Proyek
Studi metode statistik dan machine learning, lengkap dengan materi dan alat analisis interaktif. Mulai dari tujuan analisismu, atau cari langsung.
Saya ingin…
Klasifikasi
Memprediksi kelas atau kategori dari data.
- Target dua kelas, model mudah ditafsirkan
- Binary Logistic Regression
- Target lebih dari dua kelas
- Multinomial Logistic Regression(kelas tanpa urutan)Ordinal Logistic Regression(kelas berurutan)Analisis Diskriminan (LDA & QDA)(kelas dari prediktor numerik)
- Aturan keputusan yang mudah dibaca
- Decision Tree
- Akurasi tinggi pada data tabel
- Random ForestGradient Boosting
- Klasifikasi berbasis jarak atau batas pemisah
- K-Nearest Neighbors (KNN)Support Vector Machine (SVM)
- Model probabilistik sederhana dan cepat
- Klasifikasi Naive Bayes
- Jaringan saraf tiruan
- Backpropagation
- Polaritas opini dalam teks
- Sentiment Analysis
Menampilkan 1–12 dari 12 proyek untuk tujuan Klasifikasi
Daftar proyek
Backpropagation
Dipakai untuk: Jaringan saraf tiruan
Cara menghitung gradien loss jaringan saraf berlapis dengan aturan rantai (propagasi mundur), lalu memperbarui bobotnya dengan gradient descent. Dasar pelatihan jaringan saraf dengan satu atau lebih hidden layer.
Analisis Diskriminan (LDA & QDA)
Dipakai untuk: Target lebih dari dua kelas · kelas dari prediktor numerik
Linear dan Quadratic Discriminant Analysis: metode klasifikasi probabilistik Bayes Gaussian untuk memodelkan batas keputusan linier dan kuadratik antar kelas multivariat dengan estimasi kovarians gabungan atau individual.
K-Nearest Neighbors (KNN)
Dipakai untuk: Klasifikasi berbasis jarak atau batas pemisah
Algoritma machine learning non-parametrik yang memprediksi klasifikasi atau nilai numerik berdasarkan kedekatan jarak dengan k-tetangga terdekat.
Ordinal Logistic Regression
Dipakai untuk: Target lebih dari dua kelas · kelas berurutan
Metode regresi untuk memodelkan variabel dependen kategorikal berskala ordinal (memiliki urutan/tingkatan) berdasarkan satu atau lebih variabel prediktor. Menggunakan Proportional Odds Model (Ordered Logit/Probit/CLogLog) dilengkapi uji asumsi parallel lines (Likelihood Ratio Test) dan perhitungan Odds Ratio.
Sentiment Analysis
Dipakai untuk: Polaritas opini dalam teks
Sentiment Analysis (VADER / TextBlob): analisis sentimen berbasis leksikon dan aturan yang menggolongkan teks menjadi positif, negatif, atau netral dan melaporkan subjektivitas TextBlob. Contoh memakai data uji SmSA berbahasa Indonesia dan dievaluasi terhadap label acuan dan baseline kelas mayoritas.
Gradient Boosting
Dipakai untuk: Akurasi tinggi pada data tabel
Metode ensemble learning berbasis boosting (XGBoost, LightGBM, dan AdaBoost Regression) yang membangun pohon keputusan secara sekuensial untuk meminimalkan error prediksi secara optimal, serta menghitung tingkat kepentingan fitur (Feature Importance) untuk analisis prediktif.
Decision Tree
Dipakai untuk: Aturan keputusan yang mudah dibaca
Decision Tree: Algoritma pembelajaran mesin supervised berbentuk pohon keputusan untuk klasifikasi dan regresi berdasarkan pemisahan fitur yang optimal.
Binary Logistic Regression
Dipakai untuk: Target dua kelas, model mudah ditafsirkan
Binary Logistic Regression (Regresi Logistik Biner): Metode pemodelan klasifikasi supervised untuk memprediksi probabilitas kejadian suatu peristiwa biner (0/1 atau Negatif/Positif) berdasarkan variabel prediktor.
Support Vector Machine (SVM)
Dipakai untuk: Klasifikasi berbasis jarak atau batas pemisah
Algoritma machine learning tangguh untuk klasifikasi dan regresi, unggul dalam memisahkan data kompleks menggunakan pendekatan margin maksimal dan kernel trick untuk dimensi tinggi.
Klasifikasi Naive Bayes
Dipakai untuk: Model probabilistik sederhana dan cepat
Metode klasifikasi probabilistik berbasis Teorema Bayes dengan asumsi independensi yang kuat antar fitur. Sangat efisien untuk klasifikasi teks dan data numerik.
Multinomial Logistic Regression
Dipakai untuk: Target lebih dari dua kelas · kelas tanpa urutan
Metode regresi yang digunakan untuk memprediksi variabel dependen kategorikal dengan lebih dari dua kategori berdasarkan satu atau lebih variabel independen.
Random Forest
Dipakai untuk: Akurasi tinggi pada data tabel
Algoritma pembelajaran mesin yang menggabungkan beberapa pohon keputusan untuk membuat prediksi yang lebih akurat dan stabil.