Advan – Machine learning dengan bahasa Python memungkinkan sistem untuk belajar dan meningkatkan kinerja mereka secara otomatis melalui pengalaman tanpa harus diprogram secara eksplisit.
Bahasa Python sebagai satu dari bahasa pemrograman yang paling populer untuk machine learning karena kesederhanaannya dan banyaknya library yang mendukung ML.
Dalam artikel ini, kita akan membahas langkah-langkah dasar untuk memulai dengan machine learning dengan Python.
Mengapa Memilih Python untuk Machine Learning?
- Sintaks yang Sederhana dan Mudah Dipahami: Python memiliki sintaks yang mirip dengan bahasa Inggris, sehingga mudah dipelajari dan digunakan.
- Ekosistem Library yang Kaya: Python memiliki berbagai library yang mendukung machine learning, seperti Scikit-Learn, TensorFlow, dan PyTorch.
- Komunitas yang Besar: Dengan komunitas yang luas dan aktif, Anda dapat dengan mudah menemukan sumber daya, tutorial, dan bantuan ketika menemui masalah.
Persiapan Lingkungan Pengembangan
Sebelum mulai, pastikan Anda telah menginstal Python di komputer Anda. Anda bisa mengunduhnya dari situs resmi Python di python.org.
Selain itu, Anda juga perlu menginstal beberapa library penting. Cara termudah untuk mengelola paket dan library di Python adalah dengan menggunakan pip. Buka terminal atau command prompt dan jalankan perintah berikut:
pip install numpy pandas scikit-learn matplotlib
Library yang kita install:
- NumPy: Untuk operasi numerik.
- Pandas: Untuk manipulasi data.
- Scikit-Learn: Untuk alat-alat machine learning.
- Matplotlib: Untuk visualisasi data.
Baca Juga: Tutorial Dasar Penggunaan Bahasa Python untuk Pemula
Langkah-Langkah Membuat Model Machine Learning
Mari kita mulai dengan membuat model machine learning sederhana menggunakan dataset iris yang terkenal.
Dataset ini terdiri dari 150 contoh iris bunga dengan empat fitur: panjang dan lebar sepal, panjang dan lebar petal, serta satu label target yang menunjukkan spesies iris.
1. Mengimpor Library
Pertama, kita perlu mengimpor semua library yang dibutuhkan.
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
2. Memuat dan Mengeksplorasi Dataset
Selanjutnya, kita akan memuat dataset iris dan melakukan eksplorasi data.
Memuat dataset iris
iris = load_iris()
data = pd.DataFrame(data=np.c_[iris[‘data’], iris[‘target’]],
columns=iris[‘feature_names’] + [‘target’])
Menampilkan beberapa baris pertama dataset
print(data.head())
3. Membagi Dataset menjadi Data Latih dan Uji
Kita perlu membagi dataset menjadi data latih (training) dan data uji (testing).
Membagi dataset menjadi fitur (X) dan target (y)
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values
Membagi dataset menjadi data latih dan data uji
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
4. Normalisasi Data
Normalisasi data sering diperlukan dalam machine learning untuk memastikan bahwa setiap fitur berkontribusi secara adil dalam model.
Normalisasi fitur
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
5. Melatih Model K-Nearest Neighbors (KNN)
Kita akan menggunakan algoritma K-Nearest Neighbors (KNN) untuk klasifikasi.
Melatih model KNN
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
6. Mengevaluasi Model
Setelah model dilatih, kita perlu mengevaluasi performanya menggunakan data uji.
Memprediksi hasil pada data uji
y_pred = knn.predict(X_test)
Menghitung akurasi
Baccuracy = accuracy_score(y_test, y_pred)
print(f”Akurasi model: {accuracy * 100:.2f}%”)
7. Visualisasi Hasil
Kita juga bisa memvisualisasikan hasil untuk mendapatkan pemahaman yang lebih baik.
Visualisasi hasil
plt.figure(figsize=(8, 6))
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap=’viridis’, marker=’o’, edgecolor=’k’)
plt.xlabel(‘Panjang Sepal’)
plt.ylabel(‘Lebar Sepal’)
plt.title(‘Prediksi KNN pada Data Uji Iris’)
plt.show()
Baca Juga: Menarik, Belajar OOP atau Object Oriented Programming di Python
Dengan mengikuti langkah-langkah di atas, Anda telah berhasil membuat dan mengevaluasi model machine learning sederhana menggunakan bahasa Python.
Memahami langkah-langkah dasar ini sangat penting sebelum melangkah ke proyek yang lebih kompleks.
Python menyediakan berbagai alat yang dapat membantu Anda dalam seluruh proses machine learning, dari pra-pemrosesan data hingga evaluasi model.
Mengembangkan Proyek Machine Learning Anda
Setelah memahami dasar-dasar ini, Anda bisa mengembangkan proyek machine learning Anda lebih jauh dengan:
- Menggunakan Dataset yang Lebih Kompleks: Cobalah menggunakan dataset dari sumber seperti Kaggle.
- Eksplorasi Algoritma Lain: Pelajari dan gunakan algoritma lain seperti Decision Trees, Random Forests, atau Neural Networks.
- Pemrosesan Data Lebih Lanjut: Terapkan teknik pemrosesan data yang lebih canggih seperti fitur engineering atau pemilihan fitur.
Jika Anda sedang mencari perangkat yang mumpuni untuk belajar dan mengembangkan keterampilan machine learning Anda, kami merekomendasikan produk terbaru dari Advan, yaitu Advan AI Gen.
Dengan spesifikasi yang kuat dan harga yang terjangkau, Advan AI Gen adalah pilihan ideal untuk mendukung aktivitas belajar dan kerja Anda.*** (muu)