SEMMA (Sample, Emplore, Model & Assess)

-

SEMMA (Sample, Explore, Modify, Model, dan Assess)


Model proses yang disebut SEMMA (singkatan dari Sample, Explore, Modify, Model, dan Assess) dikembangkan oleh Institut SAS untuk menggambarkan berbagai langkah yang perlu dilakukan untuk melakukan analisis data dan membangun model prediktif. Berikut adalah penjelasan singkat dari setiap langkah dalam model SEMMA:

Sample (Sampling):

Pertama, sampel dari data yang tersedia dipilih. Ini dapat berupa sampel acak atau sampel yang dipilih berdasarkan kriteria tertentu. Tujuannya adalah untuk memastikan bahwa populasi data diwakili secara akurat dan mengurangi bias.
Explore (Exploratory Data Analysis):
Pada tahap ini, data yang telah disampling diperiksa lebih lanjut. Ini termasuk melihat data, melakukan analisis statistik deskriptif, dan menemukan pola atau anomali yang menarik. Eksplorasi ini membantu memahami karakteristik data, hubungan antar variabel, dan pola atau anomali yang mungkin bermanfaat untuk pemodelan.
Modify (Data Preparation):
Proses ini melibatkan persiapan data untuk pemodelan lanjutan, yang dapat mencakup pemilihan variabel, pemfilteran data, pengolahan nilai yang tidak ada, transformasi variabel, dan pembuatan variabel turunan. Tujuan dari tahap ini adalah untuk memastikan bahwa data siap untuk digunakan dalam pemodelan dan untuk memastikan bahwa model yang dihasilkan memiliki kualitas terbaik yang mungkin.

Model (Modeling):
Pada tahap ini, model statistik atau prediktif dibangun menggunakan data yang telah disiapkan sebelumnya. Tergantung pada jenis analisis yang ingin dilakukan, model ini digunakan untuk memprediksi atau menjelaskan fenomena dalam data dan dapat diubah atau dievaluasi kembali berdasarkan hasilnya.

Assess (Assessment): Tahap terakhir adalah mengevaluasi kualitas model yang telah dibangun. Ini melibatkan penggunaan metrik evaluasi yang relevan untuk menilai kinerja model, seperti akurasi, presisi, recall, atau metrik lainnya yang sesuai dengan jenis model yang dibangun. Evaluasi ini membantu memastikan bahwa model yang dihasilkan dapat diandalkan dan dapat digunakan untuk membuat keputusan atau prediksi yang akurat.



Komentar

Posting Komentar

Postingan populer dari blog ini

Pre-processing

-
Gambar
Pre Processing Preprocessing adalah teknik paling awal sebelum melakukan data mining dan digunakan untuk menghilangkan masalah yang mungkin terjadi selama pemrosesan data karena format data yang tidak konsisten. Namun, preprocessing juga mencakup beberapa proses seperti membersihkan, mengintegrasikan, mentransformasikan, dan mereduksi data. Data Cleaning Data cleaning atau membersihkan data berarti bahwa data mentah harus dipilih kembali dan kemudian dihapus atau dihilangkan data yang tidak lengkap, tidak relevan, atau tidak akurat. Dengan melakukan tahap ini, Anda dapat menghindari kesalahpahaman saat menganalisis data. Contoh Implementasi data cleaning : 1. Code untuk implementasi Data Cleaning : 2. Output dari code setelah di run : 3. Kesimpulan Kode : Ketika kita menjalankan kode di atas, DataFrame asli dan yang sudah dibersihkan akan ditampilkan. Kode ini akan menangani nilai yang hilang, menghapus duplikat, memperbaiki tipe data, menangani outlier, dan menstandarisasi data. Data ...
Baca selengkapnya

Supervise Learning dan 30 Algoritmanya

-
Supervise Learning Dalam bahasa Indonesia, pembelajaran yang diawasi didefinisikan sebagai pembelajaran yang diawasi oleh pengasuh. Di sini, maksudnya ada label di setiap datanya; label ini adalah tag dari data yang ditambahkan dalam model pembelajaran mesin. Sebagai contoh, setiap gambar kucing memiliki tag "kucing" dan setiap gambar anjing memiliki tag "anjing". Clasificasi (misalnya, "anjing", "kucing", "beruang", dll.) dan regression (misalnya, berat badan, tinggi badan, dll.) adalah dua metode yang dapat digunakan dalam pembelajaran mesin untuk kategorisasi. Pola yang diprediksi sering menggunakan pembelajaran supervisi karena pola tersebut sudah ada contoh data yang lengkap, sehingga pola yang terbentuk adalah hasil pembelajaran data lengkap tersebut. Tidak diragukan lagi, ketika kita memasukkan data baru setelah proses ETL (Extract Transform Load), sample baru akan menerima informasi fitur fitur dari proses tersebut. lalu dari fi...
Baca selengkapnya