sering digunakan dalam supervised learning: K-Nearest Neighbors (KNN) Deskripsi : KNN adalah algoritma yang mengklasifikasikan data berdasarkan kedekatannya dengan k data terdekat. Jarak biasanya diukur dengan metrik seperti Euclidean, Manhattan, atau Minkowski. Kelebihan : Sederhana dan mudah diimplementasikan. Kekurangan : Lambat untuk dataset besar karena harus menghitung jarak ke semua titik data dalam setiap prediksi. Logistic Regression Deskripsi : Menggunakan fungsi logistik untuk memodelkan probabilitas kejadian suatu kelas berdasarkan satu atau lebih fitur independen. Kelebihan : Cepat dan dapat diinterpre...
Posting Komentar
Baca selengkapnya

BEFORE WE GO PERTEMUAN 4

Kelompok 34 IF21A 1. Naila Ratu Alifa - 21416255201129 2. Rachmayanti Tri Agustin - 21416255201200 3. Muhamad Ibnu Rizky - 21416255201162 GOOGLE COLLAB BEFORE WE GO PERTEMUAN 4 LINK YOUTUBE KELOMPOK 34 IF21A
Posting Komentar
Baca selengkapnya

QUIZ PERTEMUAN 5 DATA MINING

Gambar
Berikut adalah file artikel milik saya  https://drive.google.com/file/d/16_VHc7P3XLvoneoYvIQO9qIohH3z3QYk/view?usp=drive_link LINK GOOGLE COLLAB   https://colab.research.google.com/drive/1USfY9AOJFRjFHKpb_7u0xXhpzpzbvQdx?usp=sharing Bagian 1. Pendahuluan Di era modern ini, tantangan dalam meningkatkan kualitas pendidikan menjadi semakin kompleks. Salah satu indikator keberhasilan pendidikan adalah tingkat kelulusan tepat waktu dan lama masa studi mahasiswa di perguruan tinggi. Oleh karena itu, pemahaman mendalam terhadap faktor-faktor yang memengaruhi lulusan tepat waktu sangat penting. Laporan ini bertujuan untuk melakukan analisis yang mendalam terhadap faktor-faktor yang mempengaruhi lulusan tepat waktu dan lama masa studi di lingkungan akademik. Analisis dilakukan meliputi integrasi dan pembersihan data, serta mengidentifikasi tren atau pola yang mempengaruhi lulusan tepat waktu. Berikut permasalahan-permasalahan yang akan dibahas pada analisis lulusan tepat waktu. 1. ...
Posting Komentar
Baca selengkapnya