---

🟢 1. Pengantar Teknik Klasifikasi

6

📌 Apa Itu Teknik Klasifikasi?

Klasifikasi adalah salah satu teknik utama dalam Data Mining dan Machine Learning yang digunakan untuk mengelompokkan data ke dalam kategori atau kelas tertentu berdasarkan pola yang dipelajari dari data sebelumnya.

Teknik klasifikasi termasuk ke dalam:

• Supervised Learning
• Predictive Analytics
• Pattern Recognition

---

🎯 Tujuan Teknik Klasifikasi

<div style=”background:#eff6ff;padding:20px;border-radius:12px;border-left:5px solid #2563eb;”>

Tujuan Utama:

• Mengelompokkan data ke kelas tertentu
• Membuat prediksi
• Membantu pengambilan keputusan
• Mengenali pola data
• Meningkatkan otomatisasi sistem

</div>

---

🟢 2. Konsep Dasar Klasifikasi

6

📊 Diagram Proses Klasifikasi

Training Data
      ↓
Learning Process
      ↓
Classification Model
      ↓
Prediction

---

📌 Penjelasan Tahapan

Tahapan	Penjelasan
Training Data	Data pelatihan
Learning Process	Proses belajar model
Model	Hasil pembelajaran
Prediction	Prediksi data baru

---

🟢 3. Contoh Kasus Klasifikasi

6

📧 Contoh 1 — Spam Email

Sistem menentukan:

• Spam
• Non-Spam

---

🎓 Contoh 2 — Prediksi Kelulusan

Sistem menentukan:

• Lulus
• Tidak Lulus

---

💳 Contoh 3 — Fraud Detection

Sistem menentukan:

• Fraud
• Non-Fraud

---

🟢 4. Jenis-Jenis Teknik Klasifikasi

7

📊 Algoritma Klasifikasi Populer

Algoritma	Fungsi
Decision Tree	Pohon keputusan
Naive Bayes	Probabilitas
K-Nearest Neighbor	Berdasarkan tetangga terdekat
Support Vector Machine	Pemisahan kelas
Neural Network	Deep Learning

---

🟢 5. Decision Tree

6

📌 Pengertian Decision Tree

Decision Tree adalah algoritma klasifikasi berbentuk pohon keputusan.

---

📊 Struktur Decision Tree

            Kehadiran?
             /      \
          Tinggi   Rendah
           /          \
       Lulus      Tidak Lulus

---

🎯 Kelebihan Decision Tree

Kelebihan	Penjelasan
Mudah dipahami	Visual sederhana
Cepat	Proses efisien
Interpretatif	Mudah dijelaskan

---

⚠️ Kekurangan

• Rentan overfitting
• Sensitif terhadap data noise

---

🟢 Entropy dan Information Gain

📌 Rumus Entropy

$Entropy(S)=-\sum_{i=1}^{n}p_i\log_2p_i$Entropy(S)=−∑i=1n​pi​log2​pi​

---

📌 Rumus Information Gain

$Gain(S,A)=Entropy(S)-\sum_{v\in Values(A)}\frac{|S_v|}{|S|}Entropy(S_v)$Gain(S,A)=Entropy(S)−∑v∈Values(A)​∣S∣∣Sv​∣​Entropy(Sv​)

---

🟢 6. Naive Bayes

6

📌 Pengertian Naive Bayes

Naive Bayes adalah algoritma klasifikasi berbasis probabilitas dan Teorema Bayes.

---

📊 Rumus Bayes

$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$P(A∣B)=P(B)P(B∣A)P(A)​

$P(A)$P(A)

$P(B\mid A)$P(B∣A)

$P(B\mid \neg A)$P(B∣¬A)

$P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)}\approx 0.68,\; P(B)\approx 0.25$P(A∣B)=P(B)P(B∣A)P(A)​≈0.68,P(B)≈0.25P(B)=0.25P(B|A)P(A)=0.17P(A|B)~0.68Posterior = useful evidence / total evidence

---

📌 Contoh Penggunaan

• Filter spam email
• Analisis sentimen
• Prediksi penyakit

---

🎯 Kelebihan Naive Bayes

Kelebihan	Penjelasan
Cepat	Training ringan
Efisien	Cocok big data
Akurat	Untuk teks

---

🟢 7. K-Nearest Neighbor (KNN)

6

📌 Pengertian KNN

KNN mengklasifikasikan data berdasarkan tetangga terdekat.

---

📊 Cara Kerja KNN

1. Menentukan nilai K
2. Menghitung jarak
3. Memilih tetangga terdekat
4. Menentukan kelas mayoritas

---

📌 Rumus Euclidean Distance

$d(x,y)=\sqrt{\sum_{i=1}^{n}(x_i-y_i)^2}$d(x,y)=∑i=1n​(xi​−yi​)2​

---

⚠️ Kekurangan KNN

• Lambat pada data besar
• Sensitif terhadap noise

---

🟢 8. Support Vector Machine (SVM)

7

📌 Pengertian SVM

SVM adalah algoritma yang mencari hyperplane terbaik untuk memisahkan kelas data.

---

📊 Konsep SVM

Class A  ● ● ● ●

------------------ Hyperplane

Class B  ▲ ▲ ▲ ▲

---

🎯 Kelebihan SVM

Kelebihan	Penjelasan
Akurat	Performa tinggi
Efektif	Data kompleks
Cocok high dimension	Banyak fitur

---

🟢 9. Neural Network

8

📌 Pengertian Neural Network

Neural Network meniru cara kerja otak manusia dalam memproses informasi.

---

📊 Struktur Neural Network

Input Layer
     ↓
Hidden Layer
     ↓
Output Layer

---

📌 Contoh Penggunaan

• Face recognition
• Speech recognition
• AI chatbot
• Image classification

---

🟢 10. Evaluasi Model Klasifikasi

7

📌 Mengapa Evaluasi Penting?

Untuk mengetahui seberapa baik model melakukan klasifikasi.

---

🟢 Confusion Matrix

Actual / Prediction	Positif	Negatif
Positif	TP	FN
Negatif	FP	TN

---

📌 Penjelasan

• TP = True Positive
• TN = True Negative
• FP = False Positive
• FN = False Negative

---

🟢 Accuracy

📊 Rumus Accuracy

$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$Accuracy=TP+TN+FP+FNTP+TN​

---

🟢 Precision

$Precision=\frac{TP}{TP+FP}$Precision=TP+FPTP​

---

🟢 Recall

$Recall=\frac{TP}{TP+FN}$Recall=TP+FNTP​

---

🟢 F1-Score

$F1=2\times\frac{Precision\times Recall}{Precision+Recall}$F1=2×Precision+RecallPrecision×Recall​

---

🟢 11. Tahapan Implementasi Klasifikasi

8

🔄 Workflow Klasifikasi

Data Collection
      ↓
Preprocessing
      ↓
Training Model
      ↓
Testing
      ↓
Evaluation

---

🟢 12. Tutorial Klasifikasi Menggunakan Python

6

📥 Langkah 1 — Import Library

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

---

📂 Langkah 2 — Membaca Dataset

data = pd.read_csv('dataset.csv')

---

⚙️ Langkah 3 — Training Model

model = DecisionTreeClassifier()
model.fit(X_train, y_train)

---

📈 Langkah 4 — Prediksi

prediction = model.predict(X_test)

---

📊 Langkah 5 — Evaluasi

from sklearn.metrics import accuracy_score

---

🟢 13. Studi Kasus Klasifikasi

5

🎓 Kasus Prediksi Kelulusan Mahasiswa

Dataset:

• Kehadiran
• Nilai tugas
• Nilai UTS
• Nilai UAS

---

📌 Tujuan

Memprediksi:

• Lulus
• Tidak Lulus

---

📈 Hasil

Menggunakan Decision Tree:

• Accuracy 92%
• Prediksi cepat
• Membantu dosen memantau mahasiswa

---

🟢 14. Kelebihan dan Kekurangan Teknik Klasifikasi

5

Kelebihan	Kekurangan
Prediksi cepat	Membutuhkan training data
Otomatisasi tinggi	Rentan overfitting
Akurasi tinggi	Sensitif noise
Membantu keputusan	Butuh preprocessing

---

🟢 15. Penerapan Teknik Klasifikasi

5

Bidang	Implementasi
Pendidikan	Prediksi kelulusan
Perbankan	Fraud detection
Kesehatan	Diagnosa penyakit
E-Commerce	Rekomendasi produk
Cyber Security	Spam detection

---

🟢 16. Kesimpulan

6 <div style=”background:#111827;color:white;padding:25px;border-radius:14px;”>

✨ Ringkasan Materi

Teknik klasifikasi merupakan metode penting dalam Data Mining untuk mengelompokkan data ke kelas tertentu.

Algoritma populer:

• Decision Tree
• Naive Bayes
• KNN
• SVM
• Neural Network

Klasifikasi digunakan dalam berbagai bidang seperti:

• pendidikan,
• kesehatan,
• bisnis,
• keamanan,
• dan Artificial Intelligence.

</div>