Data Mining Dasar
Praproses, aturan asosiasi, entropi, Naive Bayes, clustering hierarkis, dan pencilan — dihitung tangan lalu dengan Python.
Pelajaran pertama bisa dicoba tanpa akun. Selanjutnya pakai akun gratis agar progres, draft kode, dan sertifikatmu tersimpan.
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.
5,0 ★ (Belum ada ulasan) · 15 pelajaran · 4 modul · ±222 menit
Bawa pulang keterampilannya
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.
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 yang perlu disiapkan
- 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.
Tempat berlatih
Coba, periksa, lalu lanjutkan.
49 latihan di 15 pelajaran. Jawaban diperiksa langsung di halaman materi; petunjuk dibuka bertahap.
Jalur belajar kelas ini
Kurikulum
4 modul · 15 pelajaran · ±222 menit
03Pemilihan atribut dan Naive Bayes3 pelajaran
Urutan pelajaran tidak dikunci.
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.
Bukti penyelesaian materi, bukan akreditasi atau sertifikasi kompetensi.
Pertanyaan yang sering muncul
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.
Pengalamanmu bisa membantu peserta berikutnya.
Belum ada ulasan yang terbit untuk kelas ini.
Bagikan pengalaman belajarmu
Masuk dan selesaikan satu pelajaran untuk menulis ulasan. Masuk ke akun →
Setelah kelas ini
Jalur yang memuat kelas ini
Revisi materi terakhir: 28 Sep 2026. Laporan kesalahan bisa dikirim dari setiap halaman pelajaran.