Nama : Rizki Nurhadi

NIM :41622110016
Fakultas : Teknik Industri
Matkul : Pemrogaman Komputer

informasikan tahapan dari pembuatan algoritma

1. Mendefinisikan Masalah
Ketika kamu ingin membuat suatu algoritma maka masalah menjadi sebuah hal yang
penting. Jadi harus tahu terlebih dahulu masalahnya itu apa sih sebelum lanjut ke tahap
berikutnya.
Tujuan dari fase awal ini dilakukan adalah menyusun rencana awal model machine
learning yang dapat memberikan sebuah jalan keluar dari suatu masalah yang sedang
dihadapi. Di tahap definisi masalah ini, kamu juga bisa menimbang-nimbang berbagai
hal berikut:

2. Pengumpulan Data
Langkah kedua dalam membuat sebuah algoritma adalah pengumpulan data. Semakin
banyak dan semakin bagus kualitas data yang dikumpulkan, maka semakin baik
performa model Machine Learning yang akan dihasilkan
Terdapat beberapa metode dalam pengumpulan data contohnya seperti Web Scraping
dan Data Mining. Data Mining sendiri merupakan proses pengumpulan data dari
berbagai sumber seperti website untuk keperluan analisis dan sebagainya. Untuk Web
Scraping sendiri merupakan salah satu metode dari Data Mining.

3. Persiapan Data
Persiapan data merupakan tahapan ketiga dalam membuat algoritma data science.
Proses ini menyiapkan data mentah sehingga layak untuk dianalisis lebih lanjut.
Langkah-langkah ini mencakup pengumpulan, pembersihan, dan pelabelan data
mentah ke dalam bentuk yang cocok untuk algoritma machine learning, kemudian
menjelajahi dan memvisualisasikan data.
Persiapan data dapat memerlukan waktu hingga 80 persen dari waktu yang digunakan
untuk proyek Machine Learning. Data tidak terstruktur membentuk 80 persen dari data
saat ini.

4. Visualisasi Data
Persiapan data sudah dilakukan maka langkah selanjutnya adalah melakukan
visualisasi data pada algoritma yang ingin dibuat. Visualisasi data digunakan untuk
melakukan Exploratory Data Analysis (EDA).
Ketika seseorang berurusan dengan volume data yang besar, maka membuat grafik
merupakan cara terbaik untuk mengeksplorasi dan mengomunikasikan hasil
temuannya.
5. Modeling Data
Setelah data berhasil dikumpulkan, dirapikan dan divisualisasikan maka langkah
selanjutnya adalah melakukan modeling data.
Pada tahap ini, kamu perlu memilih teknik permodelan, melatih model (training model),
mengatur dan menyesuaikan parameter-parameter model, memvalidasi model,
mengembangkan dan menguji model, memilih algoritma yang tepat, dan optimasi
model.

6. Feature Engineering
Seperti yang kita tahu bahwa dalam pembuatan algoritma machine learning pada
dasarnya adalah mempelajari pola berulang terkait dengan data. Maka dari itu,
diperlukan sebuah rekayasa fitur agar model machine learning bisa tepat sesuai
dengan prediksi. Akurasi model machine learning bergantung pada kumpulan dan
komposisi fitur yang tepat.
Misalnya dalam aplikasi Machine Learning yang merekomendasikan daftar putar musik,
fitur akan mencakup peringkat lagu, lagu mana yang didengarkan sebelumnya, riwayat
pemutaran dan waktu mendengarkan lagu pada aplikasi.

7. Model Deployment
Tahap terakhir dalam pembuatan algoritma machine learning adalah model
deployment. Model deployment adalah penerapan model machine learning.
Sederhananya, memasukkan model ke dalam produksi berarti membuat model yang
tersedia untuk sistem bisnis yang lain.
Dengan menggunakan model, sistem lain dapat mengirim data ke mereka dan
mendapatkan prediksinya yang pada gilirannya akan terisi kembali ke sistem
perusahaan. Melalui penyebaran model machine learning ini, kita dapat mulai
mengambil manfaat penuh dari model yang kita buat.