Lewati ke isi

Data Mining dan Machine Learning dengan Python

Materi belajar berbahasa Indonesia untuk memahami alur kerja data mining dan machine learning: dari mendefinisikan masalah, menyiapkan data, membangun model, hingga mengevaluasi dan mengoptimalkannya, dengan Python dan scikit-learn.

Status

Seluruh bab sudah tersedia. Contoh kode dijalankan dengan Python 3.14 dan scikit-learn 1.9; keluaran yang ditampilkan berasal dari program yang benar-benar dijalankan. Data bersifat publik (bawaan scikit-learn dan statsmodels) atau sintetis, dan selalu diberi tanda.

Lima kategori data mining

Bab Pertanyaan yang dijawab Jenis pembelajaran
Klasifikasi Ini termasuk kelas yang mana? Supervised
Estimasi (Regresi) Berapa nilai numeriknya? Supervised
Forecasting Berapa nilainya di masa depan? Supervised, berurutan waktu
Klaster Kelompok alami apa yang ada? Unsupervised
Aturan Asosiasi Item apa yang sering muncul bersama? Unsupervised

Isi tiap bab

  • Dasar-dasar: 12 pelajaran (lingkungan, NumPy, pandas, visualisasi, statistik, EDA, praproses, rekayasa fitur, pembagian data, metrik, pipeline, overfitting dan kebocoran data).
  • Klasifikasi: 14 pelajaran, dari alur kerja sampai proyek prediksi churn.
  • Estimasi (Regresi): 9 pelajaran, dari regresi linear sampai proyek harga rumah.
  • Forecasting: 11 pelajaran, dari komponen deret waktu sampai proyek penjualan bulanan.
  • Klaster: 10 pelajaran, dari k-Means sampai proyek segmentasi pelanggan.
  • Aturan Asosiasi: 6 pelajaran, dari data transaksi sampai proyek keranjang belanja.

Cara memakai materi ini

  1. Siapkan lingkungan Python.
  2. Pelajari Dasar-dasar satu kali; semua bab merujuk ke sana.
  3. Pilih bab sesuai kebutuhan. Setiap halaman bab memuat prasyarat, tujuan, dan rencana pelajaran.
  4. Jalankan kode sendiri dan kerjakan latihannya.