LMS-SPADA INDONESIA
Course Content
Topic outline
-
Assalamualaikum w.w
Halo sahabat pembelajar! selamat datang di mata kuliah Machine Learning. Saya Hartono (NIDN 0227118803), dosen program studi Sistem dan Teknologi Informasi (STI) Universitas Muhammadiyah Kotabumi (UMKO) akan memfasilitasi sahabat pembelajar untuk menyelam mendalami dunia Machine Learning. Sebelum itu, berikut adalah profil singkat saya sekaligus pokok bahasan yang akan dipelajari pada mata kuliah ini. Sahabat juga dapat geser ke bawah untuk melihat capaian dan tujuan pembelajaran, melihat RPS, referensi pembelajaran, dan informasi penting lainnya.
Untuk mempermudah akses terhadap materi dan penyampaian materi, berikut ini adalah gambaran video pembelajaran yang tersedia.
-
Sebelum kita belajar, berikut ini adalah profil singkat saya. Untuk melihat profil dan rekam jejak akademik yang lengkap seperti data pendidikan, penelitian, dan pengabdian pada masyarakat, sahabat pembelajar dapat mengunjungi tautan berikut ini: https://tendik.umko.ac.id/hartono
-
Agar pembelajaran kita semakin maksimal, silakan baca persiapan pembelajaran terlebih dahulu.
-
Ingin melihat capaian mata kuliah, materi yang akan dipelajari, dan penilaian apa saja yang akan dilakukan pada mata kuliah machine learning? Ayo, silakan unduh Rencana Pembelajaran Semester (RPS) Mata Kuliah Machine Learning. Untuk mendapatkan gambaran terkait capaian pembelajaran dan materi apa saja yang akan disampaikan ke depan, silakan saksikan video berikut ini!
-
Penting! Silakan unduh aplikasi/perangkat lunak berikut ini sebelum mengikuti pembelajaran machine learning.
-
Silakan unduh dan baca modul berikut ini
-
Selamat datang di pertemuan 1! Pada awal pertemuan ini, sahabat pembelajar akan difasilitasi untuk mengembangkan pemahaman tentang konsep dan teori di balik supervised, unsupervised, dan reinforcement learning. Sahabat akan belajar istilah-istilah penting dalam machine learning, seperti dataset, feature, instance, class, label, training, testing, dan model. Capaian pembelajaran pada pertemuan pertama dirancang untuk memberikan dasar yang kuat, sehingga sahabat siap untuk menjelajahi aplikasi dan tantangan nyata dalam machine learning. Mari kita mulai pertemuan ini dan kembangkan keterampilan yang akan mengarahkan ke masa depan yang cemerlang!
Capaian Pembelajaran:
Mahasiswa mampu menjelaskan konsep, teori, dan cara kerja supervised, unsupervised, dan reinforcement learning serta istilah-istilah umum
di machine learning seperti dataset, feature, instance, class, label, training, testing, dan model.Materi yang akan dibahas:
- Deskripsi dan kontrak kuliah
- Pengantar Machine Learning: definisi, sejarah, dan perkembangan.
- Supervised Learning: prinsip, metode, dan contoh penerapan.
- Unsupervised Learning: prinsip, metode, dan contoh penerapan.
- Reinforcement Learning: prinsip, metode, dan contoh penerapan
- Perbandingan Metode Machine Learning: perbedaan dan kelebihan masing-masing metode.
- Istilah-istilah umum pada machine learning seperti dataset, feature, isntance, class, label, dan lain-lain
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Konsep dan istilah umum dalam machine learning mencakup supervised dan unsupervised learning, di mana supervised menggunakan data berlabel, sedangkan unsupervised mencari pola dari data tanpa label. Tantangan umum seperti overfitting terjadi ketika model terlalu sesuai dengan data pelatihan, dan ini dapat diatasi dengan regularisasi untuk menyederhanakan model. Untuk evaluasi, istilah seperti akurasi, presisi, dan recall digunakan. Akurasi mengukur keakuratan keseluruhan, presisi menilai ketepatan prediksi positif, dan recall mengukur kemampuan model menemukan semua kasus positif.
-
-
Sahabat pembelajar, silakan baca dan pahami materi berikut ini sebagai modal awal pembelajaran machine learning.
-
-
Untuk mendapatkan pemahaman yang lebih baik tentang definisi machine learning, silakan saksikan video berikut ini.
-
Dalam video ini, kita akan membahas perbedaan dan persamaan antara Artificial Intelligence (AI) dan Machine Learning (ML). AI adalah konsep yang lebih luas yang mencakup semua upaya untuk membuat mesin "cerdas," mampu meniru kemampuan berpikir dan bertindak seperti manusia. Sementara itu, Machine Learning adalah salah satu cabang dari AI yang fokus pada bagaimana mesin dapat belajar dari data dan meningkatkan kinerjanya seiring waktu tanpa perlu diprogram secara eksplisit. Dengan memahami hubungan ini, Anda akan lebih jelas melihat bagaimana keduanya saling terkait dan perannya dalam teknologi modern.
-
Dalam video ini, kita akan menjelaskan bagaimana machine learning bekerja. Machine learning adalah teknologi yang memungkinkan komputer untuk belajar dari data tanpa diprogram secara langsung. Prosesnya dimulai dengan mengumpulkan dan mempersiapkan data, yang kemudian digunakan untuk melatih model. Model ini belajar dari pola dalam data untuk membuat prediksi atau keputusan. Setelah model dilatih, kita mengujinya dengan data baru untuk melihat seberapa baik performanya. Jika diperlukan, model dapat disempurnakan dan dilatih ulang. Dengan pemahaman ini, Anda akan melihat bagaimana machine learning mampu mengotomatisasi tugas-tugas kompleks dengan efisiensi tinggi.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar mendemonstrasikan keterampilan dasar dalam pemrograman Python. Dalam sesi ini, Anda akan mempelajari cara menggunakan conditional statement, melakukan input dan output, serta memahami dan menerapkan looping. Selain itu, Anda akan belajar deklarasi dan operasi berbagai tipe serta struktur data, pembacaan dataset, dan visualisasi data sederhana. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan praktis yang esensial dalam analisis data dan pengembangan aplikasi.
Capaian Pembelajaran:
Mampu mendemonstrasikan conditional statement, input output, looping, deklarasi dan operasi berbagai tipe dan struktur data, pembacaan dataset, dan visualisasi data sederhana menggunakan bahasa pemrograman PythonMateri yang akan dibahas:
- Conditional statement.
- Input dan output.
- Looping.
- Deklarasi dan operasi tipe data.
- Struktur data.
- Pembacaan dataset.
- Visualisasi data sederhana.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Machine Learning Menggunakan Python adalah pendekatan populer untuk membangun model prediksi dan analisis data. Python menawarkan berbagai pustaka seperti scikit-learn, TensorFlow, dan Keras, yang memudahkan implementasi algoritma machine learning. Prosesnya mencakup pra-pemrosesan data, seperti membersihkan dan mengubah data mentah, kemudian membangun model menggunakan algoritma seperti regresi, klasifikasi, atau clustering. Python juga mendukung visualisasi hasil dan evaluasi model menggunakan metrik seperti akurasi, presisi, dan recall. Dengan Python, machine learning menjadi lebih mudah diakses dan diterapkan, baik untuk pemula maupun profesional.
-
Dalam video ini, kita akan menjelaskan mengapa Python menjadi bahasa yang paling banyak digunakan dalam machine learning. Python menawarkan sintaksis yang sederhana dan mudah dipahami, membuatnya ideal untuk pemula maupun profesional. Python juga memiliki ekosistem pustaka yang sangat kuat seperti NumPy, Pandas, Scikit-learn, TensorFlow, dan PyTorch, yang mendukung berbagai aspek pengembangan model machine learning. Selain itu, Python memiliki komunitas global yang besar, menyediakan banyak sumber daya dan dukungan. Kombinasi ini menjadikan Python sebagai pilihan utama bagi mereka yang ingin mengembangkan solusi machine learning secara efisien dan efektif.
-
Dalam video ini, kita akan membahas modul-modul Python yang paling sering digunakan dalam machine learning.
- NumPy adalah modul dasar untuk operasi matematika dan manipulasi array.
- Pandas memungkinkan pengolahan dan analisis data tabular dengan mudah.
- Scikit-learn menyediakan berbagai algoritma machine learning yang siap digunakan untuk klasifikasi, regresi, dan klastering.
- TensorFlow dan PyTorch adalah framework populer untuk deep learning, mendukung pembuatan dan pelatihan model neural network yang kompleks.
- Matplotlib dan Seaborn digunakan untuk visualisasi data, membantu memahami pola dan tren dalam dataset.
Dengan menguasai modul-modul ini, Anda akan memiliki fondasi yang kuat untuk mengembangkan aplikasi machine learning.
-
Dalam video ini, kita akan membahas mengapa NumPy dan Pandas menjadi dua modul Python yang sangat penting dalam analisis data dan machine learning.
-
NumPy digunakan untuk operasi matematika cepat dan efisien pada array multidimensi, serta menyediakan fungsi linear algebra dan transformasi Fourier. Ini membuatnya ideal untuk perhitungan numerik yang intensif.
-
Pandas menawarkan struktur data yang mudah digunakan, seperti DataFrame, yang memudahkan manipulasi, pembersihan, dan analisis data tabular. Pandas memungkinkan Anda untuk bekerja dengan data dalam format yang intuitif, mirip dengan spreadsheet.
Kombinasi keduanya memberikan kekuatan dan fleksibilitas yang dibutuhkan untuk bekerja dengan data besar dan kompleks, membuat mereka esensial dalam pipeline machine learning.
-
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar mengimplementasikan pelatihan dan pengujian dataset serta memahami tahapan-tahapan inti dalam machine learning. Dalam sesi ini, kita akan mengeksplorasi proses-proses kunci yang terlibat dalam pengembangan model machine learning, dengan fokus pada aplikasi praktis berdasarkan kasus-kasus sederhana. Capaian pembelajaran ini dirancang untuk memperkuat pemahaman Anda tentang alur kerja machine learning, mulai dari persiapan data hingga evaluasi model.
Capaian Pembelajaran:
Mampu mengimplementasikan pelatihan dan pengujian dataset serta mengimplementasikan tahapan-tahapan inti dalam machine learning berdasarkan kasus-kasus sederhana.Materi yang akan dibahas:
- Persiapan dataset untuk pelatihan.
- Proses pelatihan model.
- Pengujian dan evaluasi model.
- Implementasi tahapan inti machine learning.
- Studi kasus sederhana.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Silakan buat kelompok yang terdiri dari 3 s.d 4 orang mahasiswa. Kelompok ini agar mengerjakan 2 proyek seperti terlampir. Tiap kelompok harus mengajukan minimal 3 Judul/kasus proyek dan akan dipilih oleh dosen berdasarkan kebaruan, orisinalitas, dan inovasi.
- Proyek I (25%) adalah menghasilkan model machine learning dengan tingkat akurasi yang baik dan dikumpulkan ketika Ujian Tengah Semester (UTS).
- Proyek II (40%) adalah melakukan deployment hasil UTS dalam berbagai bentuk platform seperti website. desktip, mobile, ataupun perangkat IOT dan proyek dikumpulkan ketika Ujian Akhir Semester (UAS).
Template pengisian:Daftar Kasus yang Diajukan:- Kasus 1: ...
- Kasus 2: ...
- Kasus 3: ...
Daftar Kelompok:- Nama Lengkap (NPM) | Ketua
- Nama Lengkap (NPM) | Anggota
- Nama Lengkap (NPM) | Anggota
- Nama Lengkap (NPM) | Anggota
-
Untuk melatih kemampuan Anda dalam mengeksplorasi dan memvisualisasikan dataset, silakan eksekusi notebook berikut ini. Google Colab: Visualisasi Dataset Titanic adalah kursus yang dirancang untuk mempelajari cara menganalisis dan memvisualisasikan data Titanic menggunakan Python di Google Colab. Peserta akan mempelajari teknik visualisasi seperti histogram untuk distribusi usia, bar chart untuk melihat hubungan antara kelas tiket dan kelangsungan hidup, serta peta panas untuk mengidentifikasi korelasi antar fitur. Kursus ini membantu peserta memahami pola dan tren dalam dataset secara visual, memudahkan analisis dan interpretasi data. Cocok untuk pemula yang ingin mempelajari data science dan machine learning.
-
1.0 MB Image (JPEG)
-
-
Dalam video ini, kita akan membahas tiga konsep utama dalam machine learning: Supervised, Unsupervised, dan Reinforcement Learning. Supervised Learning adalah ketika model dilatih menggunakan data yang sudah diberi label, sehingga model dapat memprediksi hasil berdasarkan data baru. Unsupervised Learning, sebaliknya, bekerja dengan data yang tidak memiliki label, dan digunakan untuk menemukan pola atau kelompok tersembunyi dalam data. Sementara itu, Reinforcement Learning melibatkan agen yang belajar dari lingkungan melalui trial and error untuk mencapai tujuan tertentu. Dengan memahami ketiga konsep ini, Anda akan memiliki landasan yang kuat untuk mempelajari lebih lanjut tentang machine learning.
-
Dalam video ini, kita akan membahas peran penting machine learning di masa mendatang dan bagaimana teknologi ini akan membentuk berbagai industri. Machine learning akan semakin mendominasi dalam otomasi, mempercepat proses pengambilan keputusan di bidang kesehatan, keamanan siber, transportasi, dan pendidikan. Dari diagnosis penyakit, deteksi serangan siber, hingga kendaraan otonom, machine learning akan memungkinkan sistem bekerja lebih efisien dan cerdas. Selain itu, machine learning akan terus berkembang dengan inovasi baru seperti pembelajaran yang lebih cepat dan model yang lebih akurat, sehingga perannya akan semakin esensial dalam mendukung perkembangan teknologi dan kehidupan sehari-hari.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar menelaah dan menguraikan struktur dataset menggunakan teknik seperti Exploratory Data Analysis (EDA) dan Principal Component Analysis (PCA). Dalam sesi ini, Anda akan mempelajari bagaimana mengidentifikasi pola dan anomali yang relevan dalam data. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan analitis yang diperlukan untuk mengungkap wawasan berharga dari data dan mendukung pengambilan keputusan berbasis data.
Capaian Pembelajaran:
Mampu menelaah dan menguraikan struktur dataset menggunakan teknik seperti exploratory data analysis (EDA) dan principal component analysis (PCA) untuk mengidentifikasi pola dan anomali yang relevan.Materi yang akan dibahas:
- Pengenalan Exploratory Data Analysis (EDA).
- Teknik-teknik dasar EDA.
- Pengenalan Principal Component Analysis (PCA).
- Aplikasi PCA dalam analisis data.
- Identifikasi pola dan anomali.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Telaah dan Penguraian Dataset serta Implementasi Machine Learning adalah proses mendalam yang melibatkan analisis data dan penerapan algoritma machine learning. Pertama, dataset ditelaah untuk memahami struktur, pola, dan kualitas data. Langkah ini mencakup pembersihan, pengisian nilai yang hilang, serta penguraian variabel penting. Setelah dataset siap, algoritma machine learning seperti regresi, klasifikasi, atau clustering diterapkan untuk membuat model prediksi. Evaluasi model dilakukan menggunakan metrik seperti akurasi, presisi, dan recall. Proses ini penting untuk menemukan wawasan berharga dari data dan membangun model yang akurat dan efisien.
-
-
Buat video demonstrasi yang menjelaskan cara menganalisis dan menguraikan struktur dataset menggunakan metode Exploratory Data Analysis (EDA) dan/atau Principal Component Analysis (PCA). Video harus mencakup langkah-langkah, penjelasan, dan interpretasi hasil analisis data secara jelas dan ringkas.
Lampiran Aktivitas:
- https://www.youtube.com/watch?v=o-_6zjh2uKc
- https://drive.google.com/file/d/1hmY-vDRFERL5MS9fi4XcqgeA7SuEPAQR/view
- https://www.youtube.com/watch?v=33M4eEXTa9Y
- https://www.youtube.com/watch?v=9iyJjnHoAOA
- https://youtu.be/x7C9w4OP7Dc
-
Dalam video ini, kita akan membahas apa itu corpus dan mengapa penting dalam konteks machine learning, khususnya dalam Natural Language Processing (NLP). Corpus adalah kumpulan besar teks atau data linguistik yang digunakan untuk melatih model bahasa. Corpus bisa berupa kumpulan artikel, buku, tweet, atau teks lainnya yang mencerminkan penggunaan bahasa dalam kehidupan nyata. Dengan menggunakan corpus, model machine learning dapat belajar memahami, menganalisis, dan menghasilkan teks yang lebih alami. Corpus membantu model mengenali pola, makna, dan konteks dalam bahasa, yang penting untuk tugas-tugas seperti penerjemahan, analisis sentimen, dan chatbot.
-
Dalam video ini, kita akan membahas strategi memilih dataset yang tepat untuk proyek machine learning Anda. Memilih dataset yang sesuai adalah langkah krusial untuk memastikan model Anda berkinerja baik. Kita akan menjelaskan berbagai kriteria yang perlu dipertimbangkan, seperti relevansi data, ukuran dataset, kualitas data, dan keberagaman fitur. Selain itu, kita akan membahas pentingnya memahami konteks dan tujuan analisis untuk memilih dataset yang sesuai. Anda juga akan belajar tentang sumber-sumber dataset yang dapat diakses, serta tips untuk menghindari bias dalam pemilihan data. Dengan strategi yang tepat, Anda dapat meningkatkan kemungkinan kesuksesan proyek machine learning Anda.
-
Dalam video ini, kita akan membahas Exploratory Data Analysis (EDA), sebuah langkah penting dalam proses data science dan machine learning. EDA bertujuan untuk memahami struktur dan pola dalam dataset sebelum melangkah ke tahap pemodelan. Kita akan membahas teknik-teknik utama dalam EDA, seperti analisis statistik deskriptif, visualisasi data menggunakan grafik seperti histogram, scatter plot, dan box plot, serta identifikasi outlier dan hubungan antar variabel. Selain itu, kita juga akan menunjukkan bagaimana EDA membantu dalam mengenali masalah potensial seperti data yang hilang atau distribusi yang tidak normal.
-
Selamat datang di video pembelajaran tentang **Principal Component Analysis (PCA)**. PCA adalah teknik statistik yang digunakan untuk mengurangi dimensi dataset tanpa kehilangan informasi penting. Dalam video ini, kita akan membahas konsep dasar PCA, cara kerjanya, serta penerapannya dalam analisis data. PCA sangat berguna untuk mempermudah visualisasi dan meningkatkan efisiensi model machine learning. Yuk, simak lebih lanjut bagaimana PCA membantu menemukan pola tersembunyi dalam data!
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar memvalidasi kualitas dan hasil analisis dataset menggunakan pendekatan seperti k-fold cross-validation dan bootstrap sampling. Dalam sesi ini, Anda akan mempelajari cara memastikan dan meningkatkan ketepatan serta keandalan model melalui teknik validasi yang efektif. Capaian pembelajaran ini dirancang untuk memperkuat kemampuan Anda dalam menilai kinerja model machine learning dan membuat keputusan yang lebih terpercaya berdasarkan data.
Capaian Pembelajaran:
Mampu memvalidasi kualitas dan hasil analisis dataset dengan pendekatan seperti k-fold cross-validation dan bootstrap sampling untuk memastikan dan meningkatkan ketepatan dan keandalan model.Materi yang akan dibahas:
- Pengenalan validasi model.
- K-fold cross-validation.
- Bootstrap sampling.
- Evaluasi ketepatan model.
- Peningkatan keandalan model.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Validasi Kualitas dan Hasil Analisis Dataset adalah kursus yang berfokus pada bagaimana memvalidasi kualitas data dan hasil analisis menggunakan Google Colab. Peserta akan belajar teknik pembersihan data, deteksi anomali, serta pengisian nilai hilang untuk memastikan dataset siap dianalisis. Selain itu, kursus ini membahas metode validasi hasil analisis, seperti cross-validation, confusion matrix, dan penggunaan metrik seperti akurasi dan presisi untuk menilai performa model machine learning. Kursus ini membantu peserta memastikan data dan model yang dihasilkan akurat dan andal.
-
Dalam video ini, kita akan memberikan pengantar tentang analisis sentimen, salah satu aplikasi penting dalam Natural Language Processing (NLP). Analisis sentimen bertujuan untuk menentukan apakah suatu teks mengungkapkan perasaan positif, negatif, atau netral. Kita akan membahas berbagai teknik yang digunakan untuk analisis sentimen, mulai dari metode sederhana seperti penghitungan kata hingga algoritma machine learning yang lebih kompleks. Selain itu, kita juga akan melihat bagaimana analisis sentimen dapat diterapkan dalam berbagai bidang, seperti pemasaran, layanan pelanggan, dan penelitian sosial. Dengan pemahaman dasar ini, Anda akan siap untuk menjelajahi lebih dalam tentang cara menganalisis dan memahami emosi dalam data teks.
-
Dalam video ini, kita akan membahas dua konsep penting dalam machine learning: Underfitting dan Overfitting. Underfitting terjadi ketika model terlalu sederhana untuk menangkap pola dalam data, sehingga menghasilkan prediksi yang buruk baik pada data pelatihan maupun data uji. Ini sering disebabkan oleh pemilihan model yang tidak tepat atau kurangnya fitur yang relevan. Di sisi lain, Overfitting terjadi ketika model terlalu kompleks, sehingga ia belajar pola dari data pelatihan dengan sangat baik, termasuk noise atau fluktuasi yang tidak relevan. Akibatnya, model ini berkinerja buruk pada data uji karena tidak dapat menggeneralisasi.
-
Bootstrap adalah teknik resampling yang digunakan untuk memperkirakan statistik dari sampel dengan cara mengambil beberapa subset dari data asli secara acak, dengan pengembalian. Dalam video ini, kita akan mempelajari konsep dasar bootstrap, cara kerjanya, serta manfaatnya dalam mengukur ketidakpastian model dan validasi data. Mari kita jelajahi bagaimana Bootstrap Sampling membantu dalam meningkatkan akurasi prediksi pada berbagai model statistik dan machine learning!
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar mengorganisasikan dataset dari berbagai sumber dengan teknik seperti feature engineering, data augmentation, normalisasi, dan ensemble methods. Dalam sesi ini, Anda akan mempelajari cara menghasilkan insight berharga bagi model machine learning, yang dapat meningkatkan kinerja dan akurasi prediksi. Capaian pembelajaran ini dirancang untuk membekali Anda dengan kemampuan dalam mengolah dan memanipulasi data agar dapat digunakan secara efektif dalam analisis dan pengembangan model.
Capaian Pembelajaran:
- Mampu mengorganisasikan dataset dari berbagai sumber menggunakan teknik seperti feature engineering, data augmentation, normalisasi, dan ensemble methods untuk menghasilkan insight berharga bagi model.
- Mampu menganalisis dataset untuk mengidentifikasi pola dan tren yang signifikan serta melakukan exploratory data analysis untuk mendapatkan wawasan awal tentang data.
Materi yang akan dibahas:
- Pengenalan feature engineering.
- Teknik data augmentation.
- Metode normalisasi data.
- Penggunaan ensemble methods.
- Integrasi dataset dari berbagai sumber.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Dalam tugas ini, Anda diminta untuk melakukan minimal salah satu dari tiga proses penting dalam machine learning: Feature Engineering, Data Augmentation, dan Normalisasi Data. Anda akan menerapkan teknik-teknik ini pada dataset pilihan untuk meningkatkan kualitas data serta performa model yang akan dikembangkan. Rekam aktivitas tersebut dalam bentuk video dan kumpulkan tautannya di sini.
-
-
Dalam sesiini, Anda akan menyaksikan video pembelajaran tentang data augmentation, salah satu teknik penting dalam machine learning untuk meningkatkan kualitas dan variasi data latih. Video ini membahas berbagai metode augmentasi, seperti rotasi, flipping, dan transformasi warna, serta bagaimana teknik ini dapat meningkatkan performa model. Pastikan untuk mencatat poin-poin penting agar dapat diterapkan pada proyek machine learning Anda.
-
Dalam video ini, kita akan menjelaskan apa itu Natural Language Processing (NLP) dan mengapa ia menjadi salah satu bidang paling menarik dalam kecerdasan buatan. NLP adalah cabang dari machine learning yang berfokus pada interaksi antara komputer dan bahasa manusia. Kita akan membahas berbagai tugas yang bisa dilakukan dengan NLP, seperti analisis sentimen, terjemahan otomatis, pengenalan suara, dan pembuatan teks. Selain itu, kita juga akan melihat beberapa teknik dasar dalam NLP, seperti tokenisasi, stemming, dan lemmatization, serta penggunaan model bahasa seperti Word2Vec dan Transformer.
-
Dalam video ini, kita akan membahas pentingnya data dalam kesuksesan model machine learning. Data adalah bahan bakar utama yang memungkinkan model belajar dan membuat prediksi yang akurat. Kita akan melihat bagaimana kualitas data—seperti kelengkapan, relevansi, dan kebersihan—sangat mempengaruhi performa model. Data yang baik membantu model mengenali pola dengan lebih tepat, sedangkan data yang buruk dapat menyebabkan kesalahan seperti overfitting atau underfitting. Dengan data yang tepat, model machine learning dapat memberikan hasil yang lebih andal dan akurat, menjadikannya elemen kunci dalam keberhasilan proyek machine learning.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar menganalisis dan memilih pendekatan machine learning yang paling sesuai dengan masalah yang dihadapi. Dalam sesi ini, Anda akan mempelajari cara memilih algoritma yang tepat dan menerapkan teknik evaluasi yang efektif untuk memastikan solusi yang optimal. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan dalam menilai kebutuhan dan karakteristik masalah, serta membuat keputusan yang tepat dalam penerapan machine learning.
Capaian Pembelajaran:
Mampu menganalisis dan memilih pendekatan machine learning yang paling sesuai dengan masalah yang dihadapi, termasuk pemilihan algoritma dan teknik evaluasi yang tepat.Materi yang akan dibahas:
- Analisis masalah dan kebutuhan.
- Pemilihan algoritma machine learning.
- Teknik evaluasi model.
- Penyesuaian pendekatan dengan karakteristik data.
- Studi kasus penerapan machine learning.
-
Google Colab: Organisasi dan Analisis Dataset pada Google Colab ini bertujuan untuk membantu Anda mengatur dan menganalisis dataset secara efektif. Anda akan belajar cara mengimpor dan menyimpan data, serta menggunakan pustaka Python seperti Pandas untuk manipulasi dan pembersihan data. Selain itu, Google Colab ini juga mencakup analisis eksplorasi data melalui visualisasi dengan Matplotlib dan Seaborn, sehingga Anda dapat mengidentifikasi pola dan tren dalam dataset dengan lebih mudah. Dengan keterampilan ini, Anda akan dapat meningkatkan pemahaman dan pengambilan keputusan berbasis data yang lebih baik.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
-
-
Dalam video ini, kita akan membahas perbedaan antara Linear Regression dan Logistic Regression, dua metode penting dalam machine learning. Linear Regression digunakan untuk memprediksi nilai numerik dengan menemukan hubungan linear antara variabel independen dan dependen. Model ini menghasilkan garis lurus yang paling sesuai dengan data. Di sisi lain, Logistic Regression digunakan untuk masalah klasifikasi, di mana tujuannya adalah memprediksi probabilitas dari kategori tertentu. Alih-alih garis lurus, Logistic Regression menghasilkan kurva sigmoid yang memetakan output ke rentang 0 hingga 1. Memahami perbedaan ini akan membantu Anda memilih model yang tepat sesuai dengan jenis data dan tujuan analisis Anda.
-
Dalam video ini, kita akan menjelaskan contoh kasus dari Supervised Learning dan Unsupervised Learning dalam machine learning. Untuk Supervised Learning, kita akan melihat contoh prediksi harga rumah, di mana model dilatih menggunakan dataset yang berisi fitur seperti ukuran rumah, lokasi, dan jumlah kamar tidur, bersama dengan label harga yang sudah diketahui. Model ini kemudian dapat memprediksi harga rumah baru berdasarkan data yang diberikan. Sementara itu, untuk Unsupervised Learning, kita akan membahas contoh pengelompokan pelanggan. Dalam kasus ini, model dilatih pada data tanpa label, seperti transaksi pembelian, untuk mengidentifikasi pola dan kelompok dalam data, yang dapat membantu perusahaan dalam segmentasi pasar dan strategi pemasaran.
-
-
Untuk mendukung kemampuan praktis dalam Machine Learning, tiap kelompok diharapkan mengajukan ide proyek yang akan dikembangkan. Proyek harus menghasilkan model dengan performa dan akurasi yang tinggi. Berikut adalah langkah-langkah dan panduan pengajuan proyek:
1. Tujuan Proyek
Proyek bertujuan untuk membuat model Machine Learning yang mampu menyelesaikan masalah nyata dengan hasil yang akurat dan dapat diukur. Mahasiswa diharapkan memilih topik yang sesuai dengan minat mereka dan relevan dengan tren industri.
2. Hal yang Harus Dilakukan
- Mengajukan 5 Judul Proyek: Setiap kelompok mengusulkan 5 judul proyek.
- Deskripsi Singkat: Setiap judul harus disertai dengan penjelasan singkat yang mencakup:
- Masalah yang Diselesaikan: Gambaran masalah yang akan dipecahkan.
- Data yang Dibutuhkan: Informasi mengenai jenis data yang diperlukan (misalnya, data publik, data sintetis, atau dataset khusus).
- Model Machine Learning yang Akan Digunakan: Pendekatan awal seperti klasifikasi, regresi, clustering, deteksi anomali, dll.
3. Contoh Judul Proyek
Untuk memudahkan pemahaman, berikut beberapa contoh ide proyek:
- Prediksi kelulusan siswa berdasarkan data akademik dan demografis.
- Deteksi penipuan dalam transaksi e-commerce.
- Model klasifikasi penyakit berdasarkan hasil pemeriksaan medis.
- Sistem rekomendasi produk untuk toko online.
- Analisis sentimen ulasan pelanggan untuk meningkatkan layanan.
4. Kriteria Pemilihan Proyek
Dosen akan meninjau pengajuan berdasarkan kriteria berikut:
- Kebermanfaatan: Apakah proyek ini memiliki nilai tambah dan aplikasi nyata?
- Ketersediaan Data: Apakah data untuk proyek ini dapat diakses dan memadai?
- Kompleksitas: Seberapa menantang proyek ini secara teknis?
- Potensi Hasil: Apakah proyek ini berpotensi menghasilkan hasil yang menarik dan relevan?
5. Format Pengajuan
Mahasiswa diminta menyusun pengajuan proyek dalam format berikut:
- Judul Proyek 1:
- Deskripsi Masalah: [Tulis deskripsi singkat]
- Jenis Data: [Jelaskan jenis data]
- Model yang Diperkirakan: [Tulis pendekatan model]
- (Ulangi format ini untuk judul ke-2 hingga ke-5)
6. Batas Waktu Pengajuan
Pengajuan 5 judul proyek beserta deskripsi lengkapnya harus dikirimkan paling lambat 13 November 2024 pukul 13.00 WIB melalui LMS.
7. Proses Seleksi
- Dosen akan menyeleksi dan memberikan umpan balik pada ide-ide proyek yang diajukan.
- Proyek yang dipilih akan diumumkan, dan mahasiswa dapat mulai merancang serta mengembangkan model sesuai rencana yang disepakati.
Harap dicatat: Hanya judul proyek yang memenuhi kriteria dan terlihat berpotensi yang akan disetujui untuk dikembangkan lebih lanjut.
-
Setiap mahasiswa atau anggota tim wajib mengumpulkan UTSnya di sini, tidak hanya ketuanya saja. Unggah video dan laporan (pdf) ke Google Drive dan sematkan tautan atau link foldernya. Jangan lupa sebutkan kelompok dan nama anggota-anggotanya. Jangan lupa berikan akses publik ke berkas UTS.
Lampiran Aktivitas:
- https://drive.google.com/drive/folders/1zTIoxZSIdYJBTcmR44msKOwXiwQCdSvB?usp=drive_link
- https://drive.google.com/drive/folders/1jvZnoIrhgcAFPZIU3Pua2lHzCfFv8BMN
- https://drive.google.com/drive/folders/1523ZuL6Vo7T3X7TpQQRXSnaF17cAnX6W
- https://drive.google.com/file/d/1HGbBg4H8y35eDzinaInfdQV9l_YdbNbz/view?usp=drivesdk
- https://drive.google.com/drive/folders/1i5INtwV1p_C49oPDwP3g5mJ8Zz7FDvuG
-
Silakan baca umpan balik bapak terhadap hasil proyek UTS kalian di sini.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar memaksimalkan kinerja model machine learning dengan menerapkan teknik-teknik optimasi. Dalam sesi ini, Anda akan mempelajari cara meningkatkan performa model melalui hyperparameter tuning, feature engineering, dan ensemble methods. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan dalam menerapkan strategi optimasi yang efektif untuk mencapai hasil yang optimal dari model machine learning.
Capaian Pembelajaran:
Mampu memaksimalkan kinerja model machine learning dengan menerapkan teknik-teknik optimasi seperti hyperparameter tuning, feature engineering, dan ensemble methods.Materi yang akan dibahas:
- Pengenalan hyperparameter tuning.
- Teknik-teknik feature engineering.
- Implementasi ensemble methods.
- Evaluasi kinerja model.
- Studi kasus optimasi model.
-
Google Colab ini bertujuan untuk membantu Anda mengatur dan menganalisis dataset secara efektif. Anda akan belajar cara mengimpor dan menyimpan data, serta menggunakan pustaka Python seperti Pandas untuk manipulasi dan pembersihan data. Selain itu, Google Colab ini juga mencakup analisis eksplorasi data melalui visualisasi dengan Matplotlib dan Seaborn, sehingga Anda dapat mengidentifikasi pola dan tren dalam dataset dengan lebih mudah. Dengan keterampilan ini, Anda akan dapat meningkatkan pemahaman dan pengambilan keputusan berbasis data yang lebih baik.
-
Dalam aktivitas ini, Anda akan menyaksikan video pembelajaran tentang hyperparameter tuning, proses penting dalam machine learning untuk mengoptimalkan performa model. Video ini menjelaskan apa itu hyperparameter, bagaimana mereka memengaruhi hasil model, serta metode tuning seperti grid search dan random search. Perhatikan langkah-langkah dan tips yang disampaikan untuk diterapkan dalam proyek Anda.
-
Dalam video ini, kita akan membahas apa itu Computer Vision dan bagaimana teknologi ini bekerja. Computer Vision adalah cabang dari kecerdasan buatan yang memungkinkan komputer untuk "melihat" dan memahami konten dalam gambar dan video. Kita akan menjelaskan berbagai aplikasi Computer Vision, seperti pengenalan wajah, deteksi objek, pengenalan teks dari gambar (OCR), dan analisis video. Selain itu, kita juga akan melihat teknik-teknik dasar yang digunakan dalam Computer Vision, seperti pengolahan citra, convolutional neural networks (CNN), dan deep learning. Dengan kemampuan untuk menganalisis visual data, Computer Vision digunakan di berbagai industri, mulai dari keamanan, kesehatan, hingga otomotif, membantu meningkatkan efisiensi dan membuka inovasi baru dalam interaksi antara manusia dan mesin.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar menguji dan mengukur karakteristik dataset menggunakan pustaka seperti Pandas, NumPy, dan lainnya dalam bahasa pemrograman Python. Dalam sesi ini, Anda akan mempelajari cara mengevaluasi distribusi data, mendeteksi outliers, dan menangani missing values untuk mendapatkan pemahaman yang lebih baik tentang dataset Anda. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan penting dalam analisis data dan persiapan data untuk pemodelan.
Capaian Pembelajaran:
Mampu menguji dan mengukur karakteristik dataset, termasuk distribusi data, outliers, dan missing values menggunakan pustaka seperti Pandas, NumPy, dan lain-lain dalam bahasa pemrograman Python.Materi yang akan dibahas:
- Pengenalan Pandas dan NumPy untuk analisis data.
- Analisis distribusi data.
- Identifikasi dan penanganan outliers.
- Penanganan missing values.
- Teknik pengukuran karakteristik dataset.
-
Ada pertanyaan, keluhan, kritik, saran, atau ingin berdiskusi? Yuk di sini tempatnya!
-
Google Colab: Pengujian dan Pengukuran Dataset adalah kursus berbasis cloud yang memanfaatkan platform Google Colab untuk melakukan pengujian dan analisis dataset. Peserta akan belajar cara mengunggah, memproses, serta mengukur kinerja data menggunakan berbagai metode statistik dan machine learning. Kursus ini mencakup penerapan alat pengujian, visualisasi hasil, dan interpretasi data untuk mendapatkan wawasan yang akurat dan bernilai. Cocok untuk pemula hingga menengah yang ingin menguasai analisis data dengan lingkungan pemrograman Python di Google Colab.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar mengukur dan mengevaluasi efektivitas berbagai pendekatan machine learning. Dalam sesi ini, Anda akan mempelajari cara membandingkan metrik kinerja seperti accuracy, precision, recall, F1-score, dan ROC-AUC untuk menentukan model mana yang paling efektif. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan dalam menilai performa model dan membuat keputusan berbasis data yang lebih baik.
Capaian Pembelajaran:
Mampu mengukur dan mengevaluasi efektivitas berbagai pendekatan machine learning dengan membandingkan metrik kinerja seperti accuracy, precision, recall, F1-score, dan ROC-AUC.Materi yang akan dibahas:
- Pengenalan metrik kinerja model.
- Pengukuran accuracy.
- Evaluasi precision dan recall.
- Perhitungan F1-score.
- Analisis ROC-AUC.
- Perbandingan efektivitas model.
-
Untuk tugas kali ini, setiap kelompok UTS membuat video demonstrasi evaluasi efektivitas pendekatan machine learning yang telah dikembangkan. Silakan gunakan pendekatan yang tepat, aplikasikan pada dataset yang telah dipilih, dan lakukan evaluasi kinerja model. Video berdurasi 7-15 menit dan harus menampilkan proses, hasil, dan kesimpulan dari evaluasi yang dilakukan. Jangan lupa menyertakan dokumentasi singkat sebagai pelengkap. Setiap anggota wajib submit, tidak hanya ketuanya saja.
-
Dalam video ini, kita akan membahas apa itu Cross Validation dan mengapa teknik ini penting dalam machine learning. Cross Validation adalah metode yang digunakan untuk mengevaluasi model machine learning dengan membaginya menjadi beberapa subset data, sehingga model dapat diuji lebih akurat. Kita akan menjelaskan cara kerja k-fold cross validation, di mana data dibagi menjadi k bagian, dan model dilatih dan diuji k kali, masing-masing dengan subset data yang berbeda sebagai data uji. Teknik ini membantu menghindari overfitting dan memberikan gambaran yang lebih jelas tentang bagaimana model akan berkinerja pada data yang belum pernah dilihat sebelumnya.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar menguji dan mengevaluasi kinerja model machine learning secara komprehensif. Dalam sesi ini, Anda akan mempelajari teknik validasi silang dan analisis error menggunakan bahasa pemrograman Python dan perangkat lunak pendukung. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan dalam menilai kinerja model secara mendetail, sehingga Anda dapat mengidentifikasi kekuatan dan kelemahan model serta meningkatkan hasil analisis.
Capaian Pembelajaran:
Mampu menguji dan mengevaluasi kinerja model machine learning secara komprehensif dengan melakukan validasi silang dan analisis error menggunakan bahasa pemrograman Python dan perangkat lunak pendukung.Capaian Pembelajaran:
Mampu menguji dan mengevaluasi kinerja model machine learning secara komprehensif dengan melakukan validasi silang dan analisis error menggunakan bahasa pemrograman Python dan perangkat lunak pendukung.Materi yang akan dibahas:
- Pengenalan validasi silang (cross-validation).
- Implementasi validasi silang dalam Python.
- Teknik analisis error.
- Penggunaan perangkat lunak pendukung untuk evaluasi model.
- Interpretasi hasil validasi dan analisis error.
-
-
Dalam video ini, kita akan membahas teknik dan metode deployment machine learning, yaitu proses menerapkan model yang telah dilatih ke lingkungan produksi agar dapat digunakan secara real-time. Kita akan menjelaskan beberapa metode deployment, seperti deployment lokal di server internal, cloud-based deployment menggunakan platform seperti AWS atau Google Cloud, dan edge deployment, di mana model dijalankan langsung di perangkat pengguna seperti ponsel atau sensor IoT. Selain itu, kita akan membahas penggunaan API, containerization dengan Docker, serta orkestrasi menggunakan Kubernetes untuk skala yang lebih besar. Dengan memahami teknik-teknik ini, Anda dapat memilih metode deployment yang paling sesuai dengan kebutuhan proyek Anda, memastikan model machine learning berfungsi optimal di dunia nyata.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar merekomendasikan solusi machine learning yang tepat untuk berbagai permasalahan nyata. Dalam sesi ini, Anda akan mempelajari cara mempertimbangkan keuntungan dan kelemahan dari berbagai algoritma dan teknik yang ada untuk memilih pendekatan yang paling sesuai dengan konteks dan kebutuhan masalah. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan dalam membuat keputusan yang tepat dalam penerapan machine learning.
Capaian Pembelajaran:
Mampu merekomendasi solusi machine learning yang tepat untuk berbagai permasalahan nyata, dengan mempertimbangkan keuntungan dan kelemahan dari berbagai algoritma dan teknik yang ada.Materi yang akan dibahas:
- Pengenalan berbagai algoritma machine learning.
- Analisis keuntungan dan kelemahan algoritma.
- Pertimbangan dalam memilih teknik yang tepat.
- Studi kasus permasalahan nyata dan solusi machine learning.
- Rekomendasi solusi berdasarkan analisis algoritma.
-
Dalam video ini, kita akan membahas bagaimana machine learning dapat digunakan untuk mendeteksi anomali dalam serangan siber. Deteksi anomali adalah teknik yang penting untuk mengidentifikasi perilaku tidak normal dalam jaringan atau sistem yang dapat mengindikasikan potensi serangan. Contoh nyata, seperti deteksi serangan DDoS atau malware, akan membantu Anda memahami penerapan praktisnya. Dengan memanfaatkan machine learning untuk mendeteksi anomali, organisasi dapat meningkatkan keamanan sistem mereka dan merespons serangan dengan lebih cepat dan efektif.
-
Dalam video ini, kita akan membahas pertanyaan yang sering muncul di era kecerdasan buatan: "Apakah AI akan menggantikan manusia?" AI semakin canggih dan mampu melakukan banyak tugas yang sebelumnya hanya bisa dilakukan oleh manusia, seperti analisis data, pengenalan gambar, dan bahkan pengambilan keputusan. Namun, penting untuk memahami bahwa AI dirancang untuk melengkapi, bukan menggantikan manusia. AI dapat mengotomatisasi tugas-tugas repetitif dan membantu kita menjadi lebih efisien, tetapi kreativitas, empati, dan pengambilan keputusan kompleks masih menjadi domain manusia.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar merancang arsitektur model machine learning yang paling sesuai dengan kebutuhan spesifik. Dalam sesi ini, Anda akan mempelajari cara memilih fitur, algoritma, dan parameter yang optimal untuk membangun model yang efektif dan efisien. Capaian pembelajaran ini dirancang untuk membekali Anda dengan keterampilan dalam merancang solusi machine learning yang tailored untuk berbagai aplikasi dan tantangan.
Capaian Pembelajaran:
Mampu merancang arsitektur model machine learning yang paling sesuai dengan kebutuhan spesifik, termasuk pemilihan fitur, algoritma, dan parameter yang optimal.Materi yang akan dibahas:
- Pengenalan desain arsitektur model machine learning.
- Pemilihan fitur yang relevan.
- Pilihan algoritma yang sesuai dengan masalah.
- Penentuan parameter yang optimal.
- Contoh penerapan arsitektur model untuk kebutuhan spesifik.
-
-
Dalam video ini, kita akan membahas perbedaan antara CPU, GPU, dan TPU, serta kapan sebaiknya menggunakannya dalam machine learning.
- CPU adalah unit pemrosesan umum, cocok untuk tugas komputasi sehari-hari dan machine learning sederhana.
- GPU dirancang untuk pemrosesan paralel, ideal untuk pelatihan model deep learning dengan dataset besar, mempercepat pelatihan secara signifikan.
- TPU adalah perangkat keras khusus dari Google yang dioptimalkan untuk TensorFlow, menawarkan kecepatan dan efisiensi tinggi untuk pelatihan model dalam skala besar.
Memilih perangkat yang tepat memastikan proyek machine learning Anda berjalan dengan optimal.
-
Selamat datang di topik pembelajaran ini, di mana Anda akan belajar membangun dan mengimplementasikan model machine learning secara end-to-end. Dalam sesi ini, Anda akan mempelajari seluruh proses, mulai dari pengumpulan data, preprocessing, training, evaluasi, hingga deployment model untuk aplikasi nyata. Capaian pembelajaran ini dirancang untuk memberikan keterampilan praktis dalam mengelola proyek machine learning dari awal hingga akhir.
Capaian Pembelajaran:
Mampu membangun (C6) dan mengimplementasikan model machine learning secara end-to-end, mulai dari pengumpulan data, preprocessing, training, evaluasi, hingga deployment model untuk digunakan dalam aplikasi nyata.Materi yang akan dibahas:
- Pengumpulan dan pemahaman data.
- Teknik preprocessing dan pembersihan data.
- Proses training model machine learning.
- Evaluasi dan tuning model.
- Deployment model untuk aplikasi nyata.
- Studi kasus implementasi end-to-end.
-
Dalam video ini, kita akan membahas peran machine learning dalam tiga bidang penting: kesehatan, keamanan, dan pendidikan.
Di bidang kesehatan, machine learning digunakan untuk mendiagnosis penyakit lebih cepat dan akurat, memprediksi perkembangan pasien, serta mempercepat penemuan obat melalui analisis data medis yang besar.
Di bidang keamanan, machine learning membantu mendeteksi serangan siber secara real-time, menganalisis pola anomali, dan memperkuat sistem keamanan jaringan.
Di bidang pendidikan, machine learning digunakan untuk personalisasi pembelajaran, menganalisis kemajuan siswa, dan menyediakan feedback yang lebih efektif.
Dengan penerapan yang semakin luas, machine learning terus meningkatkan efisiensi dan kualitas dalam ketiga bidang ini.
-
-
Pada ujian ini, Anda akan mendeploy model machine learning yang telah Anda buat pada UTS ke dalam platform pilihan, seperti website, aplikasi desktop, mobile, atau perangkat IoT. Ujian ini bertujuan untuk menguji kemampuan Anda dalam mengintegrasikan model dengan aplikasi nyata. Pastikan Anda mengikuti instruksi dengan baik dan menyusun dokumentasi yang lengkap. Selamat mengerjakan, dan semoga sukses!
-
Silakan kumpulkan tautan Google Drive (dalam bentuk folder) yang mencakup video, pdf, dan coding aplikasi. Setiap anggota wajib mengunggah walaupun UAS dikerjakan secara berkelompok.
-
LMS-SPADA INDONESIA