Skip to content

About

Materi Belajar Machine Learnig & Data Mining

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

Data Mining dan Machine Learning dengan Python

Materi belajar berbahasa Indonesia tentang alur kerja data mining dan machine learning dengan Python dan scikit-learn, disajikan sebagai situs MkDocs (tema Material). Setiap pelajaran menjelaskan konsep, memecah kode menjadi langkah-langkah, menampilkan keluaran dari program yang benar-benar dijalankan, dan menafsirkan hasilnya.

Isi materi

Bab Isi Pelajaran
Dasar-dasar Python, NumPy, pandas, visualisasi, statistik, EDA, praproses, rekayasa fitur, pembagian data, metrik, pipeline, overfitting dan kebocoran data 12
Klasifikasi Logistic Regression, KNN, Decision Tree, Random Forest, SVM, Naive Bayes, perbandingan model, evaluasi, kelas tidak seimbang, tuning, penyimpanan, proyek churn 14
Estimasi (Regresi) Regresi linear, Ridge/Lasso, KNN/Tree/Forest regressor, metrik dan residual, tuning, proyek harga rumah 9
Forecasting Komponen deret waktu, fitur lag, validasi kronologis, exponential smoothing, ARIMA/SARIMA, interval prediksi, proyek penjualan 11
Klaster Scaling dan jarak, k-Means, DBSCAN, Agglomerative, memilih k, profil segmen, proyek segmentasi 10
Aturan Asosiasi Transaksi, Apriori, FP-Growth, support/confidence/lift, penyaringan, proyek keranjang belanja 6

Peta belajar dan sumber belajar ada di docs/roadmap/ dan docs/resources/.

Struktur repositori

mkdocs.yml                 identitas situs, tema, navigasi, ekstensi Markdown
requirements.txt           pustaka untuk membangun situs
requirements-ml.txt        pustaka untuk menjalankan contoh kode materi
docs/                      seluruh halaman materi (per bab) dan aset gambar
  assets/img/              gambar yang dihasilkan skrip contoh
  javascripts/, stylesheets/, assets/vendor/mermaid/   MathJax, Mermaid, dan CSS situs
examples/<bab>/            skrip contoh yang dikutip oleh halaman materi
examples/expected/         keluaran tercatat dari tiap skrip contoh
tools/run_examples.py      menjalankan semua contoh dan membandingkan keluarannya
CLAUDE.md                  aturan penulisan materi
PRD.md, TECHNICAL_DESIGN.md, PROJECT_AUDIT.md, IMPLEMENTATION_PLAN.md, VALIDATION_REPORT.md   dokumen perencanaan

Menyiapkan lingkungan

Contoh kode diuji dengan Python 3.14 (NumPy 2.5, pandas 3.0, scikit-learn 1.9, statsmodels 0.15, mlxtend 0.25). Versi lain dapat memberi angka atau tampilan yang sedikit berbeda.

python -m venv .venv
.venv\Scripts\Activate.ps1
pip install -r requirements.txt        # membangun situs
pip install -r requirements-ml.txt     # menjalankan contoh kode

macOS/Linux: python3 -m venv .venv && source .venv/bin/activate, lalu perintah pip install yang sama. Paket jupyter di requirements-ml.txt bersifat opsional dan tidak diuji.

Menjalankan situs

mkdocs serve              # pratinjau di http://127.0.0.1:8000
mkdocs build --strict     # membangun ke site/; gagal bila ada tautan atau peringatan bermasalah

Rumus matematika dirender MathJax dari CDN (cdn.jsdelivr.net, versi 3.2.2), sehingga rumus memerlukan koneksi internet. Mermaid sudah disertakan di repositori. Build menampilkan kotak pemberitahuan "MkDocs 2.0" dari Material; itu pengumuman upstream, bukan peringatan proyek.

Menjalankan contoh kode

Jalankan dari root repositori (beberapa skrip menulis gambar ke docs/assets/img/):

python examples/fundamentals/numpy_basics.py     # satu contoh
python tools/run_examples.py                      # semua contoh, bandingkan dengan keluaran tercatat
python tools/run_examples.py classification       # satu bab saja
python tools/run_examples.py --update             # perbarui keluaran tercatat setelah mengubah contoh

Skrip contoh berada di examples/<bab>/ dan memakai seed tetap, sehingga keluarannya dapat diulang. Berkas pembantu data (customer_data.py, forecast_utils.py, segment_data.py, basket_data.py) harus tetap satu folder dengan skrip yang mengimpornya.

Data

  • Data publik bawaan pustaka: Breast Cancer, Wine, Diabetes (scikit-learn) dan CO2 Mauna Loa (statsmodels). Tidak ada unduhan yang diperlukan.
  • Data sintetis (churn, harga rumah, penjualan, pelanggan, transaksi) dibangkitkan program dan selalu ditandai sebagai sintetis pada pelajaran yang memakainya. Hasilnya menggambarkan mekanisme, bukan dunia nyata.

Daftar dan sumber dataset ada di docs/resources/datasets.md.

Menambah atau mengubah pelajaran

  1. Tulis skrip contoh di examples/<bab>/ dan jalankan python tools/run_examples.py --update <bab> untuk mencatat keluarannya.
  2. Buat halaman docs/<bab>/<nama>.md yang diawali satu # Judul. Kutip kode dengan potongan baris, misalnya --8<-- "classification/knn.py:14:20", dan keluaran dengan --8<-- "expected/classification/knn.txt:1:8".
  3. Daftarkan halaman di nav: pada mkdocs.yml lalu jalankan mkdocs build --strict.
  4. Jalankan ulang python tools/run_examples.py bila skrip berubah; nomor baris yang dikutip harus tetap sesuai.

Konvensi penulisan (bahasa Indonesia, istilah Inggris dalam tanda kurung, struktur pelajaran, aturan kebocoran data) ada di CLAUDE.md.

Lisensi

MIT License. Pustaka Mermaid di docs/assets/vendor/mermaid/ juga berlisensi MIT dan menyertakan berkas LICENSE-nya sendiri.

About

Materi Belajar Machine Learnig & Data Mining

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages