🎯 Tujuan 🐍 NumPy, Pandas & Sklearn ⚙️ Alur Kerja Model ML 🎮 ML Classifier Studio 📝 Evaluasi Formatif ✨ Rangkuman & Refleksi
Learn / KKA / Koding Kreatif Lanjutan / 01. Python untuk Machine Learning
🤖 KKA · Unit 07 · Modul 01

Python untuk Machine Learning & Data Science

Masuki level pemrograman tingkat tinggi! Kuasai trio library legendaris AI: NumPy untuk komputasi array vektor, Pandas untuk manipulasi data tabular DataFrame, serta Scikit-Learn untuk membangun, melatih (training), dan menguji akurasi model klasifikasi machine learning.

⏱️ Waktu: 45 Menit 🐍 Tools: NumPy, Pandas, Scikit-Learn 📝 Evaluasi: 20 Soal (4 Bagian)
🎯

Tujuan Pembelajaran

Kompetensi yang akan kamu kuasai setelah menyelesaikan modul ini

01.
Memahami Peran NumPy & Pandas

Mengoperasikan array multidimensi NumPy dan mengolah tabel data DataFrame dengan Pandas (df.head(), df.describe()).

02.
Menguasai Workflow Scikit-Learn

Menjalankan 5 siklus: Load Data $\rightarrow$ Train/Test Split $\rightarrow$ Model Fit (Train) $\rightarrow$ Predict $\rightarrow$ Evaluate Accuracy.

03.
Membedakan Algoritma Klasifikasi & Regresi

Memahami konsep Decision Tree, K-Nearest Neighbors (KNN), dan Linear Regression dalam prediksi data.

04.
Mengevaluasi Performa Model Akurasi

Mengukur skor akurasi (Accuracy Score) dan menghindari bahaya overfitting pada dataset uji.

1

Trio Library Inti Machine Learning di Python

Standar emas yang digunakan para engineer AI di Google, Netflix, dan OpenAI

🔢

1. NumPy (Numerical Python)

import numpy as np
arr = np.array([10, 20, 30])
print(np.mean(arr)) # 20.0

Memproses operasi matriks matematika berkecepatan tinggi.

🐼

2. Pandas (Data Tabular)

import pandas as pd
df = pd.read_csv("siswa.csv")
print(df.describe())

Membaca file CSV, menyaring kolom, dan eksplorasi data.

🤖

3. Scikit-Learn (Model ML)

from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

Melatih algoritma cerdas untuk klasifikasi dan regresi.

2

5 Tahap Standar Pelatihan Model AI (Scikit-Learn)

Alur kerja sistematis melatih kecerdasan artifisial dari dataset

1. Load Dataset

Memuat data fitur X dan label target y.

2. Train/Test Split

Memecah 80% data latih & 20% data uji.

3. model.fit()

Melatih algoritma mengenali pola data latih.

4. model.predict()

Menguji prediksi pada data baru yang belum pernah dilihat.

5. accuracy_score()

Menghitung persentase ketepatan tebakan model.

🎮

Interactive Scikit-Learn Model Training Studio

Pilih algoritma machine learning dan atur pembagian rasio Train/Test untuk melihat skor akurasinya!

Sklearn Engine
⚙️ Parameter Pelatihan Model:
50% Latih 80% Latih · 20% Uji 90% Latih
PYTHON SCIKIT-LEARN CONSOLE ● TRAINING FINISHED
SKOR AKURASI MODEL: 96.7%
> Model: DecisionTreeClassifier
> Dataset: Iris Flowers (150 sampel, 4 fitur bunga)
> Status: Siap digunakan untuk prediksi (model.predict)
💡 Scikit-Learn menyederhanakan kode matematika AI rumit menjadi fungsi yang bersih dan elegan.
📝

Evaluasi Formatif: Python untuk Machine Learning

Uji pemahaman sintaks NumPy, Pandas DataFrame, dan alur Scikit-Learn (Total Skor: 100)

Target Kelulusan Minimal 70 Poin
Bagian A

Pilihan Ganda (5 Soal · Bobot: 25 Poin)

1. Library Python yang paling dominan digunakan untuk membaca dan memanipulasi struktur data tabel (DataFrame) adalah...

2. Perintah metode Scikit-Learn yang berfungsi untuk melatih algoritma model machine learning menggunakan data latih adalah...

3. Mengapa dataset wajib dipecah menjadi Data Latih (Train Set) dan Data Uji (Test Set)?

4. Perintah Pandas untuk menampilkan 5 baris pertama dari tabel DataFrame adalah...

5. Algoritma machine learning yang mengklasifikasikan data berdasarkan kesamaan tetangga terdekatnya disebut...

Bagian B

Benar atau Salah (5 Soal · Bobot: 25 Poin)

1. Library Scikit-Learn menyediakan implementasi algoritma machine learning siap pakai untuk klasifikasi dan regresi.
2. Nilai akurasi 1.0 (atau 100%) pada data uji selalu berarti model AI sempurna dan tidak memiliki kelemahan apa pun.
3. Fungsi np.mean() pada library NumPy digunakan untuk menghitung nilai rata-rata dari sebuah array numerik.
4. Perintah model.predict(X_test) digunakan untuk meminta model AI menebak label kelas dari data uji.
5. Machine learning tidak memerlukan data latih sama sekali untuk bisa belajar membuat keputusan.
Bagian C

Menjodohkan Library Python & Fungsinya (5 Pasangan · Bobot: 25 Poin)

Bagian D

Urutan Pipeline Pembuatan Model Machine Learning (Bobot: 25 Poin)

Urutkan proses training model klasifikasi dengan Scikit-Learn dari awal hingga evaluasi:

A. Memuat dataset tabel menggunakan pd.read_csv() dan memisahkan fitur X serta label y
B. Memecah dataset menjadi X_train, X_test, y_train, y_test dengan train_test_split()
C. Menginisialisasi algoritma model (contoh: DecisionTreeClassifier())
D. Melatih model mengenali pola data latih dengan perintah model.fit(X_train, y_train)
E. Melakukan prediksi model.predict(X_test) dan mengukur nilai accuracy_score()
✨

Rangkuman Materi & Refleksi Belajar

Tuliskan pemahaman dan pengalaman belajarmu pada materi ini

1. Ekosistem Kuat Python: NumPy dan Pandas menangani fondasi data numerik dan tabular secara efisien.

2. Standar Pipeline Scikit-Learn: Alur split $\rightarrow$ fit $\rightarrow$ predict $\rightarrow$ evaluate adalah kerangka kerja baku machine learning.

3. Kesiapan Menuju Masa Depan: Menguasai library ini membuka gerbang karier profesional di bidang Data Science dan AI Engineering.