Cara Membuat Poster Acara yang Kece Badai

Hi guys!

Bingung dengan post-post sebelumnya? Sama saya juga. Eh ga deng. Mimin ngerti dikit-dikit kok hehehe :v.

Yo tanpa basa-basi lagi kita masuk ke topik pembahasan kita “ Cara Membuat Poster Acara yang Kece Badai”. Lho OmahTI bukannya isinya tentang IT doang min? FYI, salah satu divisi yang ada di OmahTI ialah Multimedia. Masih masuk IT kok, ya bedanya “cuma” ga ada ngoding :v.

To the point kenapa poster acara harus keren?
Lanjutkan membaca

Linear Regression

1. Supervised Learning : Linear Regression
Dalam statistik, linear regression adalah pendekatan linier untuk memodelkan hubungan antara variabel dependen yang dilambangkan Y dan satu atau lebih variabel independen yang dilambangkan X. Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :
Y = a + bX
Dimana :

Y = Variabel Dependen atau Variabel Akibat(Response)

X = Variabel Independen atau Variabel Faktor Penyebab (Predictor)

a = konstanta

b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
Kali ini kita akan memprediksi harga rumah dengan menggunakan Linear Regression. Dataset yang akan digunakan adalah dataset dari sklearn, yaitu dataset harga rumah Boston.

1.0.1  Step 1: Menyiapkan Data
Pertama, kita import terlebih dahulu library yang dibutuhkan

import dataset dari sklearn

download dataset

1.0.2  Step 2: Visualisasi data

Selanjutnya, kita lihat scatter plot dari salah satu feature dengan target, yaitu jumlah kamar dengan harga rumah.

Dari plot diatas, kita bisa melihat bahwa harga meningkat seiring dengan jumlah kamar, yang secara intuitif masuk akal. Selanjutnya, kita akan menggunakan scikit-learn untuk melihat apakah kita bisa memasukkan data secara linier. Sebelum itu, kita harus mengubah dataset ke dalam bentuk DataFrame.

1.0.3 Step 3: gunakan scikit learn untuk implementasi multivariate regression

Linear regression terbagi menjadi univariate regression dan multivariate regression. kita menggunakan univariate regression ketika hanya ada satu variabel data(feature) yang mempengaruhi target. Namun jika yang mempengaruhi target ada lebih dari satu feature, maka kita gunakan multivariate regression.
Pertama, kita import library linear regression dari sklearn

sklearn.linear_model.LinearRegression merupakan sebuah estimator. estimator memprediksi sebuah nilai berdasarkan data yang diobservasi. dalam scikit learn, semua estimator menerapkan metode fit() dan predict(). metode fit() digunakan untuk mengetahui parameter model, sedangkan metode predict() digunakan untuk memprediksi nilai target dengan menggunakan parameter yang diperoleh dari fit().

kita pisahkan kolom features dan kolom target pada dataframe

Dari tabel diatas kita dapat melihat korelasi antar kolom pada dataframe. Korelasi paling tinggi dari harga rumah adalah dengan jumlah kamar. Kita juga bisa melihat atribut apa yang paling berpengaruh terhadap target dengan menggunakan Lasso Regression yang juga bisa digunakan
untuk melakukan feature selection.


In [ ]: Dapat dilihat bahwa jumlah kamar ialah atribut yang paling berpengaruh dan berkontribusi penting untuk menentukan target variable.

1.0.4 Step 4: Training and Validation

Dalam dataset, sebuah training set diimplementasikan untuk membangun sebuah model, sementara validation set digunakan untuk memvalidasi model yang dibangun. pemilihan sampel dari dataset untuk dijadikan training set atau validation set dilakukan secara acak. Kita akan menggunakan dua teknik validasi untuk membandingkan akurasinya, K-cross validation dan train test split.

[ 0.72590475 0.71326269 0.73320728]
Average K-Fold CV Score: 0.7241249084434545

Rˆ2: 0.7109203586326283

1.0.5 Step 5: prediksi harga
kita telah memiliki data training dan data test. selanjutnya kita gunakan data training tersebut
untuk memprediksi harga rumah, kemudian gunakan data test untuk validasi.

2. Train Test Split

Rˆ2: 0.7109203586326283

3. K-Cross Validation

cross predict accuracy: 0.717669565673

In [ ]: Dapat dilihat perbandingan bahwa validasi train test split mendapat akurasi 0.7109203586326283, sedangkan untuk cross validation adalah 0.717669565673. Cross validation lebih tinggi karena ketika menggunakan train test split,

Langkah pertama belajar Machine Learning menggunakan Python Part 1

Pengenalan Machine Learning

Machine Learning adalah pengambilan pengetahuan dari suatu data. Hal tersebut adalah bidang penelitian di antara statistik, kecerdasan buatan, dan ilmu komputer dan juga dikenal sebagai analisis prediktif atau pembelajaran statistik. Penerapan metode Machine Learning dalam beberapa tahun terakhir telah berkembang di mana-mana dalam kehidupan sehari-hari. Dari rekomendasi film, makanan apa yang harus dipesan atau produk mana yang akan dibeli, ke radio online yang  telah dipersonalisasi dan mengenali teman di foto Anda, banyak situs web dan perangkat modern memiliki algoritma Machine Learning pada intinya. Ketika Anda melihat situs web yang kompleks seperti Facebook, Amazon, atau Netflix, kemungkinan besar setiap bagian situs berisi beberapa model Machine Learning. Lanjutkan membaca

Mengenal Sass Part 1

Ketika kita membuat website pastinya kita menggunakan CSS untuk styling halaman website kita. Pernahkah mengalami CSS yang kita gunakan begitu banyak, kompleks dan sulit untuk melakukan maintenance?

Untuk hal ini, Sass bisa menjadi solusinya.

Apa itu Sass? Sass (Syntactically Awesome Style Sheets) merupakan Preprocessor CSS. Preprocessor CSS adalah framework yang menyediakan fitur-fitur yang tidak terdapat pada CSS. Fitur-fitur tersebut banyak mengadopsi konsep-konsep pemograman seperti operasi matematika dasar, variabel, loop dan fungsi.

Lanjutkan membaca

——–|Pengenalan Python

Bahasa pemrograman yang direkomendasikan oleh pengguna linux adalah Python, kenapa ? Selain banyak tools-tools networking yang ditulis dengan python, kita dapat menulis program lebih cepat daripada bahasa pemrograman lainnya. Python adalah bahasa pemrograman tingkat tinggi. Kita bisa menjalankan python di CLI atau membuat script dengan ekstensi file “.py” Lanjutkan membaca

Jurus Mustajab “ Prefix sum ” pada Programming

Apakah kamu pernah mendengar istilah ” Prefix sum ” ?
Perhatikan barisan bilangan berikut:
12  23  43  12  43  22  11 7  9  10  100  …
Berapakah jumlah suku ke-tiga sampai ke-sepuluh?

Cara :

HMMM…

Apakah setiap ada pertanyaan seperti itu, kita harus ngeloop dari awal sampai akhir dari suku yang ditanyakan?

Duh, gimana kalo barisannya ada ratusan ribu bahkan jutaan suku? Kita harus ngitung lagi ratusan ribu bahkan jutaan kali. BOOM!! Lanjutkan membaca