DAFTAR ISI

1. Tujuan

2. Alat & Bahan

3. Materi

4. Percobaan

5. Video Percobaan

6. Link Download

.

Implementasi Logistic Regresion Dengan Python

1. Tujuan 

    a. Bisa mengerti mengenai Algoritma Logistic Regresion dan mengaplikasiaannya

2. Alat & Bahan

          a. Alat yang digunakan pada pembelajaran ini adalah bahasa python dan menggunakan Colab sebagai platfornya.

3. Materi

    

Python

python dibuat pertama kali oleh Guido van Rossum di tahun 1991. Saat ini ada 2 versi, yaitu python 2 dan python 3. Versi yang terbaru adalah versi yang ketiga.

Python dapat digunakan sebagai berikut :

1. Pengembangan aplikasi web dan seluler back end (atau sisi server)
2. Pengembangan aplikasi atau perangkat lunak untuk dekstop
3. Memproses data besar dan melakukan perhitungan matematis
4. Menulis skrip sistem (membuat instruksi yang memberitahu sistem komputer untuk “melakukan” sesuatu)

Google Colab

Google Colab atau Google Colaboratory, adalah sebuah executable document yang dapat digunakan untuk menyimpan, menulis, serta membagikan program yang telah ditulis melalui Google Drive.

Software ini pada dasarnya serupa dengan Jupyter Notebook gratis berbentuk cloud yang dijalankan menggunakan browser, seperti Mozilla Firefox dan Google Chrome.

Ia memungkinkan penggunanya untuk menjalankan kode Python tanpa perlu melakukan proses instalasi dan setup lainnya. Justru, semua keperluan setting dan adjustment akan diserahkan ke cloud. 

Maka dari itulah, aplikasi ini merupakan tempat yang baik bagi programmer yang ingin mengasah pengetahuan mengenai Python.

Decision Tree

Decision tree adalah alat pendukung dengan struktur seperti pohon yang memodelkan kemungkinan hasil, biaya sumber daya, utilitas, dan kemungkinan konsekuensi.

Decision tree menyediakan cara untuk menyajikan algoritma dengan pernyataan kontrol bersyarat. Mereka termasuk cabang yang mewakili langkah-langkah pengambilan keputusan yang dapat mengarah pada hasil yang menguntungkan.

Struktur flowchart mencakup node internal yang mewakili tes atau atribut pada setiap tahap. Setiap cabang mewakili hasil untuk atribut, sedangkan jalur dari daun ke akar mewakili aturan untuk klasifikasi.

Decision tree merupakan salah satu bentuk algoritma pembelajaran terbaik berdasarkan berbagai metode pembelajaran.

Mereka meningkatkan model prediktif dengan akurasi, kemudahan dalam interpretasi, dan stabilitas. Alat ini juga efektif dalam menyesuaikan hubungan non-linier karena mampu memecahkan tantangan penyesuaian data, seperti regresi dan klasifikasi.

Disebut deecision tree atau pohon keputusan karena pilihannya bercabang, membentuk struktur yang terlihat seperti pohon.

4. Percobaan

Creating Dataset

# importing libraries

import numpy as np

import pandas as pd

import math

import random

import matplotlib.pyplot as plt

# defining the columns using normal distribution

# column 1

point1 = abs(np.random.normal(1, 12, 100))

# column 2

point2 = abs(np.random.normal(2, 8, 100))

# column 3

point3 = abs(np.random.normal(3, 2, 100))

# column 4

point4 = abs(np.random.normal(10, 15, 100))

# x contains the features of our dataset

# the points are concatenated horizontally

# using numpy to form a feature vector.

x = np.c_[point1, point2, point3, point4]

# the output labels vary from 0-3

y = [int(np.random.randint(0, 4)) for i in range(100)]

# defining a pandas data frame to save

# the data for later use

data = pd.DataFrame()

# defining the columns of the dataset

data['col1'] = point1

data['col2'] = point2

data['col3'] = point3

data['col4'] = point4

  

# plotting the various features (x)

# against the labels (y).

plt.subplot(2, 2, 1)

plt.title('col1')

plt.scatter(y, point1, color ='r', label ='col1')

  

plt.subplot(2, 2, 2)

plt.title('Col2')

plt.scatter(y, point2, color = 'g', label ='col2')

  

plt.subplot(2, 2, 3)

plt.title('Col3')

plt.scatter(y, point3, color ='b', label ='col3')

  

plt.subplot(2, 2, 4)

plt.title('Col4')

plt.scatter(y, point4, color ='y', label ='col4')

  

# saving the graph

plt.savefig('data_visualization.jpg') 

# displaying the graph

plt.show()

5. Video

6. Download file

1. Program  Data download

2. Video download

3. HTML download