00:00Machine Learning. Jujur aja, istilah ini kedengarannya rumit ya.
00:03Mungkin sedikit bikin ngerimalah.
00:05Tapi, gimana kalau kita coba bedah bareng-bareng supaya jadi lebih gampang dipahami?
00:09Nah, hari ini kita bakal lakuin persis hal itu.
00:11Kita akan bangun model Machine Learning pertama kita,
00:14bener-bener langkah demi langkah, pakai panduan yang asyik banget.
00:17Oke, jadi sumber kita hari ini adalah buku Applied Machine Learning with Python.
00:22Dan yang keren dari buku ini adalah filosofinya.
00:24Ini bukan sekedar buku teori yang jelimet, tapi tentang aplikasi praktis.
00:27Tujuannya, ya seperti yang tertulis di sini, untuk memberdayakan Anda, para pemula.
00:32Biar nggak cuma ngerti, tapi biar bener-bener bisa langsung coba bikin sendiri.
00:35Ini dia peta perjalanan kita.
00:37Pertama, kita lihat pendekatan praktisnya.
00:39Terus, kita langsung bangun model pertama yang super simple.
00:42Abis itu, kita pelajari satu aturan paling penting, yaitu train test rule.
00:47Baru deh kita intip kodenya, lihat hasilnya gimana,
00:50dan terakhir, kita bahas sedikit soal langkah selanjutnya.
00:53Yuk, kita mulai dari ide besarnya.
00:55Anggap aja machine learning itu kayak buku resep masakan,
00:58bukan buku teks matematika yang tebal.
01:00Jadi, kita bakal fokus ke resep-resep praktis buat mecahin masalah nyata,
01:04tanpa harus pusing-pusing sama rumus yang rumit.
01:06Tujuan kita sebenarnya simpel banget.
01:08Kita mau ngajarin komputer buat nyelasain sebuah masalah,
01:11persis kayak cara kita sebagai manusia belajar, yaitu dari contoh.
01:15Nah, inilah inti dari yang namanya supervised machine learning.
01:19Oke, oke.
01:20Biar nggak abstrak, kita langsung ke contoh nyata.
01:22Masalah pertama yang bakal kita coba pecahkan pakai model kita adalah
01:25gimana caranya memprediksi jenis kelamin seseorang cuma dari data tinggi dan berat badannya.
01:30Simpel kan?
01:31Ini contoh yang bagus banget dari buku sumber kita.
01:34Nah, resep atau algoritma yang kita pakai logikanya sederhana luar biasa.
01:39Namanya nearest neighbor atau tetangga terdekat.
01:42Bayangin gini deh, kalau ada data baru,
01:45komputer cuma perlu cari satu data terdekat yang udah dia kenal,
01:48terus yaudah tinggal salin aja labelnya.
01:50Se-simple itu.
01:51Gambar ini nunjukin masalah kita dengan jelas.
01:53Ini data awal kita.
01:54Tiap titik itu mewakili satu orang,
01:56dengan posisi berdasarkan tinggi dan berat badannya.
01:59Warnanya nunjukin jenis kelaminnya.
02:00Tugasi komputer,
02:01belajar gimana caranya narik garis pemisah antara dua kelompok ini.
02:05Lanjut.
02:06Sebelum kita ngetik kode apapun,
02:07ada satu konsep yang super-duper penting.
02:10Ini adalah aturan emas dalam dunia machine learning.
02:13Wajib tahu kalau mau bikin model yang benaran bisa diandalin.
02:16Gini, data yang kita punya harus kita bagi dua.
02:18Ada yang namanya training set.
02:20Ini anggap aja kayak bahan contekan buat si model belajar.
02:23Terus ada tes set.
02:24Nah, ini soal ujiannya.
02:25Data ini benar-benar baru,
02:26belum pernah dilihat sama sekali sama si model,
02:28dan kita pakai buat ngetes sepinter apa dia.
02:31Jadi aturannya cuma satu,
02:32tapi krusial banget.
02:33Jangan pernah,
02:34sekali lagi,
02:35jangan pernah pakai data ujian waktu lagi ngajarin si model.
02:37Kenapa?
02:38Ya ibaratnya jangan sampai siswa lihat soal ujian sebelum ujiannya beneran dimulaikan.
02:42Ini satu-satunya cara kita bisa tahu performa model kita di dunia nyata nanti.
02:45Oke, teori dasarnya udah dapat.
02:47Sekarang saatnya bagian yang paling ditunggu-tunggu.
02:50Kita bakal lihat gimana caranya resep tadi kita masak
02:53jadi model yang beneran hidup langkah demi langkah lewat kode.
02:56Tenang, nggak perlu pusing lihat kodenya.
02:58Prosesnya bisa kita pecah jadi empat langkah gampang.
03:00Satu, kita bagi data.
03:0370% buat belajar,
03:0430% buat ujian.
03:06Dua, kita siapin modelnya,
03:08si K-Nearest Neighbor tadi.
03:10Tiga, kita suruh modelnya belajar dari data latihan.
03:13Dan empat, kita tes dia buat nebak data ujian yang baru.
03:17Nah, modelnya udah jadi, udah dilatih.
03:20Sekarang saatnya pembuktian.
03:22Kira-kira seberapa jago sih model kita yang super sederhana ini?
03:25Penasaran kan?
03:26Dan inilah hasilnya,
03:2785,71%.
03:30Coba deh, kita resepi dulu angka ini.
03:32Untuk sebuah model pertama yang logikanya cuma cari tetangga terdekat,
03:35hasil segiri tuh keren banget loh.
03:37Jadi apa artinya?
03:39Artinya, model kita berhasil nebak dengan dengar
03:41untuk hampir 86% data yang sama sekali baru buat dia.
03:45Ini nunjukin kalau bahkan metode yang paling sederhana sekalipun
03:48bisa punya kekuatan prediksi yang lumayan solid.
03:51Nah, di gambar ini kita bisa lihat langsung hasil kerja si model.
03:54Garis putus-putus itu adalah batas yang dia buat.
03:57Kelihatan kan?
03:57Sebagian besar tebakannya bener.
03:59Dan yang dilingkari itu beberapa contoh di mana dia salah tebak.
04:02Ini bikin konsep akurasi tadi jadi lebih kebayang,
04:04nggak cuma sekedar angkah.
04:05Oke, kita udah berhasil bangun model pertama kita.
04:08Selamat!
04:08Tapi tentu aja, ini baru pemanasan.
04:10Jadi pertanyaannya,
04:11habis ini kita bisa melangkah kemana lagi?
04:14Tentu aja buku ini ngebahas lebih jauh lagi.
04:16Ada banyak topik lanjutan yang seru,
04:18misalnya cara membersihkan data,
04:20cara ngatasin data yang hilang,
04:22cara nanganin dataset yang fiturnya ratusan,
04:24sampai cara gabungin beberapa model biar hasilnya makin mantap.
04:27Dunianya masih luas banget buat dijelajahi.
04:30Sebagai penutup,
04:30saya mau kasih satu pertanyaan buat Anda renungkan.
04:33Kalau model yang sesederhana ini aja,
04:35yang cuma lihat satu tetangga terdekat,
04:36bisa dapat akurasi hampir 86 persen,
04:39coba dibayangin,
04:40apa yang bisa dicapai sama model yang jauh lebih canggih?
04:42Potensinya luar biasa kan?
04:43Selamat menikmati.
Komentar