Instruksi dan Rubrik Penilaian Ujian Tengah Semester
Dalam ujian ini, kalian akan mengembangkan model machine learning dengan akurasi yang baik berdasarkan dataset yang diberikan. Ujian ini bertujuan untuk menguji pemahaman dalam pra-pemrosesan data, pemilihan algoritma, evaluasi, dan optimasi model. Pastikan untuk mengikuti instruksi dengan cermat dan menyusun laporan yang komprehensif. Selamat mengerjakan, dan semoga sukses!
Instruksi Ujian Tengah Semester (UTS) – Machine Learning
Tujuan:
Menghasilkan model machine learning dengan tingkat akurasi yang baik berdasarkan dataset yang telah diberikan.
Instruksi:
- Pilih Dataset: Gunakan dataset yang sudah disediakan atau Anda dapat memilih dataset lain yang sesuai dari sumber terpercaya (misalnya, Kaggle atau UCI Machine Learning Repository).
- Pra-pemrosesan Data: Lakukan pra-pemrosesan data, termasuk menangani data yang hilang, normalisasi, atau encoding variabel kategori (jika diperlukan).
- Exploratory Data Analysis (EDA): Lakukan analisis eksploratif untuk memahami distribusi data, korelasi antar fitur, dan deteksi outliers.
- Pemilihan Algoritma: Pilih algoritma machine learning yang sesuai (supervised atau unsupervised) untuk memprediksi atau mengklasifikasikan data.
- Pelatihan Model: Latih model menggunakan data pelatihan, dengan membagi data menjadi data training dan testing.
- Evaluasi Model: Gunakan metrik evaluasi seperti akurasi, precision, recall, F1-score, atau AUC untuk mengukur kinerja model Anda.
- Optimasi Model: Jika diperlukan, lakukan hyperparameter tuning untuk meningkatkan performa model.
- Laporan: Buat laporan dalam format video dan PDF yang berisi:
- Pendahuluan
- Penjelasan proses pra-pemrosesan data
- Hasil EDA
- Alasan pemilihan algoritma
- Hasil evaluasi model
- Interpretasi hasil dan kesimpulan
Pengumpulan:
- Video diunggah ke Youtube/Google Drive dan tautan/link dimasukan pada bagian pengumpulan UTS.
- PDF diunggah pada form pengumpulan yang nantinya disediakan.
Rubrik Penilaian
| Kriteria | Bobot | Deskripsi Penilaian |
|---|---|---|
| Pra-pemrosesan Data | 20% | Kualitas penanganan data, termasuk pengisian data hilang, encoding, dan normalisasi data. |
| Exploratory Data Analysis | 20% | Ketepatan dan kedalaman analisis EDA, serta kemampuan menginterpretasi hasil analisis. |
| Pemilihan Algoritma | 15% | Alasan yang jelas dan logis dalam pemilihan algoritma yang sesuai dengan karakteristik data. |
| Pelatihan Model | 15% | Ketepatan implementasi model, pembagian data, dan penggunaan teknik evaluasi yang tepat. |
| Evaluasi Model | 15% | Penggunaan metrik evaluasi yang tepat dan penjelasan tentang performa model. |
| Optimasi Model | 10% | Usaha dalam meningkatkan akurasi model melalui hyperparameter tuning atau metode lainnya. |
| Laporan Akhir | 5% | Kualitas penyajian laporan, penggunaan bahasa yang baik, dan kelengkapan penjelasan setiap langkah. |
| Kreativitas dan Inovasi | 10% | Inovasi dalam pemecahan masalah, penggunaan teknik yang lebih maju, atau analisis tambahan yang mendalam. |
Total: 100%
Last modified: Wednesday, 11 September 2024, 9:00 AM