BookPDF Available

Fundamental of Python for Machine Learning: Dasar-Dasar Pemrograman Python untuk Machine Learning dan Kecerdasan Buatan

Authors:
Teguh Wahyono at Satya Wacana Christian University
Teguh Wahyono
Download full-text PDF
Read full-text
Download citation

Abstract

Artificial intelligence (AI) dan machine learning saat ini kembali memasuki fase booming setelah beberapa dekade mengalami pasang surut. Kecerdasan Buatan kembali digandrungi, dimana penerapannya dilakukan secara masive pada aplikasi-aplikasi bisnis dan social media jaman now seperti Facebook, Twitter, Google, Amazon, dan bahkan berbagai aplikasi besar dari Indonesia seperti Go-jek, Tokopedia, dan sebagainya. Struktur pembahasan dalam buku ini meliputi 3 bagian besar yaitu (1) Konsep Machine Learning dan Kecerdasan Buatan (2) Dasar-Dasar Pemrograman Python untuk Machine Learning serta (3) Contoh Penerapan Machine Learning Menggunakan Python dengan menerapkan beberapa algoritma baik Supervised maupun Unsupervised Learning. Beberapa studi kasus dibahas secara lengkap dari pemahaman algoritma, mengolah dataset sampai pada training dan testing serta visualisasi hasil dari model machine learning yang dikembangkan.
Content uploaded by Teguh Wahyono
Author content
All content in this area was uploaded by Teguh Wahyono on Jan 17, 2019
Content may be subject to copyright.
1
2
Python for Machine Learning
(Dasar-dasar Pemrograman Python untuk Machine
Learning dan Kecerdasan Buatan)
Oleh:
Teguh Wahyono
Penerbit Gava Media Yogyakarta
2018
3
Kata Pengantar
Puji Syukur kepada Tuhan, sang empunya kehidupan,
yang telah melimpahkan segala karuniaNya sehingga Penulis
dapat menyelesaikan Buku Python for Machine Learning ini.
Buku ini membahas tentang dasar-dasar pemrograman
Python untuk machine learning dan artificial inteligence (AI).
Seperti yang kita ketahui bahwa AI saat ini kembali
memasuki fase booming setelah beberapa dekade mengalami
pasang surut. Saat ini kecerdasan buatan kembali
digandrungi, dimana penerapannya dilakukan secara masive
pada aplikasi-aplikasi bisnis dan social media jaman now
seperti Facebook, Twitter, Google, Amazon, dan bahkan
berbagai aplikasi besar dari Indonesia seperti Go-jek,
Tokopedia, dan sebagainya. Bahasa Pemrograman Python
menjadi pilihan Penulis dalam buku ini, mengingat sejak di-
release pada tahun 1991 bahasa pemrograman ini
berkembang pesat dan bahkan sampai tahun 2018 ini
menjadi 3 besar bahasa pemrogaman di bawah Java dan C.
Sesuai dengan judulnya, struktur pembahasan dalam
buku ini meliputi (1) Konsep Machine Learning dan
Kecerdasan Buatan yang dimasukkan pada Bab 1 dan Bab 2,
(2) Dasar-Dasar Pemrograman Python untuk Machine
Learning yang dimasukkan pada Bab 3 sampai dengan Bab 6,
serta (3) Contoh Penerapan Machine Learning
menggunakan Python yang ditulis pada Bab 7 sampai
dengan Bab 10.
Ucapan terima kasih penulis sampaikan kepada rekan-
rekan yang telah membatu penulis, terutama rekan-rekan di
4
Fakultas Teknologi Informasi UKSW Salatiga dan Program
Doctor of Computer Science Binus University Jakarta yang
telah mendukung penulis untuk berkembang melalui
interaksinya. Juga kepada Pak Listiyanto Gava Media yang
memberikan motivasi dan juga kesempatan kepada penulis
untuk kembali berkarya, setelah vakum dari kegiatan
penulisan buku dalam beberapa waktu karena kesibukan
yang lain.
Selanjutnya seperti kata pepatah “tak ada gading yang
tak retak”, penulis menyadari masih terdapatnya
kekurangan di sana-sini yang menempel pada karya ini. Maka
dari itu kritik dan saran yang konstruktif dari para pembaca
sangat penulis harapkan. Dan akhir kata, semoga karya kecil
ini ada manfaatnya.
Salatiga, September 2018
5
Daftar Isi
1. Pendahuluan
a. Pengertian Machine Learning
b. AI dan Machine Learning
c. Machine Learning dan Deep Learning
2. Berbagai Algoritma Machine Learning
a. Supervised Learning
b. Unsupervised Learning
c. Semi Supervised Learning
d. Reinforcement Learning
3. Tentang Phyton, Keras dan TensorFlow
a. Mengenal Phyton
b. Instalasi Phyton menggunakan Anaconda
4. Dasar-Dasar Pemrograman pada Phyton
a. Struktur Dasar
b. Variabel
c. Tipe data dan Operator
d. Obyek dalam Phyton
5. Struktur Kontrol pada Phyton
a. Struktur Sequence
b. Struktur Logika
c. Struktur Perulangan
6. Fungsi dalam Phyton
a. Pengertian Fungsi
b. Memanggil Fungsi
c. Variabel Global dan Lokal
7. Penerapan Supervised Learning
a. Regresi linier
6
b. decision tree
c. random forest
d. naive bayes classifier
e. nearest neighbor
f. support vector machine
g. artificial neural network.
8. Penerapan Unsupervised Learning
a. Hierarchical clustering
b. K-Means
c. DBSCAN
d. Fuzzy C-Means
e. Self-Organizing Map.
7
Python for Machine Learning
Dasar-dasar Pemrograman Python untuk Machine
Learning dan Kecerdasan Buatan
Artificial intelligence (AI) dan machine learning saat ini
kembali memasuki fase booming setelah beberapa dekade
mengalami pasang surut. Kecerdasan Buatan kembali
digandrungi, dimana penerapannya dilakukan secara masive
pada aplikasi-aplikasi bisnis dan social media jaman now
seperti Facebook, Twitter, Google, Amazon, dan bahkan
berbagai aplikasi besar dari Indonesia seperti Go-jek,
Tokopedia, dan sebagainya.
Machine Learning merupakan salah satu cabang dari ilmu
Kecerdasan Buatan, khususnya yang mempelajari tentang
bagaimana komputer mampu belajar dari data untuk
meningkatkan kecerdasannya. Berikut ini adalah pengertian
Machine Learning menurut beberapa ahli.
Menurut Arthur (1959):
Kemampuan komputer untuk melakukan pembelajaran
tanpa harus menjelaskan atau terprogram secara
eksplisit kepada komputer.
Menurut Tom Mitchel (1997)
Komputer yang memiliki kemampuan melakukan
belajar dari pengalaman terhadap tugas-tugasnya dan
mengalami peningkatan kinerja.
Menurut Budiharto (2016)
Tipe dari kecerdasan buatan yang menyediakan
komputer dengan kemampuan untuk beajar dari data,
tanpa secara eksplisit harus mengikuti instruksi
terprogram.
8
Dengan melihat berbagai definisi di atas, Machine learning
memiliki fokus pada pengembangan sebuah sistem yang
mampu belajar sendiri untuk memutuskan sesuatu, tanpa
harus berulang kali diprogram oleh manusia. Dengan metode
tersebut, mesin tidak hanya bisa menemukan aturan untuk
perilaku optimal dalam pengambilan keputusan, namun juga
bisa beradaptasi dengan perubahan yang terjadi. Dalam
pembelajaran mesin, Anda menganalisis kumpulan data yang
besar untuk menemukan pola.
Gambar 1. Perbedaan Pemrograman Tradisional dan Machine Learning
(Brownlee, 2015)
Melalui algoritma pembelajaran mesin, kita perlu melatih
komputer sedemikian rupa sehingga bisa memahami model
objek yang dikenali manusia. Lalu apa perbedaan
pemrograman tradisional dengan pemrograman
menggunakan machine learning? Gambar 1.4 menunjukkan
perbedaan keduanya menurut Brownlee (2015). Pada
pemrograman tradisional, data dan program dijalankan pada
komputer untuk menghasilkan output, sedangkan pada
pemrograman menggunakan machine learning, data dan
output dijalankan pada komputer untuk membuat program,
dan kemudian program tersebut bisa digunakan dalam
pemrograman tradisional.
9
Struktur pembahasan dalam buku ini meliputi 3 bagian besar
yaitu (1) Konsep Machine Learning dan Kecerdasan Buatan
(2) Dasar-Dasar Pemrograman Python untuk Machine
Learning serta (3) Contoh Penerapan Machine Learning
Menggunakan Python dengan menerapkan beberapa
algoritma baik Supervised maupun Unsupervised Learning.
Beberapa studi kasus dibahas secara lengkap dari
pemahaman algoritma, mengolah dataset sampai pada
training dan testing serta visualisasi hasil dari model machine
learning yang dikembangkan.
Buku dapat di beli di Toko Buku Gramedia
Seluruh Indonesia
10
Daftar Pustaka
Arthur, Samuel. (1959). Some Studies in Machine Learning
Using the Game of Checkers. IBM Journal. 3 (3): 210–
229.
Brownlee, Jasson. (2015). Basic Concepts in Machine Learning,
Machine Learning Mastery. diakses dari
https://machinelearningmastery.com
Budiharto, W. (2017). Machine Learning dan Komputasional
Intelligence. Penerbit Andi
Devi, Ni Made A.S. et al. (2015). Implementasi Metode
Clustering DBSCAN pada Proses Pengambilan
Keputusan. Lontar Komputer. Vol 6. No.3. Desember
2015.
Entelect Team. (2017). Machine Learning for Beginner-Mater,
Entelect Software.
Harrington, Peter. (2012). Machine Learning in Action.
Manning Publication. New York.
Simon, H.A. et al. (1987). Scientific Discovery: computational
explorations of the creative processes. Scientific
Discovery. MIT Press. Cambridge
Kinsella, Bret. (2017). Qualcomm Acquired Scyfer to Push AI
on a Chip. Di akses dari https://www.voicebot.ai
Mitchell, Tom. (1997). Machine Learning. McGrawHill
Publishing.
Park, Kyung Eun. (2015). Problem Solving with Knowledge
From Artificial Intelligence To Machine Learning. Diakses
dari www.slideshare.net/kepark07
11
Kukuh, R. (2018). Data Preprocessing, diakses dari
https://medium.com/machine-learning-id/
Kurama, Vihar. (2018). Supervised Learning with Python,
Philomat, di akses dari https://towardsdatascience.com
Maimon, O. and Rokach, L. (2015). Data Mining and
Knowledge Discovery Handbook. Secaucus, NJ, USA:
Springer-Verlag New York.
Pedregosa et al. (2001). Scikit-learn: Machine Learning in
Python. Journal of Machine Learning Research (JMLR),
Vol 12, pp. 2825-2830.
Rich, Elaine & Knight, Kevin. (1991). Artificial Intelligence.
McGraw-Hill Inc,. New York. Turban
Tan, P.-N. et al. (2005), Introduction to Data Mining, (First
Edition). Boston, MA, USA: Addison-Wesley Longman
Publishing.
Toshiba Researcher, (2017). Bringing the new AI era to life –
the researchers creating Toshiba’s Technologies, diakses
http://www.mynewsdesk.com/toshiba-global
Wahyono, Teguh. (2018). AI Road Map: Fase-fase Booming
Kecerdasan Buatan. di akses dari
http://www.teguhwahyono.net
... Setelah mencoba berbagai model machine learning seperti Bayesian Ridge, Random Forest Regressor, Lasso, NuSVR, Decision Tree Regressor, KNN, dan model lainnya, model machine learning yang dikomparasikan pada penelitian ini adalah GBR, XGBR, dan ARD. Karena ketiga model tersebut memiliki hasil kinerja terbaik dibandingkan model yang lainnya [26], [27]. Gradient Boosting Classifier adalah metode supervised learning berbasis decision tree yang bekerja dengan meminimalkan fungsi kerugian melalui penyesuaian bertahap [28]. ...
Prediction of Corrosion Inhibitor Efficiency Based on Quinoxaline Compounds Using Polynomial RegressionPrediction of Corrosion Inhibitor Efficiency Based on Quinoxaline Compounds Using Polynomial Regression
Article
Full-text available
  • Mar 2025
Corrosion is a natural process that leads to material degradation due to environmental factors. It significantly impacts financial and safety aspects, including structural weakening and economic losses in various industries such as oil, gas, and nuclear. Corrosion inhibitors, especially organic compounds like quinoxaline, are widely used to reduce corrosion by forming protective layers on metal surfaces. Quinoxaline compounds, characterized by their heterocyclic structure with nitrogen atoms, demonstrate promising inhibition efficiency in corrosive environments. In this study, machine learning (ML) approaches are utilized to predict the corrosion inhibition efficiency of quinoxaline compounds. Algorithms such as Gradient Boosting Regressor (GBR), Extreme Gradient Boosting Regressor (XGBR), and Automatic Relevance Determination (ARD) regression are compared. The implementation of polynomial functions significantly improves the prediction accuracy of these models. Among them, GBR achieved the best value with MSE, RMSE, MAE, MAPE, and R2 values of 0.0000001, 0.0003229, 0.0000029, 0.0002294, and 0.999999998, respectively. These findings highlight the potential of polynomial-enhanced ML models in accurately predicting corrosion inhibition efficiency. Moreover, the study demonstrates the viability of GBR as a reliable tool for analyzing and optimizing corrosion inhibitors for industrial applications.
View
... Dalam penelitian ini, Python dipilih sebagai bahasa pemrograman karena keunggulannya dalam keterbacaan kode, efisiensi, fleksibilitas, dan dukungan pustaka yang luas [11]. ...
IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK PENGENALAN BACAAN TAJWID BERDASARKAN GAMBAR TULISAN DALAM AL-QUR’AN
Article
Full-text available
  • Oct 2024
Pemahaman dan penerapan tajwid dalam membaca Al-Quran adalah aspek krusial dalam praktik keagamaan Islam. Walaupun tajwid dianggap fardhu kifayah, saat membaca Al-Quran, penerapannya menjadi fardhu 'ain. Namun, banyak orang masih menghadapi kesulitan dalam memahami dan menerapkan aturan tajwid secara tepat. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) guna meningkatkan akurasi model dalam mengenali bacaan tajwid berdasarkan gambar tulisan dalam Al-Quran. Selain itu, penelitian ini juga berupaya untuk mengidentifikasi dataset yang mencakup lebih dari dua hukum tajwid, sehingga model dapat mengklasifikasikan bacaan tajwid dengan lebih menyeluruh. Model CNN yang dikembangkan memiliki input shape 150x150 piksel dan terdiri dari tiga lapisan konvolusi dengan filter 32, 64, dan 128, yang masing-masing diikuti oleh lapisan maxpooling 2x2. Pada lapisan fully connected, terdapat 512 neuron, dengan output 11 neuron menggunakan fungsi aktivasi softmax. Model ini dilatih menggunakan optimizer Adam dan fungsi loss categorical crossentropy, menghasilkan akurasi 92,68% pada data pelatihan dan 95,10% pada data validasi, menunjukkan kemampuan generalisasi yang baik. Dataset yang digunakan mencakup 219 gambar yang mewakili empat hukum tajwid utama. Hasil penelitian menunjukkan bahwa model ini efektif dalam mengenali dan mengklasifikasikan bacaan tajwid, memberikan kontribusi signifikan pada teknologi pembelajaran tajwid yang lebih interaktif dan efektif.
View
... Machine Learning merupakan salah satu cabang dari ilmu kecerdasan buatan, khususnya yang mempelajari tentang bagaimana komputer mampu belajar dari data untuk meningkatkan kecerdasannya. (Wahyono, 2018) Algoritma machine learning yang digunakan yaitu supervised learning. Algoritma supervised learning adalah algoritma yang bergantung pada data input berlabel untuk mempelajari fungsi yang menghasilkan output yang sesuai ketika diberi data baru tanpa label (Kristiawan et al., 2020). ...
Penerapan Machine Learning untuk Mengendalikan Parameter Budidaya Tanaman Hidroponik Berbasis Edge dan Cloud ComputingPenerapan Machine Learning Untuk Mengendalikan Parameter Budidaya Tanaman Hidroponik Berbasis Edge Dan Cloud Computing
Article
Full-text available
  • Aug 2024
Hidroponik sebagai metode urban farming mampu memenuhi kebutuhan sayuran segar di Indonesia. Budidaya tanaman hidroponik memiliki banyak keunggulan, antara lain tidak memerlukan lahan luas, bebas pestisida, tanaman lebih steril, dan tidak mudah terkena penyakit karena tidak menggunakan tanah. Keasaman larutan (pH) adalah parameter penting dalam budidaya hidroponik, karena mempengaruhi kemampuan tanaman menyerap unsur hara. Selain pH, kepekatan larutan nutrisi yang dinyatakan dalam Total Dissolved Solids (TDS) dengan satuan ppm juga perlu dikendalikan karena menyuplai nutrisi yang dibutuhkan tanaman. Dalam penelitian ini, pengendalian pH dan TDS menggunakan machine learning dengan metode regresi linear berganda serta teknologi edge computing dan cloud computing. Edge computing memungkinkan pemrosesan data real-time di perangkat sensor hidroponik, sedangkan cloud computing menyediakan kapasitas penyimpanan dan pemrosesan besar. Kombinasi kedua teknologi ini memungkinkan sistem pengendalian yang efisien, scalable, dan dapat diakses dari mana saja oleh petani. Berdasarkan hasil pengendalian via cloud, persamaan regresi untuk pengendalian TDS mampu bekerja dengan baik dengan akurasi 98,73% pada tandon 60 liter dan 95,95% pada tandon 100 liter. Selain itu, persamaan regresi untuk pengendalian pH juga bekerja dengan baik dengan akurasi 99,28% pada tandon 60 liter dan 99,69% pada tandon 100 liter. Abstract Hydroponics, as an urban farming method, can meet the demand for fresh vegetables in Indonesia. Hydroponic plant cultivation has many advantages, including not requiring large land areas, being pesticide-free, producing more sterile plants, and being less susceptible to disease since it does not use soil. The acidity of the solution (pH) is a crucial parameter in hydroponic cultivation because it affects the plant's ability to absorb nutrients. Besides pH, the concentration of the nutrient solution, expressed in Total Dissolved Solids (TDS) in ppm, also needs to be controlled as it supplies the nutrients required by plants. In this study, the control of pH and TDS utilizes machine learning with a multiple linear regression method and edge computing and cloud computing technologies. Edge computing allows real-time data processing at the hydroponic system's sensor devices, while cloud computing provides large storage and processing capacities. The combination of these technologies enables an efficient, scalable control system accessible to farmers from anywhere. Based on cloud control results, the regression equations for TDS control were found to be adequate and perform well with an accuracy of 98.73% for a 60-liter tank and 95.95% for a 100-liter tank. Additionally, the regression equations for pH control were also adequate and performed well with an accuracy of 99.28% for a 60-liter tank and 99.69% for a 100-liter tank.
View
... The training process is carried out by applying the MLP Regressor function [13], pandas library to manage data processing processes such as table creation, data dimension transformation, data verification, and reading CSV format on data. In contrast, the numpy library is applied to perform scientific computing in Python [14]. Of the 1,215 datasets obtained from lettuce cultivation experiments in the NFT system with root zone cooling, 850 datasets, or 70% of the total dataset, were used as training data, while 365 datasets, or 30% of the total dataset, were used as testing data. ...
An Artificial Neural Network Model for Predicting the Growth of Lettuce Crops in Hydroponic System with Root Zone Cooling
Article
Full-text available
  • Jun 2024
This study aimed to develop an artificial neural network model for predicting the growth of lettuce grown hydroponically. The model was developed using parameters including root zone temperature, air temperature, relative humidity, nutrient concentration, nutrient acidity, solar radiation, leaf area, and leaf number to estimate fresh weight in the next two days. The result of this study was an artificial neural network model with 13 hidden layers, 100 iterations of epoch, coefficient of determination (R ² ) of 0.93, and root mean squared error of 3.72 gram. This research concluded that the model performs well in predicting lettuce growth using fresh weight development during cultivation.
View
... Konsep jaringan saraf tiruan ini sudah digunakan dalam berbagai proses pengujian seperti pengenalan pola nomor kendaraan bermotor berdasarkan wilayah menggunakan jaringan saraf tiruan (Maryana et al., 2018). Pembuatan aplikasi untuk identifikasi nomor kendaraan bermotor menggunakan konsep pengolahan citra dan jaringan saraf tiruan dengan metode backpropagation (Noprizal & (Wahyono, 2018). MATLAB juga merupakan bahasa pemrograman yang dapat digunakan untuk menerapkan konsep jaringan saraf tiruan dengan berbagai fasilitas yang disediakan. ...
Penerapan Metode McCulloch-Pitts Menggunakan Python Untuk Pengujian Pengenalan Pola Operator AND, Operator OR, Operator XOR Pada Fungsi Logika
Article
Full-text available
  • Dec 2023
Jaringan saraf tiruan (JST) adalah bagian dari kecerdasan buatan yang menerapkan konsep cara kerja jaringan saraf biologis pada manusia. Keunggulan utama JST terletak pada kemampuannya dalam mengenali pola tertentu, seperti pola notasi fungsi logika yang diuji dalam penelitian ini menggunakan cara kerja McCulloch-Pitts. Pengujian pengenalan pola fungsi logika, yang menggunakan operator AND, operator OR, dan dan operator XOR, melibatkan variabel input: nilai X1, X2, dan nilai input lainnya (Xn), serta nilai target (t) yang akan disesuaikan dengan bentuk tabel kebenaran dari masing-masing fungsi logika. Hasil pengujian menunjukkan adanya kesesuaian proses pengujian menggunakan konsep jaringan saraf tiruan dengan pola fungsi logika. Implementasi pengujian menggunakan bahasa pemrograman Python yang dapat menghasilkan kesesuaian bentuk pola dari fungsi logika. Proses pengujian dilakukan dengan menentukan nilai input untuk setiap variabel yang digunakan pada fungsi logika, memasukkan nilai bobot (W) untuk setiap nilai input, menentukan nilai threshold (ambang batas) yang ditetapkan secara langsung sehingga mendapatkan hasil yang sesuai antara ouput dengan target.
View
... Kemajuan teknologi dibidang kesehatan tentu berdampak besar pada proses mendiagnosis penyakit serta mengklasifikasi penyebab dari penyakit gagal jantung, dengan adanya kemajuan tersebut semua hal dapat lebih cepat menemukan hasil diagnisis nya dengan bantuan machine learning (Prihatiningsih & Sudyasih, 2018). Machine learning adalah kecerdasan buatan (Artificial intelligence) yang memungkinkan komputer untuk belajar dari data telah dibuat daripada harus mengikuti instruksi yang telah ditentukan sebelumnya secara eksplisit(perintah langsung) (Wahyono, 2018). Pada penelitian ini http://journal.thamrin.ac.id/index.php/jtik/article/view/1432/pdf ...
Perbandingan Algoritma K-Nearest Neighbors (K-NN) dan Random forest terhadap Penyakit Gagal Jantung
Article
Full-text available
  • Mar 2023
Penelitian ini bertujuan untuk membandingkan akurasi algoritma K-Nearest Neighbor (K-NN) dan Random Forest dalam mengklasifikasikan penyebab penyakit gagal jantung. Penyakit ini menjadi salah satu penyebab utama kematian di seluruh dunia dan kasusnya terus meningkat di Indonesia. Oleh karena itu, penanganan dan klasifikasi dini terhadap penyebab gagal jantung sangat diperlukan untuk mencegah penyakit tersebut. Penelitian ini diharapkan dapat memberikan informasi tentang metode terbaik untuk mengklasifikasikan penyebab penyakit gagal jantung serta memberikan manfaat bagi tenaga medis dan masyarakat umum dalam menjaga kesehatan jantung mereka.
View
... An application of artificial intelligence is machine learning. The main capability of machine learning is handling high-dimensional data, such as remote data sensing, and its complexity into several classes with complex characteristics [11,12] by using methods in machine learning such as k-Nearest Neighbor (KNN), Random Forest, and SVM. One of the advantages of the random forest method is its resistance to overtraining and creating a large number of random forest branches, which does not cause the risk of overfitting [13]. ...
Tsunami Vulnerability and Risk Assessment in Banyuwangi District using machine learning and Landsat 8 image data
Article
Full-text available
  • Mar 2023
The tsunami is a disaster that often occurs in Indonesia, there are no valid indicators to assess and monitor coastal areas based on functional land use and based on land cover which refers to the biophysical characteristics of the earth's surface. One of the recommended methods is the vegetation index. Vegetation index is a method from LULC that can be used to provide information on how severe the impact of the tsunami was on the area.In this study, an increase in the vegetation index was carried out using machine learning. The purpose of this study was to develop a tsunami vulnerability assessment model using the Vegetation Index extracted from Landsat 8 satellite imagery optimized with KNN, Random Forest and SVM. The stages of study, are: 1)extraction Landsat 8 images using algorithms NDVI, NDBI, NDWI, MSAVI, and MNDWI; 2) prediction of vegetation indices using KNN, Random Forest, and SVM algorithms. 3) accuracy testing using the MSE, RMSE, and MAE,4) spatial prediction using the Kriging function and 5) tsunami modelling vulnerability indicators. The results of this study indicate that the NDVI interpolation value is 0 - 0.1 which is defined as vegetation density, biomass growth, and moderate to low vegetation health. the NDWI value is 0.02 - 0.08 and the MNDWI value is 0.02 - 0.09 which is interpreted as the presence of surface water along the coast. MSAVI is a value of 0.1 – 0 which is defined as the absence of vegetation. The NDBI interpolation value is -0.05 - (-0.08) which is interpreted as the existence of built-up land with social and economic activities. From the results of research on the 10 areas studied, there are 3 areas with conditions that have a high level of tsunami vulnerability. 2 areas with medium vulnerability and 5 areas with low vulnerability to tsunami.
View
... Bahasa pemrograman Python dipilih dalam penelitian, karena memiliki keunggulan seperti readability, efisien, multifungsi, interoperabilitas, dan memiliki dukungan komunitas yang memadai [7]. Python memiliki library yang lengkap, diantaranya library matplotlib untuk membuat grafik pada pemrograman. ...
Penentuan Volume Kerucut Elips Menggunakan Monte Carlo dengan Bantuan Python
Article
  • May 2023
Perhitungan integral lipat untuk menghitung volume pendakian elips merupakan masalah yang sangat sulit ketika dihitung dengan analitik. Salah satu cara menghitung integral lipat selain dengan analitik bisa juga dengan metode pendekatan stokastik. Metode Monte Carlo merupakan salah satu metode stokastik yang dapat digunakan untuk menghitung volume pendaki elips. Metode ini menggunakan bilangan random besar untuk mendekati nilai volume sebenarnya. Penelitian ini bertujuan untuk mencari volume pendakian elips menggunakan integral lipat dua yang dilakukan pendekatan metode Monte carlo dengan bantuan program Python. Volume jarum elips yang akan dihitung harus diukur terlebih dahulu. Selanjutnya pembuatan program dengan bahasa Python. Dari hasil simulasi program yang dibuat dilakukan beberapa percobaan dari bilangan acak yang dibuat.
View
View
MACHINE LEARNING DETEKSI PROTOKOL KESEHATAN MEMASUKI RUANGAN BERBASIS INTERNET OF THINGS MENGGUNAKAN ALGORITMA K-MEANS
Article
Full-text available
  • Aug 2023
Tahun 2019 Akhir merupakan salah satu tahun yang buruk bagi seluruh dunia khususnya bagi dunia Kesehatan pasalnya tahun 2019 dilanda dengan suatu penyakit yang ganas yang menyerang sistem pernafasan manusia yang mengakibatkan rasa nyeri tenggorokan dan batuk kering penyakit tersebut bernama Corona atau lebih kita sering dengar COVID-19 ( Corona Virus Desease 2019 ). Untuk tindakan pencegakan maka setiap orang harus menerapkan protokol kesehatan diantaranya memakai masker, jaga jarak, cuci tangan, dan suhu tubuh harus berkisaran 36 sampai dengan 37,02 derajat celcius diatas 37,02 derajat celcius maka sudah dikatakan demam, demam menandakan adanya masalah pada tubuh manusia. Pengecekan suhu tubuh manusia saat ini masih dilakukan secara konvensional melibatkan dua individu, petugas dan seseorang yang akan di periksa suhunya, jarak antara petugas dan seseorang yang akan di periksa suhunya berkisaran 60 cm, itu sudah melanggar dari peraturan jaga jarak yang dimana jarak social distancing itu berkisar 1 sampai 2 meter antar individu, berangkat dari permasalahan tersebut penulis tertarik untuk membuat alat yaitu Machine Learning Deteksi ProKes Memasuki Ruangan Berbasis Internet of Things Menggunakan Algoritma K-Means Pada Platform Google Firebase. Metodologi yang digunakan penulis diantaranya Studi pustaka, dokumentasi, data mining, analisa sistem, perancangan sistem, pembuatan sistem, pengujian sistem, Machine learning Deteksi Prokes Memasuki Ruangan Berbasis Internet of Things Menggunakan Algoritma K-means Pada Platform Google Firebase yang penulis kerjakan telah berfungsi dan berjalan baik sesuai dengan apa yang diharapkan. Alat ini mampu untuk mendeteksi masker dan suhu tubuh manusia dengan baik secara non-kontak. Data yang didapat oleh alat dapat dianalisis menggunakan Algoritma K-means, ,menunjukan Algoritma K-Means dapat bekerja dengan baik hasil didapat pada iterasi ke 3 dengan nilai rasio yang sama dengan iterasi sebelumnya yaitu 0,083743.
View
Scikit-learn: Machine Learning in Python
Article
Full-text available
  • Jan 2012
Scikit-learn is a Python module integrating a wide range of state-of-the-art machine learning algorithms for medium-scale supervised and unsupervised problems. This package focuses on bringing machine learning to non-specialists using a general-purpose high-level language. Emphasis is put on ease of use, performance, documentation, and API consistency. It has minimal dependencies and is distributed under the simplified BSD license, encouraging its use in both academic and commercial settings. Source code, binaries, and documentation can be downloaded from http://scikit-learn.sourceforge.net.
View
Machine Learning in Action
Book
  • Jun 2012
How to write your own machine learning algorithms in Python.
View
View
View
The Data Mining and Knowledge Discovery Handbook
Book
  • Jan 2005
The Data Mining process encompasses many different specific techniques and algorithms that can be used to analyze the data and derive the discovered knowledge. An important problem regarding the results of the Data Mining process is the development of efficient indicators of assessing the quality of the results of the analysis. This, the quality assessment problem, is a cornerstone issue of the whole process because: i) The analyzed data may hide interesting patterns that the Data Mining methods are called to reveal. Due to the size of the data, the requirement for automatically evaluating the validity of the extracted patterns is stronger than ever. ii)A number of algorithms and techniques have been proposed which under different assumptions can lead to different results. iii)The number of patterns generated during the Data Mining process is very large but only a few of these patterns are likely to be of any interest to the domain expert who is analyzing the data. In this chapter we will introduce the main concepts and quality criteria in Data Mining. Also we will present an overview of approaches that have been proposed in the literature for evaluating the Data Mining results.
View
Some Studies in Machine Learning Using the Game of Checkers. II—Recent Progress
Article
  • Feb 2000
  • IBM J RES DEV
Two machine-learning procedures have been investigated in some detail using the game of checkers. Enough work has been done to verify the fact that a computer can be programmed so that it will learn to play a better game of checkers than can be played by the person who wrote the program. Furthermore, it can learn to do this in a remarkably short period of time (8 or 10 hours of machine-playing time) when given only the rules of the game, a sense of direction, and a redundant and incomplete list of parameters which are thought to have something to do with the game, but whose correct signs and relative weights are unknown and unspecified. The principles of machine learning verified by these experiments are, of course, applicable to many other situations.
View
View
Basic Concepts in Machine Learning
  • Jan 2015
  • Jasson Brownlee
Brownlee, Jasson. (2015). Basic Concepts in Machine Learning, Machine Learning Mastery. diakses dari https://machinelearningmastery.com
Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan
  • Jan 2015
  • Ni Devi
  • A S Made
Devi, Ni Made A.S. et al. (2015). Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan. Lontar Komputer. Vol 6. No.3. Desember 2015.
Machine Learning for Beginner-Mater
  • Jan 2017
  • Entelect Team
Entelect Team. (2017). Machine Learning for Beginner-Mater, Entelect Software.