Mengenal Machine Learning dalam Python pada Google Colab

🎯 Tujuan Pembelajaran

Setelah mempelajari materi ini, siswa diharapkan mampu:

1. Menjelaskan pengertian Machine Learning dengan bahasa sederhana.
2. Menjelaskan hubungan antara data, fitur, target, dan model.
3. Membedakan data untuk belajar dan data untuk pengujian.
4. Menggunakan Python pada Google Colab untuk membuat model sederhana.
5. Mengenal regresi linear sebagai salah satu metode Machine Learning.
6. Menggunakan library scikit-learn.
7. Membuat model berdasarkan data jam belajar dan nilai.
8. Menggunakan model untuk menghasilkan prediksi.
9. Menjelaskan hasil model secara hati-hati berdasarkan data.

☁️ Machine Learning di Google Colab

Google Colab memungkinkan kita menjalankan Python melalui browser. Untuk pembelajaran Machine Learning, Colab sangat praktis karena kode dapat ditulis, dijalankan, dan hasilnya langsung terlihat di notebook.

print("Saya sedang belajar Machine Learning!")

🤖 Apa itu Machine Learning?

Machine Learning (ML) adalah pendekatan dalam kecerdasan artifisial yang memungkinkan komputer mempelajari pola dari data sehingga dapat menghasilkan prediksi atau keputusan berdasarkan pola tersebut.

Dalam pemrograman biasa, kita sering menuliskan aturan secara langsung. Dalam Machine Learning, kita memberikan contoh data kepada algoritma sehingga model dapat menemukan pola matematis dari data tersebut.

🧠 Konsep Dasar Machine Learning

1. Dataset

Dataset adalah kumpulan data yang digunakan untuk analisis atau pembelajaran model.

2. Fitur (Feature)

Fitur adalah informasi yang digunakan model sebagai masukan. Dalam contoh kita, jam belajar menjadi fitur.

3. Target

Target adalah nilai yang ingin diprediksi. Dalam contoh kita, nilai menjadi target.

4. Model

Model adalah hasil pembelajaran algoritma terhadap data. Model menerima input baru dan menghasilkan output berdasarkan pola yang telah dipelajari.

5. Prediksi

Prediksi adalah hasil yang diberikan model ketika kita memasukkan data baru.

🗃️ Dataset Contoh: Jam Belajar dan Nilai

Kita akan menggunakan dataset sederhana agar konsep Machine Learning mudah dipahami.

jam_belajar = [1, 2, 3, 4, 5, 6]
nilai = [55, 60, 68, 75, 82, 88]

print("Jam belajar:", jam_belajar)
print("Nilai:", nilai)

🔍 Fitur dan Target

Sebelum membuat model, kita harus menentukan apa yang menjadi input dan apa yang menjadi output.

Secara sederhana:

Dalam Python dan scikit-learn, fitur biasanya ditulis sebagai data berbentuk dua dimensi, sedangkan target biasanya berbentuk satu dimensi.

X = [[1], [2], [3], [4], [5], [6]]
y = [55, 60, 68, 75, 82, 88]

📈 Mengenal Regresi Linear

Regresi linear adalah salah satu metode yang dapat digunakan untuk memodelkan hubungan antara variabel input dan target menggunakan hubungan garis lurus.

Untuk pembelajaran dasar, bayangkan kita memiliki titik-titik data pada grafik. Model regresi linear mencari garis yang paling sesuai dengan pola titik-titik tersebut.

Bentuk sederhananya dapat ditulis:

Siswa tidak perlu menghitung rumus secara manual pada tahap awal. Library scikit-learn dapat membantu melakukan proses tersebut.

🧰 Scikit-learn

scikit-learn adalah library Python yang menyediakan banyak algoritma Machine Learning. Pada materi ini kita menggunakan LinearRegression.

from sklearn.linear_model import LinearRegression

💾 Menyiapkan Data untuk Model

Kita ubah data menjadi bentuk yang mudah diproses scikit-learn.

X = [[1], [2], [3], [4], [5], [6]]
y = [55, 60, 68, 75, 82, 88]

print("Fitur:", X)
print("Target:", y)

Mengapa X menggunakan tanda kurung ganda?

Karena scikit-learn mengharapkan fitur dalam bentuk jumlah data × jumlah fitur. Kita memiliki 6 data dan 1 fitur, sehingga bentuknya 6 × 1.

✂️ Data Training dan Data Testing

Dalam Machine Learning, kita sering membagi data menjadi data untuk training dan data untuk testing.

• Training data digunakan untuk membantu model mempelajari pola.
• Testing data digunakan untuk melihat bagaimana model bekerja pada data yang tidak digunakan saat pelatihan.

Untuk dataset yang lebih besar, kita dapat menggunakan train_test_split().

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

🧠 Membuat dan Melatih Model

Langkah utama berikutnya adalah membuat model dan melatihnya dengan data.

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X, y)

print("Model berhasil dilatih.")

Apa yang terjadi saat fit()?

Metode fit() digunakan untuk membuat model mempelajari pola hubungan antara fitur dan target berdasarkan data yang diberikan.

🔮 Melakukan Prediksi

Setelah model dilatih, kita dapat memberikan data baru.

Misalnya kita ingin melihat prediksi nilai untuk siswa yang belajar selama 7 jam.

jam_baru = [[7]]

prediksi = model.predict(jam_baru)

print("Prediksi nilai:", prediksi[0])

Nilai yang keluar merupakan prediksi model, bukan jaminan nilai sebenarnya.

📏 Evaluasi Sederhana

Model perlu dievaluasi untuk mengetahui seberapa baik prediksinya pada data tertentu. Salah satu ukuran yang umum pada regresi adalah R² (R-squared).

r2 = model.score(X, y)

print("R²:", r2)

Nilai R² menggambarkan seberapa baik model menjelaskan variasi target pada data yang digunakan untuk menghitung skor tersebut. Pada contoh yang sangat kecil seperti ini, jangan menganggap nilai skor sebagai bukti bahwa model akan bekerja sama baiknya pada data baru.

🎯 Praktik Lengkap — Prediksi Nilai dari Jam Belajar

Ikuti langkah berikut di Google Colab. Kode dapat dijalankan dari atas ke bawah.

Langkah 1 — Import library

import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

Langkah 2 — Membuat dataset

X = [[1], [2], [3], [4], [5], [6]]
y = [55, 60, 68, 75, 82, 88]

Langkah 3 — Membuat model

model = LinearRegression()
model.fit(X, y)

Langkah 4 — Melihat pola data

plt.scatter(X, y, label="Data")
plt.plot(X, model.predict(X), label="Garis Model")

plt.title("Jam Belajar dan Nilai")
plt.xlabel("Jam Belajar")
plt.ylabel("Nilai")
plt.legend()
plt.grid()
plt.show()

Langkah 5 — Prediksi

jam_baru = [[7]]
prediksi = model.predict(jam_baru)

print("Jika jam belajar =", jam_baru[0][0])
print("Prediksi nilai =", round(prediksi[0], 2))

Langkah 6 — Melihat parameter model

print("Koefisien:", model.coef_[0])
print("Intercept:", model.intercept_)

💬 Diskusi dan Analisis

Setelah menjalankan praktik, diskusikan pertanyaan berikut:

1. Bagaimana bentuk pola antara jam belajar dan nilai pada grafik?
2. Apa yang terjadi pada prediksi ketika nilai jam belajar diubah?
3. Mengapa prediksi tidak boleh dianggap sebagai nilai pasti?
4. Apa kelemahan dataset yang hanya memiliki sedikit contoh?
5. Data apa lagi yang mungkin relevan jika kita ingin membuat model prediksi nilai yang lebih lengkap?

Contoh kesimpulan yang aman

“Pada dataset contoh, terdapat pola nilai yang cenderung meningkat ketika jumlah jam belajar meningkat. Model regresi linear digunakan untuk mempelajari pola tersebut dan menghasilkan prediksi untuk input baru.”

📝 5 Latihan Soal

🛠️ 5 Tugas Praktik

Checklist Pengumpulan

📌 Ringkasan

1. Machine Learning membuat komputer mempelajari pola dari data.
2. Dataset adalah kumpulan contoh yang digunakan dalam proses pembelajaran.
3. Feature adalah data masukan yang digunakan model.
4. Target adalah nilai yang ingin diprediksi.
5. Model adalah pola matematis yang dipelajari dari data.
6. LinearRegression dapat digunakan untuk mengenal regresi linear.
7. fit() digunakan untuk melatih model.
8. predict() digunakan untuk membuat prediksi.
9. Data training dan testing membantu kita memisahkan proses belajar dan pengujian.
10. Visualisasi membantu memahami pola sebelum atau sesudah membuat model.
11. Prediksi bukan jaminan hasil sebenarnya.
12. Dataset yang sedikit dapat membuat pembelajaran model menjadi terbatas.

💭 Refleksi Siswa

1. Apa yang dimaksud dengan Machine Learning?
2. Apa perbedaan fitur dan target?
3. Apa fungsi fit()?
4. Apa fungsi predict()?
5. Mengapa dataset yang lebih banyak dan beragam biasanya penting dalam pembelajaran model?
6. Apa yang kamu pahami tentang regresi linear?
7. Mengapa hasil prediksi tidak boleh dianggap sebagai kepastian?
8. Bagian praktik mana yang paling mudah?
9. Bagian mana yang masih membingungkan?

📚 Google Colab

Gunakan Google Colab untuk menjalankan seluruh contoh kode pada materi ini.

Materi Pembelajaran Koding dan Kecerdasan Artifisial • Python • Google Colab • Mengenal Machine Learning