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

Komentar

Posting Komentar

Postingan populer dari blog ini

SEMMA (SAMPLE, EXPLORE, MODIFY, MODEL, DAN ASSESS)

Gambar
Sample, Explore, Modify, Model, dan Assess (SEMMA) adalah struktur alternatif yang dibuat oleh SAS Institute untuk mengelola proses data mining. Ini adalah metode yang teratur untuk menganalisis data serta membangun model prediksi. Berikut adalah ringkasan dari masing-masing tahapan dalam SEMMA: 1.  Sample : Pada tahap pertama, data yang relevan dipilih dari berbagai sumber data. Sampel ini dapat berupa subset dari keseluruhan data dan dipilih sesuai kebutuhan analisis. 2.  Explore : Setelah sampel data dipilih, tahap eksplorasi dilakukan untuk memahami secara lebih mendalam karakteristik dan struktur data. Ini melibatkan penggunaan visualisasi data, serta analisis statistik untuk mengidentifikasi pola atau tren yang menarik. 3.  Modify : Tahap modifikasi melibatkan pra-pemrosesan data, di mana data dimodifikasi atau disiapkan untuk analisis lebih lanjut. Ini termasuk tindakan seperti penghapusan nilai yang hilang, pengisian data yang hilang, normalisasi, atau transformas...
Baca selengkapnya

CRISP-DM (CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING)

Gambar
  Cross-Industry Standard Process for Data Mining (CRISP-DM) adalah suatu pendekatan sistematis yang digunakan untuk mengelola proyek data mining. CRISP-DM adalah kerangka kerja yang terdiri dari serangkaian tahapan yang dapat diikuti untuk memandu proses pengembangan solusi data mining dari awal hingga akhir. Tahapan-tahapan dalam CRISP-DM mencakup: 1.  Pemahaman Masalah (Business Understanding) : Tahap ini fokus pada pemahaman terhadap tujuan bisnis yang ingin dicapai melalui proyek data mining, serta identifikasi faktor-faktor kritis yang berkontribusi terhadap pencapaian tujuan tersebut. 2.  Pemahaman Data (Data Understanding) : Pada tahap ini, data yang relevan untuk proyek dianalisis secara mendalam, termasuk pemahaman terhadap struktur data, karakteristik, dan kualitasnya. 3.  Persiapan Data (Data Preparation):  Tahapan ini melibatkan pemrosesan data untuk mempersiapkannya untuk analisis lebih lanjut. Ini termasuk pembersihan data, integrasi data dari sum...
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...
Baca selengkapnya