Proyek Akhir Machine Learning dari Data ke Model

MC Project

Channel ini menyajikan materi seputar Data Science & Artificial Intelligence, Networking & Cyber Security, serta Database & Programming. Seluruh materi disusun secara sistematis untuk membantu Anda memahami konsep, teknologi, dan praktik yang digunakan di dunia teknologi informasi, mulai dari tingkat dasar hingga lanjutan.  Setiap pembahasan berfokus pada pengembangan keterampilan melalui materi yang mudah dipahami, relevan dengan kebutuhan industri, dan disampaikan untuk tujuan edukasi. Seluruh konten mengedepankan penerapan teknologi secara legal, etis, dan bertanggung jawab, sehingga dapat menjadi referensi belajar bagi pelajar, mahasiswa, maupun profesional.  Playlist video terkait: ▪ Data Science & Artificial Intelligence https://dailymotion.com/playlist/xcwmlu ▪ Networking & Cyber Security https://dailymotion.com/playlist/xcwmsm ▪ Database & Programming https://dailymotion.com/playlist/xcwmsi  PEMBAHASAN MATERI Playlist Materi Ilmu Komputer berisi kumpulan video pembelajaran, tutorial, penjelasan konsep, studi kasus, demo, dan pembahasan lengkap seputar berbagai bidang dalam ilmu komputer. Materi yang disajikan mencakup dasar hingga tingkat lanjut, mulai dari pemrograman, pengelolaan database, jaringan komputer, keamanan siber, sistem operasi, pengembangan perangkat lunak, arsitektur komputer, hingga berbagai teknologi yang digunakan dalam dunia komputasi modern.  Temukan pembahasan mengenai komputer dan pemrograman, algoritma, struktur data, PHP, JavaScript, Python, Laravel, MySQL, PostgreSQL, API, rekayasa perangkat lunak, database, jaringan komputer, administrasi server, cloud computing, virtualisasi, Linux, Windows Server, keamanan jaringan, cyber security, ethical hacking, kriptografi, keamanan aplikasi, DevOps, Internet of Things (IoT), kecerdasan buatan (AI), machine learning, serta berbagai konsep, teknologi, dan praktik terbaik di bidang ilmu komputer. Playlist ini cocok bagi pelajar, mahasiswa, programmer, web developer, software engineer, administrator sistem, profesional IT, maupun siapa saja yang ingin mempelajari dan memperdalam wawasan di dunia ilmu komputer secara menyeluruh.  CONTACT US ▪ Email support@mycoding.id ▪ WhatsApp https://wa.me/6281274309663 ▪ Telegram https://t.me/mycodingxd  OFFICIAL LINKS ▪ Web https://mycoding.id ▪ Blog https://blog.mycoding.id ▪ News https://en.mycoding.id ▪ Apps https://play.google.com/store/apps/dev?id=5237501547073493079  SOCIAL MEDIA ▪ https://linkedin.com/company/mycodingxd ▪ https://facebook.com/mycodingxd ▪ https://instagram.com/mycodingxd ▪ https://tiktok.com/@mycodingxd ▪ https://twitter.com/mycoding_xd ▪ https://pinterest.com/mycoding_xd  CHANNEL LINKS ▪ YouTube https://safelink.asia/youtube ▪ DailyMotion https://safelink.asia/dailymotion ▪ WhatsApp https://safelink.asia/whatsapp ▪ Telegram https://safelink.asia/telegram  Powered by https://linkedin.com/company/401XDGroup  #DataScience #ArtificialIntelligence #CyberSecurity #Networking #Programming #Database

Transcript

00:00Pernah nggak sih Anda udah capek-capek bikin model machine learning, ngerasa hasilnya bagus, tapi pas ditanya sebagus apa Anda

00:06bingung jawabnya?

00:07Nah hari ini kita bakal bedah tuntas sebuah proyek dari awal sampai akhir, kita akan fokus ke satu pertanyaan yang

00:13kelihatannya simple tapi penting banget.

00:15Dimana sih cara kita mengukur kesuksesan sebuah model?

00:18Ini dia nih inti permasalahannya.

00:20Punya akurasi 99% itu kedengerannya keren, tapi bisa jadi sama sekali nggak ada gunanya loh.

00:25Oh, kuncinya itu bukan di angkanya, tapi di pertanyaan yang kita ajukan jauh sebelum kita mulai ngoding.

00:31Yuk kita cari tahu kenapa.

00:33Oke, biar pembahasan kita terarah dan nggak kemana-mana, kita bakal pakai sebuah kerangka kerja yang udah terstruktur.

00:38Anggap aja ini peta jalan kita yang bakal nuntun kita di setiap tahapan penting proyek machine learning.

00:43Nah, coba diperhatiin pembagian poin ini.

00:46Bagian analitik yang isinya itu ya soal milih algoritma dan cara kita mengevaluasi model punya bobot paling gede, 40%.

00:53Ini bukan kebetulan. Ini nunjukin kalau inti dari proyek ini adalah sejauh mana solusi teknis kita bener-bener menjawab masalah

00:58bisnis.

00:59Mau proyeknya soal prediksi cuaca, rekomendasi film, atau deteksi penipuan, alur kerjanya itu ya selalu ngikutin 5 langkah utama ini.

01:06Mulai dari kita ngerumusin masalahnya apa, sampai akhirnya kita bisa ngasih rekomendasi yang jelas dan bisa dijalankan.

01:12Oke, cukup ya teorinya. Sekarang kita langsung terjun ke prakteknya.

01:16Kita akan coba terapin kerangka kerja yang tadi ke sebuah studi kasus yang real banget.

01:21Memprediksi siapa aja pelanggan yang bakal mengajukan klaim asuransi perjalanan.

01:25Jadi, tantangan dari sisi bisnisnya itu jelas banget.

01:28Mereka pengen tahu, bisa nggak sih kita memprediksi sebuah klaim bahkan sebelum klaim itu diajukan.

01:33Kalau bisa, wah ini bakal ngebantu banget buat ngatur resiko keuangan dan juga bikin kerja tim investigasi mereka jadi jauh

01:38lebih efisien.

01:39Eits, tunggu dulu. Sebelum kita buru-buru mikirin mau pakai algoritma canggih apa,

01:44ada satu langkah yang paling-paling fundamental.

01:46Kita harus paham dulu konteks bisnisnya.

01:49Ini adalah fondasinya.

01:51Nah, tiga pertanyaan ini nih kuncinya.

01:53Siapa yang punya masalah?

01:54Masalahnya sebenarnya apa?

01:56Terus, kenapa masalah ini penting buat diselesaikan?

01:59Tanpa kita bisa jawab tiga pertanyaan ini dengan jelas,

02:01proyek kita ya cuma bakal jadi latihan teknis aja.

02:04Nggak akan ada dampaknya di dunia nyata.

02:06Dan jawabannya tentu saja ada di dalam data.

02:09Coba kita lihat.

02:10Tiap baris di sini itu mewakili satu polis asuransi.

02:13Tugas kita adalah pakai semua informasi yang ada,

02:15kayak agensi, durasi, tujuan.

02:18Buat nebak isi kolom yang paling kanan, klaim.

02:20Jawabannya cuma dua, ya atau tidak.

02:22Dan inilah yang mau kita prediksi.

02:24Oke, sekarang kita masuk ke jantung dari proyek ini,

02:27analisis dan evaluasi.

02:29Ingat kan bobot 40% yang tadi?

02:31Nah, disinilah kita menentukannya.

02:33Bukan cuma soal pilih algoritma,

02:34tapi yang lebih penting,

02:35memilih cara yang tepat untuk mengukur performa model kita.

02:38Yuk kita bedah metriknya satu persatu, step by step.

02:41Gini, nggak ada model yang sempurna.

02:43Setiap model pasti pernah bikin kesalahan.

02:45Pertanyaannya adalah,

02:46dari dua tipe kesalahan ini,

02:47mana yang biayanya lebih mahal buat perusahaan?

02:50Apakah salah menuduh orang akan klaim?

02:52Atau malah kecolongan klaim yang seharusnya bisa kita deteksi?

02:54Jawaban dari pertanyaan ini yang akan menentukan metrik kita.

02:58Metrik pertama yang biasanya orang lihat itu akurasi.

03:01Tapi hati-hati, ini bisa jadi jebakan lho.

03:03Bayangin, kalau dari seribu pelanggan,

03:05cuma 10 yang ngeklaim.

03:06Terus model kita cuma nebak,

03:08tidak ada klaim terus-terusan.

03:09Akurasinya 99%.

03:11Keren banget kan kelihatannya?

03:12Padahal modelnya sama sekali nggak berguna.

03:15Oke, selanjutnya.

03:16Presisi atau presisi,

03:17ini menjawab pertanyaan.

03:19Dari semua yang kita tuduh bakal ngeklaim,

03:21berapa persen yang tuduhannya benar?

03:23Kalau presisinya tinggi,

03:25artinya setiap alarm dari model kita itu bisa dipercaya.

03:28Jadi kita nggak buang-buang waktu buat ngecek orang yang nggak bersalah.

03:31Nah, pasangannya presisi itu recall.

03:34Kalau presisi tadi soal seberapa akurat tuduhan kita,

03:37recall itu soal seberapa banyak target yang berhasil kita tangkap.

03:41Ibaratnya kita ini lagi nebar jaring.

03:43Dari semua klaim beneran yang ada di luar sana,

03:45berapa banyak yang berhasil nyangkut di jaring kita?

03:47Recall yang tinggi artinya kita nggak banyak kecolongan.

03:50Terus di mana kalau kita butuh dua-duanya?

03:52Kita nggak mau kecolongan klaim recall tinggi,

03:54tapi juga nggak mau kebanyakan alarm palsu.

03:56Presisi tinggi.

03:57Nah, disinilah F1 score ini berguna.

03:59Anggap aja ini adalah nilai kompromi,

04:01sebuah jalan tengah yang menyeimbangkan antara presisi dan recall.

04:04Oke, sekarang kita udah kenalan sama beberapa metrik.

04:07Kita balik lagi ke pertanyaan awal kita.

04:08Buat kasus asuransi ini,

04:10metrik mana yang paling penting?

04:12Jawaban dari pertanyaan inilah yang membedakan

04:14seorang praktisi data yang hanya bisa teknis

04:15dengan mereka yang benar-benar paham dampak bisnisnya.

04:18Coba kita pikirkan dari sudut pandang bisnis.

04:20Mana yang ruginya lebih besar?

04:22Biaya buat nyelidikin beberapa alarm palsu?

04:24Atau kerugian karena kecolongan satu klaim besar yang nilainya miliaran?

04:27Jelas yang kedua kan?

04:28Artinya, buat kasus ini,

04:30kita lebih mentolerir adanya alarm palsu

04:32daripada ada satu klaim pun yang lolos.

04:34Maka fokus kita adalah memaksimalkan RICO.

04:36Modelnya udah jadi.

04:38Metrik evaluasinya udah kita pilih dengan hati-hati.

04:41Apakah sudah selesai?

04:42Belum.

04:42Langkah terakhir,

04:43dan ini nggak kalah penting,

04:45adalah menerjemahkan semua angka dan istilah teknis ini

04:47menjadi sebuah rekomendasi bisnis yang konkret

04:50dan bisa dipahami semua orang.

04:51Jadi,

04:52kesimpulan yang bagus itu bukan cuma ringkasan teknis.

04:55Isinya harus jelas.

04:57Sebutin performa model pakai metrik yang relevan,

04:59misalnya recall.

05:00Lalu,

05:01jujur soal keterbatasan modelnya.

05:03Kalau bisa,

05:03hitung dampak bisnisnya,

05:05misalnya potensi penghematan biaya.

05:07Dan yang terpenting,

05:08kasih rekomendasi langkah apa selanjutnya yang bisa dilakukan.

05:11Dan yah,

05:12inilah serunya ilmu data.

05:13Nggak pernah ada yang namanya model final

05:15atau proyek selesai.

05:16Selalu ada data baru yang bisa dipakai,

05:18fitur garu yang bisa dibuat,

05:20atau algoritma baru yang bisa dicoba.

05:22Jadi,

05:22pertanyaan akhirnya bukanlah,

05:24apakah model ini sudah bagus,

05:25tapi bagaimana kita bisa membuat model ini

05:27jadi lebih baik lagi besok.

Kategori

Transkrip

Komentar

Dianjurkan