Segala puji bagi Allah SWT yang telah memberikan nikmat serta hidayah-Nya terutama nikmat
kesempatan dan kesehatan sehingga penulis dapat menyelesaikan modul praktikum mata
kuliah “Machine Learning”. Kemudian shalawat serta salam kita sampaikan kepada Nabi besar
kita Muhammad SAW yang telah memberikan kita pedoman hidup dan sunnah untuk
keselamatan umat di dunia.
Modul ini merupakan pedoman praktikum Machine Learning di program studi teknik
informatika lingkungan Fakultas Sains & Teknologi pada UIN Alauddin Makassar.
KATA PENGANTAR
PENDAHULUAN
BIOGRAFI
A. Tujuan Praktikum
B. Teori Dasar
Regresi linier atau linear regression merupakan salah satu jenis analisis prediksi
yang sering digunakan pada data berskala kuantitatif seperti interval atau rasio. Analisis
ini berfungsi untuk membuktikan apakah sekumpulan variabel bebas memiliki
pengaruh yang signifikan dalam memprediksi variabel terikat. Linear regression
digunakan untuk melakukan prediksi dan modelling berdasarkan data – data yang ada.
Metode linear regression didasarkan pada pola hubungan data terkait masa lalu
- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis, menyimpan,
serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset petani.csv yang berisi berat dan
kelembaban.
D. Step by Step
2. Visualisasi, pada bagian ini dataset kita akan menampilkan diagram yang
merepresentasikan dataset kita.
2. Import library – library yang akan kita gunakan pada praktikum ini dan
definisikan, lalu run. Jika proses run berhasil, akan ada ceklis hijau pada baris
kode.
5. Setelah itu mengubah bentuk array tanpa mengubah data yang ada.
8. Menghitung intercept.
9. Menghitung prediksi.
A. Tujuan Pembelajaran
B. Teori Dasar
Nilai F hitung dapat dicari dengan sidik ragam yang dapat dilihat pada Tabel 2.
Tabel 2 Sidik ragam fungsi regresi Sumber Keragaman Derajat Bebas Jumlah Kuadrat
Kuadrat Tengah F Hitung Regresi R dr = p-1 JKR KTR= JKRdbr KTRKTS Sisa S ds
= n-p JKS KTS= JKSdbs - Total T dt = n-1 JKT - - Dimana : p = banyaknya konstanta
koefisien regresi dan intercept n = banyaknya pohon contoh Hipotesa yang digunakan
Ho : β 1 = β 2 = 0 H1 : Sekurang- kurangnya ada β 1 atau β 2 ≠ 0 Apabila F hitung F
tabel maka tolak Ho, artinya sedikitnya ada satu peubah bebas yang mempengaruhi
peubah tak bebas.
Dari hasil analisis regresi tersebut dapat dilihat keeratan hubungan antara peubah
bebas dengan peubah tak bebas yang ditunjukan oleh besarnya nilai koefisien korelasi
r, sedangkan untuk melihat berapa besar pengaruh peubah bebas diameter pohon
terhadap peubah tak bebas tinggi pohon dapat dilihat dari nilai koefisien determinasi R
2.
- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis, menyimpan,
serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan masih dataset petani.csv yang berisi berat dan kelembaban.
D. Step by Step
1. Split Dataset
Karena data testing tidak digunakan untuk melatih model, maka model tidak
mengetahui outcome dari data tersebut. Ini yang disebut dengan out of sample.
Pada posisi ini dataset dihitung secara keseluruhan atau dilakukan pentingnya
intercept juga bisa dilihat secara grafis. Jika hanya ada satu fitur, maka model regresi
linear dapat diplot sebagai garis lurus pada bidang.
Bagian ini ditujukan untuk bagaimana posisi dari suatu data apakah benar-benar
sudah sesuai apa tidak.
4. Counting (RMSE,MSE,MAE)
Bagian ini kita memberi perintah model dengan cara yang sama seperti MSE dan
RMSE. Dengan demikian kita dapat mengoptimalkan MSE dari pada RMSE.
E. Langkah-langkah praktikum
1. Buka google collab, pastikan kodingan adalah lanjutan dari kodingan praktikum
sebelumnya, kemudian masukkan beberapa library seperti yang ada pada gambar 1.
3. Setelah itu buat objek regressor, yang didalamnya terdapat fungsi dari linear
regression.
4. Selanjutnya, membuat model regresi untuk mecari hubungan antara x_train, dan
y_train.
5. Gunakan perintah print untuk menampilkan output dari sebuah nilai dari regressor
coef dan intercept.
7. Scatter plot ini akan membuat garis/line plot dengan warna. Plot ini memiliki sumbu x,
dan y, dan memberikan label disetiap sumbunya.
8. Pada bagian ini dibutuhkan sklearn library untuk melakukan pengecekan dengan
MAE,MSE, dan RMSE.
A. Tujuan Pembelajaran
B. Teori Dasar
- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis, menyimpan,
serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset
https://drive.google.com/drive/folders/1nEQjnecHX-mXMH2kl5x518MF9-kusEhz
D. Step by Step
1. Convolution
Convolution layer merupakan bagian dari tahap pada arsitektur CNN. Tahap ini
melakukan operasi konvolusi pada output dari layer sebelumnya. Layer tersebut adalah
proses utama yang mendasari jaringan arsitektur CNN.
2. Pooling
3. Full Connection
4. Dropout Regulation
E. Langkah-langkah praktikum
● Line 1 dan 2 :Kita import matplotlib untuk membuat gambar, membuat area
plot dalam gambar, menambah label di plot dan lainnya.
● Line 4 : kita import Sequential untuk model neural network kita yang berupa
sequential network. Untuk diketahui, dasar dari inisialisasi neural network
selain sequential adalah graph.
Untuk memanggil file di Google Drive pada GColab, terlebih dahulu harus dilakukan
'Mounting' untuk menghubungkan antara Google Drive dan Google Collab
Gambar 2. Pemanggilan FIle Dengan Path
6. Permodelan
- Dari hasil tersebut, diperoleh hasil ketika epoch 10/10 yaitu akurasi sebesar
68,7% dan akurasi validasi sebesar 50%.
A. Tujuan Praktikum
1. Mahasiswa mampu memahami model klasifikasi gambar.
2. Mahasiswa mampu memahami penggunaan model klasifikasi gambar .
B. Teori Dasar
Sebuah "Model" dalam ilmu machine learning adalah keluaran atau hasil dari
algoritma pembelajaran yang telah dijalankan pada set data. Model mempresentasikan
apa yang dipelajari oleh algoritma pembelajaran mesin.
Dalam kata lain Model adalah "Benda" yang disimpan setelah menjalankan
algoritma machine learning pada proses pelatihan data dan mewakili aturan, angka, dan
struktur data khusus algoritma lainnya yang diperlukan untuk membuat prediksi.
- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis,
menyimpan, serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset dari
https://drive.google.com/drive/folders/1nEQjnecHX-mXMH2kl5x518MF9-kusEhz
D. Step by Step
1. Image Predict
karena pada tahap ini gambar yang ada dalam folder dilakukan prediksi untuk
melihat hasil dari klasifikasi gambar
2. Confusion Matrix
Confusion matrix adalah sebuah tabel yang sering digunakan untuk mengukur
kinerja dari model klasifikasi pada machine learning. Tabel ini menggambarkan
lebih detail tentang jumlah data yang diklasifikasikan dengan benar maupun
salah.
karena dimana pada posisi ini dataset dihitung secara keseluruhan lalu
dilakukan confusion matriks juga bisa dilihat secara grafis dan dimana hasil
proses itu bersifat true positif, true negatif, false positif, dan false negatif.
3. Poc Curve
karena pada bagian ini kita ditunjukkan bagaimana cara menentukan threshold
dari suatu model klasifikasi dan menentukan bagaimana titik curve temu dari
ROC curve .
4. AUC
Karena pada bagian ini AUC menentukan luas daerah dibawah dari ROC curve
dan untuk mengevaluasi kinerja model dengan kurva.
4. Pada proses ini klasifikasi ROC Curve dilakukan yang dimana menggunakan
syntax roc.iloc dengan ideal_roc_thresh untuk penampilan tampilan informasi
seperti dibawah itu.
A. Tujuan Praktikum
B. Teori Dasar
- Pada praktikum ini kita menggunakan Google Collaboratory sebagai tools dan
menggunakan python untuk bahasa pemrogramannya. Kita bisa menulis,
menyimpan, serta membagikan program yang ditulis tanpa perlu instalasi.
- Dataset yang digunakan merupakan dataset Train.
D. Step by Step
3. Membagi data menjadi data training dan data testing untuk mengetahui
performa dari sistem.
4. Mengklasifikasi menggunakan random forest yang dilakukan melalui
pembentukan pohon (tree).
- Robert edge
- Sobel
- Scharr
- Gaussian
- Median
4. Untuk mengetahui label dari setiap filter pendeteksi keberadaan tepi (edge).
5. Melakukan split data untuk data training dan data testing untuk mengetahui
performa sistem.
A. Tujuan Praktikum
1. Mahasiswa mampu memahami tentang ekstraksi dari algoritma Random Forest.
2. Mahasiswa mampu memahami konsep dari algoritma Random Forest.
B. Teori Dasar
Autoencoder adalah model neural network yang memiliki input dan output yang
sama. Autoencoder mempelajari data input dan berusaha untuk melakukan rekonstruksi
terhadap data input tersebut. Autoencoder biasa digunakan untuk mengurangi dimensi
dari features (Dimensionality Reduction). Jika kita mempunyai data yang mempunyai
dimensi yang sangat tinggi (data dengan jumlah features yang sangat banyak) bisa jadi
tiap features yang ada tersebar pada setiap dimensi dari data sehingga setiap data yang
ada terlihat sangat berbeda. Untuk mengatasi masalah tersebut kita membutuhkan data
yang sangat banyak atau mengurangi dimensi data tersebut. Kita bisa menggunakan
PCA, t-SNE ataupun Autoencoder.
Autoencoder terdiri dari dua bagian utama yaitu encoder dan decoder. Encoder.
Diantara encoder dan decoder, terdapat code layer atau bisa juga dibilang target layer
(istilah saya sendiri). Jumlah neuron pada code layer adalah jumlah dimensi yang kita
harapkan untuk mengurangi dimensi dari data kita.
5. Membuat ketetapan dari model yang akan dibuat, disini kita mengubahnya
menjadi nilai boolean, melakukan prediksi, dan tampilkan hasilnya.
Pesan dan Kesan : saya suka asdosnya karena beda dari yang lain
seimbang komedinya sama belajarnya, intinya tetap belajar dan
semangat
dipelajari ini. Kakak - kakak asdosnya juga baik sekali, sabar lagi, baru penjelasannya tidak
mutar - mutar dulu. Biar mami itu tugasnya banyaak sekali setiap minggu, tulis tangan lagi :).
Terima kasih kakak - kakak sudah sabar ajar kita - kita yang menyebalkan, semangaaat.
Ulfa Rahmayani, biasa dipanggil Ulfa. Orang Barru asli, tahun ini
umurnya sudah 21 tahun. Hobinya dengar lagu. Riwayat
pendidikannya SDI 33 Barru, SMPN 1 Barru, SMAN 1 Barru.