💡 ULASAN & REFERENSI • DIPERBARUI: 26 October 2026 • REDAKSI AZWINN

Dasar Machine Learning Python: Panduan & Contoh Kode

Machine learning menggunakan Python berfokus pada pemanfaatan pustaka standar seperti scikit-learn, pandas, dan NumPy untuk membangun model prediktif dari data historis. Proses utamanya meliputi pengumpulan data, pembersihan, pelatihan model, dan pengujian akurasi.

Python menjadi bahasa utama dalam kecerdasan buatan karena ekosistem pustakanya yang matang, sintaks yang bersih, serta dukungan komunitas yang luas untuk komputasi numerik dan pemodelan statistik.

Pustaka Utama Machine Learning Python

Sebelum menulis kode, Anda wajib mengenal pustaka fondasi yang digunakan dalam ekosistem sains data Python:

Pustaka Fungsi Utama Keterangan
NumPy Komputasi numerik & array n-dimensi Dasar operasi matematika berkecepatan tinggi.
Pandas Manipulasi dan analisis data tabular Mengelola struktur data DataFrame dan Series.
Scikit-Learn Algoritma machine learning klasik Penyedia model regresi, klasifikasi, klastering, dan evaluasi.
Matplotlib / Seaborn Visualisasi data Membuat grafik sebar, histogram, dan matriks korelasi.

Langkah Kerja Machine Learning Sederhana

Berikut adalah implementasi kode dasar menggunakan algoritma Regresi Linier untuk memprediksi nilai kontinu berdasarkan data historis menggunakan pustaka scikit-learn.

import numpy as np
from sklearn.linear_model import LinearRegression

# 1. Menyiapkan Data Latihan (Fitur X dan Target y)
# Contoh: Jam belajar (X) terhadap Nilai Ujian (y)
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([50, 60, 70, 80, 90])

# 2. Inisialisasi Model Regresi Linier
model = LinearRegression()

# 3. Melatih Model dengan Data (Fitting)
model.fit(X, y)

# 4. Melakukan Prediksi untuk Jam Belajar = 6
jam_baru = np.array([[6]])
prediksi_nilai = model.predict(jam_baru)

print(f"Prediksi nilai untuk 6 jam belajar: {prediksi_nilai[0]:.2f}")

Tahapan Teknis Pemodelan

  1. Pengumpulan Data (Data Collection): Memuat dataset dari file CSV atau database menggunakan Pandas.
  2. Pembersihan Data (Data Preprocessing): Menangani nilai yang hilang (missing values), normalisasi skala, dan mengubah variabel kategorikal menjadi numerik (encoding).
  3. Pembagian Data (Train-Test Split): Memisahkan dataset menjadi data latih (biasanya 80%) dan data uji (20%) menggunakan fungsi train_test_split dari sklearn.model_selection.
  4. Pelatihan & Evaluasi: Melatih model pada data latih dan menguji kinerjanya menggunakan metrik seperti Mean Squared Error (MSE) atau Akurasi.

Tips Troubleshooting Lapangan

Kendala yang sering ditemui pemula meliputi kesalahan dimensi array (shape mismatch) saat memasukkan data ke model. Pastikan data fitur berbentuk matriks 2 dimensi (jumlah baris x jumlah kolom), bukan 1 dimensi. Gunakan method X.reshape(-1, 1) jika hanya memiliki satu fitur independen.

🔍 Orang Lain Juga Mencari Ini