Klasifikasi (Classification)¶
Klasifikasi memprediksi kelas (label kategorik) dari sebuah data, misalnya email spam atau bukan, atau tumor ganas atau jinak. Ini adalah supervised learning: model belajar dari data yang labelnya sudah diketahui.
Mulai dari sini: apa itu klasifikasi?¶
Klasifikasi adalah cara komputer menebak kategori sebuah data setelah belajar dari contoh yang jawabannya sudah diketahui.
Analogi
Petugas pos memilah surat ke kotak kota tujuan. Ia belajar dari ribuan surat yang sudah tahu tujuannya, lalu bisa memilah surat baru sendiri.
Mengapa dipelajari? Banyak keputusan berbentuk pilihan kategori: email spam atau bukan, pelanggan akan berhenti atau tidak, tumor ganas atau jinak.
Peta belajar¶
- Apa masalahnya dan bagaimana data diperiksa? → alur kerja dan data
- Bagaimana data disiapkan dan dibagi dengan aman? → praproses dan baseline
- Model apa saja yang tersedia? → Logistic Regression, KNN, Decision Tree, Random Forest, SVM, Naive Bayes
- Bagaimana menilai hasilnya? → evaluasi, kelas tidak seimbang
- Bagaimana memilih dan menyetel model terbaik? → perbandingan dan optimasi
- Bagaimana memakainya di dunia nyata? → simpan, deploy, monitor, lalu proyek
Setiap pelajaran dibuka dengan Gambaran singkat yang menjelaskan topiknya dengan bahasa sehari-hari.
Tujuan pembelajaran¶
- Merumuskan masalah klasifikasi dan memilih metrik yang sesuai.
- Membangun pipeline klasifikasi tanpa kebocoran data.
- Membandingkan beberapa algoritma secara adil dan menafsirkan hasilnya.
- Menangani kelas tidak seimbang, menyetel hyperparameter, dan menyimpan model.
Prasyarat¶
Bab Dasar-dasar, terutama Praproses Data, Data Latih, Validasi, Uji, Metrik Evaluasi, dan Pipeline.
Tahap alur kerja yang relevan¶
| Tahap | Status | Catatan |
|---|---|---|
| Definisi masalah, pengumpulan data, EDA, praproses | Wajib | Periksa distribusi kelas |
| Rekayasa fitur | Opsional | |
| Pembagian data | Wajib | Stratified, validasi silang |
| Pemilihan, pelatihan model | Wajib | Mulai dari baseline |
| Evaluasi | Wajib | Confusion matrix, precision/recall/F1, ROC-AUC, PR-AUC |
| Optimasi | Wajib | Grid/Random Search dengan validasi silang |
| Penyimpanan model | Wajib | joblib |
| Deployment dan monitoring | Opsional | Konsep, contoh sederhana, pemantauan pergeseran |
Pelajaran¶
| # | Pelajaran | Isi utama |
|---|---|---|
| 1 | Alur Kerja dan Data | Rumusan masalah, dataset, label, pemeriksaan awal |
| 2 | Praproses, Pembagian Data, Baseline | Keputusan praproses, stratified split, baseline |
| 3 | Logistic Regression | Sigmoid, regularisasi C, koefisien |
| 4 | KNN | Jarak, k, scaling |
| 5 | Decision Tree | Gini, kedalaman, aturan terbaca |
| 6 | Random Forest | Bagging, OOB, feature importance |
| 7 | SVM | Margin, C, kernel RBF, gamma |
| 8 | Naive Bayes | Teorema Bayes, asumsi independensi, teks |
| 9 | Perbandingan dan Pemilihan Model | Validasi silang berulang, interpretasi |
| 10 | Evaluasi Model | Confusion matrix, ROC, PR, ambang |
| 11 | Kelas Tidak Seimbang dan Validasi Silang | Metrik, class_weight, stratifikasi |
| 12 | Optimasi Hyperparameter | Grid/Random Search, nested CV |
| 13 | Menyimpan Model, Deployment, Monitoring | joblib, keamanan, pergeseran data |
| 14 | Proyek End-to-End | Prediksi churn dari awal sampai model tersimpan |
Data yang dipakai¶
- Breast Cancer Wisconsin (Diagnostic), data publik bawaan scikit-learn, untuk pelajaran 1–13.
- Data sintetis (pelanggan churn dan data tidak seimbang) untuk bagian yang membutuhkan data campuran atau timpang; selalu ditandai sebagai sintetis.
Contoh kode ada di examples/classification/; keluaran yang ditampilkan berasal dari program yang dijalankan.