Gedung Enginering Center Lt. 1, FTUI Kampus Baru UI Depok, Jalan Prof. DR. Ir R.
Roosseno,
Kukusan, Kecamatan Beji, Kota Depok, Jawa Barat 16425
(021)-7884-9047 / 786-3508
Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya
sehingga saya dapat menyelesaikan tugas PROJECT akhir Data Analitycs ini tepat pada
waktunya.
Adapun tujuan dari penulisan makalah ini adalah untuk memenuhi tugas akhir
perkuliahan di CEP - CCIT FT UI. Selain itu, makalah ini juga bertujuan untuk menambah
wawasan tentang cara mengolah, dan menganalisa sebuah data menggunakan machine
learning, python, dan algoritma catboost classifier dengan tujuan dapat diimplementasikan
dalam sebuah aplikasi berbasis website.
Saya mengucapkan terima kasih kepada Bapak Ivan Firdaus, ST. yang telah
membimbing saya dalam pembuatan tugas project akhir ini, serta seluruh dosen yang pernah
mengajar saya tanpa saya sebutkan satu per satu namanya, namun tidak mengurangi rasa
hormat saya sebagai siswa sehingga dapat menambah pengetahuan dan wawasan sesuai
dengan bidang studi yang saya tekuni.
Saya juga mengucapkan terima kasih kepada semua pihak yang telah membagi
sebagian pengetahuannya sehingga saya dapat menyelesaikan makalah ini.
Saya menyadari, makalah yang saya tulis ini masih jauh dari kata sempurna. Oleh
karena itu, kritik dan saran yang membangun akan saya nantikan demi kesempurnaan
makalah ini.
Penulis
i
DAFTAR ISI
Contents
Kata Pengantar..............................................................................................................................1
DAFTAR ISI...................................................................................................................................2
BAB I...............................................................................................................................................1
PENDAHULUAN...........................................................................................................................1
1.1 Latar Belakang.....................................................................................................................1
1.2 Rumusan Masalah................................................................................................................2
1.3 Tujuan Penulisan..................................................................................................................2
1.4 Batasan Masalah...................................................................................................................2
1.5 Metode Penulisan Makalah..............................................................................................2
1.5.1 Jenis Penulisan...............................................................................................................................2
1.5.2 Sumber Data..................................................................................................................................3
1.5.3 Teknik Pengumpulan Data............................................................................................................3
1.5.4 Analisis Data...................................................................................................................................3
1.5.5 Manfaat Penelitian........................................................................................................................3
BAB II.............................................................................................................................................4
LANDASAN TEORI......................................................................................................................4
2.1 Pengertian Machine Learning.............................................................................................4
2.2 Data Mining..........................................................................................................................5
2.3 Fungsi Data Mining..............................................................................................................5
2.3.1 Fungsi Prediktif.......................................................................................................................5
2.3.2 Fungsi Deskriptif.....................................................................................................................5
2.4 Jenis Metode Analisis...........................................................................................................6
2.4.1 Metode Predictive Analytics........................................................................................6
2.4.2 Metode Prescriptive Analytics.....................................................................................6
2.5 Jenis dan Sumber Data........................................................................................................6
2.5.1 Data Primer.............................................................................................................................6
2.5.2 Data Sekunder.........................................................................................................................7
2.6 Jenis Tipe Data.....................................................................................................................7
2.7 Metode Learning Algoritma Data Mining.........................................................................8
2.7.1 Supervised Learning......................................................................................................................8
2.7.2 Unsupervised Learning..................................................................................................................8
2.7.3 Semi-Supervised Learning............................................................................................................8
2.8 Metode Data Mining............................................................................................................9
2.8.1 Kriteria Evaluasi dan Validasi Model..........................................................................................9
ii
2.9 Python....................................................................................................................................9
2.9.2 CatBoost Classifier.......................................................................................................................11
2.10 Phyton dan Sejarahnya..............................................................................................11
2.11 Xampp..........................................................................................................................11
2.12 Pengertian Game Console..........................................................................................11
2.13 Jenis Tipe Data............................................................................................................11
2.14 Bahasa Pemrograman Python...................................................................................11
2.15 Kelebihan dan Kekurangan Python..........................................................................11
2.16 Open Source Jupyter..................................................................................................11
2.17 Metode Predictive.......................................................................................................11
2.17.1 Metode Predictive Analytics..................................................................................11
2.17.2 Metode Prescriptive Analytics...............................................................................11
2.18 Jenis dan Sumber Data..............................................................................................12
2.13.1 Data Sekunder............................................................................................................................12
2.13.2 Data Primer................................................................................................................................12
BAB III..........................................................................................................................................14
ANALISA DATASET..................................................................................................................14
3.1.1 Gross Profit Margin (GPM %)......................................................................................14
3.1.2 Profit by Varian and Level.............................................................................................14
3.1.3 Jumlah by Level and Varian..........................................................................................14
3.1.4 Profit by Pekerjaan.........................................................................................................14
3.1.5 Jumlah by Gender dan Pekerjaan.................................................................................15
3.2.3 Hasil Jumlah by Level and Varian................................................................................16
3.2.4 Hasil Profit by Pekerjaan...............................................................................................16
3.2.5 Hasil Jumlah by Gender dan Pekerjaan.......................................................................16
3.3 Dashboard Business Performance....................................................................................17
BAB IV..........................................................................................................................................18
KESIMPULAN.............................................................................................................................18
iii
BAB I
PENDAHULUAN
Permasalahan yang umum dihadapi oleh para pemilik perusahaan atau badan usaha
adalah bagaimana memprediksi atau meramalkan penjualan barang di masa mendatang
berdasarkan data yang telah direkam sebelumnya.
1
komersial untuk memperkirakan jumlah permintaan barang, bahkan strategi marketing dengan
menerapkan prediksi ramalan tertentu.
Dengan adanya rumusan masalah di atas, maka dari itu saya selaku penulis membuat
aplikasi berbasis website dengan machine learning dengan tujuan agar pelaku usaha dapat
memprediksi penjualan per tahun dari setiap sub barang yang dijual demi kepentingan strategi
marketing maupun evaluasi penjualan, dengan judul Aplikasi Prediksi Penjualan Berbasis
Website dengan Catboost Classifier.
1.2.4 Metode apakah yang paling cocok digunakan untuk melakukan prediksi penjualan?
1.2.5 Bagaimana proses pengolahan data serta proses implementasi ke dalam website?
2
Penulisan makalah ini bersifat deskriptif analisis. Metode deskriptif analisis adalah
metode atau cara kerja dalam suatu pemecahan masalah dengan cara mendeskripsikan,
menggambarkan, menjelaskan dan menganalisis situasi dan kondisi suatu obyek
permasalahan dari sudut pandang penulis berdasarkan hasil telaah pustaka yang menunjang
(studi literatur).
4
Deep Blue merupakan Machine Learning yang dikembangkan agar bisa belajar dan
bermain catur. Deep Blue adalah komputer pertama yang memenangkan sebuah permainan
catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen
catur.
Menurut Tom M. Mitchell membuat definisi bahwa “Sebuah program komputer yang
belajar dari pengalaman (experience) E dari tugas yang dibebankan (Task) T dengan
kinerjanya (performance) P yang terukur. Contohnya yaitu sebuah program komputer yang
belajar menggunakan catur, dapat mengembangkan kemampuannya P, yang diukur sebagai
kemampuan supaya menang dalam tugas T bermain catur berdasarkan pengalaman E yang
diperoleh dari bermain catur melawan dirinya sendiri.
2.2 Data Mining
Data Mining merupakan salah satu teknik untuk menganalisis data dari beberapa
perspektif dan meringkas data menjadi salah satu data yang menjadi informasi yang berharga
seperti pendapatan, pemotongan biaya, atau keduanya. Software untuk Data Mining berkerja
sebagai fitur analitik untuk menganalisis data. Software tersebut membantu pengguna untuk
menganalisis data dari beberapa dimensi atau sisi, mengurutkannya, dan menjumlahkan data
yang di identifikasi. Tipenya, data mining merupakan sebuah proses untuk menemukan
korelasi atau pola di antara berbagai bidang dalam basis data relasional yang sangat besar.
2.3 Fungsi Data Mining
Secara umum fungsi dari Data Mining terbagi menjadi dua yaitu ada fungsi deskriptif
dan fungsi prediktif.
2.3.1 Fungsi Prediktif
Fungsi prediksi merupakan sebuah fungsi untuk mengetahui bagaimana sebuah
proses nantinya akan menemukan pola tertentu dari suatu data. Pola-pola tersebut bisa
diketahui dari berbagai variabel-variabel yang ada pada data. Ketika pola sudah
ditemukan, selanjutnya pola yang didapat tersebut dapat digunakan untuk
memprediksi variabel lain yang belum diketahui nilai ataupun jenisnya.
Itulah mengapa fungsi satu ini dikatakan sebagai fungsi prediksi sama halnya
dengan melakukan predictive analisis. Fungsi ini juga dapat digunakan untuk
memprediksi sebuah variabel tertentu yang belum ada dalam suatu data. Sehingga
fungsi ini sangat memudahkan dan menguntungkan bagi siapapun yang memerlukan
prediksi yang akurat untuk menjadikan hal penting tersebut menjadi lebih baik.
2.3.2 Fungsi Deskriptif
Fungsi ini dalam data mining merupakan sebuah fungsi untuk memahami lebih jauh
5
tentang data yang diamati. Dengan melakukan sebuah proses diharap dapat
mengetahui perilaku atau pola dari sebuah data tersebut. Data tersebutlah yang
nantinya bisa digunakan untuk mengetahui karakteristik dari data yang diamati.
Dengan menggunakan Fungsi deskripsi Data mining, maka selanjutnya dapat
ditemukan pola tertentu yang tersembunyi dalam sebuah data. Dengan demikian,
apabila pola yang berulang dan bernilai tersebut merupakan karakteristik sebuah data
dapat diketahui.
2.4 Jenis Metode Analisis
Metode analisis untuk memprediksi kondisi di masa yang akan datang. Metode analisis
ini diperlukan tak hanya oleh perusahaan bisnis, tetapi juga oleh institusi pendidikan
2.4.1 Metode Predictive Analytics
Predivtive Analyst adalah salah satu bentuk analisis yang menggunakan data
baru dan data historis dengan tujuan untuk memprediksi serta memperkirakan,
perilaku, tren, dan aktivitas yang terjadi dalam sebuah data. Dapat juga disebut
sebagai data yang menggunakan algoritma dan machine learning guna
mengidentifikasi trend dalam sebuah data demi kepentingan melihat
kemungkinan di masa depan. Predivtive Analytics bisa disebut sebagai kategori
penting hasil dari pemanfaatan teknologi 5G, metode ini sangat dapat membantu
dalam berbagai industry seperti keuangan, perawatan Kesehatan, bahkan
industri otomotif.
6
sumber data primer dipilih dan disesuaikan secara khusus untuk memenuhi tujuan
penelitian tertentu. Sebelum memilih sumber pengumpulan data, tujuan penelitian dan
populasi sasaran perlu diidentifikasi lebih dulu.
Contoh data primer adalah saat melakukan survei pasar, tujuan survei dan populasi
sampel perlu diidentifikasi. Melalui langkah ini, Anda dapat mengetahui sumber
pengumpulan data yang paling tepat digunakan. Misalnya, survei offline mungkin akan
lebih pas untuk masyarakat yang tinggal di daerah terpencil tanpa koneksi internet
dibandingkan dengan survei online.
2.5.2 Data Sekunder
Menurut Husein Umar (2013:42) data sekunder adalah: “Data sekunder merupakan
data primer yang telah diolah lebih lanjut dan disajikan baik oleh pihak pengumpul
data primer atau oleh pihak lain misalnya dalam bentuk beberapa tabel atau beberapa
diagram”. Sedangkan menurut Nur Indrianto dan Bambang Supomo (2013:143) data
sekunder adalah: “Data sekunder merupakan sumber data penelitian yang diperoleh
peneliti secara tidak langsung melalui media perantara (diperoleh dan 42 dicatat oleh
pihak lain)”.
Contoh data sekunder misalnya catatan atau dokumentasi perusahaan berupa
absensi, gaji, laporan keuangan publikasi perusahaan, laporan pemerintah, data yang
diperoleh dari majalah, dan lain sebagianya. Dalam mempermudah prosesan
pengolahan data, peneliti melakukan pengolahan untuk mempermudah proses
klasifikasi dan proses query yang peneliti lakukan didalam Jupyter menggunakan
Bahasa Python, dan berikut merupakan data yang sudah diolah dari data primer yang
digunakan pada analisis kali ini :
• ID
• CONSOLE
• YEAR
• CATEGORY
• PUBLISHER
• RATING
• CRITICS_POINTS
• USER_POINTS
• Sales In Millions
2.6 Jenis Tipe Data
Berikut merupakan jenis jenis tipe data yang sering digunakan :
7
1. Integer : Integer merupakan salah satu tipe data pada database yang berupa bilangan
bulat. Tipe data ini sering digunakan dalam database khususnya yang berkaitan
dengan bilangan bulat.
2. Array : Array merupakan kumpulan dari tipe data, didalamnya memiliki banyak
nilai. Jadi dapat dikatakan array merupakan tipe data yang terdiri dari beberapa
kumpulan tipe data.
3. Float : Float dapat di katakan juga bilangan yang berkoma(,) tapi dalam
pemrogramannya tidak menggunakan titik(.).
4. String : String merupakan tipe data yang berupa karakter. Didalamnya berupa teks
atau kata.
5. Boolean : Merupakan tipe data yang bernilai True or False. Tipe data boolean
biasanya digunakan untuk logika, seperti pada kondisi if atau looping
(pengulangan).
6. Object : Tipe data objek dapat berupa bilangan, fungsi .
8
• Data yang memiliki kelas digunakan untuk membentuk model (pengetahuan),
data tanpa label digunakan untuk membuat batasan antara kelas
9
Keseimbangan diantaranya ketiganya diperlukan karena belum tentu model yang
akurat adalah handal, dan yang handal atau akurat belum tentu berguna.
2.9 Python
Python adalah bahasa pemrograman interpretatif yang dapat digunakan di berbagai
platform dengan filosofi perancangan yang berfokus pada tingkat keterbacaan kode
dan merupakan salah satu bahasa populer yang berkaitan dengan Data Science,
Machine Learning, dan Internet of Things (IoT). Keunggulan Python yang bersifat
interpretatif juga banyak digunakan untuk prototyping, scripting dalam pengelolaan
infrastruktur, hingga pembuatan website berskala besar.
10
pemrograman lainnya. Python tidak secepat atau efisien seperti bahasa pemrograman
bahasa C, namun hal ini juga tergantung dengan perangkat yang digunakan untuk
menjalankan program.
11
Handling Categorical features automatically : Kita dapat menggunakan
CatBoost tanpa pra-pemrosesan eksplisit untuk mengubah kategori
menjadi angka. CatBoost mengubah nilai kategorikal menjadi angka
menggunakan berbagai statistik pada kombinasi fitur kategorikal dan
kombinasi fitur kategorikal dan numerik.
Robust : Catboost mengurangi kebutuhan untuk penyetelan hyper-
parameter yang ekstensif dan menurunkan kemungkinan overfitting juga
yang mengarah ke model yang lebih umum. Meskipun, CatBoost memiliki
beberapa parameter untuk disetel dan berisi parameter seperti jumlah
pohon, kecepatan pembelajaran, regularisasi, kedalaman pohon, ukuran
lipatan, suhu pengantongan, dan lain-lain.
Easy-to-use : Kita dapat menggunakan CatBoost dari baris perintah,
menggunakan API yang mudah digunakan untuk Python dan R.
2.11Jupyter Notebook
Jupyter adalah aplikasi web gratis untuk yang digunakan untuk membuat dan
membagikan dokumen yang memiliki kode, hasil hitungan, visualisasi, dan teks.
Jupyter adalah singkatan dari tiga bahasa pemrograman Julia (Ju), Python (Py) dan
R Tiga bahasa pemrograman ini adalah sesuatu yang penting bagi seorang data
scientist.
12
Jupyter Server
Jupyter server adalah aplikasi yang berjalan di komputer. Server sendiri adalah
program yang berfungsi untuk melayani komputer ketika terhubung ke internet.
Protokol Kernel
Protokol kernel memungkinkan server untuk melimpahkan tugas menjalankan
kode menjadi berbagai bahasa. Kernel pada dasarnya adalah bahasa
pemrograman. Contohnya seperti Phyton 2, Phyton 3, dan lain-lain.
2.11.2 Fitur dalam Jupyter
File, Kolom File di Jupyter berfungsi untuk membuat notebook baru atau
membuka notebook yang telah ada. Selain itu, di kolom ini juga terdapat
fitur Save and Checkpoint yang berfungsi untuk membuat checkpoint lalu
kembali ke titik terakhir apabila terjadi sesuatu yang tidak diinginkan.
Edit, Kolom Edit Jupyter bisa digunakan untuk melakukan cut, copy atau
paste dari cell yang ada. Fungsi kolom ini juga untuk membagi, menyatukan,
atau menghapus cell. Selain itu, edit juga bisa mengorganisir susunan cell
sesuai yang di mau di kolom Edit ini.
View, View di Jupyter berfungsi untuk mengaktifkan atau mematikan
terlihatnya header dan toolbar. View juga bisa menyalakan atau
mematikan Line Numbers di dalam cells.
Insert, Kolom Insert di Jupyter berfungsi untuk memasukkan cell di atas atau
di bawah cell yang di pilih.
Cell, Kolom Cell bisa menjalankan satu, beberapa, atau bahkan
seluruh cell yang ada. Di kolom ini juga, bisa mengubah tipe dari cell yang
akan di pilih. Selain itu, kolom cell juga bisa membantu dalam
menghapus output dari cell yang telah dikerjakan. Biasanya orang-orang
melakuan ini untuk membagikan notebook nya dengan orang lain. Sehinga,
orang lain tersebut dapat menjalankan cell-nya sendiri.
Kernel, Kolom Kernel Jupyter adalah untuk mengerjakan kernel atau bahasa
pemrograman yang berjalan. Di kolom ini, bisa melakukan restart, reconnect,
mematikan, atau mengganti kernel yang digunakan di notebook.
Widget, Kolom Widget Jupyter memiliki fungsi untuk menambah atau
menghapus widget yang ada. Pada dasarnya, widget adalah
JavaScript widget yang digunakan untuk membuat konten cell kamu menjadi
13
dinamis dengan menggunakan Phyton atau Kernel yang lain.
Help, Kolom terakhir di Jupyter adalah Help. Fungsi kolom ini digunakan
ketika membutuhkan bantuan atau ingin mempelajari notebook kamu lebih
dalam.
2.12 Flask
2.12.1 Pengertian Flask
Flask adalah sebuah framework sekaligus library keluaran Python, yang memiliki
fungsi sebagai alat bantu pengembangan web development. Framework ini
memungkinkan penggunanya membangun web development, dengan berbagai macam
fitur terbaik melalui tools dan pustakanya. Dengan adanya library bawaan ini,
memungkinkan Python bisa langsung digunakan tanpa adanya ketergantungan pada
library pihak ketiga. Library Flask adalah framework yang harus dipelajari bersamaan
dengan bahasa python.
Jika bahasa pemrograman lain membutuhkan library tambahan untuk bisa tumbuh,
dengan Flask bisa menggunakan Python dengan lebih ringan dan mudah. Framework
canggih ini sudah support pada berbagai macam kebutuhan, seperti deteksi error dan
bug, keamanan sistem, dan masih bisa menambahkan extensi. Yang unik dari Flask
adalah framework yang masuk dalam kategori mikro, sehingga akan mengurangi
ketergantungan pada library dan extensi pihak luar. Karena termasuk dalam micro
framework, framework ini memungkinkan untuk membuat core dengan sintaks yang
sangat sederhana.
Framework ini pertama kali dikembangkan oleh Pocoo pada tahun 2004 silam.
Dengan dasar pembangunan dari Werkzeug dan Jinja2 yang merupakan proyek lain
dari sang pengembang. Microframework ini sudah berbasis unicode, yang
menggunakan Jinja2 template engine.
Jika dibandingkan dengan framework Python lainnya seperti Django, framework ini
memiliki beberapa kelebihan khusus. Tak heran jika Flask adalah salah satu framework
terbaik yang harus dipelajari. Berikut ini beberapa kelebihan yang bisa dirasakan:
14
Kelebihan pertama yang bisa dirasakan, adalah performa penggunaan
framework. Flask adalah sebuah framework web development yang sangat ringan,
hal ini bisa terjadi karena core dengan desain modular yang super simpel.
b. Friendly untuk Pemula
Framework ini menggunakan bahasa yang sangat friendly untuk pemula,
sehingga akan lebih mudah mempelajari Python dengan framework ini. Namun
untuk mempelajari Flask, akan lebih baik jika mempelajari Python terlebih dahulu.
c. Support Extensi Pihak Ketiga
Flask memiliki fungsi dasar yang support pada penambahan library, module,
hingga plugin lain sebagai extensi tambahan. Dengan kelebihan ini, akan
memungkinkan pengguna membangun web development super kompleks.
d. Flask adalah Framework yang Free Penggunaan
Pada dasarnya framework ini menggunakan Python sebagai bahasa
pemrograman. Dengan sifat open source dan dukungan sistem dari Flask,
pengguna bisa menggunakannya secara gratis. Bahkan bisa membuat sebuah
website untuk kebutuhan komersil.
e. Flask adalah Framework yang Fleksibel
Microframework ini memungkinkan membangun web development, yang
mencakup pengembangan front end dan back end. Sehingga lebih leluasa untuk
mengembangkan web, dalam satu framework saja.
f. Fitur Bawaan yang Menarik
Dengan menggunakan framework ini bisa menikmati berbagai fitur bawaan
yang menarik. Sebut saja pengembangan server dan pewaktuan, dukungan integrasi
pada pengujian unit, Secure Cookies, ReSTful Request dispatching, dan berbagai
fitur menarik lainnya.
15
dan back end dalam satu project kerja. Flask juga bisa menambahkan berbagai
fitur menarik hingga menambahkan berbagai fitur dan plugin tambahan.
2. Membuat Machine Learning
Flask adalah salah satu microframework yang bisa digunakan untuk
membuat machine learning, framework ini akan memberikan fasilitas penuh pada
sisi server. Flask bisa menambahkan library tambahan, untuk menunjang kinerja
machine learning yang dibuat.
3. Membuat Aplikasi Web
Kegunaan lain dari Flask adalah memungkinkan untuk membuat aplikasi
web, seperti contoh adalah aplikasi kasir sederhana, drive online, sistem
akuntansi dan masih banyak lagi. Flask bisa membuat aplikasi sederhana hingga
kompleks, dengan scripting yang lebih mudah.
4. Membuat Sistem Informasi Web
Selain kegunaan tersebut, Flask juga bisa membuat sistem informasi web.
Flask bisa mengeksplorasi berbagai fitur yang ada, bahkan menambahkan plugin
untuk kebutuhan performa sistem informasi.
5. Membuat Game Berbasis Web
Framework bawaan Python ini, adalah kemungkinan besar dalam
membangun sebuah game berbasis web. Flask bisa membuat berbagai game
ringan seperti flappy bird, puzzle dan berbagai game web lainnya.
6. Membuat Marketplace dan Katalog Web
Flask bisa membuat toko online dan katalog web. Hal ini akan menambah
nilai plus dari usaha, apalagi bisa menambahkan berbagai fitur seperti
matematika dasar, fitur keranjang, fitur tracking dan masih banyak lagi.
2.12 MySQL
MySQL adalah sebuah DBMS (Database Management System) menggunakan
perintah SQL (Structured Query Language) yang banyak digunakan saat ini dalam
pembuatan aplikasi berbasis website. MySQL dibagi menjadi dua lisensi, pertama
adalah Free Software dimana perangkat lunak dapat diakses oleh siapa saja dan kedua
adalah Shareware dimana perangkat lunak berpemilik memiliki batasan dalam
penggunaannya.
MySQL termasuk ke dalam RDBMS (Relational Database Management
System). Sehingga, menggunakan tabel, kolom, baris, di dalam struktur databasenya.
16
Jadi, dalam proses pengambilan data menggunakan metode relational database dan
juga menjadi penghubung antara perangkat lunak dan database server.
2.13 XAMPP
Aplikasi XAMPP adalah software komputer yang penamaannya diambil dari
akronim kata X (cross platform) A (Apache), M (MySQL), P (PHP), dan P (Perl)
dimana program-program tersebut tersedia di dalamnya.
XAMPP dipakai untuk membuat web server lokal di komputer atau localhost.
Aplikasi XAMPP memudahkan dalam mendesain, keperluan testing website dan
pengembangannya, yang semua file bisa diakses melalui web browser computer.
XAMPP adalah versi offline dari website pada komputer, hal ini akan berguna
melakukan pengujian fitur baru pada website, memodifikasi tema maupun plugin, dan
juga mempelajari dasar-dasar website untuk pengembangan.
17
BAB III
ANALISA DAN PEMBAHASAN
18
BAB IV
KESIMPULAN
19
DAFTAR PUSTAKA
Data mining : Definisi, Fungsi, Metode, Dan Contoh Penerapan. (2022, June 15). Retrieved
from https://inmarketing.id/data-mining-adalah.html#Fungsi_Data_Mining
Efendi. (2021, January 22). APA ITU game Konsol? Mengenal Pengertian game Konsol.
Medina, M. I. (2021, August 21). Penting untuk data scientist, Ketahui APA Saja Fungsi
https://glints.com/id/lowongan/jupyter-adalah/#.Yvop5nZBw2w
Mengenal data primer Dan Cara Mendapatkannya. (2022, July 17). Retrieved from
https://algorit.ma/blog/data-primer-2022/
https://www.kaggle.com/code/prashant111/catboost-classifier-in-python/notebook
20