Data Mining

            Algoritma supervised learning adalah jenis algoritma pembelajaran mesin di mana model dilatih menggunakan data yang berlabel. Ini berarti bahwa setiap contoh dalam set pelatihan memiliki input (fitur) dan output (label atau target) yang sesuai. Tujuan dari supervised learning adalah untuk mempelajari hubungan atau pemetaan dari input ke output sehingga model dapat memprediksi output untuk input yang tidak terlihat (baru). 1. Linear Regression Linear Regression digunakan untuk memodelkan hubungan antara satu atau lebih fitur input (prediktor) dan variabel target kontinu. Langkah-langkah : Mengumpulkan dan membersihkan data. Membagi data menjadi set pelatihan dan pengujian. Menentukan fungsi regresi linier. Menggunakan metode Ordinary Least Squares (OLS) untuk memperkirakan koefisien. Mengevaluasi model dengan metrik seperti Mean Squared Error (MSE). 2. Logistic Regression Logistic Regression digunakan untuk klasifikasi biner, memprediksi pro...

     Unsupervised learning adalah tipe pembelajaran mesin di mana model dilatih menggunakan data yang tidak memiliki label atau target output yang ditentukan. Algoritma unsupervised mencoba menemukan pola atau struktur tersembunyi dalam data tanpa panduan dari label yang sudah ada. Ini berbeda dengan supervised learning, di mana model dilatih menggunakan data yang sudah diberi label. 1. K -MEANS CLASTERING      K-Means adalah algoritma clustering yang membagi dataset menjadi K cluster, di mana K adalah parameter yang ditentukan oleh pengguna. Prosesnya melibatkan langkah-langkah berikut: Memilih K titik awal sebagai centroid awal. Menetapkan setiap titik data ke centroid terdekat. Menghitung ulang centroid sebagai rata-rata dari titik data dalam cluster. Mengulangi proses sampai konvergensi, yaitu ketika posisi centroid tidak berubah signifikan.  2. Hierarchical Clustering         Hierarchical clustering adalah teknik yang...

Link file PDF :  Quiz_DATA MINING_ILHAM RIDHO PRATAMA 1. Integrasi dan Pembersihan Data. Cari IPS setiap semester permahasiswa. ini bisa memudahkan untuk normalisasi data Perkalian SKS dengan Nilai: Pertama, dilakukan perhitungan nilai total untuk setiap mata kuliah dengan mengalikan jumlah SKS (Satuan Kredit Semester) dari setiap mata kuliah dengan nilai grade yang diperoleh mahasiswa dalam mata kuliah tersebut. Ini dilakukan dengan menggunakan kode df_transkip_nilai['nilai_total'] = df_transkip_nilai['sks_mk'] * df_transkip_nilai['nilai_grade']. Pengelompokkan Data: Data kemudian dikelompokkan berdasarkan NIM (Nomor Induk Mahasiswa) dan semester. Ini dilakukan dengan menggunakan fungsi groupby pada dataframe df_transkip_nilai, dengan kolom-kolom 'nim' dan 'semester' sebagai kunci pengelompokan. Aggregasi Data: Setelah pengelompokkan, dilakukan agregasi data untuk setiap kelompok. Jumlah SKS dan nilai total dijumlahkan untuk setiap kelompok meng...