Pembelajaran Data Mining Dasar mencakup pengenalan data mining, pengolahan data, serta beberapa metode seperti Apriori dan Naive Bayes. Materi dilengkapi dengan latihan dan praktik menggunakan kode Python.
Data Mining Dasar
Praproses, aturan asosiasi, entropi, Naive Bayes, clustering hierarkis, dan pencilan — dihitung tangan lalu dengan Python.
- Tingkat
- MenengahAda prasyarat
- Isi
- 4 modul15 pelajaran
- Waktu
- ±222 menit3 jam 42 menit
- Latihan
- 49diperiksa otomatis
Pelajaran pertama bisa dicoba tanpa akun. Selanjutnya pakai akun gratis agar progres, draft kode, dan sertifikatmu tersimpan.
Hasil belajar
Yang akan kamu bisa setelah kelas ini
- Menggolongkan kegiatan proyek data ke langkah KDD dan fase CRISP-DM, termasuk kapan pekerjaan kembali ke fase sebelumnya.
- Menyiapkan data: menyeragamkan teks, membuang baris kembar, mengisi nilai hilang, membuat interval lebar sama dan frekuensi sama, serta menormalisasi dengan min-max dan z-score.
- Menghitung support, confidence, dan lift dari tabel transaksi, lalu memangkas kandidat itemset dengan prinsip Apriori.
- Menghitung entropi dan information gain untuk memilih atribut pemecah, dan mengklasifikasi dengan Naive Bayes dari tabel frekuensi.
- Menghitung jarak Euclidean dan Manhattan, membaca hasil clustering hierarkis, menilai cluster dengan silhouette, dan menandai pencilan dengan z-score, pagar IQR, dan IsolationForest.
Tempat berlatih
Coba, periksa, lalu lanjutkan.
49 latihan di 15 pelajaran. Jawaban diperiksa langsung di halaman materi; petunjuk dibuka bertahap. Mau menguji diri? Ada latihan berwaktu dengan soal acak dari kelas ini.
- editor Python21
- jawaban angka16
- pilihan jawaban9
- lembar kerja3
Kurikulum
Lima belas pelajaran data mining yang melengkapi kelas Machine Learning Dasar: proses KDD dan fase CRISP-DM, pembersihan data dan pengisian nilai hilang, diskretisasi lebar sama dan frekuensi sama, normalisasi min-max dan z-score, analisis keranjang belanja dengan support, confidence, lift, dan prinsip Apriori, pemilihan atribut dengan entropi dan information gain, Naive Bayes dari tabel frekuensi, jarak Euclidean dan Manhattan, clustering hierarkis dengan dendrogram dan silhouette, serta deteksi pencilan dengan z-score, pagar IQR, dan IsolationForest. Setiap rumus dihitung dulu dengan tangan atau di lembar kerja, lalu ditulis ulang dengan pandas, scipy, dan scikit-learn yang berjalan di browser.
03Pemilihan atribut dan Naive Bayes3 pelajaran
Urutan pelajaran tidak dikunci.
Untuk siapa
Orang yang sudah bisa mengolah DataFrame dan melatih model pertama, lalu perlu memahami apa yang terjadi sebelum dan di luar model: menyiapkan data, mencari pola belanja, memilih atribut, mengelompokkan, dan menemukan data yang janggal.
Prasyarat
Analisis Data dengan Python (DataFrame, groupby, nilai kosong), Machine Learning Dasar dengan Python (fit, predict, pohon keputusan, k-means)
Alat
- Browser modern di komputer. Python, numpy, pandas, scipy, dan scikit-learn dimuat sekali (±40 MB) lalu tersimpan di cache; lembar kerja berjalan di halaman latihan.
Sertifikat kelas
Selesaikan kelasnya, sertifikat ini atas namamu.
- Nama lengkapmu dan judul kelas tercetak di sertifikat.
- Kode dan QR yang bisa dicek siapa saja di kelasgratis.com/verifikasi.
- Sekali klik ke profil LinkedIn, atau unduh PNG dan PDF.
Terbit setelah 15 pelajaran wajib tuntas dan kamu menulis ulasan singkat tentang kelasnya. Bukti penyelesaian materi dari KelasGratis, bukan akreditasi atau sertifikasi kompetensi.
Ringkasnya
Tanya jawab
Data Mining Dasar adalah kelas gratis berbahasa Indonesia tingkat menengah dari KelasGratis. Cocok untuk orang yang sudah bisa mengolah DataFrame dan melatih model pertama, lalu perlu memahami apa yang terjadi sebelum dan di luar model: menyiapkan data, mencari pola belanja, memilih atribut, mengelompokkan, dan menemukan data yang janggal. Isinya 15 pelajaran dalam 4 modul (±4 jam) dengan 49 latihan yang dinilai otomatis di browser. Sertifikat penyelesaian gratis dan bisa dicek keasliannya.
- Apa bedanya kelas ini dengan Machine Learning Dasar?
- Machine Learning Dasar melatih dan menilai model: regresi, k-NN, pohon keputusan, validasi silang, dan k-means. Kelas ini membahas yang tidak ada di sana: proses KDD dan CRISP-DM, praproses (binning, normalisasi tangan, imputasi), aturan asosiasi dan Apriori, entropi dan information gain, Naive Bayes, clustering hierarkis, silhouette, dan deteksi pencilan.
- Kenapa rumusnya dihitung tangan dulu?
- Supaya angka dari pandas atau scikit-learn bisa diperiksa. Banyak perbedaan hasil berasal dari pilihan kecil yang tidak tampil sebagai error: pembagi simpangan baku n atau n − 1, interval tertutup kanan pada pandas.cut, basis logaritma pada entropi, dan peluang nol pada Naive Bayes.
- Apakah Apriori di kelas ini memakai pustaka mlxtend?
- Tidak. mlxtend tidak tersedia di Python browser situs ini, jadi pembentukan kandidat dan pemangkasan Apriori ditulis sendiri dengan itertools dan pandas. Hasilnya sama dengan pustaka mana pun karena aturannya sama.
Dari pengalaman belajar
Ulasan peserta
Apa yang membantu, dan apa yang masih bisa diperbaiki?
Ulasan berasal dari akun yang telah menyelesaikan setidaknya satu pelajaran. Bintang 1–3 ditinjau admin sebelum terbit; bintang 4–5 langsung terbit. Sebelum ada ulasan terbit, kelas menggunakan nilai awal admin 5,0. Setelahnya, rating mengikuti rata-rata ulasan yang sudah terbit.
Materi pembelajaran sangat menarik, mudah dipahami, dan disampaikan dengan jelas. Penjelasannya lengkap serta menambah wawasan dan pengetahuan saya. Latihan soal yang diberikan juga sangat membantu dalam memahami materi. Platform ini sangat bermanfaat dan membuat proses belajar menjadi lebih mudah, menyenangkan, serta menambah semangat untuk terus belajar. Terima kasih atas materi dan pembelajaran yang diberikan.
Cukup sulit saya kesusahan mengerjakannya
Bagikan pengalaman belajarmu
Masuk dan selesaikan satu pelajaran untuk menulis ulasan. Masuk ke akun →
Setelah kelas ini
Langkah berikutnyaAnalisis Data dengan PythonPythonJalur yang memuat kelas ini
- Ilmu Data dengan Python13 kelas
Lanjutkan ke kelas lain
Baca juga
Lab interaktif
Mulai dari pelajaran pertama.
15 pelajaran, ±222 menit, gratis sampai sertifikat.
Revisi materi terakhir: 28 Sep 2026. Laporan kesalahan bisa dikirim dari setiap halaman pelajaran.
