Pertemuan 1: Pengantar Machine Learning

🎯 Tujuan Pembelajaran

  • Memahami definisi dan kategori utama Machine Learning.
  • Mengenal berbagai aplikasi Machine Learning di dunia nyata.
  • Menyiapkan tools dasar untuk praktik ML (Python, Jupyter/Colab).
  • Mampu membaca dan menampilkan dataset sederhana menggunakan Python.

📘 Materi

1. Apa itu Machine Learning?

  • Subset dari AI yang memungkinkan komputer belajar dari data.
  • Tidak membutuhkan pemrograman eksplisit untuk setiap keputusan.

2. Tiga Kategori Utama ML:

  • Supervised Learning: Belajar dari data berlabel (contoh: klasifikasi, regresi).
  • Unsupervised Learning: Belajar dari data tak berlabel (contoh: clustering).
  • Reinforcement Learning: Belajar melalui trial-and-error dengan reward/punishment.

3. Contoh Aplikasi ML

  • Rekomendasi film (Netflix)
  • Pengenalan wajah (Face ID)
  • Prediksi harga rumah
  • Deteksi spam email

4. Tools & Library Populer

  • Python: Bahasa utama yang digunakan dalam data science & ML
  • Jupyter Notebook / Google Colab: Lingkungan interaktif untuk eksperimen
  • pandas, NumPy, scikit-learn: Library dasar ML
  • Matplotlib, seaborn: Untuk visualisasi data
  • Kaggle: Pusat Data Terbuka di Internet

🔧 Latihan Praktik

A. Persiapan Tools

B. Membaca Dataset CSV

1
2
3
4
5
6
7
8
import pandas as pd

# Contoh dataset sederhana
url = "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv"
df = pd.read_csv(url)

# Tampilkan 5 data pertama
print(df.head())

C. Mengecek Struktur Data

1
2
3
4
5
# Informasi umum
print(df.info())

# Statistik deskriptif
print(df.describe())

D. Membuat Laporan

Buat Laporan dari hasil analisis dasar yang kamu lakukan dengan mengikuti format laporan yang telah diberikan. Berikut ini adalah contoh laporannya

📝 Tugas Mandiri

  1. Buka Google Colab atau Jupyter Notebook.
  2. Baca dataset Iris seperti di atas.
  3. Jelaskan dengan kalimat sendiri:
    • Berapa jumlah baris dan kolom?
    • Fitur apa saja yang ada?
    • Apa jenis prediksi yang bisa dilakukan dengan dataset ini?
  4. Buat Laporan dengan Format Template Data Berikut ini
  5. Upload Hasil Tugasmu di Github
  6. Contoh Hasilnya di Cek Disini

📝 Tugas Tambahan

  1. Buka Google Colab atau Jupyter Notebook.
  2. Baca dataset yang berasal dari Kaggle (Data bebas).
  3. Jelaskan dengan kalimat sendiri:
    • Berapa jumlah baris dan kolom?
    • Fitur apa saja yang ada?
    • Apa jenis prediksi yang bisa dilakukan dengan dataset ini?
  4. Buat Laporan dengan Format Template Data Berikut ini
  5. Upload Hasil Tugasmu di Github
  6. Contoh Hasilnya di Cek Disini

📚 Referensi

🧠 Pertemuan selanjutnya: Kita akan belajar melakukan eksplorasi data menggunakan teknik EDA (Exploratory Data Analysis).