Lewati ke isi

Alur Kerja dan Data Klasifikasi

Gambaran singkat

Apa ini? Pelajaran pembuka klasifikasi: mengenal apa itu klasifikasi, cara merumuskan masalahnya, dan memeriksa data sebelum membuat model.

Analogi

Seorang petugas pos memilah surat ke kotak "Jakarta", "Bandung", atau "Surabaya". Ia belajar dari ribuan surat yang sudah diketahui tujuannya. Klasifikasi sama: komputer belajar dari contoh berlabel, lalu menebak label data baru.

Mengapa penting? Model yang bagus untuk pertanyaan yang salah tidak berguna. Merumuskan masalah dengan jelas (apa yang ditebak, kesalahan mana yang lebih mahal) menentukan data, metrik, dan model yang dipilih.

Yang akan dipelajari, berurutan:

  1. Arti klasifikasi dan istilahnya (fitur, label, biner, multikelas).
  2. Pertanyaan yang harus dijawab sebelum menulis kode.
  3. Mengenal dataset dan memeriksanya secara awal.

Istilah awal:

Istilah Arti sederhana
Fitur Informasi masukan, misalnya ukuran sel
Label Jawaban yang ingin ditebak, misalnya ganas atau jinak
Biner / multikelas Dua kelas / lebih dari dua kelas
Supervised learning Belajar dari data yang punya jawaban

Tujuan pembelajaran

  • Merumuskan masalah klasifikasi dengan jelas: apa yang diprediksi, untuk siapa, dan apa biaya kesalahannya.
  • Membedakan fitur, label, dan jenis klasifikasi (biner, multikelas).
  • Mengenal dataset yang dipakai di bab ini beserta sumber, tipe data, dan batasannya.
  • Melakukan pemeriksaan data awal yang relevan untuk klasifikasi.

Apa itu klasifikasi?

Klasifikasi adalah supervised learning dengan target berupa kelas diskret. Model belajar dari contoh yang sudah berlabel, lalu memprediksi label data baru.

Istilah Arti
Fitur (feature) Variabel masukan, misalnya ukuran sel
Label / target Kelas yang diprediksi, misalnya ganas atau jinak
Klasifikasi biner Dua kelas
Klasifikasi multikelas Lebih dari dua kelas, satu label per sampel

Merumuskan masalah

Sebelum menulis kode, jawab:

  1. Apa yang diprediksi dan kapan prediksi dibuat? (menentukan fitur apa yang boleh dipakai)
  2. Apa kelas positif yang penting? Pada deteksi tumor, kasus ganas yang terlewat (negatif palsu) lebih berbahaya daripada alarm palsu.
  3. Metrik apa yang sesuai dengan biaya kesalahan tersebut? (lihat Metrik Evaluasi)
  4. Apa baseline yang harus dikalahkan?

Tahap alur kerja klasifikasi

Alur umum mengikuti Peta Belajar. Untuk klasifikasi hampir semua tahap berlaku, dengan penekanan:

Tahap Penekanan pada klasifikasi
Pengumpulan data dan label Kualitas dan konsistensi label menentukan batas atas performa
EDA Distribusi kelas, fitur yang membedakan kelas
Praproses dan rekayasa fitur Dalam Pipeline; scaling untuk model berbasis jarak/gradien
Pembagian data Stratified train/test dan validasi silang
Pemilihan model Mulai dari baseline, lalu bandingkan beberapa model
Evaluasi Confusion matrix, precision/recall/F1, ROC-AUC/PR-AUC
Optimasi, penyimpanan, pemantauan Pencarian hyperparameter, joblib, deteksi pergeseran data

Dataset: Breast Cancer Wisconsin (Diagnostic)

  • Sumber dan akses: dataset publik yang dibundel dengan scikit-learn (load_breast_cancer), sehingga tidak perlu mengunduh. Dataset aslinya berasal dari UCI Machine Learning Repository; periksa ketentuan lisensi pada halaman sumber aslinya bila hendak dipakai di luar pembelajaran. Dokumentasi: scikit-learn toy datasets.
  • Isi: 569 sampel, 30 fitur numerik. Fitur dihitung dari citra digital aspirasi jarum halus massa payudara: 10 ukuran inti sel (misalnya radius, texture, concavity), masing-masing dalam bentuk rata-rata (mean), galat standar (error), dan nilai terburuk (worst).
  • Target: 0 = malignant (ganas), 1 = benign (jinak).
  • Batasan: ukuran kecil, bersih, dan relatif mudah dipisahkan, sehingga skor tinggi di sini tidak mencerminkan masalah klinis nyata. Dataset ini dipakai sebagai alat belajar, bukan alat diagnosis.

Perhatikan kelas positif

Pada scikit-learn, metrik biner seperti precision dan recall secara bawaan menganggap kelas 1 sebagai positif, yaitu jinak pada dataset ini. Bila yang penting adalah menangkap kasus ganas, hitung metrik untuk kelas 0 (pos_label=0) atau lihat laporan per kelas.

Pemeriksaan data awal langkah demi langkah

Sebelum membangun model, kenali dulu datanya. Program examples/classification/workflow_data.py melakukannya dalam empat langkah.

Langkah 1: memuat data dan memahami label

Tujuan. Mengetahui ukuran data, arti label, dan seberapa seimbang kelasnya.

workflow_data.py
from sklearn.datasets import load_breast_cancer

data = load_breast_cancer(as_frame=True)
X, y = data.data, data.target

# 1. Bentuk data dan arti label
print("Ukuran fitur:", X.shape)
print("Nama kelas  :", dict(enumerate(map(str, data.target_names))))
print(y.value_counts().rename(index=dict(enumerate(map(str, data.target_names)))))
print("Proporsi kelas:", y.value_counts(normalize=True).round(3).to_dict())
Kode Penjelasan
load_breast_cancer(as_frame=True) Memuat dataset sebagai objek data yang berisi tabel pandas (bukan array mentah).
X, y = data.data, data.target X = tabel 30 fitur; y = kolom target (0 atau 1). Konvensi: huruf besar X untuk tabel 2 dimensi, huruf kecil y untuk satu kolom.
data.target_names Nama kelas untuk angka 0 dan 1: malignant (ganas) dan benign (jinak). map(str, ...) mengubahnya jadi teks biasa, enumerate memberi nomor 0, 1, dan dict(...) menyusun kamus angka → nama.
y.value_counts() Jumlah sampel tiap kelas. .rename(index=...) mengganti angka 0/1 dengan nama kelas agar mudah dibaca.
y.value_counts(normalize=True) Proporsi tiap kelas (jumlah dibagi total).
Ukuran fitur: (569, 30)
Nama kelas  : {0: 'malignant', 1: 'benign'}
target
benign       357
malignant    212
Name: count, dtype: int64
Proporsi kelas: {1: 0.627, 0: 0.373}

Interpretasi. Data berukuran (569, 30): 569 sampel dan 30 fitur. Kelas 0 = malignant (212 sampel, 37,3%) dan kelas 1 = benign (357 sampel, 62,7%). Perhatikan: kelas 1 adalah jinak. Kelas tidak terlalu timpang tetapi tidak seimbang sempurna, sehingga stratified split dan metrik per kelas tetap dipakai.

Langkah 2: memeriksa nama fitur dan kualitas data

workflow_data.py
# 2. Contoh fitur (30 fitur = 10 pengukuran x {mean, error, worst})
print("\nContoh nama fitur:", list(X.columns[:3]), "...", list(X.columns[-3:]))
print("Ada data hilang?", bool(X.isna().any().any()), "| duplikat:", int(X.duplicated().sum()))

X.columns berisi nama kolom; X.columns[:3] mengambil tiga yang pertama dan X.columns[-3:] tiga yang terakhir (indeks negatif menghitung dari belakang). X.isna().any().any() bertanya: "adakah sel kosong di tabel mana pun?" (any() pertama per kolom, any() kedua gabungan seluruh kolom). bool(...) mengubah hasilnya menjadi True/False biasa.

Contoh nama fitur: ['mean radius', 'mean texture', 'mean perimeter'] ... ['worst concave points', 'worst symmetry', 'worst fractal dimension']
Ada data hilang? False | duplikat: 0

Interpretasi. Nama fitur memperlihatkan polanya: 10 pengukuran inti sel (misalnya radius, texture) masing-masing dalam bentuk rata-rata (mean), galat standar (error), dan nilai terburuk (worst) = 30 fitur. Tidak ada data hilang dan tidak ada duplikat, sehingga praproses lebih ringan daripada data pelanggan pada bab Fundamentals.

Langkah 3: memeriksa rentang nilai fitur

workflow_data.py
# 3. Rentang nilai sangat berbeda antar fitur (penting untuk scaling)
summary = X[["mean radius", "mean area", "mean smoothness"]].describe().loc[["min", "max"]].round(3)
print("\n", summary)

describe() meringkas fitur; .loc[["min", "max"]] mengambil hanya baris min dan max; .round(3) membulatkan.

      mean radius  mean area  mean smoothness
min        6.981      143.5            0.053
max       28.110     2501.0            0.163

Interpretasi. mean area berkisar 143,5–2501 sedangkan mean smoothness hanya 0,053–0,163: skalanya berbeda ribuan kali. Model berbasis jarak atau gradien (KNN, SVM, regresi logistik) sangat dipengaruhi hal ini sehingga memerlukan scaling (lihat Praproses, Split, Baseline).

Langkah 4: apakah fitur membedakan kelas?

workflow_data.py
# 4. Perbedaan rata-rata fitur antar kelas
print(X.groupby(y.map(dict(enumerate(map(str, data.target_names)))))[["mean radius", "mean concavity"]].mean().round(3))

y.map(dict(...)) mengganti angka 0/1 dengan nama kelas; hasilnya dipakai sebagai kunci groupby untuk menghitung rata-rata dua fitur per kelas.

           mean radius  mean concavity
target                                
benign          12.147           0.046
malignant       17.463           0.161

Interpretasi. Rata-rata mean radius 12,15 (jinak) vs 17,46 (ganas), dan mean concavity 0,046 vs 0,161: kedua fitur tampak membedakan kelas. Ini baru gambaran awal dari rata-rata, bukan bukti bahwa fitur tersebut cukup sendirian.

Program lengkap (workflow_data.py)
workflow_data.py
from sklearn.datasets import load_breast_cancer

data = load_breast_cancer(as_frame=True)
X, y = data.data, data.target

# 1. Bentuk data dan arti label
print("Ukuran fitur:", X.shape)
print("Nama kelas  :", dict(enumerate(map(str, data.target_names))))
print(y.value_counts().rename(index=dict(enumerate(map(str, data.target_names)))))
print("Proporsi kelas:", y.value_counts(normalize=True).round(3).to_dict())

# 2. Contoh fitur (30 fitur = 10 pengukuran x {mean, error, worst})
print("\nContoh nama fitur:", list(X.columns[:3]), "...", list(X.columns[-3:]))
print("Ada data hilang?", bool(X.isna().any().any()), "| duplikat:", int(X.duplicated().sum()))

# 3. Rentang nilai sangat berbeda antar fitur (penting untuk scaling)
summary = X[["mean radius", "mean area", "mean smoothness"]].describe().loc[["min", "max"]].round(3)
print("\n", summary)

# 4. Perbedaan rata-rata fitur antar kelas
print(X.groupby(y.map(dict(enumerate(map(str, data.target_names)))))[["mean radius", "mean concavity"]].mean().round(3))

Kesalahan umum

Hindari

  • Memulai dari algoritma tanpa merumuskan metrik dan biaya kesalahan.
  • Mengabaikan makna label sehingga salah menafsirkan precision/recall.
  • Memakai fitur yang baru diketahui setelah kejadian (kebocoran).
  • Menganggap skor tinggi pada dataset mainan berlaku di dunia nyata.

Latihan

  1. Tulis rumusan masalah untuk deteksi spam email: siapa kelas positif, apa biaya kedua jenis kesalahan, metrik apa yang cocok?
  2. Hitung rasio kelas pada dataset load_wine. Apakah termasuk multikelas? Berapa kelasnya?
  3. Fitur worst radius dan mean radius kemungkinan berkorelasi tinggi. Hitung korelasinya.

Ringkasan

Mulailah dari rumusan masalah dan biaya kesalahan. Kenali dataset: isi, label, batasan. Periksa distribusi kelas dan skala fitur sebelum memilih praproses dan metrik.

Berikutnya: Praproses, Pembagian Data, dan Baseline.