SCIKIT-LEARN (PHYTON)

 

🔷 APA ITU SCIKIT-LEARN?

Scikit-Learn (atau sering disingkat sklearn) adalah sebuah library open-source untuk machine learning di Python. Library ini menyediakan berbagai algoritma dan tools yang mudah digunakan untuk melakukan analisis data, pemodelan prediktif, klasifikasi, regresi, clustering, dan preprocessing data.

---

🔷 SEJARAH SINGKAT

• Scikit-Learn mulai dikembangkan pada tahun 2007 oleh David Cournapeau.

• Berdasarkan SciPy ecosystem (NumPy, SciPy, matplotlib), dan dirilis secara resmi pada tahun 2010.

• Sekarang menjadi salah satu library machine learning paling populer di Python.

---

🔷 FITUR UTAMA SCIKIT-LEARN

1. 📚 Beragam Algoritma Machine Learning

• Supervised learning: regresi linear, regresi logistik, decision trees, random forests, support vector machines (SVM), k-nearest neighbors (KNN), dll.

• Unsupervised learning: clustering (K-means, DBSCAN), PCA, dimensionality reduction.

• Model selection: cross-validation, grid search hyperparameter tuning.

2. 🔧 Preprocessing Data

• Normalisasi, standarisasi, encoding kategori, imputasi nilai hilang.

• Pipeline untuk menggabungkan beberapa tahap preprocessing dan modeling.

3. ⚙️ API yang Konsisten dan Mudah

• Semua estimator (model, transformer) memiliki interface yang sama: .fit(), .predict(), .transform().

• Mudah dipelajari dan digunakan.

4. 🛠️ Integrasi dengan Ekosistem Python

• Cocok dipadukan dengan NumPy, pandas, matplotlib untuk analisis dan visualisasi.

---

🔷 MENGAPA SCIKIT-LEARN POPULER?

• Ringan dan mudah dipakai, cocok untuk pemula maupun profesional.

• Dokumentasi sangat lengkap dan tutorial banyak.

• Cepat untuk prototyping model machine learning klasik.

• Tidak fokus pada deep learning, tapi sangat solid untuk machine learning tradisional.

---

🔷 CONTOH KODE SEDERHANA DENGAN SCIKIT-LEARN

python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Load dataset Iris
iris = load_iris()
X = iris.data
y = iris.target

# Split data train-test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Buat model Random Forest
model = RandomForestClassifier(n_estimators=100)

# Latih model
model.fit(X_train, y_train)

# Prediksi
y_pred = model.predict(X_test)

# Evaluasi akurasi
print("Akurasi:", accuracy_score(y_test, y_pred))

---

🔷 RINGKASAN

Aspek	Keterangan
Pengembang	Komunitas open-source
Tahun Rilis	2010
Bahasa Utama	Python
Fokus	Machine learning tradisional (klasifikasi, regresi, clustering)
Kelebihan	Mudah digunakan, API konsisten, dokumentasi lengkap
Penggunaan	Prototipe ML, analisis data, pembelajaran mesin klasik