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

Tutorial Machine Learning & Advanced Analytics - Level 13

 Willong     Oktober 16, 2026     Microsoft Excel     No comments   

 Tutorial Machine Learning & Advanced Analytics

Dari Data Engineering Menuju Prediksi dan Sistem Cerdas

Pada Level 12 kita sudah membangun fondasi Data Engineering:

Source
 ↓
Data Pipeline
 ↓
Data Lake
 ↓
Spark
 ↓
Data Warehouse
 ↓
Power BI

Sekarang kita tambahkan kemampuan baru:

DATA
 ↓
ANALYTICS
 ↓
MACHINE LEARNING
 ↓
PREDICTION
 ↓
DECISION

Tujuannya bukan lagi sekadar mengetahui:

"Apa yang sudah terjadi?"

Tetapi mulai menjawab:

"Apa yang kemungkinan akan terjadi?"

dan:

"Apa tindakan terbaik yang dapat dilakukan?"


1. Apa Itu Machine Learning?

Machine Learning adalah pendekatan yang memungkinkan komputer mempelajari pola dari data untuk menghasilkan prediksi atau keputusan.

Contoh:

Data Penjualan
      ↓
Machine Learning
      ↓
Pola
      ↓
Model
      ↓
Prediksi

Misalnya terdapat data:

Tanggal    Harga    Iklan    Penjualan
01/01      10.000   500.000  120
02/01      10.000   600.000  145
03/01      11.000   700.000  160
...

Model dapat mempelajari hubungan antarvariabel.


2. AI, Machine Learning, dan Data Analytics

Ketiganya sering dianggap sama, padahal berbeda.

Data Analytics

Menjawab:

Apa yang terjadi?

Contoh:

Penjualan turun 15%.

Machine Learning

Menjawab:

Apa yang kemungkinan terjadi?

Contoh:

Penjualan minggu depan diprediksi 8.500 unit.

AI

Dapat membantu menjawab:

Apa yang sebaiknya dilakukan?

Contoh:

Kurangi stok produk A dan tingkatkan stok produk B.

Gambaran:

Analytics
    ↓
Understanding
    ↓
Machine Learning
    ↓
Prediction
    ↓
AI
    ↓
Recommendation

3. Fondasi Statistik

Sebelum Machine Learning, statistik sangat penting.

Beberapa konsep:

Mean
Median
Mode
Variance
Standard Deviation
Correlation
Distribution
Probability

4. Mean

Misalnya penjualan:

100
120
140
160
180

Mean:

(100 + 120 + 140 + 160 + 180) / 5
= 140

Jadi rata-rata penjualan adalah:

140

5. Median

Urutkan data:

100
120
140
160
180

Nilai tengah:

140

Itulah median.

Median berguna ketika data memiliki nilai ekstrem.

Contoh:

10
12
15
18
1000

Mean akan sangat terpengaruh oleh 1000.

Median lebih representatif terhadap nilai tengah data.


6. Standard Deviation

Standard deviation mengukur seberapa menyebar data dari rata-ratanya.

Jika:

100
101
99
100
102

penyebarannya kecil.

Jika:

20
200
50
500
10

penyebarannya besar.

Konsep ini penting dalam analisis risiko dan anomali.


7. Correlation

Correlation digunakan untuk melihat hubungan antarvariabel.

Contoh:

Biaya Iklan ↑
       ↓
Penjualan ↑

Bisa saja terdapat korelasi positif.

Tetapi penting:

Korelasi tidak otomatis berarti sebab-akibat.

Misalnya:

Penjualan es krim ↑
Penjualan minuman dingin ↑

Keduanya mungkin meningkat karena faktor ketiga:

Cuaca panas

8. Dataset Machine Learning

Contoh dataset:

Tanggal
Harga
Diskon
Iklan
Stok
Hari
Penjualan

Dalam Machine Learning biasanya kita membagi:

Features

Variabel yang digunakan untuk membuat prediksi.

Harga
Diskon
Iklan
Stok
Hari

Target

Variabel yang ingin diprediksi.

Penjualan

9. X dan y

Dalam Python biasanya:

X = Features
y = Target

Contoh:

X = df[
    [
        "harga",
        "diskon",
        "iklan",
        "stok"
    ]
]

y = df["penjualan"]

10. Training dan Testing

Jangan melatih model menggunakan seluruh data.

Data biasanya dibagi menjadi:

DATASET
   │
   ├── TRAINING DATA
   │
   └── TESTING DATA

Contoh:

80% Training
20% Testing

Training digunakan untuk mempelajari pola.

Testing digunakan untuk mengukur performa model pada data yang belum digunakan saat pelatihan.


11. Mengapa Ini Penting?

Misalnya:

Training Accuracy = 99%

Kelihatannya sangat bagus.

Tetapi:

Testing Accuracy = 65%

Berarti model mungkin terlalu menyesuaikan diri dengan data training.

Masalah ini disebut:

Overfitting.


12. Underfitting

Kebalikannya:

Training = 60%
Testing = 58%

Model mungkin terlalu sederhana untuk menangkap pola data.

Ini disebut:

Underfitting.

Tujuan kita adalah mendapatkan model yang dapat melakukan generalisasi dengan baik.


13. Regression

Regression digunakan untuk memprediksi nilai numerik.

Contoh:

Prediksi penjualan
Prediksi harga
Prediksi pendapatan
Prediksi permintaan
Prediksi biaya

Misalnya:

Iklan
 ↓
Regression Model
 ↓
Prediksi Penjualan

14. Linear Regression

Model sederhana:

y = a + bx

Misalnya:

Penjualan = 100 + 0,5 × Iklan

Jika iklan:

1.000

prediksi:

100 + (0,5 × 1.000)
= 600

Model nyata tentu menggunakan data dan parameter yang dipelajari secara statistik.


15. Multiple Linear Regression

Tidak hanya satu variabel.

Contoh:

Penjualan =
Harga
+ Diskon
+ Iklan
+ Stok
+ Hari

Secara konsep:

y =
b0
+ b1x1
+ b2x2
+ b3x3
+ ...

Ini lebih realistis untuk masalah bisnis.


16. Classification

Classification digunakan untuk menentukan kategori.

Contoh:

Customer
 ↓
Model
 ↓
High Value / Low Value

Contoh lainnya:

Transaksi
 ↓
Fraud / Normal

atau:

Customer
 ↓
Churn / Tidak Churn

17. Binary Classification

Hanya memiliki dua kelas.

Contoh:

0 = Tidak Churn
1 = Churn

atau:

0 = Normal
1 = Fraud

18. Multi-Class Classification

Memiliki lebih dari dua kelas.

Contoh:

Customer
 ↓
Premium
Regular
Basic

Model memilih salah satu kategori.


19. Logistic Regression

Walaupun namanya regression, Logistic Regression sering digunakan untuk classification.

Contoh:

Customer Data
      ↓
Logistic Regression
      ↓
Probability
      ↓
Churn = 82%

Sistem dapat mengatakan:

Customer A
Probability Churn = 82%

20. Confusion Matrix

Untuk classification, kita perlu mengetahui kesalahan model.

Contoh:

                    Prediksi
                 Normal Fraud

Aktual Normal      TN      FP

Aktual Fraud       FN      TP

Artinya:

TP

Fraud diprediksi fraud.

TN

Normal diprediksi normal.

FP

Normal tetapi diprediksi fraud.

FN

Fraud tetapi diprediksi normal.


21. Accuracy

Rumus sederhana:

Accuracy =
Prediksi benar / Total prediksi

Namun accuracy tidak selalu cukup.

Misalnya data fraud:

99.000 normal
1.000 fraud

Model mengatakan semuanya normal.

Accuracy:

99%

Kelihatannya bagus.

Padahal semua fraud gagal terdeteksi.


22. Precision

Precision menjawab:

Dari semua yang diprediksi positif, berapa yang benar-benar positif?

Contoh:

100 transaksi ditandai fraud
80 ternyata fraud

Precision:

80%

23. Recall

Recall menjawab:

Dari semua kasus positif sebenarnya, berapa yang berhasil ditemukan?

Misalnya terdapat:

100 fraud sebenarnya

Model menemukan:

90

Recall:

90%

24. F1 Score

F1 menggabungkan precision dan recall.

Digunakan ketika kita ingin keseimbangan antara keduanya.

Secara konsep:

F1 = kombinasi Precision dan Recall

F1 sangat berguna ketika dataset tidak seimbang.


25. Decision Tree

Decision Tree menggunakan struktur seperti pohon keputusan.

Contoh:

Harga < 100.000?
       │
   ┌───┴───┐
  YA      TIDAK
  │         │
Diskon?    Stok?
 │          │
 ↓          ↓
...

Mudah dijelaskan kepada pengguna bisnis.


26. Random Forest

Random Forest menggunakan banyak decision tree.

        Tree 1
        Tree 2
        Tree 3
        Tree 4
        Tree 5
           ↓
      Aggregation
           ↓
       Prediction

Kelebihannya:

  • cukup kuat

  • dapat menangani banyak fitur

  • cocok untuk berbagai masalah

  • relatif mudah digunakan


27. Gradient Boosting

Konsepnya:

Model 1
  ↓
Cari kesalahan
  ↓
Model 2
  ↓
Perbaiki kesalahan
  ↓
Model 3
  ↓
...

Model berikutnya mencoba memperbaiki kesalahan model sebelumnya.

Teknik boosting sangat populer untuk data tabular.


28. Clustering

Clustering digunakan untuk mengelompokkan data tanpa label yang sudah ditentukan.

Contoh:

Customer
   ↓
Clustering
   ↓
Cluster 1
Cluster 2
Cluster 3

Misalnya:

Cluster 1
Customer dengan pembelian tinggi

Cluster 2
Customer dengan pembelian sedang

Cluster 3
Customer dengan pembelian rendah

29. K-Means

Salah satu algoritma clustering populer adalah K-Means.

Contoh:

Customer
    ↓
K-Means
    ↓
3 Cluster

Hasil:

Cluster A
High Value

Cluster B
Medium Value

Cluster C
Low Value

30. Customer Segmentation

Kita dapat menggunakan:

Recency
Frequency
Monetary

atau dikenal sebagai RFM Analysis.

Recency

Seberapa baru customer melakukan transaksi.

Frequency

Seberapa sering customer membeli.

Monetary

Berapa nilai pembeliannya.


31. RFM + Machine Learning

Contoh:

Customer
   ↓
RFM
   ↓
Feature Engineering
   ↓
Clustering
   ↓
Segment

Hasil:

VIP
Loyal
Potential
At Risk
Inactive

32. Time Series

Time Series adalah data yang memiliki dimensi waktu.

Contoh:

Tanggal       Penjualan
01 Jan        100
02 Jan        120
03 Jan        130
04 Jan        125
...

Digunakan untuk:

  • forecasting

  • demand planning

  • inventory

  • revenue prediction

  • traffic prediction


33. Forecasting

Tujuan:

DATA MASA LALU
       ↓
MODEL
       ↓
MASA DEPAN

Contoh:

Penjualan Januari
Penjualan Februari
Penjualan Maret
...
        ↓
Forecast
        ↓
Penjualan April

34. Trend

Data dapat memiliki trend:

100
120
140
160
180

Trend:

↑
↑
↑

Artinya terjadi pertumbuhan.


35. Seasonality

Pola yang berulang berdasarkan waktu.

Contoh:

Senin      tinggi
Selasa     sedang
Rabu       sedang
Weekend    sangat tinggi

Atau:

Ramadan
   ↓
Penjualan meningkat

Model forecasting perlu memperhatikan pola tersebut.


36. Anomaly Detection

Sekarang kita masuk ke kemampuan yang sangat berguna.

Anomaly detection mencari data yang tidak biasa.

Contoh:

Transaksi normal:
Rp100.000
Rp150.000
Rp120.000
Rp180.000

Tiba-tiba:
Rp50.000.000

Sistem memberikan:

⚠ ANOMALY DETECTED

37. Contoh Anomaly Bisnis

Anomaly dapat berupa:

Lonjakan transaksi
Penurunan penjualan
Harga tidak normal
Stok tiba-tiba hilang
Login tidak biasa
Transaksi besar

38. Feature Engineering

Feature engineering adalah proses membuat fitur yang lebih berguna bagi model.

Misalnya:

tanggal

diubah menjadi:

hari
bulan
tahun
hari_dalam_minggu
weekend

Contoh:

df["bulan"] = df["tanggal"].dt.month

df["hari"] = df["tanggal"].dt.day

df["weekend"] = (
    df["tanggal"].dt.dayofweek >= 5
)

39. Lag Feature

Untuk forecasting, kita dapat menggunakan data masa lalu.

Contoh:

Penjualan Hari Ini
Penjualan Kemarin
Penjualan 7 Hari Lalu

Konsep:

df["sales_lag_1"] = df["sales"].shift(1)

df["sales_lag_7"] = df["sales"].shift(7)

Ini dapat membantu model memahami pola historis.


40. Rolling Average

Contoh:

df["sales_7d_avg"] = (
    df["sales"]
    .rolling(7)
    .mean()
)

Artinya kita menghitung rata-rata penjualan 7 periode terakhir.


41. Model Evaluation

Model tidak cukup hanya dibuat.

Kita harus mengukur performanya.

Regression dapat menggunakan:

MAE
MSE
RMSE
R²

Classification dapat menggunakan:

Accuracy
Precision
Recall
F1
ROC-AUC

Forecasting dapat menggunakan:

MAE
RMSE
MAPE

42. MAE

Mean Absolute Error mengukur rata-rata kesalahan absolut.

Misalnya:

Aktual     Prediksi
100        110
200        190
300        280

Error:

10
10
20

MAE:

13,33

Semakin kecil biasanya

  • 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