Kenalan Dulu dengan scikit-learn: Si Jenius yang Sederhana
Pernah denger tentang scikit-learn? Kalau belum, siap-siap deh, karena kamu akan bertemu dengan teman yang super cerdas, tapi gak suka pamer!
scikit-learn adalah pustaka Python yang super populer buat Machine Learning (ML). Tapi tenang, jangan takut, scikit-learn ini bukan robot yang bikin kamu ngerasa kurang pintar. Justru, scikit-learn itu seperti guru yang sabar yang ngajarin kamu untuk mengenal dunia ML. Dengan pustaka ini, kamu bisa bikin model untuk klasifikasi, regresi, klastering, dan banyak lagi—semuanya tanpa bikin kepala pusing.
Jadi, siap belajar Machine Learning dengan scikit-learn yang lucu dan mudah? Yuk, kita mulai!
Langkah 1: Instalasi scikit-learn—Siapkan Alat Tempur!
Sebelum kita beraksi, pastikan kamu sudah install scikit-learn. Gampang kok, cukup buka terminal dan ketik:
pip install scikit-learn
Setelah itu, scikit-learn langsung bisa kamu gunakan untuk membuat model Machine Learning yang keren!
Langkah 2: Persiapkan Dataset dan Kenalan dengan Model ML
Sekarang kita akan mencoba membuat model klasifikasi menggunakan dataset yang terkenal, yaitu Iris Dataset. Iris ini bukan nama bunga favorit kamu, ya, tapi sebuah dataset yang berisi data spesies bunga iris berdasarkan panjang dan lebar kelopak dan daun.
Tujuan kita adalah mengajarkan model untuk mengenali tiga spesies bunga iris berdasarkan fitur tersebut. Gampang kan? Mari kita coba!
# Import pustaka yang dibutuhkan
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# Ambil dataset Iris
iris = datasets.load_iris()
X = iris.data # Fitur (panjang lebar kelopak dan daun)
y = iris.target # Target (spesies bunga)
# Bagi dataset menjadi data latih dan data uji
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Membuat model Random Forest
model = RandomForestClassifier(n_estimators=100, random_state=42)
# Latih model dengan data latih
model.fit(X_train, y_train)
# Uji model dengan data uji
y_pred = model.predict(X_test)
# Hitung akurasi model
accuracy = accuracy_score(y_test, y_pred)
print(f"Akurasi model: {accuracy * 100:.2f}% ")
Langkah 3: Penjelasan Kode yang Gak Bikin Pusing
-
datasets.load_iris(): Ambil dataset Iris yang berisi informasi tentang bunga iris. Dataset ini ada dalam bentuk data (fitur bunga) dan target (spesies bunga). Kalau kamu suka bunga, kamu pasti suka ini! -
train_test_split(): Bagi dataset menjadi dua bagian—sebagian buat melatih model (latih), sebagian lagi buat menguji model (uji). Biar model gak merasa overconfident! -
RandomForestClassifier(): Ini adalah model Random Forest. Jadi, bayangin kamu lagi konsultasi dengan banyak pohon yang memberi keputusan, dan kamu pilih jawaban yang paling sering muncul. Ya, seperti konsultasi dengan banyak teman, siapa yang memberi jawaban paling banyak, itulah yang kamu pilih. -
fit(): Ini adalah proses latihan, di mana model mulai belajar dari data latih. Jangan khawatir, modelnya gak perlu jeda atau istirahat! Dia langsung belajar dari data! -
predict(): Setelah model dilatih, sekarang waktunya buat menguji. Model akan mencoba memprediksi spesies bunga berdasarkan data uji. Siap-siap, model akan memberikan jawaban yang cerdas! -
accuracy_score(): Ini untuk menghitung akurasi. Berapa persen prediksi model yang benar? Kalau lebih dari 90%, berarti modelnya udah jadi juara!
Langkah 4: Hasilnya? Model ML yang Pintar, Gak Pake Ribet!
Setelah kamu menjalankan kode di atas, hasilnya akan terlihat seperti ini:
Akurasi model: 97.78%
Tadaaa! Model kita sudah berhasil mengenali spesies bunga iris dengan akurasi 97.78%! Keren, kan? Jadi, bukan cuma kamu yang bisa jadi pintar, model machine learning juga bisa!
Langkah 5: Uji dengan Data Lain—Jangan Takut Coba Hal Baru!
Sekarang, kamu sudah punya model yang bisa mengenali bunga iris. Gimana kalau kita coba dengan dataset lain, seperti digit gambar tangan atau data rumah untuk prediksi harga rumah? scikit-learn punya banyak model dan dataset yang siap kamu eksplor. Kalau kamu bosan dengan bunga iris, gak masalah, ada banyak pilihan lain!
Kesimpulan: scikit-learn Itu Bikin Machine Learning Jadi Seru!
Gak perlu bingung lagi soal Machine Learning. Dengan scikit-learn, kamu bisa langsung membuat model untuk klasifikasi, regresi, klastering, dan banyak lagi—semuanya dengan cara yang mudah dan seru!
scikit-learn ini bukan cuma buat orang pintar aja, tapi untuk semua orang yang ingin mencoba, belajar, dan membuat dunia jadi lebih cerdas. Bahkan kamu bisa bikin model yang bisa mengenali bunga atau angka, dan itu sangat memuaskan!
Jadi, jangan takut buat mulai. Python dan scikit-learn siap membantumu mengembangkan kemampuan machine learning, dan siapa tahu, kamu bisa jadi jagoan machine learning berikutnya!
Semoga artikel ini bikin kamu semangat dan siap menguasai scikit-learn! Jangan lupa, terus eksplorasi dan belajar!
0 Comments