Seluruh Artikel Bermanfaat
  • Home
  • Microsoft office
    • Microsoft Word
    • Microsoft Excel
    • Microsoft Power Point
  • About
  • Contact

ADVANCED MACHINE LEARNING & MLOps - LEVEL 18

 Willong     Oktober 21, 2026     Microsoft Excel     No comments   

ADVANCED MACHINE LEARNING & MLOps

Dari Model Machine Learning ke Sistem ML Production

Setelah memahami Machine Learning pada Level 13 dan Cloud Data Engineering pada Level 17, tahap berikutnya adalah memahami bagaimana model Machine Learning benar-benar digunakan di lingkungan production.

Di dunia nyata, membuat model dengan akurasi tinggi saja tidak cukup.

Sebuah sistem ML production harus mampu:

  • mengambil data secara otomatis,

  • melakukan preprocessing,

  • membuat prediksi,

  • menyimpan versi model,

  • menyediakan API,

  • memonitor kualitas model,

  • mendeteksi data drift,

  • melakukan retraining,

  • menjaga keamanan,

  • dan melakukan deployment ke cloud.

Inilah dunia MLOps.


1. Apa Itu MLOps?

MLOps adalah pendekatan untuk mengelola seluruh siklus hidup Machine Learning.

Secara sederhana:

DATA
  ↓
DATA PIPELINE
  ↓
FEATURE ENGINEERING
  ↓
TRAINING
  ↓
EVALUATION
  ↓
MODEL REGISTRY
  ↓
DEPLOYMENT
  ↓
PREDICTION
  ↓
MONITORING
  ↓
RETRAINING
  ↓
DEPLOYMENT BARU

Kalau Machine Learning biasa fokus pada:

"Bagaimana membuat model yang bagus?"

MLOps fokus pada:

"Bagaimana membuat model yang bagus dan membuatnya tetap berjalan dengan baik di production?"


2. Masalah Machine Learning di Dunia Nyata

Misalnya kita membuat model untuk memprediksi penjualan.

Saat training:

Data 2024
Data 2025

Model menghasilkan:

RMSE = 12.4
R²   = 0.91

Terlihat bagus.

Tetapi setelah beberapa bulan:

Pola pelanggan berubah
Harga berubah
Produk baru muncul
Promosi berubah
Kompetitor berubah

Akibatnya:

RMSE = 38.7
R²   = 0.52

Model mengalami penurunan performa.

Karena itu model harus dipantau terus-menerus.


3. Advanced Feature Engineering

Feature engineering adalah proses membuat variabel yang lebih informatif untuk model.

Misalnya data penjualan:

DateProductSales
1 JanA100
2 JanA120
3 JanA150

Kita dapat membuat:

lag_1
lag_7
rolling_mean_7
rolling_mean_30
sales_growth
day_of_week
month
is_weekend

Contoh:

df["lag_1"] = df["sales"].shift(1)

df["lag_7"] = df["sales"].shift(7)

df["rolling_7"] = (
    df["sales"]
    .rolling(7)
    .mean()
)

Model sekarang tidak hanya melihat penjualan hari ini.

Model dapat memahami:

"Bagaimana kondisi penjualan beberapa hari sebelumnya?"


4. Time Series Feature

Untuk forecasting, waktu sangat penting.

Contoh:

date
day
week
month
quarter
year
day_of_week
is_weekend

Kita juga bisa membuat:

lag_1
lag_7
lag_14
lag_30

Contohnya:

Sales hari ini
Sales 7 hari lalu
Sales 14 hari lalu
Sales 30 hari lalu

Model dapat belajar pola berulang.


5. Hindari Data Leakage

Ini salah satu masalah paling berbahaya dalam Machine Learning.

Data leakage terjadi ketika informasi yang seharusnya tidak diketahui model pada saat prediksi masuk ke proses training.

Misalnya ingin memprediksi:

Apakah customer akan membeli bulan depan?

Tetapi kita memasukkan:

total_purchase_bulan_depan

Model akan terlihat sangat pintar.

Padahal model sebenarnya "membocorkan jawaban".


6. Contoh Data Leakage Time Series

Misalnya:

2025-01
2025-02
2025-03
2025-04

Jangan melakukan random split seperti:

train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=42
)

untuk semua kasus time series.

Lebih aman menggunakan pembagian berdasarkan waktu:

TRAIN
Jan ───────── Sep

VALIDATION
Okt ─── Nov

TEST
Des

Dengan demikian model tidak melihat masa depan.


7. Cross Validation

Untuk model biasa kita dapat menggunakan:

K-Fold Cross Validation

Tetapi untuk time series lebih cocok menggunakan:

Time Series Cross Validation

Contoh:

Fold 1
TRAIN: Jan-Mar
TEST : Apr

Fold 2
TRAIN: Jan-Apr
TEST : Mei

Fold 3
TRAIN: Jan-Mei
TEST : Jun

Model diuji pada periode yang benar-benar lebih baru.


8. Model Selection

Jangan langsung menggunakan satu algoritma.

Bandingkan beberapa model.

Contohnya:

Linear Regression
Random Forest
Gradient Boosting
XGBoost
LightGBM
CatBoost
Neural Network

Contoh tabel:

ModelRMSEMAER²
Linear Regression42310.70
Random Forest28190.84
XGBoost22150.90
Neural Network24170.88

Model terbaik belum tentu model yang paling kompleks.

Dalam production kita juga mempertimbangkan:

Accuracy
Latency
Cost
Interpretability
Maintenance
Scalability

9. Gradient Boosting

Gradient Boosting merupakan salah satu keluarga algoritma yang sangat kuat untuk data tabular.

Konsep sederhananya:

Model 1
  ↓
Cari kesalahan
  ↓
Model 2 memperbaiki kesalahan
  • Share This:  
  •  Facebook
  •  Twitter
  •  Google+
  •  Stumble
  •  Digg
Kirimkan Ini lewat EmailBlogThis!Bagikan ke XBerbagi ke Facebook
Posting Lebih Baru Posting Lama Beranda

0 Comments:

Posting Komentar

Label

  • Microsoft Excel (35)
  • Microsoft Power Point (27)
  • MICROSOFT WORD (47)

Popular Posts

  • Tutorial Microsoft Excel untuk Pemula
    Tutorial Microsoft Excel untuk Pemula: Panduan Lengkap dari Nol Microsoft Excel adalah salah satu aplikasi yang banyak digunakan untuk mengo...
  • Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis
      Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis Setelah menguasai Excel tingkat pemula dan menengah, tahap berikutn...
  • Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional
     Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional Setelah menguasai Excel tingkat lanjutan, kini saatnya masuk ke...
  • TUTORIAL MICROSOFT WORD - LEVEL 1
      TUTORIAL MICROSOFT WORD MENGENAL MICROSOFT WORD UNTUK PEMULA Tujuan Pembelajaran Setelah menyelesaikan Level 1, pembaca diharapkan mampu: ...
  • Tutorial Cara Membuat Surat Undangan Profesional di Microsoft Word - Level 17
      T utorial Cara Membuat Surat Undangan Profesional di Microsoft Word Tujuan Pembelajaran Setelah mengikuti tutorial ini, pembaca diharapkan...
  • Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional - Level 19
     Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional Tujuan Pembelajaran Setelah menyelesaikan tutorial ini, pembaca diharapkan...
  • Tutorial Enterprise AI & Data Architect - Level 15
    Enterprise AI & Data Architect Membangun Platform Data, BI, Machine Learning, dan AI Terintegrasi Level 15 adalah tahap ketika kita berh...
  • DEEP LEARNING & NEURAL NETWORKS - LEVEL 19
       DEEP LEARNING & NEURAL NETWORKS Dari Neural Network Dasar sampai Transformer Deep Learning adalah cabang Machine Learning yang menggu...
  • TUTORIAL MICROSOFT WORD - LEVEL 12
     TUTORIAL MICROSOFT WORD  MEMBUAT FOOTNOTE DAN ENDNOTE DI MICROSOFT WORD Tujuan Pembelajaran Setelah menyelesaikan Level 12, pembaca diharap...
  • Tutorial Machine Learning & Advanced Analytics - Level 13
      Tutorial Machine Learning & Advanced Analytics Dari Data Engineering Menuju Prediksi dan Sistem Cerdas Pada Level 12 kita sudah memban...

Pages

  • Beranda
  • Tentang Saya

Blog Archive

  • November 2026 (51)
  • Oktober 2026 (58)

Laporkan Penyalahgunaan

Seluruh Artikel Bermanfaat

Willong
Indonesia
Lihat profil lengkapku

Popular Posts

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

November 16, 2026
Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word -  Level 42

Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word - Level 42

November 16, 2026
Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

November 18, 2026

Copyright © Seluruh Artikel Bermanfaat | Powered by Blogger