PROJECT MANDIRI UTS

Implementasi Supervised Learning

dengan Metode ……… untuk Kasus
Klasifikasi Data ……… bersumber dari
Kaggle

COVER BOLEH DIGANTI ASAL SESUAI DENGAN

INFORMASI YANG DIINSTRUKSIKAN YAITU
TERDAPAT JUDUL, NAMA , NIM DAN LOGO UIN WS

Statistical Machine Learning

NAMA :
NIM :

1
BAB I
PENDAHULUAN

1. Latar Belakang
Jelaskan pentingnya penerapan machine learning di berbagai bidang, khususnya klasifikasi data
berbasis supervised learning.
2. Rumusan Masalah
Apa yang menjadi fokus masalah dalam praktikum ini?
Contoh: Bagaimana cara menerapkan metode Decision Tree untuk klasifikasi diabetes?
3. Tujuan Penulisan
Menyebutkan tujuan-tujuan praktikum, seperti:
o Menerapkan metode klasifikasi pada data Kaggle
o Menjelaskan performa metode yang terpilih
o Menarik kesimpulan dari metode yang terpilih

2
BAB II
PEMBAHASAN
1. Pengenalan Metode
Paparkan teori singkat tentang metode yang dipilih:
o Definisi metode (misal: apa itu Decision Tree, Naive Bayes, dll)
o Konsep kerjanya
o Rumus dasar (jika perlu)
o Contoh ilustrasi metode
2. Langkah-Langkah Metode
Uraikan tahapan implementasi metode:
o Preprocessing data
o Pemilihan fitur
o Training model
o Testing model
o Evaluasi performa
3. Kelebihan dan Kekurangan Metode
Uraikan secara singkat plus-minus metode yang digunakan.
4. Implementasi Metode (Studi Kasus)
a. Deskripsi Data
• Nama dataset, sumber dataset (link Kaggle)
• Jumlah data dan fitur
• Deskripsi fitur
b. Preprocessing
• Cek missing value
• Encoding data kategorikal
• Normalisasi/Standarisasi data (jika perlu)
c. Penerapan Algoritma
• Implementasi metode (Decision Tree, Naive Bayes, dll)
• Training dan testing data (holdout & k-fold cross validation)
• Visualisasi hasil (confusion matrix, ROC curve)
d. Evaluasi Model
• Akurasi
• Presisi
• Recall
• F1-Score
• AUC ROC

3
BAB III
KESIMPULAN

Mahasiswa wajib menjabarkan secara sistematis tentang apa yang telah dilakukan, hasil yang
diperoleh, serta refleksi terhadap metode yang digunakan.

4
 PETUNJUK TEKNIS TUGAS PRAKTIKUM MACHINE
LEARNING
Tema: Implementasi Supervised Learning untuk Kasus Klasifikasi Data dari Kaggle

A. Tujuan Praktikum

1. Mahasiswa dapat mengaplikasikan metode supervised learning (Naive Bayes, Decision Tree,
SVM, KNN, Neural Network, Logistic Regression) pada dataset dari Kaggle.
2. Mahasiswa memahami kelebihan dan kekurangan setiap metode.
3. Mahasiswa mampu melakukan evaluasi performa model klasifikasi menggunakan metrik
akurasi, presisi, recall, f1-score, ROC, dan AUC.
4. Mahasiswa mampu menyusun laporan ilmiah terstruktur tentang implementasi machine learning.

B. Format Laporan Praktikum

Laporan diketik rapi, dikumpulkan dalam format .docx dengan sistematika berikut:

BAB I PENDAHULUAN
1. Latar Belakang
Jelaskan pentingnya penerapan machine learning di berbagai bidang, khususnya klasifikasi data
berbasis supervised learning.
2. Rumusan Masalah
Apa yang menjadi fokus masalah dalam praktikum ini?
Contoh: Bagaimana cara menerapkan metode Decision Tree untuk klasifikasi diabetes?
3. Tujuan Penulisan
Menyebutkan tujuan-tujuan praktikum, seperti:
o Menerapkan metode klasifikasi pada data Kaggle
o Membandingkan performa antar metode
o Menarik kesimpulan model terbaik

BAB II PEMBAHASAN
1. Pengenalan Metode
Paparkan teori singkat tentang metode yang dipilih:
o Definisi metode (misal: apa itu Decision Tree, Naive Bayes, dll)
o Konsep kerjanya
o Rumus dasar (jika perlu)
o Contoh ilustrasi metode
2. Langkah-Langkah Metode
Uraikan tahapan implementasi metode:
o Preprocessing data
o Pemilihan fitur
o Training model

5
 o Testing model
o Evaluasi performa
3. Kelebihan dan Kekurangan Metode
Uraikan secara singkat plus-minus metode yang digunakan.
4. Implementasi Metode (Studi Kasus)
e. Deskripsi Data
• Nama dataset, sumber dataset (link Kaggle)
• Jumlah data dan fitur
• Deskripsi fitur
f. Preprocessing
• Cek missing value
• Encoding data kategorikal
• Normalisasi/Standarisasi data (jika perlu)
g. Penerapan Algoritma
• Implementasi metode (Decision Tree, Naive Bayes, dll)
• Training dan testing data (holdout & k-fold cross validation)
• Visualisasi hasil (confusion matrix, ROC curve)
h. Evaluasi Model
• Akurasi
• Presisi
• Recall
• F1-Score
• AUC ROC

BAB III KESIMPULAN

Mahasiswa wajib menjabarkan secara sistematis tentang apa yang telah dilakukan, hasil yang
diperoleh, serta refleksi terhadap metode yang digunakan.

C. Output yang Dikumpulkan

1. Laporan Praktikum (.docx)
Isi sesuai sistematika BAB I dan BAB II di atas.
2. Notebook Google Colab (.ipynb)
Berisi Script lengkap mulai import dataset, preprocessing, training, evaluasi, hingga visualisasi.
3. Visualisasi Hasil
• Gambar confusion matrix
• ROC Curve
(dimasukkan di laporan dan notebook)
4. Laporan dikumpulkan maksimal Hari Jum’at, tanggal 6 Juni 2025 pada link gdrive berikut :
[Link]

6
 Data Kaggle yang dapat digunakan dapat di download pada link berikut :

Tabel 1. 10 Dataset Kaggle untuk Supervised Learning (Klasifikasi Biner)

No Nama Dataset Link Kaggle Keterangan Singkat
1 Breast Cancer [Link] Klasifikasi tumor
Wisconsin wisconsin-data ganas atau jinak
(Diagnostic) (500+ data, 30 fitur)
2 Bank [Link] Prediksi apakah
Marketing marketing-dataset nasabah akan
Dataset berlangganan
deposito (lebih dari
10 fitur)
3 Credit Card [Link] Deteksi transaksi
Fraud ulb/creditcardfraud kartu kredit fraud
Detection atau bukan
(imbalanced)
4 Adult Income [Link] Prediksi apakah
Dataset income pendapatan >50K
atau <=50K (biner)
5 Haberman's [Link] Prediksi pasien
Survival survival-data-set kanker bertahan
Dataset hidup lebih dari 5
tahun
6 Pima Indians [Link] Data diabetes,
Diabetes diabetes-database berbeda dari
Database diabetes biasa, 8 fitur
(alternatif)
7 Social [Link] Prediksi pembelian
Network Ads network-ads berdasarkan usia &
Dataset gaji (biner)
8 Banknote [Link] Klasifikasi uang asli
Authentication authentication-uci-data vs palsu
Dataset
9 Mushroom [Link] Prediksi jamur bisa
Classification classification dimakan atau
Dataset beracun (banyak
fitur kategorikal)
10 Student [Link] Prediksi kelulusan
Performance performance-in-exams siswa (Lulus / Tidak
in Exams Lulus)

7
 Tabel 2. Algoritma Supervised Learning (Klasifikasi Biner) untuk 10 Dataset Kaggle

No. Nama Dataset Rekomendasi Alasan

Metode
1 Breast Cancer Neural Network Fitur numerik, data seimbang, klasifikasi
Wisconsin (Diagnostic) biner , semua metode bisa diterapkan
2 Bank Marketing Naive Bayes Banyak fitur kategorikal & numerik, cocok
Dataset untuk model interpretable seperti LR & DT
3 Credit Card Fraud SVM Data sangat imbalance, RF & SVM lebih baik
Detection menangani imbalance. Neural Network untuk
skala besar
4 Adult Income Dataset Decision Tree Fitur campuran kategorikal-numerik, cocok
untuk LR & DT. Naive Bayes bisa dipakai
setelah encoding
5 Haberman's Survival K-Nearest Fitur numerik, dataset kecil (300-an data),
Dataset Neighbor (KNN) KNN dan DT cocok, LR untuk baseline
6 Pima Indians Diabetes Neural Network Fitur numerik, dataset seimbang, semua
Database metode bisa digunakan dan dieksplorasi
7 Social Network Ads SVM Fitur sedikit, numerik, dataset seimbang,
Dataset cocok untuk LR, KNN & SVM
8 Banknote Naive Bayes Fitur numerik, dataset kecil, cocok untuk
Authentication Dataset semua metode supervised dasar
9 Mushroom Decision Tree Semua fitur kategorikal , paling cocok untuk
Classification Dataset Naive Bayes & Decision Tree
10 Students Performance Logistic Dataset ini berisi skor ujian siswa dalam
in Exams Regression matematika, membaca, dan menulis, serta
informasi demografis.
Logistic Regression cocok digunakan setelah
menentukan threshold untuk klasifikasi
lulus/tidak lulus.

8
 INSTRUMEN PENILAIAN

A. Laporan Praktikum (.docx) : Total 50 Poin

No Komponen Deskripsi Skor
A1 BAB I Pendahuluan (15) 15
Latar Belakang Relevansi masalah dan urgensinya 5
Rumusan Masalah Merumuskan fokus masalah yang tepat 5
Tujuan Penulisan Tujuan jelas dan sesuai rumusan masalah 5
A2 BAB II Pembahasan (20) 20
Deskripsi Dataset Penjelasan sumber, jumlah data, fitur, target 5
Teori Metode Uraian konsep dasar metode ML yang dipilih 5
Kelebihan & Kekurangan Menyebutkan minimal 2 kelebihan & 5
Metode kekurangan
Implementasi (Studi Kasus) Proses data, preprocessing, model, evaluasi 5
A3 Evaluasi & Visualisasi (10) 10
Evaluasi Model Akurasi, precision, recall, f1, AUC, CM 5
Visualisasi Hasil Plot confusion matrix & ROC curve 5
A4 Kesimpulan (5) 5
Rangkuman hasil & saran Ringkasan hasil evaluasi & rekomendasi 5
Subtotal A = 50 Poin

B. Notebook Google Colab (.ipynb) : Total 35 Poin

No Komponen Deskripsi Skor
B1 Kerapian & Kelengkapan Code run tanpa error, tertata, ada markdown 15
Code (15) penjelas
B2 Hasil Output (15) Hasil code sesuai langkah, metrik evaluasi muncul 15
B3 Visualisasi Hasil (5) Ada Confussion Matriks & ROC curve, hasil visual 5
terbaca baik
Subtotal B = 35 Poin

C. Kesesuaian Dataset : Total 5 Poin

No Komponen Deskripsi Skor
C1 Dataset Kaggle (5) Dataset diambil dari daftar rekomendasi Kaggle 5
Subtotal C = 5 Poin

D. Format & Ketepatan Pengumpulan : Total 10 Poin

No Komponen Deskripsi Skor
D1 Format File & Ketentuan (5) File .docx & .ipynb sesuai format aturan 5
D2 Waktu Pengumpulan (5) Dikumpulkan tepat waktu sesuai deadline 5
Subtotal D = 10 Poin

TOTAL NILAI: 100 POIN

9
 PEMBAGIAN TUGAS BY NAME

Algoritma yang digunakan lihat Tabel 2

Misal mendapat nomor dataset 2 maka algoritma yang digunakan adalah Naïve bayes.

No Mahasiswa Nomor Dataset Nama Dataset

1 SALSABILA ALIFIA WIDURI 2 Bank Marketing
10 Students Performance in
2 EKA LAILIYATUS SYAFA`AH
Exams
3 MARSHA SILVI DWI CAHYANI 9 Mushroom Class
4 ALYA ALVA HIMMAH 9 Mushroom Class
5 NURUL FAIZATUL FAJRI 6 Pima Diabetes
6 HASNA NAILAN NAJWA 7 Social Ads
7 AINUN ESTI CANDRA 1 Breast Cancer
8 MUHAMMAD LUTHFAN AL HAZMI 4 Adult Income
REYVALDI YULIANDIKA 1 Breast Cancer
9
FERDIANSYAH
BUNGA SEFILLA AURA RIESTYHADI 1 Breast Cancer
10
VONTIANA
11 ALFIAN AZRIL FARIZ 8 Banknote Auth
12 SITI AGUSTINA FITRIANI 3 Credit Fraud
13 BIMO ARIF NUGROHO 8 Banknote Auth
14 TRIMA MULYA WERDIANA 4 Adult Income
15 SOFI AYU WULANDARI 6 Pima Diabetes
10 Students Performance in
16 LAELA FHADILAH
Exams
17 ALIFYA ZHAFIRA ANNAJAH 7 Social Ads
18 HIDAYATUL LAILIYAH 1 Breast Cancer
19 IKHFA` DINANA 9 Mushroom Class
20 RATNA LISTIYAWATI 2 Bank Marketing
21 SHAFIYAH RADELLA JUSTINE 9 Mushroom Class
22 HILDA KHARISTA 2 Bank Marketing
10 Students Performance in
23 MARKHA TIYA SARI
Exams
24 NIDA` SALWA DZAKYA `AINUN TIAS 4 Adult Income
25 NUR AINI LESTARI 6 Pima Diabetes
26 IRFA MOZA KUSUMA DEWI 3 Credit Fraud
27 SALMA NAILUL RIF`AH 5 Haberman
28 STIFANI DWI ANDRIYANTI 5 Haberman
29 FARAHDILA SAUSANA NABILA 8 Banknote Auth
30 RIFAATUS SYAFA`AH 7 Social Ads
10
No NAMA Nomor Dataset Nama Dataset
1 SITI NUR ARAFAH 8 Banknote Auth
2 NABILA PUTRI HALIMAH 6 Pima Diabetes
3 IKLILA FARKHAN AMAZ DJOHAR 2 Bank Marketing
4 FAUZIA LATIF FITRIANI 4 Adult Income
5 KHAVID JONI NURVAUZI 9 Mushroom Class
6 EZA PUTRI HARVINA 8 Banknote Auth
Students Performance in
7 JIHAN ISNA AINI 10
Exams
8 NAJWA ALYA ZASKI 7 Social Ads
Students Performance in
9 MIRDA SEPTIA HILMIYANI 10
Exams
10 FIA MAFTAKHURROKHMAH 2 Bank Marketing
AYESHA NABILA 7 Social Ads
11
TRISNANINGTYAS
12 DEWI SAFITRI 9 Mushroom Class
13 CAHAYA Z 4 Adult Income
14 ALISA IKA WULANDARI 1 Breast Cancer
15 SEKAR KHAIRUNNISA 5 Haberman
16 ADIBA NABILA NAFISA SHAFRANI 1 Breast Cancer
17 EKA OKTAFIYA 3 Credit Fraud
18 NANTA WAHYU ANGGITASARI 6 Pima Diabetes
19 M. AMRIN MAHNAF BILLHAQ 5 Haberman
20 DEVI FEBRY YANTY 3 Credit Fraud

11
NO NAMA NOMOR DATASET NAMA DATASET
1 OKTI RAMADIYANI 3 Credit Fraud
2 NOR AULIYA 8 Banknote Auth
3 SHINTA FEBRIYANTI 9 Mushroom Class
4 SUSI NIRWANTI 5 Haberman
5 PUTRI NASYA NISRINA 8 Banknote Auth
ANNISA MAYA
6 1 Breast Cancer
KHOERUNNISA
7 LUKY WIDIYA NAFARINDA 3 Credit Fraud
Students Performance
8 ZAHRATUN HUMAIROH 10
in Exams
9 SASKIA RIDA NATASYA 7 Social Ads
Students Performance
10 ARSI AGNI PRATIWI 10
in Exams
11 SULASTRI 5 Haberman
12 MAULIN GISSA RIZKIYANTI 3 Credit Fraud
13 SEKAR ROSAFIKA 1 Breast Cancer
14 EKA PUTRI RAHMAWATI 7 Social Ads
15 MELINA FATUN NAIMAH 6 Pima Diabetes
IKA AINUR ROCMAH
16 5 Haberman
ISWANDI
17 INTAN DAMAI WATI 2 Bank Marketing
18 INDRAWAN SAPUTRA 9 Mushroom Class
19 DHEA SISKA RAHMAWATI 2 Bank Marketing
20 ANITA WULANDARI 3 Credit Fraud
21 IIK APIAN 1 Breast Cancer
22 MUHAMMAD FAIZIN 4 Adult Income
23 ULYA AYU MAWARNI 4 Adult Income
24 TITI LARAS SEKAR UTAMI 4 Adult Income
25 VANESA ARIANI KUSUMA 5 Haberman
26 PRIMADANI ANUGRAH 9 Mushroom Class
27 ABDUL KHAFIDH GUNAWAN 7 Social Ads
28 AYU MAULIDIYAH 5 Haberman
29 AYU NIRMALASARI 8 Banknote Auth
30 VICKA AULIA KUSWANDARI 2 Bank Marketing
31 WISNU ADITYA NUGROHO 2 Bank Marketing
32 ANNI QORINATUL ULA 4 Adult Income
Students Performance
33 MAULIDINA MUFARIHANA 10
in Exams
34 SALSA MIFTAKUL JANAH 6 Pima Diabetes
35 DAVINA AULIA SYIFA 1 Breast Cancer

12
 Students Performance
36 IIS MULIANA ARIFA 10
in Exams
37 ZACHRA TIARA TSANI 7 Social Ads
SINTIA AGUSTINA
38 9 Mushroom Class
WULANDARI
FAJAR AYU KUSUMA
39 7 Social Ads
FIRDAUS
40 ONI LUTFIYANI 6 Pima Diabetes

13