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

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...
Baca selengkapnya

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