Data Analytics for Competitive Intelligence
Gambar Pertama

Introduction to K-Means

K-Means, salah satu metode clustering, merupakan bagian dari unsupervised learning yang mana pembelajaran mesinnya tidak perlu mengetahui label atau kelas data. Clustering sendiri mengelompokkan obyek-obyek data yang dari himpunan data berdasarkan kemiripan (similarity) dan ketidakmiripan (dissimilarity). K-Means berbasis partisi dan berbasis centroid (berbasis jarak). Selain itu, K-Means meminimalkan Sum-Squared Error (SSE) antara obyek data dan K centroid. Ada dua cara yang digunakan untuk menghitung jarak pada K-Means, dapat menggunakan Euclidean Distance dan City Block (Manhanttan Distance). Untuk mendapatkan cluster optimal dapat menggunakan metode Elbow dan metode Silhouette Score. K-Means sendiri mengelompokkan data menggunakan data kontinu. Berbagai penerapan kasus dapat diimplementasikan menggunakan K-Means, salah satunya adalah bisnis. K-Means populer digunakan pada kasus segmentasi konsumen atau klasterisasi produk penjualan. Adanya segmentasi konsumen ini dapat bermanfaat dalam melihat mana konsumen yang potensial dan konsumen yang kurang menguntungkan, sehingga dapat memberikan insight baru bagi pemangku bisnis dalam mempertimbangkan pengambilan keputusan, juga sebagai strategi bisnis yang lebih efektif.

What People Say About This Course
Ari: Penyampaian dari pembicara bagus dan dimengerti, juga penjelasannya detail dan membantu mencari solusi untuk permasalahan yang dihadapi. Semoga dengan webinar ini, informasi yang didapat akan bermanfaat untuk kita yang sedang belajar Machine Learning.

Agustinus: Materi ini sangat penting bagaimana cara mengelola data yang jumlahnya besar. mulai dari pemaparan teori lalu dilanjutkan dengan prakteknya itu sangat membantu untuk dapat diresap dengan baik oleh pendengar. Pesan saya semoga kegiatan ini masih terus berlanjut.

Ayu Rusma: Webinar "Mastering Machine Learning with Python: Introduction to K-Means" memberikan kesan yang positif bagi saya sebagai pemula dalam Machine Learning. Saya merasa lebih paham tentang dasar-dasar Machine Learning dan konsep K-Means Clustering setelah mengikuti webinar ini. Penjelasan yang jelas tentang cara K-Means bekerja, termasuk langkah-langkah praktis dalam mengimplementasikannya dengan Python, sangat membantu. Studi kasus yang disajikan memberikan gambaran konkret tentang bagaimana K-Means dapat diterapkan dalam situasi dunia nyata, seperti segmentasi pelanggan.

Arya Dharma: Sangat seru dan informatif banget, jadi nambah ilmu baru. Penjelesan dari Ibu Sumartini juga sangat bagus!

Cahyani: Penyampaian dari pembicara jelas, mudah di pahami,dapat membantu memberikan saran dan solusi dari masalah yang di hadapi. Semoga machine learning dapat bermanfaat bagi banyak orang

Contact Person:
Aolani Data
WhatsApp: +62 851-8605-0922
Gambar Pertama

Introduction to SVM for Sentiment Analysis

Berbicara tentang teks, machine learning dapat digunakan untuk mengolah teks menjadi suatu model yang dapat mengklasifikasikannya menjadi suatu kategori atau kita sebut text classification. Dalam text classification ini ada yang namanya sentiment analysis atau analisis sentimen. Analisis sentimen termasuk dalam text mining yang berkaitan dengan Natural Language Processing (NLP) yang dapat mengesktraksi ekspresi, emosi, dan opini pada teks. Analisis sentimen dapat mengidentifikasi suatu teks mengandung sentimen positif, negatif, atau netral dan sering digunakan untuk kasus review/ulasan. Text classification pada analisis sentimen ini dapat dilakukan secara manual dan otomatis. Jika diklasifikasikan secara manual akan melibatkan seorang annotator. Namun, jika text classification secara otomatis dapat dilakukan dengan teknik berbasis machine learning tentunya akan menghemat waktu dan biaya. Salah satu metode klasifikasi yang dapat digunakan untuk analisis sentimen populer adalah Support Vector Machine (SVM). Metode SVM menggunakan hyperplane dan powerful diimplementasikan untuk data berdimensi tinggi. Sebelum menggunakan SVM, terdapat tahap text preprocessing (tahapan sebelum teks diklasifikasikan) yang perlu diketahui. Beberapa tahapan dalam text proprocessing, yaitu case folding (mengubah huruf kapital menjadi huruf kecil), tokenizing (memecah kalimat menjadi kata, frasa, dan simbol yang disebut dengan token), stopword (menghilangkan kata-kata umum seperti kata depan), stemming (mengubah kata menjadi kata dasar atau menghilangkan imbuhan).

What People Say About This Course
Ryan: Sangat informatif saya jadi senang dan semangat mempelajari machine learning dan SVM.

Ayu Sri: Kesan selama mengikuti webinar hari ini sangat baik, penjelasannya mudah di pahami dan ada demo program yang membuat saya yang awam tentang machine learning menjadi tertarik lebih dalam dalam mempelajari machine learning.

Ika: Materi yang disampaikan sangat mudah dimengerti.

Widya: Saya sangat senang mengikuti webinar mastering machine learning with phython course Introduction to SVM, yang membuat saya memahami learning with phython. Webinar ini juga membantu saya dalam jurusan yang saya ambil MTIšŸ™.

Riska Bagi mahasiswa baru seperti saya, pengalaman menghadiri webinar ini mungkin menjadi awal yang menarik dalam pengenalan saya terhadap dunia Machine Learning. Saya merasa penasaran tentang apa yang akan saya pelajari, tetapi juga ada rasa cemas mengenai tingkat kesulitan materi. Bagaimanapun, kehadiran saya di webinar ini menunjukkan tekad saya untuk memahami konsep-konsep kompleks seperti SVM dalam Machine Learning. Presentasi materi tentang SVM dalam konteks Machine Learning dengan Python sangat jelas dan informatif. Ibu Sumartini berhasil menjelaskan konsep-konsep yang kompleks dengan cara yang mudah dipahami.

Contact Person:
Aolani Data
WhatsApp: +62 851-8605-0922
Gambar Pertama

Introduction to Linear Regression

Dalam supervised learning, pembelajaran mesin memerlukan kelas atau label. Supervised learning terdiri dari dua, yaitu klasifikasi dan regresi. Jika klasifikasi mengkategorikan data yang belum berlabel berdasarkan data yang telah dilatih dengan data berlabel. Maka, berbeda dengan regresi yang merupakan teknik pembelajaran mesin yang mengidentifikasi relasi antara dua varibel atau lebih. Regresi ini meminimalkan error atau selisih antara nilai prediksi dan nilai sebenarnya. Untuk datanya sendiri, regresi menggunakan data kontinu. Salah satu metode regresi populer adalah regresi linear. Regresi linear memodelkan hubungan antara satu variabel terikat (dependent) dan satu variabel bebas (independent). Variabel terikat merupakan variabel yang diprediksi, sedangkan variabel bebas merupakan variabel yang memengaruhi variabel terikat. Linear regresi melibatkan pencarian garis lurus terbaik yang sesuai dengan data. Linear regresi dapat digunakan dalam kasus salah satunya adalah prediksi menggunakan data time series. Dalam bidang investasi, linear regresi dapat membantu memprediksi harga emas untuk para investor agar dapat mengambil keputusan investasi yang tepat.

What People Say About This Course
Leni: Pertama kali mengikuti seminar tentang materi baru saya ketahui sangat senang dan ingin lagi mencari tahu tentang materi ini.

Ayumi: Terkesan mendapatkan motivasi mempelajari tentang AI.

Ananda: Manteri sangat menarik dan dibawakan dengan sederhana sehingga mudah dicerna bagi kami orang awam.

Diah Sangattt dapat dipahami untuk saya ,yang selalu bingung mengenai bursa,index harga emas dan sebagainya. Senang dapat ilmu baruā¤ļø

Yudhi: Sangat asyik mendengarkan materi materi yang disampaikan oleh pembicara yakni ibu Ni Wayan Sumartini dan belajar materi baru dari webinar ini.

Contact Person:
Aolani Data
WhatsApp: +62 851-8605-0922
Gambar Pertama

Introduction to Image Recognition by SVM

Bagaimana komputer dapat mengenali gambar itu adalah kucing atau anjing? Image recognition adalah solusinya. Image recognition atau pengenalan citra dapat dilakukan secara otomatis menggunakan metode machine learning>. Image recognition sendiri merupakan suatu teknik mengenali pola atau object pada suatu citra dan termasuk dalam bagian computer vision. Ada banyak metode yang dapat digunakan untuk pengenalan pola. Support Vector Machine (SVM), metode machine learning> yang tidak hanya dapat mengklasifikasikan teks seperti course sebelumnya, tetapi SVM juga dapat digunakan untuk mengklasifikasikan gambar. Untuk mengklasifikasikannya, perlu adanya ekstraksi fitur, yaitu teknik untuk mengekstraksi ciri pada suatu citra sebelum citra dilatih dan diklasifikasikan berdasarkan kategori atau kelas tertentu. Setelah itu, barulah menggunakan metode machine learning> untuk proses pembelajaran. Kasus pengenalan citra sangat menarik dan berpotensi untuk dikembangkan. Image recognition dapat digunakan dalam berbagai bidang, seperti bidang kesehatan, bisnis, manufaktur, transportasi, hingga teks. Misalnya, pada bidang medis, pengenalan citra dapat digunakan untuk mendeteksi penyakit secara otomatis seperti deteksi menggunakan citra x-ray.

What People Say About This Course
Alvin: Seminar sangat informatif, dan materi disajikan secara sederhana sehingga lebih mudah dipahami.

Suardana: Webinar berjalan dengan baik, pemateri menjelaskan materi mengenai SVM dengan baik dan cukup mudah untuk di mengerti.

Haris: Sangat baik, semoga diadakan lagi webinar.

Restu Pembahasan yang sangat menarik, dan materi yang di sampaikan sangat bermanfaat.

Anisa: Sangat puas dengan materi yang diberikan.

Contact Person:
Aolani Data
WhatsApp: +62 851-8605-0922
Gambar Pertama

Introduction to Apriori & FP Growth for Association Rules

Ketika belanja kopi, konsumen cenderung belanja gula juga. Apakah kita bisa menganalisis pola konsumen seperti ini? Tentu bisa! Apriori dan FP Growth adalah dua metode yang dapat mengungkap preferensi belanja konsumen secara akurat. Kedua metode ini digunakan untuk membuat association rules, yaitu teknik analisis dalam mengidentifikasi hubungan berbagai item dalam kumpulan data besar. Jadi, kita dapat menemukan pola tersembunyi dan menganalisis korelasi antara item-item yang berbeda. Penerapan association rules ini dapat digunakan pada kasus seperti rekomendasi produk pada situs web e-commerce dan market basket analysis.

What People Say About This Course
Riski: Sangat menarik dan pembahasan pada webinar ini sangat membantu saya memahami lebih dalam terkait metode asosiasi dalam machine learning.

Meta: Bagus

Satria: Sangat menyenangkan karena dapat pengetahuan baru, terima kasih telah mengadakan webinar tentang algoritma apriori dan fp-growth.

Ade Sangat bermotivasi untuk pembelajaran selanjutannya.

Contact Person:
Aolani Data
WhatsApp: +62 851-8605-0922