00:00:00
[Musik]
00:00:21
asalamualaikum warahmatullahi
00:00:23
wabarakatuh Selamat pagi teman-teman
00:00:25
semua jumpa lagi dengan saya Yes kali
00:00:29
ini ini kita akan membahas dan
00:00:31
berdiskusi bersama terkait e materi
00:00:34
algoritma machine learning untuk
00:00:39
klasifikasi konten yang akan kita bahas
00:00:42
dan kita diskusikan pada pagi hari ini
00:00:45
adalah yang pertama ada machine learning
00:00:48
yang kedua ada dataet dan yang ketiga
00:00:50
ada algoritma Naif bi
00:00:56
classifier baik teman-teman pasti
00:00:59
teman-teman sudah ser nih ya mendengar
00:01:00
apa sih sebenarnya machine learning atau
00:01:02
banyak artikel-artikel yang menyebutkan
00:01:04
terkait machine learning Oke kita akan
00:01:07
mendiskusikan terkait machine learning
00:01:09
di mana di sini sudah tampil ya
00:01:11
teman-teman Eh sebuah gambar di mana
00:01:14
manusia itu dapat belajar dari
00:01:16
pengalaman Begitu juga dengan mesin ya
00:01:19
mesin dapat belajar dari experience di
00:01:22
mana experience yang dimaksud di sini
00:01:24
adalah data kemudian nanti mesin dapat
00:01:28
mengikuti instruksi yang yang telah kita
00:01:30
buat ya sehingga bisa disebut mesin
00:01:35
learning nah sebenarnya mesin learning
00:01:38
itu apa kemudian machine learning dan
00:01:41
tradisional software itu apa ya Nah di
00:01:44
sini bisa teman-teman lihat bahwa di
00:01:47
sebelah kiri Ini ada traditionional
00:01:49
approach ya Di mana kita belajar dari
00:01:54
permasalahan ya kemudian kita menuliskan
00:01:56
rule-nya ya untuk mengatasi permasalahan
00:01:58
tersebut ya kemudian nanti kita lakukan
00:02:01
evaluasi di situ ya teman-teman Nah
00:02:03
ketika hasil dari evaluasi itu sudah
00:02:06
bagus maka kita dapat launch produk
00:02:08
tersebut dan tapi kalau evaluasinya
00:02:10
masih kurang jadi kita lakukan analisis
00:02:13
error kemudian kita kembali lagi di
00:02:15
studi problem kemudian kita Tuliskan
00:02:18
rule kembali kita evaluasi sampai sistem
00:02:20
itu oke kemudian baru kita launch itu
00:02:23
adalah traditional approach ya kemudian
00:02:26
berbeda dengan machine learning approach
00:02:28
ya Jadi ada apa namanya Study the
00:02:31
problem ya kemudian di situ ada data
00:02:34
juga di mana Data itu nantinya akan kita
00:02:36
train atau kita latih dengan machine
00:02:39
learning algoritma di mana machine
00:02:41
learning algoritma itu sangat
00:02:42
bermacam-macam ya
00:02:44
teman-teman kemudian nanti kita evaluasi
00:02:47
ketika hasil evaluasinya sudah oke maka
00:02:51
kita dapat launch tapi ketika
00:02:53
evaluasinya masih kurang atau dinilai
00:02:55
ada suatu problem yang masih kurang
00:02:57
bagus maka kita lakukan analisis
00:02:59
errornya ya lalu Berputar Kembali sampai
00:03:03
hasil evaluasinya Oke baru kita
00:03:08
launch Nah teman-teman apa sih
00:03:12
sebenarnya pengaplikasian machine
00:03:14
learning Ya pengaplikasian machine
00:03:16
learning itu sangat banyak ya yang
00:03:18
pertama di bidang finansial ya di bidang
00:03:21
finansial itu kita bisa melakukan
00:03:23
finansial prediction kemudian R
00:03:26
detection ya kemudian ada loan approval
00:03:29
ya
00:03:30
kemudian di bidang predictive
00:03:33
maintenance ada add plus user
00:03:36
information kemudian juga ada di Crunch
00:03:40
prediction kemudian ada customer
00:03:43
segmentation kemudian kita juga bisa
00:03:45
lakukan sales forecasting ya Di mana
00:03:48
kita ingin memprediksi Bagaimana sih
00:03:50
penjualan kita nanti ke depannya untuk 3
00:03:52
bulan ke depan ataupun tahun depan
00:03:55
dilihat dari pengalaman-pengalaman
00:03:57
sebelumnya Apakah penjualnya akan
00:03:59
mengalami kenaikan ataukah akan
00:04:01
mengalami
00:04:03
penurunan kemudian di bidang data mining
00:04:06
di bidang data mining ada web klik data
00:04:09
kemudian kita ada juga medical record
00:04:12
diagnosis ya jadi kita bisa melihat eh
00:04:16
diagnosis dari suatu pasien berdasarkan
00:04:19
eh gejala-gejala yang ada kemudian untuk
00:04:22
di bidang komputer Vision itu ada face
00:04:25
recognition ya yang sangat apa namanya
00:04:29
ser sering kita jumpai misalkan di
00:04:31
presensi online seperti itu yang
00:04:33
menggunakan futur wajah ya teman-teman
00:04:35
itu menggunakan komputer Vision ya dia
00:04:38
merupakan salah satu pengaplikasian dari
00:04:40
machine learning itu sendiri kemudian
00:04:43
ada self driving car ya eh mobil dengan
00:04:47
kemudi otomatis Kemudian untuk voice
00:04:51
recognition ya ada sekarang ini yang
00:04:54
lagi ngetren nih teman-teman Apa sih
00:04:56
chatbot teman-teman pasti sering ya
00:04:57
menggunakan chatbot kemudian kan ada
00:05:00
sentimen analisis ya apa sih sebenarnya
00:05:03
sentimen analisis itu nah sentimen
00:05:05
Analisis adalah ketika kita ingin
00:05:08
melihat sentimen publik terhadap suatu
00:05:11
produk bisa terhadap suatu kebijakan
00:05:14
yang diunch bisa kemudian terkait
00:05:18
misalkan eh kepuasan terhadap suatu
00:05:21
pelayanan itu juga bisa ya teman-teman
00:05:23
jadi ketika kaitannya dengan produk itu
00:05:26
nanti kita bisa e laporkan hasilnya
00:05:28
kepada kan perusahaan tersebut Bagaimana
00:05:31
sih kepuasan customer terhadap
00:05:33
peluncuran produk tersebut bisa juga
00:05:36
misalkan dari produk itu Oh ternyata
00:05:38
kemasannya itu kurang Oke nih sehingga
00:05:41
sangat sulit gitu ya dibuka akhirnya
00:05:43
nanti dengan adanya sentimen analisis e
00:05:46
perusahaan itu bisa tahu Oh ternyata ini
00:05:49
ya kekurangan dari produk yang baru saja
00:05:51
di launching gitu kemudian ada lagi apa
00:05:55
nih mesin
00:05:56
translation ya ini bisa untuk ya
00:06:00
sekarang yang lagi Merak misalkan e kita
00:06:02
ingin nihlate dari e bra misalkan ke
00:06:07
bahasa Indonesia seperti itu atau
00:06:10
misalkan kita mau Translate dari aksara
00:06:12
Jawa ke bahasa Indonesia atau dari
00:06:15
bahasa Sunda ke Bahasa Indonesia atau
00:06:16
bahasa Inggris yang sebaliknya gitu ya
00:06:18
teman-teman ini adalah contoh contoh
00:06:21
pengaplikasian mesine
00:06:25
learning Oke kita lanjutkan bahwa
00:06:28
jenis-jenis learning itu ada tiga ya
00:06:31
teman-teman yang pertama yaitu ada
00:06:34
supervised learning Ya jadi apa sih
00:06:36
sebenarnya supervised learning itu
00:06:39
supervised learning adalah tersedia data
00:06:42
ya dan di data itu kita eh menerapkan
00:06:45
yang namanya target ya teman-teman maka
00:06:47
eh kita sebut bahwa supervised learning
00:06:50
itu adalah pencarian yang terbimbing
00:06:52
gitu jadi di sini contohnya ada
00:06:55
klasifikasi dan
00:06:56
regresi Kemudian yang kedua ada
00:06:59
unsupervised learning nah unsupervised
00:07:02
learning ini adalah kebalikan dari
00:07:04
supervised learning kalau yang
00:07:05
supervised learning tadi kan dia
00:07:07
dibimbing kalau di sini dia data tanpa
00:07:10
target jadi contohnya apa nih contohnya
00:07:13
adalah kita bisa clustering Kemudian
00:07:16
apaagi Kemudian ada reduksi dimensi gitu
00:07:20
kemudian yang ketiga ada reinforcement
00:07:23
learning jadi di sini dia hanya berisi
00:07:26
aturan ya jadi di sini akan melatih agen
00:07:29
dalam suatu taks gitu ya Jadi kalau dia
00:07:32
agennya berhasil dia akan Dapat reward
00:07:35
gitu ya kalau sebaliknya dia dapat
00:07:37
punishment kayak gitu ya kalau
00:07:39
reinforcement learning
00:07:44
gitu nah ini ya teman-teman di sini bisa
00:07:47
teman-teman lihat ya ada gambar Ya
00:07:50
intinya bahwa supervise itu adalah
00:07:53
pramal ya Yang bisa memprediksi suatu
00:07:55
kejadian di masa depan Nah di sini ada
00:07:59
yang namanya proses pembelajaran dan
00:08:01
proses pengujian jadi di mana sistem itu
00:08:04
akan belajar kemudian setelah dia
00:08:06
belajar dia akan diuji gitu ya Nah di
00:08:10
sini proses pembelajarannya ini di sini
00:08:12
ada data ya teman-teman data bisa data
00:08:14
teks bisa data dokumen bisa data gambar
00:08:18
bisa data suara dan sebagainya kemudian
00:08:21
kalau supervise itu Ya kita tahu karena
00:08:24
dia pencarian yang terbimbing maka kita
00:08:27
harus terapkan apa teman-teman kita
00:08:28
terapkan namanya target Nah setelah kita
00:08:32
tambahkan dia dengan target kemudian ada
00:08:35
yang namanya Vektor fitur ya vektor
00:08:39
fitur kemudian kita masuk ke algoritma
00:08:42
machine learning Nah di sini ya proses
00:08:46
pengujiannya ini dia dari data itu
00:08:49
kemudian ada yang nanti dibuat menjadi
00:08:51
vektor fuktur kemudian kita buat model
00:08:55
untuk prediksinya kemudian kita tahu ya
00:08:59
ekspektasi targetnya Seperti apa
00:09:03
gitu Nah di sini teman-teman Ee kita
00:09:07
lanjutkan ke klasifikasi ya Nah apa sih
00:09:09
sebenarnya klasifikasi itu ya
00:09:11
klasifikasi kan tadi kan kita sudah
00:09:13
membahas bahwa di machine learning itu
00:09:16
ada supervised learning nah di dalam
00:09:19
supervised learning ini ada yang namanya
00:09:22
klasifikasi ya jadi klasifikasi itu
00:09:25
merupakan salah satu topik ya dalam data
00:09:29
mining atau machine learning Ya di mana
00:09:32
klasifikasi itu dapat mengelompokkan
00:09:35
data ya Di mana data tersebut dapat
00:09:38
digunakan untuk mempunyai kelas atau
00:09:40
target tertentu ya di sini algoritma
00:09:44
menyediakan masalah klasifikasi di
00:09:47
dikategorisasi ke dalam supervised
00:09:49
learning atau pembelajaran yang diawasi
00:09:52
Ya maksudnya gimana sih maksudnya adalah
00:09:55
dia ada yang namanya target itu ya ada
00:09:58
supervisor atau guru yang mengawasi
00:10:00
proses pembelajaran dalam mencapai
00:10:02
tingkat akurasi atau presisi tertentu
00:10:05
gu Nah selanjutnya kalau kita melakukan
00:10:09
proses klasifikasi Apa sih yang kita
00:10:12
butuhkan ya teman-teman jadi yang kita
00:10:14
butuhkan ada yang namanya dataset ya
00:10:18
pasti teman-teman sudah sering dengar ya
00:10:20
dataset ya apa sih sebenarnya dataset
00:10:22
itu Oke jadi di sini bisa teman-teman
00:10:25
lihat bahwa dataset itu juga dapat di
00:10:29
didefinisikan sebagai kumpulannya atau
00:10:32
himpunan data yang disajikan dalam pola
00:10:35
tabel ya setiap kolom dalam tabel data
00:10:39
tersebut menggambarkan variabel tertentu
00:10:42
sehingga dalam suatu dataset terdapat
00:10:44
beberapa variabel ya Secara teknis
00:10:47
merupakan bagian dari manajemen
00:10:50
data baik selanjutnya pasti ada
00:10:52
pertanyaan nih teman-teman Ibu gimana
00:10:54
sih nanti caranya dapatin data set Oke
00:10:57
kita lanjut dulu ya nah nah ini ya
00:10:59
teman-teman di mana Nanti teman-teman
00:11:02
bisa dapat data set Nah ini teman-teman
00:11:05
bisa ambil nanti di uchci machine
00:11:08
learning repository atau teman-teman
00:11:10
bisa juga ambil di yang namanya kegle ya
00:11:13
teman-teman Nah ini di contohnya Ini
00:11:17
saya Tampilkan bahwa dataset yang ada di
00:11:21
ucci machine learning repository gitu ya
00:11:24
jadi nanti teman-teman bisa search nih
00:11:26
data apa yang teman-teman butuhkan
00:11:30
kalau di sini ini saya Tampilkan ada
00:11:32
Iris data ya teman-teman Jadi ini
00:11:34
teman-teman bisa tahu nanti eh
00:11:37
karakteristik datasetnya Seperti apa
00:11:40
kemudian nanti banyak datanya berapa Nah
00:11:44
ini teman-teman bisa cari sesuai dengan
00:11:46
kebutuhan teman-teman gitu ya Ada juga
00:11:49
nanti misalkan teman-teman mau
00:11:50
clustering atau misalkan teman-teman mau
00:11:52
melakukan klasifikasi berarti nanti bisa
00:11:54
teman-teman cari di situ bisa
00:11:56
teman-teman search ya atau misalkan di
00:11:58
kegle itu juga bisa ya
00:12:00
teman-teman cari ee di situ juga ada
00:12:03
beberapa contoh ee code-nya yang mungkin
00:12:06
teman-teman bisa lihat untuk
00:12:07
menginspirasi teman-teman gimana sih
00:12:10
nanti caranya menggunakan dan seperti
00:12:12
apa sih misalkan ee ketika kita ingin
00:12:14
memproses data set tersebut sesuai
00:12:16
dengan data science gitu aturan-aturan
00:12:18
yang ada di data
00:12:20
sciencekanocessing kemudian ekstraksi
00:12:22
fitur dan sebagainya
00:12:25
gitu nah ini ini adalah eh contoh yang
00:12:29
lain ya dataset pustaka data ya Ini juga
00:12:33
sebuah contoh dataset
00:12:36
ya Nah ini teman-teman ini ee cara ya
00:12:39
ini di sini saya Tampilkan cara ketika
00:12:42
kita mau menggunakan dataset dengan
00:12:45
menggunakan bahasa pemrograman Python
00:12:48
Nah di sini sebelumnya saya mau tanya
00:12:50
nih teman-teman Siapa yang sudah sering
00:12:53
pakai bahasa pemprograman Python Nah
00:12:55
kalau teman-teman sudah sering pakai
00:12:57
bahasa pemprograman Python pasti
00:12:59
teman-teman sudah familiar ya dengan
00:13:01
import 6p asnp gitu kan pasti sudah
00:13:04
sering menggunakan library apa saja yang
00:13:07
eh teman-teman butuhkan untuk melakukan
00:13:10
apa namanya pemprosesan menggunakan data
00:13:13
sehat ya misalkan melakukan klasifikasi
00:13:15
seperti itu Nah di sini ya teman-teman
00:13:19
ketika kita mau e melakukan coding
00:13:22
menggunakan apa namanya bahasa
00:13:24
pemograman Python teman-teman bisa
00:13:27
menggunakan Google cab ya seang sangat
00:13:29
mudah sekali ya teman-teman Jadi
00:13:31
teman-teman bisa launch Google Cab
00:13:33
kemudian teman-teman bisa ketikkan eh
00:13:36
kodenya ya di sini sudah saya beri
00:13:38
keterangan ya teman-teman jadi jadi
00:13:41
teman-teman eh di sini
00:13:44
sebentar yang ada tanda hashtag-nya ini
00:13:47
ya teman-teman dia merupakan eh apa
00:13:50
namanya komentar Ya jadi eh komentar itu
00:13:53
apa sih gini jadi komentar itu tidak
00:13:55
akan dieksekusi di program teman-teman
00:13:56
ya Jadi nanti import the requir
00:13:59
libraries jadi ini adalah
00:14:01
library-library yang dibutuhkan untuk
00:14:03
kita impimport ketika kita ingin
00:14:05
melakukan pemprosesan data kita gitu ya
00:14:07
jadi
00:14:09
di sini sudah di Line kedua ini sudah
00:14:11
saya kasih keterangan ya teman-teman
00:14:13
misalkan ni ni apa sih sebenarnya nah n
00:14:16
itu adalah library eh itu singkatan dari
00:14:19
numerical Python gitu ya dia biasanya
00:14:22
digunakan untuk menghitung operasi
00:14:24
Matematika pada r gitu ya kemudian kita
00:14:27
pakai juga import Das SPD apa sih
00:14:30
sebenarnya Pandas nah Pandas itu sering
00:14:33
dipakai untuk menganalisis data serta
00:14:35
membangun sebuah machine learning Jadi
00:14:38
kita pakai 6p ya karena dia eh numerical
00:14:41
Python kemudian kita pakai Pandas ya
00:14:44
untuk menganalisis sebuah machine
00:14:46
learning
00:14:47
kemudian kita pakai juga Mat l lip untuk
00:14:51
visualisasi data Jadi kita akan
00:14:52
melakukan visualisasi data ya dalam buku
00:14:55
grafi seperti itu ya kemudian ada apaagi
00:14:58
cbornnya n dia berguna untuk menciptakan
00:15:00
visualisasi data statistik dengan
00:15:02
tampilan yang berkualitas lebih tinggi
00:15:05
gitu ya oke ya teman-teman di Line
00:15:08
ketiga ini ada creating Pandas Jadi kita
00:15:11
pakai datasetnya adalah shampo csp gitu
00:15:14
ya jadi di sini nanti ya teman-teman
00:15:17
bisa lihat bahwa kita pakai datasetnya
00:15:19
jadi nanti dataset bisa menyesuaikannya
00:15:21
teman-teman n ini di sini kita bisa
00:15:24
lihat bahwa datasetnya terdiri dari m
00:15:27
sama sals ya bulan dan juga hasil
00:15:31
konjualualannya gitu ini Jadi ini ada
00:15:34
datanya ada 36 baris kemudian ada eh dua
00:15:39
kolom ya Ada Mon sama sales gitu ya
00:15:41
teman-teman kemudian ini DF til-nya ya
00:15:44
eh di sini kita bisa lihat kemudian Oke
00:15:48
kemudian kita masuk ke training data ya
00:15:51
jadi kan kita tadi sudah membahas
00:15:53
mengenai bahwa ada dataset kemudian ada
00:15:56
supervised Learning Kita masuk ke
00:15:58
training data ya tadi sudah disebutkan
00:16:00
juga bahwa data itu perlu diraining
00:16:03
kemudian diesting gitu ya apa sih
00:16:05
sebenarnya training jadi training itu
00:16:07
adalah bagian dataas set yang kita latih
00:16:11
untuk membuat prediksi atau menjalankan
00:16:13
fungsi dari sebuah algoritma machine
00:16:16
learning gitu ya jadi di mana Nanti eh
00:16:19
sesuai tujuan kita masing-masing kita
00:16:21
misalkan mau melakukan klasifikasi
00:16:24
berarti data itu akan kita latih untuk
00:16:26
kita bisa tahu hasil klasifikasinya
00:16:28
kemudian kalau clastering begitu juga
00:16:30
gitu
00:16:31
ya kemudian setelah ada training kita
00:16:35
juga punya yang namanya
00:16:39
e kita punya yang namanya ada testing ya
00:16:43
teman-teman Nih ada testing data ya di
00:16:45
mana Tes data adalah bagian data set
00:16:48
yang nantinya kita tes untuk melihat
00:16:50
keakuratan atau dengan kata lain kita
00:16:52
bisa melihat per mainnya jadi kita bisa
00:16:55
melihat akurasi presisi dan rec kemudian
00:16:59
bisa juga Kita lihat nanti bagaimana sih
00:17:01
nilai F1 skornya
00:17:05
Oke selanjutnya kita masuk ke pembahasan
00:17:09
yang ketiga yaitu teman-teman yaitu
00:17:11
algoritma Naif bes ya algoritma Naif bes
00:17:14
ini merupakan salah satu algoritma untuk
00:17:17
eh melakukan proses klasifikasi ya dia
00:17:20
termasuk algoritma machine learning gitu
00:17:22
Nah di sini teman-teman bisa lihat bahwa
00:17:25
ee ada beberapa langkah-langkah yang
00:17:27
perlu kita lakukan ketika kita ingin
00:17:30
mrain atau melatih data kita menggunakan
00:17:34
algoritma Naif bias ya yang pertama T Ya
00:17:37
kita harus nih baca data trainingnya
00:17:40
dulu ya berarti kita harus baca data
00:17:42
setnya nah seperti contoh yang tadi di
00:17:45
depan itu kan kita sudah bahas ya
00:17:47
teman-teman bahwa data itu kita harus
00:17:49
load dulu ya kita agar kita bisa baca
00:17:51
data tersebut ya tadi contohnya tadi
00:17:53
bahwa ada cikasp dengan eh data set
00:17:57
sampo ya G kita ingin melihat bagaimana
00:18:00
sih ee prediksi penjualannya gitu ya Nah
00:18:04
kalau ini berarti kita baca data
00:18:06
trainingnya dulu kemudian kita hitung
00:18:08
jumlah kelasnya gitu ya setelah kita
00:18:11
hitung jumlah kelasnya yang ketiga
00:18:13
adalah kita hitung jumlah kasus yang
00:18:15
sama dengan kelas yang sama kemudian
00:18:17
yang empat kita kalikan semua nilai
00:18:20
hasil sesuai dengan data X yang dicari
00:18:24
kelasnya nah ini teman-teman kita bisa
00:18:27
lihat ya di sini kita sudah baca nih
00:18:29
data trainingnya ada apa aja di dalamnya
00:18:32
ada outlook ada temperatur ada humidity
00:18:35
ada Windy dan ini ada kita akan pergi
00:18:38
enggak sih sebenarnya ya Gimana kalau
00:18:40
misalkan nanti ee cuacanya itu cerah
00:18:44
kemudian temperaturnya itu Misalkan
00:18:47
dingin kemudian kelembabannya
00:18:49
tinggi dan juga hari ini tuh berangin
00:18:52
enggak sebenarnya Nah kita mau pergi
00:18:54
enggak gitu ya Nah kita bisa tahu di
00:18:56
sini ini ada dataetnya outlooknya nya
00:18:58
otuhnya itu ada Sangi overcas sama Rini
00:19:01
ya Jadi ada cerah kemudian mendung ya
00:19:04
teman-teman kemudian ada hujan kemudian
00:19:07
temperaturnya
00:19:08
ada hot panas kemudian sejuk sana dingin
00:19:13
kemudian kelembabannya ini ada tiga eh
00:19:16
oke Ada dua aja ya jadi normal sama hike
00:19:20
gitu kemudian nanti e hari ini berangin
00:19:22
atau enggak itu kita pakainya ada true S
00:19:25
false ya dulu aja kemudian nanti
00:19:27
kesimpulannya Kita akan pergi atau
00:19:28
enggak Ya ini ini kita yang pertahapan
00:19:30
yang pertama kita baca data training
00:19:33
dulu setelah kita baca data training
00:19:36
kita harus tahu dulu nih teorema yang
00:19:39
akan kita gunakan nih kan nabes nih kan
00:19:41
ada rumusnya yang teman-teman jadi di
00:19:43
sini teman-teman bisa lihat ini sudah
00:19:45
ada apa namanya tampilan rumusnya ya di
00:19:50
mana Nanti naib bas itu akan bekerja ya
00:19:52
di sini e phx pxh * PH / PX gitu ya yang
00:19:59
di sini sudah ada keterangannya X itu di
00:20:01
mana Data dengan kelas yang belum
00:20:02
diketahui kemudian h adalah hipotesis
00:20:05
data X yang merupakan suatu kelas yang
00:20:09
lebih spesifik dan selanjutnya ya
00:20:11
teman-teman kemudian oke langsung kita
00:20:14
ke hitung ya Hitung jumlah kelas atau
00:20:17
labelnya ya tadi kita tahu bahwa
00:20:21
Eh dari tadi ya ee ciri-ciri tadi kita
00:20:25
tuh akan pergi atau enggak ya berarti
00:20:27
kita punya berapa kelas Nih teman-teman
00:20:29
coba tepat oke ya kita punya dua kelas
00:20:32
ya teman-teman yang pertama itu kelas
00:20:35
play Yes dan yang kedua itu kelas yang
00:20:38
kedua adalah play no ya kita hitung dulu
00:20:41
nih dia yang untuk play Yes ada berapa
00:20:43
record ya misalkan ada di sini tadi kan
00:20:46
ada 9 kemudian nanti untuk yang kelas
00:20:49
kedua kita ada l record berarti totalnya
00:20:53
tadi kita ada 14ord gitu ya kemudian
00:20:57
kita hitung dulu nih pelu peluangnya pc1
00:21:00
berarti peluang kelas 1 dan pc2 peluang
00:21:04
kelas 2 di mana Nanti jumlah kelas
00:21:07
yes-nya untuk pc1 kan tadi Yes berarti
00:21:09
kita hitung 9 / 14 Kenapa 14 karena 14
00:21:15
adalah jumlah total
00:21:17
recordnya jadi 9 Dibi dengan 14
00:21:23
0,64 gitu Kemudian untuk yang kelas yang
00:21:27
no itu 5 dibagi dengan 14
00:21:31
0,35 n di sini algoritma Mus itu akan eh
00:21:36
tes ya pertanyaannya adalah data x ya
00:21:41
kita berikan data x di mana nanti
00:21:43
outlooknya itu R ya kemudian
00:21:46
temperaturnya cool kemudian humiditynya
00:21:50
high kemudian windynya true dia akan
00:21:52
pergi main atau tidak Gitu ya Nah di
00:21:56
sini kita hitung teman-teman untuk Ci
00:21:58
yaitu pc1 dan pc2 Ya sudah diketahui Apa
00:22:02
hasilnya dari langkah sebelumnya yang
00:22:04
selanjutnya kita hitung pxci untuk I = 1
00:22:08
dan 2 gitu ya teman-teman ya jadi P
00:22:11
Outlook Sun playes-nya berapa kita
00:22:13
hitung peluangnya ya ada 2 dibagi 9 tadi
00:22:16
kemudian outlog Sony play-nya no berapa
00:22:20
3/5 0,6 ya ini kita hitung semua ya sama
00:22:25
ya diovercas juga kemudian di ini juga
00:22:29
ya kita hitung semua nanti ee
00:22:31
teman-teman bisa dapat ya tabelnya
00:22:33
seperti ini nah ini ini tabelnya ya jika
00:22:37
ya Jadi tadi kita hitung jumlah kasus
00:22:40
yang sama dengan kas yang sama ya
00:22:41
teman-teman Jadi kita hitung semua
00:22:43
atribut maka akan didapatkan hasil tabel
00:22:46
seperti ini ya Jadi nanti akan kita tahu
00:22:49
ya bahwa peluang no-nya berapa dan
00:22:52
peluang lnya berapa gitu
00:22:55
ya Nah selanjutnya nya ya kita kalikan
00:23:00
nih semua hasil sesuai dengan data X
00:23:03
yang dicari kelasnya Nah tadi kan
00:23:06
pertanyaannya adalah di mana kita
00:23:08
berikan data x bahwa outlooknya Rain
00:23:13
kemudian temperaturnya full dan
00:23:15
humidity-nya high kemudian wi-nya true
00:23:19
dia akan pergi enggak sih sebenarnya Nah
00:23:22
kita kalikan semua hasilnya dari data x
00:23:24
tadi ya kita cari bahwa X y-nya berapa
00:23:29
kita kalikan dari semua tadi 0 kan bisa
00:23:31
kita lihat dari tabel sebelah sini ya
00:23:33
teman-teman Ini sudah saya kasih tanda
00:23:36
kuning ya Jadi nanti yang akan kita
00:23:38
gunakan adalah yang saya berikan tanda
00:23:40
kuning oke nah Ini kita masukkan di sini
00:23:43
jadi nanti teman-teman bisa cek lagi ya
00:23:46
Di tabelnya ya Jadi ini 0,3 * 0,3 * 0,3
00:23:52
* 0,3 hasilnya ini ya kemudian nanti
00:23:55
kita cari peluang explainon-nya berapa
00:23:57
ya 0,4 * 0,2 * 0,8 * 0,6 nah ini kita
00:24:03
cari kemudian nanti ya kita dikalikan
00:24:08
PC 1-nya ya teman-teman kemudian nanti
00:24:11
kalau untuk yang l kita cari pc2
00:24:14
kemudian di sini sudah ada saya
00:24:16
Tampilkan hitungannya ya teman-teman nah
00:24:18
gimana nanti kita memutuskan bahwa ee
00:24:21
apa namanya dari data x ini dia akan
00:24:24
pergi atau tidak nah ini dilihat di sini
00:24:26
teman-teman ya jadi kita lihat
00:24:29
perbandingannya hasilnya ini ada
00:24:33
0,007 dengan
00:24:35
0,13 nah kira-kira nih lebih besar yang
00:24:37
mana nih nah yang lebih besar itu yang
00:24:41
akan menjadikan
00:24:42
ee jawabannya ya Jadi kalau di sini kan
00:24:45
nilai no itu lebih besar daripada nilai
00:24:47
Yes jadi maka kelas dari data x tersebut
00:24:50
dia akhirnya tidak pergi ketika
00:24:54
keadaannya itu outlock rainy
00:24:56
temperaturnya full humidity dan windynya
00:24:59
true jadi dia tidak pergi karena dilihat
00:25:02
bahwa peluang no-nya itu lebih besar
00:25:05
gitu ya teman-teman gimana teman-teman
00:25:07
pasti kan belajar machine learning baik
00:25:09
teman-teman selanjutnya kita masuk soal
00:25:11
dan latihan nih ya di mana Nanti soal
00:25:15
dan latihan ini bisa menambah
00:25:16
pengetahuan teman-teman terhadap materi
00:25:19
yang tadi sudah kita diskusikan
00:25:21
bersama-sama ya Nah di sini ya
00:25:23
teman-teman di sini ada variabel Ya saya
00:25:25
punya dataset di mana dia punya 1 2 3 4
00:25:29
ya Empat variabel ya di mana Nanti dia
00:25:32
punya di sini ada umur ya kemudian
00:25:36
income-nya Kemudian dia student atau
00:25:39
tidak kemudian credit rating dan dia
00:25:42
akan beli komputer itu enggak sih
00:25:44
sebenarnya gitu ya jadi di sini ada
00:25:47
umurnya dia kurang dari sama dengan 30
00:25:51
kemudian dia lebih dari 40 dan antara 31
00:25:55
dan 40 Kemudian dilihat dari income-nya
00:25:58
ya income-nya dia itu High eh medium
00:26:01
atau low kemudian status dia nih
00:26:04
statusnya nih sebagai eh student iya
00:26:07
atau tidak Gitu ya kemudian nanti kredit
00:26:10
ratingnya dilihat juga eh dari komputer
00:26:13
tersebut credit ratingnya fair exellent
00:26:16
ya kemudian keputusannya dia mau beli
00:26:18
atau tidak ya yes dan no ya jadi di sini
00:26:22
ada berapa kelas teman-teman yang akan
00:26:24
kita ambil keputusannya di sini adalah
00:26:27
yang akan kita klasifikasikan di sini
00:26:29
ada dua yaitu eh kelas yes sama no ya Di
00:26:33
mana kelas yang pertama itu adalah by
00:26:36
computer kemudian kelas yang kedua
00:26:39
adalah no gitu ya dia tidak akan beli
00:26:42
nih dari e apa namanya variabel tersebut
00:26:45
ternyata eh dilihat bisa dia tidak akan
00:26:48
beli gitu ya atau misalkan dilihat dari
00:26:50
variabel tersebut dia akan beli gitu
00:26:52
Jadi ada dua polaritas Ya nantinya
00:26:56
kemudian pertanyaannya di di sini ya
00:26:59
Yang nanti saya ingin teman-teman coba
00:27:01
cari ya ketika data x ya Ketika saya
00:27:05
berikan data x di mana ya umurnya itu
00:27:09
adalah kurang dari sama dengan 30 dan
00:27:13
juga income-nya itu medium kemudian
00:27:17
statusnya student itu Yes nah kemudian
00:27:20
dengan crredit rating-nya fair Ya
00:27:22
silakan Nanti teman-teman coba ya
00:27:25
mengerjakan ltian tersebut gimana e
00:27:28
hasil dari X itu dia beli atau enggak ya
00:27:30
dia masuk ke kelas yes atau gitu ya jadi
00:27:34
nanti silakan teman-teman coba
00:27:37
Oke mungkin Cukup Sekian dari saya buari
00:27:41
nanti silakan e teman-teman juga coba
00:27:43
terlebih dahu dan kita bisa jumpa lagi
00:27:45
di pertemuan selanjutnya Terima kasih
00:27:47
wasalamualaikum warahmatullahi
00:27:49
wabarakatuh bye
00:27:50
[Musik]
00:27:57
bye i
