Supervised and Unsupervised dengan menggunakan pythn

supervised learning

1. Supervised / Unsupervised Learning

2. Hubungan Statistika dan Machine Learning

3. Supervised Learning Supervised Learning adalah metode machine learning di mana model dilatih dengan dataset berlabel ( memiliki input dan output). Tujuannya : memetakan input ke output. Contoh algoritma : Regresi Linier, K-Nearest Neighbors (KNN), Decision Tree

4. Contoh Kasus Level 1 (Linear Regression) Jam_Belajar Nilai_Ujian 1 50 2 60 3 65 4 70 5 75 Prediksi nilai ujian mahasiswa berdasarkan jumlah jam belajar

5. Contoh Kasus Level 2 (KNN) Panjang_Email Kata_"Gratis" Spam 100 1 200 2 150 3 1 300 4 1 Klasifikasi email sebagai spam atau bukan berdasarkan jumlah kata tertentu dan panjang email.

6. Contoh Kasus Level 3 (Random Forest) Klasifikasi jenis bunga iris berdasarkan fitur morfologinya . Gunakan Iris Dataset (dataset populer di ML).

7. Unsupervised Learning Unsupervised Learning adalah metode machine learning di mana data tidak memiliki label. Tujuan utamanya adalah untuk menemukan pola tersembunyi , struktur , atau hubungan dalam data. Contoh umum : Clustering ( pengelompokan ), Dimensionality Reduction ( pengurangan dimensi )

8. Contoh Kasus Level 1 ( KMeans ) Mengelompokkan data pengunjung situs berdasarkan waktu kunjungan dan jumlah halaman yang dibuka . Waktu_Kunjungan (menit) Jumlah_Halaman 5 3 6 2 20 10 18 9

9. Contoh Kasus Level 2 (PCA) Visualisasi data bunga iris dalam 2D menggunakan PCA Unsupervised learning bisa digunakan untuk reduksi dimensi agar data lebih mudah divisualisasikan dan dianalisis.Salah satu teknik populer adalah PCA (Principal Component Analysis). PCA mengubah data berdimensi tinggi ke dimensi lebih rendah tanpa kehilangan banyak informasi .

10. Contoh Kasus Level 3 ( DBScan ) Mendeteksi pola pembelian pelanggan dan outlier dalam data penjualan. Untuk dataset yang lebih kompleks dan bentuk cluster tidak beraturan , DBSCAN adalah algoritma clustering yang andal . DBSCAN tidak memerlukan jumlah cluster dari awal dan bisa mendeteksi outlier.