Scikit-learn 2 dari 2 | Hands-on Beasiswa Terbimbing di Google Colab
Praktik 14 tahap membangun classifier beasiswa sintetis dengan Python: pemeriksaan data, Pipeline KNN, validasi silang, evaluasi, dan eksperimen lengkap dengan LKPD.

Kelas XI RPL · Pemrograman AI
composed by : Pratiwi, S.S.I., Gr.
Ini bagian kedua. Kita membangun classifier beasiswa pada data sintetis, melatih KNN dengan Pipeline, membandingkan recall validasi silang, lalu membaca hasil test. Setiap blok merupakan satu sel Colab dan harus dijalankan berurutan.
Baca bagian 1 Dasar ML, Workflow, dan Evaluasi
Tujuan dan persiapan
Menyiapkan 100 data fiktif dan memeriksa kualitasnya.
Membagi 80 train dan 20 test secara terstratifikasi.
Menjelaskan scaler, KNN, Pipeline, dan validasi silang.
Menghitung matriks test serta mencocokkan laporan dengan hitungan manual.
Menyimpan hasil, menyelesaikan eksperimen, dan mengumpulkan tautan Colab.
Siapkan Google Colab dengan runtime CPU. Buka notebook LKPD 2 melalui File → Upload notebook, atau salin kode di bawah ke notebook baru. Jika sklearn tidak tersedia, jalankan %pip install scikit-learn pada sel terpisah. Gunakan versi pustaka yang dicatat pada output langkah pertama.
Skenario dan satuan data
Aturan simulasi: label 1 jika Nilai ≥ 80 dan Gaji_Ortu ≤ 5,5 juta rupiah. Model utama adalah KNN dengan k=3. DummyClassifier dan Decision Tree menjadi pembanding pada data train. Masukkan gaji 4 juta sebagai 4.0, bukan 4000000. Tidak ada data identitas siswa asli pada dataset.
Karena target dibuat dari aturan yang sudah diketahui, model hanya belajar meniru aturan tersebut. Hasilnya tidak digunakan untuk menetapkan penerima beasiswa nyata. Pada program operasional dengan aturan pasti, implementasi if dapat lebih sesuai.
Tahap 01 Impor pustaka dan periksa versi
import numpy as np
import pandas as pd
import sklearn
from sklearn.model_selection import (
train_test_split
)
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.neighbors import KNeighborsClassifier
print("sklearn:", sklearn.__version__)Penjelasan kode
np dan pd: Alias singkat untuk NumPy dan pandas.
Import sklearn: Mengambil alat split, scaler, Pipeline, dan classifier.
version: Mencatat versi pustaka pada lingkungan siswa.
NumPy membuat angka sintetis. Pandas menampung tabel. train_test_split membagi data. StandardScaler mempelajari rata-rata dan simpangan baku. make_pipeline menggabungkan langkah. KNeighborsClassifier melakukan klasifikasi tetangga terdekat. Import hanya menyediakan alat, belum melatih model.
Checkpoint: Output mencantumkan versi sklearn. Import belum melatih model.
Tahap 02 Buat dua fitur sintetis
np.random.seed(42)
nilai = np.random.normal(
loc=78, scale=8, size=100
).round(1)
gaji = np.random.uniform(
low=1.5, high=12.0, size=100
).round(2)Penjelasan kode
seed(42): Mengulang urutan acak pada lingkungan yang sama.
normal(...): 100 nilai, pusat 78 dan simpangan baku 8.
uniform(...): 100 gaji antara 1,5 dan 12 juta rupiah.
Generator ini membuat data sintetis untuk latihan. round(1) membulatkan nilai ke satu desimal. round(2) membulatkan gaji ke dua desimal. Distribusi normal tidak otomatis membatasi rentang 0 sampai 100, maka langkah pemeriksaan berikutnya menguji rentang. Angka merupakan simulasi, bukan sampel populasi sekolah.
Checkpoint: nilai dan gaji masing-masing berisi 100 angka. Angka normal belum tentu selalu berada pada rentang nilai 0–100, sehingga tetap ada pemeriksaan rentang.
Tahap 03 Buat label dan tabel data
target = [
1 if (n >= 80 and p <= 5.5) else 0
for n, p in zip(nilai, gaji)
]
df = pd.DataFrame({
"Nilai": nilai,
"Gaji_Ortu": gaji,
"Target": target
})
print(df.head())Penjelasan kode
zip(nilai, gaji): Memasangkan nilai dan gaji pada baris yang sama.
if ... else: Menghasilkan label 1 atau 0 sesuai aturan simulasi.
DataFrame: Menyatukan kolom menjadi tabel 100 baris.
List comprehension mengulangi aturan untuk setiap pasangan. and mewajibkan kedua syarat terpenuhi. Nama Gaji_Ortu berarti juta rupiah, sehingga 5.5 bukan Rp5,50. head menampilkan lima baris awal. Jangan memasukkan Target ke fitur X.
Checkpoint: head menampilkan lima baris pertama. Contoh seed 42 menghasilkan baris pertama Nilai=82,0, Gaji_Ortu=5,88, Target=0.
Tahap 04 Periksa kualitas dan distribusi
print(df.shape)
print(df.isna().sum())
print(df["Target"].value_counts().sort_index())
print(df.describe().round(2))
assert df["Nilai"].between(0, 100).all()
assert df["Gaji_Ortu"].gt(0).all()Penjelasan kode
shape dan isna: Memeriksa ukuran tabel dan jumlah nilai hilang.
value_counts: Menghitung jumlah label 0 serta label 1.
assert: Menghentikan proses jika rentang tidak valid.
shape diharapkan (100,3). isna().sum() diharapkan nol pada semua kolom. describe memberi ringkasan statistik. between mencakup batas 0 dan 100. Jika assert gagal pada data lain, telusuri sumbernya dan perbaiki sesuai konteks, jangan menghapus pemeriksaan secara otomatis. Duplikasi fitur sintetis bisa terjadi dan tidak sama dengan identitas siswa ganda.
Checkpoint: Ukuran tabel (100,3), nilai hilang 0, jumlah label 0 sebanyak 89 dan label 1 sebanyak 11 pada generator ini.
Tahap 05 Pisahkan X, y, train, dan test
X = df[["Nilai", "Gaji_Ortu"]]
y = df["Target"]
bagian = train_test_split(
X, y, test_size=0.2,
random_state=42, stratify=y
)
X_train, X_test, y_train, y_test = bagian
print(X_train.shape, X_test.shape)
print(y_train.value_counts().sort_index())Penjelasan kode
Kurung ganda: X tetap tabel dua dimensi dengan 2 kolom.
test_size=0.2: 20% data test dan 80% data train.
stratify=y: Menjaga proporsi kelas mendekati data awal.
y menggunakan satu pasangan kurung sehingga berupa Series satu dimensi. random_state mengontrol pengacakan pembagian. stratify memerlukan cukup anggota setiap kelas. X_train=(80,2), X_test=(20,2). Pada data dengan kelompok orang sama atau urutan waktu, random split mungkin tidak sesuai.
Checkpoint: X_train berukuran (80,2), X_test (20,2). Train memuat 71 label 0 dan 9 label 1.
Tahap 06 Cara kerja scaler secara eksplisit
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
print(scaler.mean_)
print(scaler.scale_)Penjelasan kode
fit_transform(train): Belajar statistik train, lalu mengubah train.
transform(test): Mengubah test dengan statistik train tersimpan.
mean_ dan scale_: Rata-rata dan faktor skala untuk tiap fitur.
Sel ini menjelaskan mekanisme scaler. Model utama pada langkah berikut menggunakan Pipeline dengan X mentah agar tidak melakukan scaling dua kali. StandardScaler menggunakan standar deviasi populasi (ddof=0). Hasil train_scaled mendekati rata-rata 0 dan simpangan baku 1 per fitur. Jangan menjalankan fit_transform pada test.
Checkpoint: Mean scaler contoh sekitar [76.80875, 6.53425]. Model utama berikut tetap menerima fitur mentah karena mempunyai scaler dalam Pipeline.
Tahap 07 Latih KNN melalui Pipeline
model = make_pipeline(
StandardScaler(),
KNeighborsClassifier(n_neighbors=3)
)
model.fit(X_train, y_train)Penjelasan kode
make_pipeline: Menggabungkan preprocessing dan classifier.
n_neighbors=3: Prediksi memakai voting 3 tetangga terdekat.
fit(X_train, y_train): Scaler dan KNN belajar hanya dari train.
Masukkan X_train mentah, bukan X_train_scaled, karena Pipeline sudah memuat scaler sendiri. fit menjalankan fit_transform pada langkah scaler lalu fit pada KNN. Saat predict, Pipeline menerapkan transform sebelum classifier. Untuk KNN, fit terutama menyimpan data train yang dibutuhkan perhitungan tetangga.
Checkpoint: fit selesai tanpa pesan kesalahan. Pipeline siap menerima X_test mentah.
Tahap 08 Validasi silang untuk pembanding
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.dummy import DummyClassifier
models = {
"Baseline": DummyClassifier(
strategy="most_frequent"),
"KNN": model,
"Tree": DecisionTreeClassifier(max_depth=3,
random_state=42)
}Penjelasan kode
Baseline: Selalu memprediksi kelas yang paling sering.
Tree max_depth=3: Membatasi kedalaman agar pohon tidak terlalu rumit.
Dictionary: Menyimpan nama dan estimator untuk perbandingan.
Sel ini menyiapkan model, sel berikut menjalankan validasi. Estimator KNN adalah Pipeline lengkap. Tree memakai fitur mentah. Bandingkan model menggunakan hasil validasi dari data train yang sama. cross_val_score melatih klon estimator pada masing-masing fold.
Checkpoint: Tersedia tiga estimator bernama Baseline, KNN, dan Tree. Belum ada evaluasi test.
Tahap 09 Hitung recall validasi data train
hasil_cv = []
for nama, estimator in models.items():
scores = cross_val_score(
estimator, X_train, y_train,
cv=5, scoring="recall"
)
hasil_cv.append(
[nama, scores.mean(), scores.std()])
cv_df = pd.DataFrame(
hasil_cv,
columns=["Model", "Recall_mean", "Recall_std"]
)
print(cv_df.round(3))Penjelasan kode
cv=5: Lima putaran validasi pada 80 data train.
scoring="recall": Menilai recall kelas positif 1.
mean dan std: Merangkum rerata dan variasi antar-fold.
Classifier biner dengan cv berupa integer memakai StratifiedKFold default, tanpa shuffle. Recall dipilih untuk membahas positif yang terlewat, bukan karena selalu menjadi metrik tunggal terbaik. Satu data train cukup kecil sehingga variasi antar-fold dapat besar. Data test tidak masuk validasi ini. Untuk lab utama KNN k3 tetap digunakan agar alur konsisten. Pemilihan k tambahan dilakukan hanya di train.
Checkpoint: Pada sklearn 1.9.1 contoh ini menghasilkan rerata recall CV Baseline=0,0, KNN=0,8, dan Tree=0,9. Ini hasil train 5-fold, bukan skor test.
Catatan eksperimen: perbandingan CV ini untuk belajar membaca model. Kita tetap mengevaluasi KNN k=3 yang sudah ditetapkan sebagai model utama. Jika ingin memilih k, gunakan hanya data train, kemudian uji konfigurasi akhir pada test yang belum dipakai untuk pemilihan.
Tahap 10 Prediksi dan confusion matrix test
from sklearn.metrics import confusion_matrix
y_pred = model.predict(X_test)
cm = confusion_matrix(
y_test, y_pred, labels=[0, 1]
)
tn, fp, fn, tp = cm.ravel()
print(cm)
print("TN, FP, FN, TP:", tn, fp, fn, tp)Penjelasan kode
predict(X_test): Pipeline melakukan transformasi dan prediksi.
labels=[0, 1]: Mengunci urutan kelas pada matriks.
ravel(): Membaca sel sebagai TN, FP, FN, TP.
Baris matriks adalah aktual, kolom adalah prediksi. Matriks lab berjumlah 20, berbeda dengan contoh numerasi 100. X_test tidak pernah dipakai mempelajari scaler atau model. Kode ravel tanpa labels tetap dapat menghasilkan bentuk tak terduga jika salah satu kelas absen.
Checkpoint: Matriks contoh [[18,0],[0,2]] berjumlah 20. Urutan TN,FP,FN,TP adalah 18,0,0,2.
Tahap 11 Laporan metrik klasifikasi
from sklearn.metrics import classification_report
print(classification_report(
y_test, y_pred, labels=[0, 1],
target_names=["Label 0", "Label 1"],
digits=3, zero_division=0
))Penjelasan kode
labels dan nama: Mengaitkan kelas 0 serta 1 dengan baris laporan.
digits=3: Menampilkan tiga angka di belakang koma.
support: Jumlah contoh aktual pada setiap kelas.
Baca baris Label 1 untuk precision dan recall kelas positif. zero_division=0 mengisi 0 saat pembagian tidak terdefinisi, misalnya model tidak memprediksi positif. Accuracy adalah seluruh label benar. Macro avg rata-rata antar kelas tanpa bobot support, weighted avg memakai bobot support. Jangan menganggap weighted avg yang tinggi menjamin kelas minoritas sudah baik.
Checkpoint: Laporan contoh memiliki support 18 untuk label 0 dan 2 untuk label 1.
Pada classification_report, macro avg memberi bobot sama pada setiap kelas, sedangkan weighted avg menggunakan jumlah support. Jangan membaca weighted average sebagai jaminan kinerja kelas minoritas.
Tahap 12 Cocokkan dengan hitungan manual
def rasio(a, b):
return a / b if b else 0.0
akurasi = rasio(tp + tn, cm.sum())
presisi = rasio(tp, tp + fp)
recall = rasio(tp, tp + fn)
f1 = rasio(2 * tp, 2 * tp + fp + fn)
print({"accuracy": akurasi, "precision": presisi,
"recall": recall, "f1": f1})Penjelasan kode
rasio(a, b): Menangani penyebut nol dengan nilai 0 pada latihan.
Rumus manual: Memakai hitungan TN, FP, FN, TP dari matriks lab.
Pencocokan: Hasil harus sama dengan laporan sebelum pembulatan.
Penggunaan nol ketika penyebut nol adalah konvensi pelaporan pada lab. Secara matematis pembagian itu tidak terdefinisi, sehingga jelaskan penyebabnya. Rumus F1 di sini untuk kelas 1, bukan macro F1.
Checkpoint: Hitungan manual cocok dengan laporan. Pada contoh ini keempat metrik bernilai 1,0 atau 100%.
Tahap 13 Prediksi satu siswa fiktif baru
baru = pd.DataFrame({
"Nilai": [85.0], "Gaji_Ortu": [4.0]
})
prediksi_baru = model.predict(baru)
aturan = ((baru["Nilai"] >= 80) &
(baru["Gaji_Ortu"] <= 5.5)).astype(int)
print("Prediksi model:", prediksi_baru[0])
print("Aturan simulasi:", aturan.iloc[0])Penjelasan kode
DataFrame baru: Nama kolom dan satuan harus sama dengan train.
model.predict: Scaler tetap memakai statistik train.
Aturan pembanding: Memeriksa apakah model meniru aturan dengan benar.
Masukan 85 dan 4 memenuhi aturan simulasi, tetapi keluaran model tetap hasil voting tetangga, sehingga model bisa berbeda pada masukan lain. Operator & menggabungkan kondisi Series, masing-masing kondisi diberi tanda kurung. astype(int) mengubah True/False menjadi 1/0. Model tidak menentukan penerima beasiswa nyata.
Checkpoint: Masukan 85 dan 4 memenuhi aturan simulasi. Prediksi contoh juga 1.
Tahap 14 Simpan hasil untuk laporan
hasil = X_test.copy()
hasil["Aktual"] = y_test
hasil["Prediksi"] = y_pred
hasil["Benar"] = (
hasil["Aktual"] == hasil["Prediksi"]
)
hasil.to_csv("hasil_uji_beasiswa.csv", index=False)
df.to_csv(
"dataset_beasiswa_sintetis.csv", index=False
)
print(hasil.head())Penjelasan kode
copy(): Membuat tabel keluaran tanpa mengubah X_test.
Aktual dan Prediksi: Memudahkan penelusuran setiap kesalahan.
to_csv: Menyimpan tabel, tanpa kolom indeks tambahan.
Series y_test mempertahankan indeks yang sama dengan X_test sehingga penambahan kolom selaras. y_pred mengikuti urutan X_test. Di Colab, buka Files lalu unduh CSV. File pada runtime dapat hilang setelah runtime berakhir, maka simpan notebook dan unduh hasil. Tidak perlu menyimpan model biner untuk tugas ini.
Checkpoint: Dua file CSV tersedia di panel Files runtime. Unduh bila diperlukan sebelum runtime berakhir.
Interpretasi hasil dan keterbatasan
Eksekusi contoh pada Scikit-learn 1.9.1 menghasilkan TN=18, FP=0, FN=0, TP=2. Accuracy, precision, recall, serta F1 pada test itu semuanya 100%. Namun, test hanya memuat dua contoh positif dan label sintetis mengikuti aturan sederhana. Ini tidak membuktikan model akan berhasil pada data nyata atau adil untuk semua kelompok.
Recall validasi silang pada train lebih bervariasi: KNN memiliki rerata 80% dengan simpangan baku sekitar 24,5 poin persentase, dan Tree 90% dengan simpangan baku 20 poin. Variasi antar-fold menunjukkan pentingnya membaca jumlah data dan kestabilan hasil. Versi pustaka atau perubahan kode/data dapat mengubah hasil.
Eksperimen terbimbing pilihan k
for k in [3, 5, 7]:
calon = make_pipeline(
StandardScaler(),
KNeighborsClassifier(n_neighbors=k)
)
skor = cross_val_score(
calon, X_train, y_train, cv=5, scoring="recall"
)
print(k, skor.mean(), skor.std())Penjelasan kode: for mengulangi tiga nilai k. Setiap putaran membuat Pipeline baru agar eksperimen terpisah. cross_val_score melatih salinan model pada lima fold data train, lalu mean dan std merangkum recall positif. Catat semua hasil, bukan hanya angka tertinggi. Contoh rerata untuk k=3,5,7 adalah 0,8; 0,9; 0,9. Nilai yang sama pada data kecil belum berarti kedua konfigurasi identik pada data baru.
Unduh LKPD dan notebook Google Colab
Kerjakan secara individu. Unduh LKPD Word untuk panduan dan lembar jawaban, lalu buka notebook pendamping di Google Colab melalui File → Upload notebook. Jika memakai Word, jangan mengedit berkas master bersama-sama.
Tautan membuka berkas di Google Drive. Gunakan tombol Download/Unduh untuk menyimpan berkas. Notebook berformat .ipynb dapat dibuka dan disimpan kembali di Google Colab.
Tugas LKPD hands-on
Jalankan 14 tahap dan eksperimen k. Setelah tiap tahap, tulis arti hasil dalam sel Text.
Rekam jumlah kelas, bentuk train/test, matriks test, serta empat metrik manual dan laporan sklearn.
Buat tabel perbandingan k=3,5,7 dari validasi data train. Jelaskan pilihanmu tanpa memakai test berulang kali untuk memilih k.
Uji minimal tiga masukan siswa fiktif baru: satu memenuhi aturan, satu gagal pada nilai, dan satu gagal pada gaji. Catat prediksi dan bandingkan dengan aturan.
Jelaskan mengapa hasil 100% pada test kecil perlu dibaca hati-hati. Sebutkan minimal dua keterbatasan dataset.
Simpan notebook berisi semua jawaban. Lampirkan hasil_uji_beasiswa.csv jika guru meminta tambahan bukti.
Rubrik penilaian
Pemeriksaan data dan split: Bobot = 20
Kode runtut serta Pipeline benar: Bobot = 30
Matriks dan hitungan evaluasi: Bobot = 30
Eksperimen, interpretasi, dan pelaporan: Bobot = 20
Skor model tinggi bukan satu-satunya dasar penilaian. Penjelasan yang benar tentang kesalahan atau keterbatasan model merupakan bagian penting dari tugas.
Pengumpulan tugas melalui Tanggapan
Simpan notebook dengan nama Nama_Kelas_LKPD2_ScikitLearn. Contoh: Alya_XIRPL1_LKPD2_ScikitLearn.
Lengkapi seluruh sel kode, jawaban, hasil pengujian, dan refleksi. Di Colab, gunakan sel Text untuk menulis penjelasan. Jika memakai LKPD Word, pindahkan jawaban akhirnya ke notebook atau sertakan tautan Word sebagai tambahan.
Pastikan notebook sudah tersimpan di Google Drive. Klik Share/Bagikan, lalu beri guru akses Viewer/Pelihat sesuai kebijakan akun sekolah. Jika akses siapa saja dengan tautan dibatasi, bagikan langsung kepada akun guru yang ditentukan di kelas.
Salin tautan Google Colab. Buka bagian Tanggapan di paling bawah artikel ini, lalu tulis nama dan kelas menggunakan format Nama-Kelas. Tempelkan tautan notebook beserta ringkasan hasil 2–3 kalimat.
Periksa bahwa tautan dapat dibuka oleh guru. Klik tombol kirim pada formulir Tanggapan. Komentar dapat menunggu moderasi guru sebelum tampil di halaman.
Contoh isi Tanggapan:
Nama-Kelas: Alya-XI RPL 1
LKPD: 2
Link Google Colab: [tempel tautan notebook Google Colab kamu]
Ringkasan: Saya menyelesaikan latihan dan mendapatkan …. Saya memahami bahwa ….
Jangan mengirim kata sandi, token, identitas sensitif, atau data pribadi siswa lain dalam notebook maupun Tanggapan.
FAQ hands-on
Mengapa muncul NameError?
Variabel belum tersedia, urutan sel terlewat, atau runtime sudah dimulai ulang. Sambungkan runtime lalu jalankan ulang dari sel pertama.
Mengapa tidak memakai X_train_scaled saat fit Pipeline?
Pipeline sudah memiliki StandardScaler. Memasukkan data yang sudah diskalakan ke Pipeline akan melakukan transformasi lagi. Sel scaler eksplisit hanya untuk memahami mekanisme fit dan transform.
Mengapa stratify atau cv gagal?
Periksa jumlah anggota setiap kelas. Split dan jumlah fold memerlukan cukup anggota tiap kelas. Jangan menghapus label minoritas hanya agar kode berjalan; periksa kembali data dan rancangan eksperimennya.
Mengapa model berbeda dengan aturan simulasi?
KNN melakukan voting tetangga, bukan menjalankan kondisi if yang sama. Contoh train terbatas atau titik di dekat batas dapat menghasilkan prediksi berbeda.
Apakah scaler membuat data pasti normal?
Tidak. StandardScaler memusatkan dan mengubah skala fitur. Bentuk distribusi awal tidak otomatis menjadi distribusi normal.
Bagaimana jika tautan Colab tidak dapat dibuka guru?
Periksa akun pemilik, status tersimpan, dan izin Viewer untuk guru. Ikuti kebijakan akun sekolah. Tempel tautan notebook, bukan alamat file lokal dari laptop.
Bahan bacaan resmi
Tanggapan (0)
Belum ada tanggapan. Jadilah yang pertama menulis.