Pelatihan Supervised Learning: Membangun Model Analisis Data untuk Pelajar Sekolah Menengah

 

Blitar, 25 Juni 2025 — Dalam era kecerdasan buatan dan data digital yang terus berkembang, kemampuan membangun model prediksi berbasis data menjadi keahlian penting. Untuk itu, telah diselenggarakan pelatihan daring bertajuk "Membangun Model Supervised Learning" khusus bagi pelajar sekolah menengah. Kegiatan ini merupakan bagian dari rangkaian pelatihan data analytic yang digelar secara daring via Zoom.

Tujuan Pembelajaran

Peserta pelatihan ditargetkan untuk:

  • Memahami konsep dasar Supervised Learning

  • Mengenali feature (fitur) dan target (label) dalam model pembelajaran mesin

  • Mengetahui proses membangun model prediktif, mulai dari pemilihan fitur hingga evaluasi model

  • Mampu menggunakan algoritma populer seperti Logistic Regression, Decision Tree, dan SVM

  • Mempelajari metrik evaluasi seperti Accuracy, Precision, Recall, dan F1-Score

Rangkaian Materi Pelatihan

Pelatihan ini dibagi menjadi beberapa bagian utama:

1. Pengenalan Supervised Learning

Peserta dikenalkan pada konsep pembelajaran mesin terawasi (Supervised Learning), di mana model dibangun berdasarkan data yang sudah memiliki label. Contoh kasus yang digunakan meliputi prediksi spam email, deteksi penyakit, hingga prediksi fraud dalam transaksi.

2. Target dan Feature

Dua komponen utama dalam supervised learning dibahas mendalam:

  • Target: Kolom yang ingin diprediksi, misalnya "Spam/Not Spam".

  • Feature: Kolom yang menjadi input model, seperti "Harga", "Item", dan "Diskon" dalam transaksi.

Peserta diberikan contoh transaksi dan diajak untuk mengidentifikasi mana yang menjadi target dan mana yang menjadi fitur.

3. Feature Selection

Feature Selection adalah proses memilih fitur yang paling relevan dan signifikan terhadap target. Pendekatan korelasi antar variabel juga dikenalkan agar peserta memahami bahwa tidak semua kolom harus digunakan, melainkan yang paling berdampak terhadap prediksi.

4. Pemodelan Menggunakan Algoritma

Peserta diperkenalkan pada berbagai algoritma klasifikasi yang umum digunakan dalam supervised learning:

  • Logistic Regression

  • Decision Tree

  • Support Vector Machine (SVM)

Langkah-langkah praktis dilakukan mulai dari:

  • Membagi data ke dalam training set dan test set

  • Melatih model

  • Melakukan prediksi terhadap data uji

5. Evaluasi Model

Bagian penting dari supervised learning adalah mengevaluasi performa model. Peserta diajarkan menggunakan:

  • Confusion Matrix

  • Accuracy: Seberapa banyak data diprediksi dengan benar

  • Precision: Akurasi dari prediksi positif

  • Recall: Seberapa baik model menemukan semua data positif

  • F1-Score: Rata-rata harmonis dari precision dan recall

Semua evaluasi dilakukan menggunakan Python dan pustaka scikit-learn, memberikan pengalaman langsung dalam pemrograman.

Pendekatan Interaktif dan Praktis

Melalui diskusi, latihan langsung (It’s Code Time!), dan studi kasus nyata, pelatihan ini memberikan pengalaman menyeluruh dari teori hingga praktik. Peserta tidak hanya belajar cara membuat model, tetapi juga memahami mengapa pemilihan fitur dan algoritma mempengaruhi hasil.

Penutup

Dengan pelatihan ini, diharapkan para pelajar sekolah menengah memiliki bekal awal untuk masuk ke dunia data science dan machine learning. Kegiatan ini membuka wawasan baru tentang pentingnya memahami logika di balik prediksi digital dan teknologi kecerdasan buatan.


0 Komentar