# Assignment 02 machine learning & deep learning.

02_KELOMPOK F_1 Klasifikasi dengan Model Pembelajaran Mesin Terbimbing

1. Kumpulan data : SC_HW1_bank_data
2. Perpustakaan : Pandas, Numpy, Scikit-learn
3. Tujuan : Membangun model klasifikasi untuk memprediksi kolom target “Exited”.

Langkah-langkah :

1. Menghapus Kolom Tidak Relevan : Hilangkan kolom yang tidak diperlukan untuk mencetak agar data lebih bersih.
2. One-Hot Encoding : Lakukan pengkodean one-hot menggunakan pd.get_dummies()untuk kategorikal data.
3. Pisahkan Fitur (X) dan Target (Y) : Pisahkan variabel fitur (X) dan target (Y), di mana Y merujuk ke kolom "Exited".
4. Scaling atau Normalisasi : Lakukan scaling untuk memastikan data berada dalam rentang yang sesuai.

Model yang dipilih :

1. Model #1 : Regresi Logistik. Model ini dipilih karena sederhana dan cocok untuk klasifikasi biner.
2. Model #2 : Pohon Keputusan. Model ini menawarkan interpretasi yang jelas melalui pohon keputusan dan sering kali berguna untuk data dengan fitur yang kompleks.
3. Model #3 : Hutan Acak. Merupakan ansambel dari banyak pohon keputusan yang meningkatkan akurasi dengan mengurangi risiko overfitting.

valuasi : Setiap model dievaluasi berdasarkan akurasi dan laporan klasifikasi. Model terbaik dipilih dengan mempertimbangkan metrik seperti akurasi, presisi, recall, dan f1-score.

02_KELOMPOK F_2 Segmentasi Data dengan Clustering KMeans

1. Kumpulan data : cluster_s1
2. Pustaka : Pandas, Numpy, Scikit-learn, Matplotlib, Seaborn
3. Tujuan : Mengelompokkan data menjadi beberapa cluster menggunakan KMeans.

Langkah-langkah :

1. Menentukan Jumlah Cluster Terbaik : Gunakan Metode Elbow atau Silhouette Score untuk menemukan jumlah cluster yang optimal.
2. Pemodelan dengan KMeans : Bangun model KMeans dengan jumlah cluster yang telah ditentukan.
3. Masukkan Label Cluster ke dalam DataFrame : Tambahkan kolom label hasil clustering ke DataFrame untuk mengetahui cluster dari tiap data.
4. Plot Hasil Clustering : Visualisasikan hasil clustering dengan Seaborn untuk melihat pembagian data dalam setiap cluster.
5. Dengan langkah-langkah ini, Anda dapat melakukan segmentasi data menggunakan KMeans dan memvisualisasikan hasilnya untuk analisis lebih lanjut.

02_KELOMPOK F_3 Regresi dengan TensorFlow-Keras

1. Tugas : Memprediksi Harga Rumah
2. Dataset : Harga Rumah di California
3. Tujuan : Melakukan prediksi harga rumah dengan pengaturan input ganda menggunakan Multilayer Perceptron (MLP).

langkah-langkah :

1. Mengonversi Data ke DataFrame : Ubah array numpy featuresdan targetke bentuk Pandas DataFrame untuk kemudahan manipulasi data.
2. Membagi Data : Pisahkan data menjadi train, validation, dan test untuk melatih dan menguji performa model.
3. Standarisasi dan Normalisasi : Standarisasi menggunakan StandardScalerdan normalisasi dengan MinMaxScalerdata train, validation, dan test.
4. Membangun Model :

• Buat lapisan tersembunyi pertama dengan 30 neuron dan fungsi aktivasi ReLU.
• Buat layer tersembunyi kedua dengan 30 neuron dan fungsi aktivasi ReLU.

5. Pengaturan Pelatihan : Tentukan jumlah epoch (jumlah iterasi pelatihan). Tentukan ukuran batch.
6. Simpan dan Muat Ulang Model : Tentukan nama file dengan ekstensi kerasuntuk menyimpan model, kemudian muat ulang model untuk prediksi dengan data baru ( x_new_Adan x_new_B).

02_KELOMPOK F_4 Klasifikasi dengan PyTorch

1. Tugas : Mengklasifikasikan Transaksi Penipuan Kartu Kredit
2. Dataset : Penipuan Kartu Kredit 2023
3. Tujuan : Klasifikasi transaksi penipuan kredit menggunakan Multilayer Perceptron (MLP) dengan framework PyTorch.

Langkah-langkah :

1. Mengimpor Dataset : Gunakan fungsi read_by_CPUuntuk mengimpor dataset ke dalam Pandas DataFrame.
2. Menghapus Kolom ID : Hilangkan kolom ID agar tidak mengubah klasifikasi.
3. Menentukan Fitur dan Target : Gunakan data_gpuuntuk mendefinisikan X (fitur) dan Y (target).
4. Membagi Dataset :

• Gunakan splitCPUuntuk membagi dataset dengan komposisi 80% untuk train set dan 20% untuk test set.
• Gunakan splitGPUuntuk membagi dataset yang sama pada GPU.

5. Aktifkan GPU : Gunakan CUDA untuk mempercepat proses pelatihan.
6. Pengaturan Batch dan Hyperparameter :

• Tentukan ukuran batch dan atur model hyperparameter seperti jumlah epoch, learning rate, dll.

7. Parameter dan Hyperparameter :

• Parameter : Nilai model yang dipelajari selama pelatihan (misalnya, bobot dan bias neuron).
• Hyperparameters : Pengaturan yang menentukan bagaimana model dibor, seperti jumlah epoch, learning rate, atau ukuran batch.

8. Input Model dan Parameter yang Dapat Dilatih :

• entukan ukuran input sesuai dengan fitur pada data.
• Semua parameter pada MLP bersifat "trainable", sehingga total parameter sama dengan parameter yang dapat dibor.

9. ine-Tuning : Jika akurasi model masih di bawah 95%, lakukan fine-tuning engan mengatur kembali hyperparameters atau menambah lapisan dan neuron pada model.