Setelah model selesai dilatih, muncul pertanyaan yang kelihatannya sederhana: modelnya bagus atau tidak? Jawabannya ternyata tidak sesederhana melihat satu angka.

Model dengan akurasi 99 persen bisa jadi sama sekali tidak berguna. Model dengan akurasi 70 persen bisa jadi sangat berharga. Semuanya tergantung masalah apa yang sedang diselesaikan dan kesalahan jenis apa yang paling merugikan.

Artikel ini membahas cara mengukur performa model dengan benar. Fokusnya bukan menghafal rumus, tapi memahami kapan memakai ukuran yang mana dan kenapa.

Banyak pemula mengira pekerjaan utama dalam machine learning adalah memilih algoritma yang tepat. Kenyataannya, sebagian besar waktu justru habis untuk membereskan data sebelum algoritma apa pun dijalankan. Proses membereskan itulah yang disebut preprocessing.

Artikel ini membahas setiap tahap preprocessing secara berurutan dengan bahasa sederhana. Tiap teknik dijelaskan dengan pola yang sama: apa masalahnya, kenapa itu jadi masalah, bagaimana solusinya, dan contoh kodenya.

Kita akan memakai satu dataset contoh yang sengaja dibuat berantakan, dan membereskannya bersama-sama dari awal sampai akhir.

Belajar machine learning sering terasa membingungkan karena banyaknya nama algoritma yang terdengar rumit. Padahal ide di balik sebagian besar algoritma itu sederhana dan bisa dijelaskan dengan analogi sehari-hari.

Artikel ini menjelaskan algoritma-algoritma yang paling sering dipakai, satu per satu, dengan pola yang selalu sama: analogi sederhana, cara kerjanya, kapan dipakai, data seperti apa yang cocok, kelebihan dan kekurangannya, lalu contoh kode yang bisa langsung dijalankan.

Semua kode di sini memakai dataset bawaan scikit-learn, jadi Anda tidak perlu mengunduh data apa pun untuk mencobanya.

Pandas adalah library Python yang digunakan untuk mengolah, menganalisis, membersihkan, dan memanipulasi data. Pandas sangat populer dalam Data Science, Machine Learning, analisis data, dan pengolahan dataset.

Dokumen ini menjelaskan cara kerja Pandas dari konsep dasar sampai alur pengolahan data yang umum digunakan.

1. Pengantar Machine Learning​

Machine Learning (ML) adalah cabang dari Artificial Intelligence (AI) yang berfokus pada pengembangan algoritma statistik.

Algoritma Machine Learning belajar dari data untuk menemukan pola dan melakukan generalisasi terhadap data baru tanpa harus diprogram secara eksplisit untuk setiap kemungkinan.

Secara umum, Machine Learning terbagi menjadi dua kategori utama:

Anaconda adalah salah satu platform yang banyak digunakan untuk pengembangan Python, khususnya pada bidang Data Science, Machine Learning, Artificial Intelligence, Scientific Computing, dan analisis data.

Anaconda tidak hanya menyediakan Python, tetapi juga menyediakan package manager, environment manager, serta kumpulan library yang memudahkan pengembangan aplikasi berbasis Python.

Materi ini membahas:

• Apa itu Python
• Apa itu Anaconda
• Hubungan Anaconda dengan Python
• Apa itu package dan dependency
• Apa itu environment
• Conda vs pip
• Cara install Anaconda
• Cara menggunakan Anaconda Navigator
• Cara menggunakan Conda melalui terminal
• Membuat dan mengelola environment
• Install library Python
• Menjalankan Python
• Menggunakan Jupyter Notebook
• Menggunakan JupyterLab
• Menggunakan VS Code dan PyCharm
• Environment untuk Machine Learning
• Masalah umum dan solusinya
• Best practice penggunaan Anaconda

Materi ini membahas proses membangun aplikasi Machine Learning Regression secara end-to-end, mulai dari pengolahan dataset menggunakan Jupyter Notebook sampai model dapat digunakan sebagai REST API dan dijalankan pada VPS.

Studi kasus yang digunakan adalah prediksi harga rumah berdasarkan:

• Luas rumah
• Jumlah kamar
• Jarak ke kota
• Kondisi rumah

Machine learning tidak berhenti ketika model berhasil dilatih. Dalam proyek nyata, model perlu dikemas menjadi sebuah aplikasi agar dapat digunakan oleh pengguna.

Pada tutorial ini kita akan membangun proyek machine learning klasifikasi kualitas jeruk mulai dari membaca dataset, memahami data, melakukan exploratory data analysis (EDA), preprocessing, training model, evaluasi, menyimpan model, membuat aplikasi menggunakan Streamlit, hingga melakukan deployment melalui GitHub.

Dalam pengembangan aplikasi React, kita sering membutuhkan sebuah halaman yang dapat berubah berdasarkan interaksi pengguna. Misalnya, ketika pengguna memilih menu Home, aplikasi menampilkan halaman Home. Ketika memilih Products, aplikasi menampilkan daftar produk, dan ketika memilih About, aplikasi menampilkan informasi tentang aplikasi.

Pada materi ini kita akan membuat aplikasi REST API Authentication menggunakan:

• Spring Boot
• Spring Security
• JSON Web Token (JWT)
• PostgreSQL
• Spring Data JPA
• Maven
• BCrypt
• Jakarta Validation