Nama :
Muhammad Naufal Widiyantama (190100050)
Dosen Pengampu :
Teguh Budi Santoso , S.Kom., M.Kom.
Prodi :
Teknik Informatika
Yang bisa dilakukan bank ialah menganalisa data nasabah sebelumnya , nasabah
dengan ciri ciri seperti apa yang kemungkinan memiliki masalah dalam
melakukan pengembalian pinjaman. Ciri - ciri yang dimaksud adalah informasi
yang dimiliki nasabah , seperti : Umur, edukasi, lama bekerja, pendapatan, debit
yang dimiliki, dll.
Berdasarkan informasi informasi tersebut , sebuah classifier model dapat dibuat
yang akan digunakan untuk melakukan klasifikasi data baru.
Kita bisa membuat classifier model berdasarkan data pasien yang tersedia
Jika pasien baru muncul, classifier model dapat melakukan kategorisasi,
yang mana dari ketiga obat tersebut yang cocok untuk pasien tersebut
B. Memahami Pengukuran Evaluasi
a. Training dan Testing Data
Pengukuran Evaluasi (Evaluation Metrics) mendeskripsikan performa dari model
classifier kita. Untuk membuat Evaluation Metrics, data training dibagi menjadi
dua:
- Training data = Membuat model classifier
- Testing data = Memeriksa akurasi dari classifier
C. Beberapa Evaluasi matrik yang umum
a. Jaccard Index
b. F1 Score
Cara membaca Confusion Matriks
D. Algoritma K-Nearest Neighbor (KNN)
a. Apa itu K-Nearest Neighbor
Sebuah metode untuk melakukan klasifikasi berdasarkan similaritas terhadap data
lainnya. Beberapadata terdekatdisebutdengan“Tetangga” atau “Neighbors”.
Tetangga yang terdekat dianggap memiliki fitur yang serupa dengan data yang
dimaksud.
2. Pertemuan 12 (Classification : Decision Tree)
A. Apa itu Decision Tree?
a. Studi Kasus Decision Tree
• Bayangkan anda sebagai peneliti
medis yang sedang melakukan
observasi data pasien.
• Data pasien telah terkumpul,
dimana pasien-pasien tersebut
memiliki penyakit yang sama.
• Selama penanganan, setiap
pasien harus menerima salah
satu dari dua obat yang tersedia.
• Drug A
• Drug B
• Tugas anda: memberikan saran
obat kepada pasien yang baru.
Fitur:
• Age
• Sex
• Blood Pressure (BP)
• Cholesterol
Target/Class:
• Drug A atau Drug B
Classifier model
Training Data
Untuk Modelling
Prediksi Class