Les Analitik Prediktif dengan AI Privat Edumoka
Di tempat pilihan Anda, Makassar
4,9/5 · 450 ulasan · Umum
Les analitik prediktif dengan AI Makassar melatih satu alur kerja prediksi utuh bersama satu tutor: merumuskan target, membersihkan data hilang dengan pandas, menyisihkan data uji sebelum model dibuat, lalu menilai hasil dengan cross-validation dan metrik yang cocok di scikit-learn. Untuk mahasiswa, peneliti, dan profesional, di rumah sekitar Makassar atau online.
Les analitik prediktif dengan AI Makassar melatih satu alur kerja prediksi utuh bersama satu tutor: merumuskan target, membersihkan data hilang dengan pandas, menyisihkan data uji sebelum model dibuat, lalu menilai hasil dengan cross-validation dan metrik yang cocok di scikit-learn. Untuk mahasiswa, peneliti, dan profesional, di rumah sekitar Makassar atau online.
Tanya Dulu, Baru DaftarKenapa privat
Di tempat pilihan Anda, Makassar
Untuk siapa
Mulai dari assessment, lalu belajar analitik prediktif dengan AI rutin bersama tutor yang sama tiap sesi.
Isi laporan
Prediksi, sebab-akibat, atau deskripsi, beserta alasan memilih analitik prediktif.
Kolom dengan nilai hilang, cara menanganinya, dan jumlah baris yang tersisa.
Proporsi data uji, random_state, dan alasan memakai pemisahan acak, berurutan waktu, atau berkelompok.
Skor DummyClassifier atau pembanding sederhana lain sebagai patokan.
Metrik yang dipilih, dikaitkan dengan biaya kesalahan di persoalanmu.
Rata-rata skor antarlipatan dan sebarannya.
Diukur satu kali sesudah model dipilih.
Rentang data, asumsi, dan kondisi yang membuat model perlu dilatih ulang.
Peta materi
Peta ini dipakai tutor di Makassar dan sesi online. Setiap topik di bawah dikerjakan pada dataset yang kamu bawa atau dataset latihan bila belum punya.
Yang dicakupMembedakan target dan fitur, memilih unit prediksi, menentukan keputusan yang akan diambil dari skor.
Yang dicakupNaN, NaT, dan NA; isna() dan notna(); dropna(), fillna(), ffill(), dan bfill().
Yang dicakuptrain_test_split, random_state, TimeSeriesSplit, dan GroupKFold.
Yang dicakupVariabel dependen dan independen, membaca koefisien, MAE, RMSE, dan R2.
Yang dicakupConfusion matrix, precision, recall, F1, ROC AUC, dan balanced accuracy.
Yang dicakupk-fold cross-validation, penyetelan hiperparameter, dan praproses di dalam Pipeline.
Yang dicakupKurva galat latih dan validasi, regularisasi, early stopping, pruning, dan perbandingan model.
Yang dicakupARIMA, exponential smoothing, moving average, dan interval prediksi.
Tahapan
Urutan ini disesuaikan dengan titik awalmu, baik kamu belajar tatap muka di Makassar maupun online. Peserta yang sudah lancar Python bisa melewati tahap pertama.
Membaca data, memeriksa tipe kolom, dan menemukan nilai hilang. Peserta yang berangkat dari Excel memulai di sini.
Pertanyaanmu dipilah menjadi prediksi, sebab-akibat, atau deskripsi, dan targetnya ditetapkan.
Data dibersihkan dengan keputusan tercatat, lalu dipisah menjadi data latih dan data uji.
Pembanding dasar dibuat, lalu satu model regresi atau klasifikasi dilatih dan divalidasi silang.
Model diperiksa terhadap kebocoran data, akurasi semu, overfitting, dan ekstrapolasi.
Hasil ditulis untuk bab skripsi, presentasi rapat, atau portofolio, dan dilatih untuk dipaparkan.
Les analitik prediktif dengan AI Makassar adalah les privat berformat satu lawan satu yang melatihmu membangun model yang menduga kejadian yang belum diketahui dari data historis dan data kini. Analitik prediktif menghimpun teknik dari data mining, pemodelan statistik, dan machine learning. Keluarannya biasanya skor atau probabilitas per unit: per pelanggan, per mesin, atau per produk.
Fokus les ini sempit dan sengaja begitu. Kamu mengerjakan satu alur kerja prediksi sampai tuntas, dari merumuskan target sampai menulis laporan. Pertanyaan yang terus diulang di setiap sesi adalah seberapa jujur skor model kamu. Algoritma yang dipakai menyusul sesudah pertanyaan itu terjawab.
AI di nama program ini merujuk ke machine learning, yaitu cara komputer mempelajari pola dari contoh data. Alat kerjanya Python dengan pustaka pandas untuk menata data dan scikit-learn untuk membangun serta menguji model.
Ringkasnya
Target atau label adalah variabel yang ingin diduga. Fitur atau prediktor adalah variabel yang dipakai untuk menduganya. Tanpa target yang jelas, model tidak punya arah.
Di pandas, nilai hilang muncul sebagai NaN, NaT untuk tanggal, atau NA untuk tipe nullable. Kamu memutuskan baris mana yang dibuang dan nilai mana yang diisi, beserta alasannya.
Data latih dan data uji dipisah sebelum model mana pun disentuh. Data uji disimpan untuk penilaian akhir dan tidak dipakai untuk menyetel apa pun.
Klasifikasi dan regresi punya ukuran yang berbeda. Metrik dipilih dari pertanyaan bisnis atau penelitianmu, lalu dibandingkan dengan pembanding dasar yang paling sederhana.
Dokumentasi scikit-learn menyebut kesalahan metodologis yang paling sering terjadi: melatih dan menguji model di data yang sama. Model yang menghafal label akan mendapat skor sempurna di data itu, lalu gagal saat bertemu data baru. Angka yang tinggi di layar belum tentu berarti model memahami pola.
Karena itu tutor les analitik prediktif dengan AI Makassar meminta kamu menjelaskan asal setiap angka. Data mana yang dipakai untuk melatih, data mana untuk validasi, dan data mana yang belum pernah dilihat model. Bila jawabannya kabur, skornya belum bisa dipakai.
Kebiasaan ini berguna di luar sesi les di Makassar. Dosen pembimbing, penguji, atau atasan di kantor biasanya bertanya hal yang sama. Kamu yang terbiasa menelusuri asal skor bisa menjawabnya dengan tenang.
Banyak peserta les analitik prediktif dengan AI Makassar datang dengan bahan yang sudah ada: data skripsi atau tesis, data penjualan usaha keluarga di Makassar, atau data operasional kantor. Les berjalan di atas bahan itu, sehingga setiap teknik langsung diuji pada persoalan yang memang kamu hadapi.
Sebelum menulis satu baris kode, tutor menimbang bentuk pertanyaannya. Sebagian pertanyaan memang prediksi: siapa yang kemungkinan berhenti berlangganan bulan depan. Sebagian lain sebenarnya pertanyaan sebab-akibat: apakah diskon menaikkan penjualan. Ada juga yang cukup dijawab dengan deskripsi: berapa rata-rata transaksi per hari.
Pembedaan ini penting karena regresi hanya menunjukkan asosiasi. Klaim sebab-akibat membutuhkan pembenaran terpisah, terutama bila datanya observasional. Pertanyaan yang salah bentuk akan menghasilkan model yang rapi tetapi menjawab hal lain.
Keunggulan
Pemilahan ini menentukan apakah analitik prediktif memang alat yang tepat untuk datamu.
Menduga nilai atau kelas untuk unit yang belum diketahui hasilnya. Inilah wilayah utama les ini, dari regresi sampai klasifikasi.
Menanyakan pengaruh satu hal terhadap hal lain. Model prediksi saja tidak cukup untuk menjawabnya, dan tutor menunjukkan batasnya.
Cukup dijawab dengan ringkasan dan grafik. Untuk kebutuhan ini, olah data atau analisis data biasa sering lebih cocok.
Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) disahkan dan berlaku sejak 17 Oktober 2022. Ada golongan yang disebut data pribadi spesifik. Contohnya rekam kesehatan dan genetika, sidik biometrik, riwayat pidana, informasi tentang anak, serta keuangan perorangan.
Bila dataset yang kamu bawa ke sesi les analitik prediktif dengan AI Makassar memuat jenis data seperti itu, tutor mengajakmu memeriksanya lebih dulu. Kolom mana yang benar-benar dibutuhkan model, dan kolom mana yang bisa dibuang atau disamarkan sebelum data dibuka di sesi. Pemeriksaan ini dilakukan di awal, sebelum pembersihan data dimulai.
Izin memakai data, termasuk untuk proyek akhir yang ingin kamu jadikan portofolio, menjadi tanggung jawab peserta. Untuk data kantor, termasuk kantor cabang di Makassar, pastikan dulu aturan internal perusahaanmu membolehkannya.
Lebih lengkap
Standardisasi atau seleksi fitur yang dipelajari dari seluruh data membuat informasi data uji bocor ke model. Praproses harus dipelajari dari data latih saja.
Hiperparameter yang terus diutak-atik sambil mengintip skor data uji pada akhirnya ikut menyerap informasi uji. Penyetelan dilakukan lewat validasi silang.
Pada kelas yang tidak seimbang, accuracy bisa tampak tinggi padahal kelas minoritas tidak pernah tertebak. Balanced accuracy adalah rata-rata recall per kelas.
Model menangkap derau data latih. Tanda khasnya: galat latih terus turun sementara galat validasi naik.
Model terlalu sederhana untuk polanya, misalnya model linear untuk hubungan yang melengkung.
Menduga di luar rentang data yang pernah teramati makin rawan gagal, dan interval prediksinya melebar cepat.
Confusion matrix untuk dua kelas punya empat sel: TP (positif benar), FP (positif palsu), FN (negatif palsu), dan TN (negatif benar). Dari sel itu lahir precision, yaitu TP dibagi TP ditambah FP, dan recall, yaitu TP dibagi TP ditambah FN.
Contoh yang sering dipakai tutor les analitik prediktif dengan AI Makassar: ada 95 data positif dan 5 data negatif. Model yang selalu menebak positif mendapat akurasi 95 persen. Recall untuk kelas negatifnya nol persen. Model itu tidak pernah mengenali satu pun kasus negatif.
Bila yang ingin kamu tangkap justru kasus langka, seperti transaksi bermasalah atau mesin yang akan rusak, angka akurasi tadi menyesatkan. Kamu belajar memilih metrik dari biaya kesalahan: mana yang lebih merugikan, tebakan positif palsu atau kasus yang terlewat.
Catatan tambahan
Accuracy, precision, recall, F1, ROC AUC, balanced accuracy, MCC, log loss, dan confusion matrix.
MAE, MSE, RMSE, dan R2. Saat dipakai sebagai scorer di scikit-learn, galat ditulis negatif, misalnya neg_mean_absolute_error, supaya angka lebih besar tetap berarti lebih baik.
Data berurutan dipisah dengan TimeSeriesSplit. Teknik seperti ARIMA, exponential smoothing, dan moving average dibandingkan dengan pembanding sederhana.
Bila satu orang atau satu toko muncul di banyak baris, GroupKFold menjaga kelompok yang sama tidak terbelah ke data latih dan validasi.
Hasil akhir les analitik prediktif dengan AI Makassar berupa laporan, dan laporan itu ditulis supaya bisa dipertanggungjawabkan. Isinya pertanyaan yang dijawab, cara data dibersihkan, cara data dipisah, pembanding dasar, metrik yang dipilih beserta alasannya, dan batas berlakunya model.
Untuk skripsi atau tesis, laporan ini menjadi bahan bab metode dan bab hasil. Penguji bisa bertanya mengapa kamu memilih recall sebagai metrik utama, dan kamu punya jawaban yang tertulis. Untuk rapat kantor di Makassar atau di mana pun, laporan yang sama diringkas menjadi beberapa poin yang bisa dipahami atasan yang bukan orang teknis.
Tutor tidak menjanjikan angka metrik tertentu. Yang dilatih adalah kemampuan menunjukkan dari mana angka itu datang dan sampai mana ia bisa dipercaya.
Selengkapnya
Windows, macOS, atau Linux. scikit-learn berjalan di ketiganya.
scikit-learn 1.7 membutuhkan Python 3.10 ke atas. Pemasangan memakai pip install -U scikit-learn, dianjurkan di virtual environment.
Versi gratis bisa dipakai, tetapi sumber dayanya tidak dijamin dan batasnya berubah-ubah. Notebook gratis berjalan paling lama 12 jam.
Untuk memasang pustaka, membuka Colab, dan untuk sesi online.
Laptop, perangkat lunak, kuota internet, dan langganan komputasi berbayar bila kamu memilihnya adalah tanggungan peserta. Harga sesi les tidak memasukkan semua itu. Pustaka utama yang dipakai, pandas dan scikit-learn, tersedia bebas; scikit-learn berlisensi BSD.
Bila datamu besar dan kamu mempertimbangkan paket berbayar Colab (Pro, Pro+, atau Pay As You Go), tutor membantu menimbang apakah kebutuhanmu memang sampai ke sana. Keputusan dan pembayarannya tetap di tanganmu, dan tutor di Makassar tidak memesankan layanan apa pun atas namamu. Untuk sebagian besar dataset skripsi dan data usaha, laptop biasa sudah cukup untuk alur kerja di les ini.
Untuk les analitik prediktif dengan AI Makassar, tutor bisa datang ke rumah atau tempat yang kamu sepakati di Kota Makassar, Kabupaten Gowa, Maros, Takalar, dan Pangkajene dan Kepulauan. Sesi tatap muka membantu saat kamu masih membiasakan diri dengan Python, karena tutor bisa melihat layar dan galatmu langsung.
Sesi online cocok untuk peserta di luar lima wilayah itu, atau untuk peserta di Makassar yang jadwalnya padat. Layar dibagikan, notebook dikerjakan bersama, dan jadwal dihitung dalam WITA. Banyak peserta menggabungkan keduanya: tatap muka di awal, online saat sudah mengerjakan proyek sendiri.
Di akhir setiap pertemuan, tutor mengisi catatan perkembangan. Yang dicatat: tahap alur kerja yang sudah dilewati, masalah yang ditemukan di dataset, dan rencana sesi berikutnya. Bila suatu saat tutormu berganti, seluruh catatan itu diserahkan ke tutor pengganti, jadi ia langsung tahu notebook dan keputusan mana yang sudah kamu ambil.
Bila kamu merasa tutor kurang cocok, sampaikan ke tim Edumoka di Makassar. Penggantian tutor tidak dikenai biaya dan boleh diminta kapan saja selama paketmu masih berjalan. Bila kamu memerlukan tutor yang berlatar statistika atau ilmu komputer tertentu, sebutkan saat pemilihan tutor agar ketersediaannya kami periksa lebih dulu.
Rangkaian sesi yang sudah disepakati dan selesai dikerjakan berujung pada sertifikat penyelesaian program. Ia membuktikan keikutsertaanmu sampai akhir, sedangkan kemampuan analitikmu dibuktikan oleh laporan dan notebook yang kamu susun.
Bila yang kamu cari belum sampai ke prediksi, lihat juga les olah data, les analisis data, kursus statistika, les pemrograman, atau kursus AI di Makassar.
Detail
Urutannya
Hubungi admin lewat WhatsApp atau isi formulir di halaman daftar. Sebutkan jenis data, pertanyaan yang ingin dijawab, dan tenggatmu bila ada.
Tentukan tatap muka di wilayah layanan atau online, lalu hari dan jam dalam WITA.
Tim Edumoka di Makassar mencarikan tutor yang sesuai dengan kebutuhanmu dan mengonfirmasi biaya sebelum sesi dimulai.
Tutor memeriksa bentuk pertanyaan, isi dataset, dan kesiapan perangkat, lalu menyusun urutan kerja.
Daftar hari ini, tutor analitik prediktif dengan AI pilihan siap mengajar dalam 1 sampai 5 hari kerja.