Data Mining

 Supervised Learning      Supervised learning adalah salah satu paradigma dalam machine learning di mana algoritma dipelajari dari data yang telah dilabeli. Artinya, kita memiliki data yang sudah memiliki input (fitur) dan output (label atau target), dan tujuan dari supervised learning adalah untuk mempelajari hubungan antara input dan output sehingga algoritma dapat memprediksi output baru untuk input yang belum pernah dilihat sebelumnya. Berikut adalah minimal 30 algoritma yang termasuk dalam supervised learning, dengan berbagai jenis dan aplikasi yang berbeda: 1. Linear Regression: Algoritma untuk memprediksi nilai kontinu berdasarkan hubungan linier antara fitur dan target. 2. Logistic Regression: Algoritma untuk klasifikasi biner yang menghasilkan probabilitas kelas dengan menggunakan fungsi logistik. 3. Support Vector Machines (SVM): Algoritma yang mencari pemisah optimal (hiperplane) antara kelas dalam ruang fitur. 4. Decision Trees: Algoritma yang membangun m...

 Pre-Processing Data preprocessing adalah tahap yang lebih luas yang mencakup beberapa tindakan termasuk data cleaning. Ini juga melibatkan transformasi data agar sesuai dengan format atau struktur yang lebih sesuai untuk analisis atau pembelajaran mesin. Contoh dari preprocessing termasuk pengkodean variabel kategorikal menjadi numerik, penskalaan data untuk menghilangkan perbedaan skala, atau pengurangan dimensi untuk meningkatkan efisiensi analisis. Dalam pre-processing terdapat beberapa tahapan, diantaranya : 1. Data Cleaning Data sering kali tidak sempurna dan bisa memiliki kesalahan, kehilangan nilai (missing values), atau format yang tidak sesuai. Data cleaning melibatkan identifikasi, penanganan, dan koreksi masalah-masalah ini agar data dapat digunakan secara efektif dalam analisis selanjutnya. Contoh tindakan pembersihan data meliputi penghapusan data duplikat, penanganan missing values, normalisasi data, dan lain sebagainya. Input Code : Output : 2. Data Collection Ini a...

Data Preparation Data preparation, atau persiapan data, adalah tahap penting dalam proses analisis data di mana data mentah atau awal diolah dan disiapkan untuk analisis lebih lanjut. Tujuan utama dari data preparation adalah untuk memastikan bahwa data yang digunakan dalam analisis atau pemodelan adalah berkualitas tinggi, relevan, dan siap digunakan. Contoh implementasi pada Google Colaboratory : Input Code : Output :   Data Visualization Data visualization, atau visualisasi data, adalah proses mewakili data atau informasi dalam bentuk grafis seperti grafik, diagram, atau peta untuk memahami pola, tren, dan hubungan di dalam data. Tujuan utama dari data visualization adalah untuk mengkomunikasikan informasi yang kompleks secara visual dengan cara yang mudah dipahami dan menarik. Berikut salah satu contoh penerapan visualisasi data menggunakan diagram garis : Input Code : Output :  

 Data Mining LINK PDF :  Laporan P5.pdf 1.      Pendahuluan Dalam laporan ini, akan dilakukan analisa berbagai faktor yang berkaitan dengan prestasi akademik mahasiswa berdasarkan data transkrip nilai. Analisis akan mencakup penilaian Indeks Prestasi Semester (IPS) setiap semester untuk setiap mahasiswa, korelasi antara IPS dan tingkat kelulusan tepat waktu, hubungan antara predikat 'Pujian' dengan tingkat kelulusan tepat waktu, kaitan antara durasi studi dan predikat kelulusan, serta perbandingan prestasi akademik berdasarkan jenis kelamin. 2.      IPS setiap Semester per Mahasiswa Dilakukan pencarian nilai rata-rata indeks prestasi semester (IPS) untuk setiap mahasiswa setiap semester dengan menggabungkan total nilai mata kuliah yang diperoleh dan membaginya dengan jumlah kredit semester (SKS) yang diambil. Proses ini membantu dalam mengevaluasi kinerja akademik mahasiswa seiring berjalannya waktu. Penggunaan Metode: 1. ...

 Data Mining Proses atau tahapan dalam data mining mengacu pada serangkaian langkah sistematis untuk mengeksplorasi dan menganalisis data besar dengan tujuan mengungkap pola-pola yang berguna atau pengetahuan yang dapat digunakan untuk pengambilan keputusan. Berikut adalah beberapa tahapan umum dalam proses data mining: 1. Pengumpulan Data : Tahap awal dalam proses data mining adalah mengumpulkan data dari berbagai sumber yang relevan dengan tujuan analisis. Data ini dapat berupa data terstruktur (misalnya dari database relasional) atau data tidak terstruktur (misalnya dari dokumen teks, media sosial, atau sensor). 2. Pembersihan Data (Data Cleaning): Data yang dikumpulkan sering kali tidak sempurna, mengandung nilai yang hilang, atau noise. Pada tahap ini, data dibersihkan dengan mengatasi masalah-masalah seperti duplikasi data, mengisi nilai yang hilang, dan menghapus atau mengkoreksi data yang tidak valid. 3. Integrasi Data : Data yang diambil dari berbagai sumber dapat memili...