5 Solusi Atasi Overfitting dalam Modeling

225

Oleh: Bernardus Ari Kuncoro

Dalam machine learning, overfitting itu problem yang biasa terjadi.

Apa itu Overfitting?

Singkatnya, overfitting itu terjadi ketika model belajar dari data training dengan hafalan saja, tetapi tidak memiliki pemahaman menyeluruh terhadap proses learning.

Bagaimana cara mendeteksinya?

Cara mendeteksi overfitting adalah dengan membandingkan akurasi pada data training dan data testing.

Jika akurasi sangat tinggi pada data training, sementara akurasi sangat rendah pada data testing, bisa dipastikan model kamu overfitting.

Apa saja solusinya?

Beberapa hal yang bisa dilakukan adalah sebagai berikut:

  1. Sederhanakan model. Mau nggak mau, proses training mesti diulangi dengan model yang lebih sederhana. Misal Linear Regression, terlebih jika prediktor – result memang linear.
  2. Regularization against overfitting. Jika performa model yang sederhana sama dengan model yang lebih kompleks, pilih yang model sederhana saja.
  3. Lakukan Data augmentation untuk data tabular, seperti SMOTE.
  4. Hyperparameter tuning + Cross validation
  5. Pakai ensemble models seperti Random Forest, ya meskipun tidak selalu sih. Cuma, seringnya akan terhindar dari overfitting.

Sumber: Joos Korstanje (Medium)
https://towardsdatascience.com/solutions-against-overfitting-for-machine-learning-on-tabular-data-857c080651fd

Kalideres, 24 November 2021

MELLY DAN MALIK (1/10)

Tantangan Menulis Hari ke-186

Oleh: Bernardus Ari Kuncoro

Melly, seorang gadis berkulit putih dan bermata belok. Berusia 18 tahun dan pernah memiliki prestasi akademis yang luar biasa. Waktu SD dia selalu rangking satu. Waktu SMP dia makin menggila lagi. Tetap rangking satu terus. Nilai UAN Matematika-nya sempurna, sepuluh. Namun, saat dia duduk di bangku SMA, dia mengalami penurunan prestasi. Ada momen-momen yang membuat dia burn out. Sampai-sampai dia tidak bisa masuk ke universitas negeri favorit yang diidam-idamkan. Dia harus puas dengan pilihan lainnya, di sebuah universitas swasta di kawasan Pasar Bunga Rawabelong Jakarta Barat. Dengan jurusan Teknik Informatika.

Malik, sosok pemuda berusia 19 tahun, rambut keriting, kulit sawo matang. Dia merupakan teman kuliah Melly. Mereka satu angkatan di semester tiga. Di jurusan inilah Malik menemukan cintanya. Bukan! Bukan cintanya kepada seorang wanita, ya gaeees. Melainkan kecintaannya terhadap salah satu mata kuliahnya, terutama Machine Learning.

Masa pandemi setahun setengah ini hanya membuat mereka bisa bersua lewat layar komputer. Tidak pernah tatap muka.

Hingga suatu ketika, mereka mendapatkan sebuah tugas dari seorang dosen Machine Learning yang super kreatif.

Anehnya, tugas ini baru mereka dapatkan jika mampu menyelesaikan Teka Teki Silang berikut. Link yang disiapkan sang dosen adalah bit.ly/xxxxxxxxxxx (bagian x banyak kali inilah yang mesti dicari lewat TTS ini)

Melly: “Gilak, ni dosen… Niat banget bikin sulit soal. Hidup gue aja udah susah. Bantuin dong Malik”

Tulis Melly kepada Malik di LINE chat nya.

Malik: “Gampang nih, Mel. Gue bisa! Gue bantuin asalkan … “

BERSAMBUNG

Kalideres, 16 Oktober 2021

BEDA MODEL STATISTIK DAN MACHINE LEARNING

Tantangan Menulis Hari ke-132

Oleh: Bernardus Ari Kuncoro

Agustus ini, saya disibukkan dengan pembuatan konten di IG @iykra_id dan YouTube IYKRA Indonesia. Salah satu video IG membahas tentang model statistik dan machine learning.

Buat yang mau belajar lebih dalam terkait perbedaan keduanya, silakan disimak.

Script:

Pertama dari sisi definisi. Model Statistik merupakan formulasi hubungan antarvariable dalam bentuk persamaan matematis. Biasanya data yang diambil adalah data yang berukuran kecil. ML merupakan algoritma yang belajar dari data tanpa terlalu tergantung pada praktik pemrograman standard, seperti object oriented design. Biasanya data yang diambil itu data yang ukurannya besar.

Mana yang lebih dulu muncul? Modul Statistik muncul terlebih dahulu pada abad ke-17. Sedangkan ML lahir 200an tahun kemudian yaitu pada 1959, seiring dengan lahirnya komputer.

Parametrik vs Non Parametrik Dalam model statistik, kita biasanya pakai pendekatan parametrik. Contohnya Regresi linear dan Regresi logistik. Sementara itu dalam machine learning, pendekatan nonparameterik yang sering digunakan. Contoh: K-nearest neighbor, decision tree, SVM, dll.

Asumsi Dalam model statistika, kebanyakan kita akan mengasumsikan fitur (prediktor dan covariate) itu bersifat additive (ditambahkan) Dalam machine learning, biasanya tidak memakai asumsi seperti non-collinearity, uji distribusi normal, dll.

Performa Performa model ML secara absolut biasanya lebih baik dibandingkan model statistik.

Closing Kira-kira ada perbedaan lain yang belum saya sampaikan, belum guys? Atau ada pertanyaan2 yang kalian mau ajukan? Yuk komen di bawah, biar kita bisa sama-sama belajar Kalau belum ada, gak papa.

Caption: Saya udah siapkan pantun Jalan-Jalan ke Stasiun Cikini Untuk beli emas duapuluh empat karat Jangan lupa like, share dan save video ini, Siapa tahu suatu saat bermanfaat Sampai jumpa lagi di Tanya Data Expert selanjutnya

Sumber: Bahan Kuliah Prof Sebastian Raschka

Kalideres, 9 Agustus 2021

PERTANYAAN-PERTANYAAN MENARIK TENTANG DATA SCIENCE DI BRI

Tantangan Menulis Hari ke-104

Oleh: Bernardus Ari Kuncoro

Dalam acara TalksON ke-41 minggu lalu, saya dipercaya sebagai moderator. Topiknya tentang Optimasi persediaan uang cash pada kantor cabang atau unit di BRI. Mas Risal Andika yang menjadi nara sumber.

Dalam webinar tersebut, machine learning digunakan untuk memodelkan berapa uang tunai yang mesti dipersiapkan di tiap kantor cabang BRI. Ada 5000-an model machine learning yang dibangun. Menarik, bukan?

Terdapat 200-an peserta yang mengikuti dari mana-mana. Lewat Zoom. Berikut ini adalah pertanyaan-pertanyaan yang muncul.

Beberapa ada yang sudah dijawab. Namun mengingat keterbatasan waktu, banyak pertanyaan yang belum sempat dibahas.


Wirasta C. Pambudi to Me (Direct Message) (7:32 PM)
Kak mau nanya, dalam melakukan prediksi machine learning, tools apa yang di gunakan?
Wirasta C. Pambudi to Me (Direct Message) (7:35 PM)
Seberapa besar peran data science di BRI?
Wirasta C. Pambudi to Me (Direct Message) (7:38 PM)
karena di perusahaan saya hal prediktif seperti ini sudah pernah dilakukan namun hasil perhitungan berdasarkan statistic seperti ini mentah di mata direksi, sehingga peran data science di perusahaan saya tidak powerfull, mohon penjelasannya

Yulinda to Everyone (7:42 PM)
seberapa presisi prediksi data dr machine learning dg eksisting

Arif RH to Everyone (7:42 PM)
Itu metode evaluasi yg bagus itu yg mana ?

Edo Pratama to Everyone (7:43 PM)
mas, model ini tiap berapa kali dilakukan update nya?

Bima Priambodo to Everyone (7:44 PM)
mas bagaimana life cycle maintenance modelnya?

Rio to Everyone (7:44 PM)
[tanya] evaluasi yang MASE tadi untuk MAE2nya dari mana ya?

Fakhri Rizal Santosa to Me (Direct Message) (7:46 PM)
Siapakah inisiator dalam merubah metode moving average menjadi ML, apakah karena temuan dari team data scientist atau memang menjadi issue di level management / unit bisnis?

Kurnia Andre Febrian to Everyone (7:46 PM)
mas, terkadang saya mengalami stuck, mengaplikasikan persamaan matematis ke codingnya. ada kah tips untuk mengurangi itu? ehehhe

Rio to Everyone (7:50 PM)
[tanya] kalau di BRI, dalam satu project data science kan tadi dibilang ada data engineer, data analyst, data scientist, sama dari product. biasanya berapa orang yang terlibat ya dalam satu project data science tersebut? terus waktunya berapa lama? apakah sepanjang tahun atau beberapa bulan?

Bima Priambodo to Everyone (7:52 PM)
model sampai 5000 unique,, bagaimana cara maintenance modelnya mas?? life scyclenya bagaimana ms?

Nofriandi to Everyone (7:59 PM)
materi persentasi nanti dishare nggak mas?

David Kurniawan

  1. Bahasa pemrograman dan platform apa yang sering digunakan BRI?
  2. Machine learning mengikuti trend and seasonality, lalu bagaimana solusi untuk pandemi seperti sekarang ini dimana datasetnya akan sangat berbeda dan akan susah untuk diprediksi?
  3. Bagaimana mengetahui atau tracking model kita perlu retraining setelah deploymenet?

Iren Ramadhan:
Halo mas, tadi sempat disebutkan bahwa cukup sulit untuk memprediksi di saat Corona seperti ini (dependen kepada peraturan pemerintah). Untuk di BRI sendiri ketika keadaan seperti sekarang, apakah metode predictionnya masih sama seperti yang dipresentasikan saat ini atau ada metode lain ya? Terima kasih

Revalda:
selamat malam, izin bertanya, apakah pada case ini, BRI memasukkan semua variable yang ada pada slide, atau ada eliminasi sehingga tidak semua fitur dimasukkan ke model? lalu jika dilakukan menggunakan metode apa?

Abduh Riski:

  1. bagi yang tertarik untuk melakukan penelitian juga tentang prediksi kas bri seperti ini, apakah bisa mendapatkan data yang diperlukan? bagaimana caranya?
  2. apa Bahasa pemrograman yang digunakan oleh teman2 bri dalam menndevelop model machine learningynya.

Heri Wahyu:
Pada Feature Engineering, jika kita membuat feature baru, apakah berarti pada saat model digunakan nanti datasetnya juga harus dilakukan feature engineering juga untuk membuat feature baru tersebut ya ?

Arnawisuda:
Utk lebih mempelajari materi hari ini, apakah dimungkinkan kami mendapatkan data2 primer yg dpt diolah seperti yg disampaikan narasumber??

Robby:
Selamat malam host IYKRA, berikut beberapa pertanyaan yang saya ajukan. Semoga bisa diajukan, terimakasih.

  1. Berapa hari prediksi kedepan yang ideal dan hari pengiriman uang untuk Cash In dan Cash Out pada unit kerja maupun kantor cabang BRI?
  2. Algoritma apa yang paling tepat dan sering diterapkan dalam prediksi Cash in dan Cash out?
  3. Berapa hari jeda remodeling yang sering dilakukan di BRI?
  4. Ada banyak unit kerja dan kantor cabang, berarti perlu analisis prediksi 1 per 1 unit kerja dan kantor cabang di BRI?
  5. Error rate (MAPE, MAE, MASE) apa yang biasa digunakan? Berapa batas error rate yang ideal yang digunakan dalam prediksi Cash in dan Cash out di BRI?

Muhammad Ashabul Kahfi:
Mas, mau tanya apakah ada best practice untuk mengetahui bahwa data yang dimiliki bisa dilakukan prediksi menggunakan machine learning

Kevin Prasetio:
mengapa menggunakan mape ? tidak menggunakan LSE atau MSE?

Charisma

  1. Apakah ada sample dataset yang bisa digunakan untuk melakukan prediction seperti kasus yang dilakukan kak risal?misalkan di kaggle atau lainnya. 2. tools apa aja yang digunakan kak risal supaya menghasilkan prediction dg machine learning tersebut? 3. metode evaluasi yang mana yg paling bagus dalam penggunaan machine learning?

Tris DIanasari
Selamat malam bapak Risal, berikut beberapa pertanyaan yang saya ajukan:

  1. Setelah diperoleh model akan dilakukan iterasi, kapan iterasi akan berhenti?
  2. Apakah ada treatment data sebelum masuk model? seperti data preparation (missing value, outlier dll)
  3. Berapa proporsi data training dan data testing?
  4. Bagaimana cara melakukan seleksi variabel sebelum masuk model?
  5. Setelah pembentukan model, apakah dilakukan proses backtesting untuk menguji kestabilan model?
  6. Hasil proyeksi dapat memprediksi sampai jangka waktu kapan?

Terima Kasih

Prasetyo:

  1. Prediksi terkait kebutuhan kas unit kerja dapat tersaji H- berapa kah dr kebutuhan? untuk mengantisipasi kekurangan kas agar unit kerja punya waktu untuk melakukan Tambahan Kas 2. jika terjadi Rush/penarikan banyak dan tiba2 karena adanya kebutuhan mendadak/ ada perubahan data bisa langsung mengupdate kah? tks

Andi:
Hi, pengen nanya Kak, terkait unexpected factor seperti keputusan libur pemerintah. Bagaimana treatmentnya ya?

Aditya EKa:
apakah melakukan perhitungan prediksi machine learning setiap hari? atau tiap minggu?

Andi:
Hi, pengen nanya Kak, terkait unexpected factor seperti keputusan libur pemerintah. Bagaimana treatmentnya ya?

I Wayan:
Dalam pengembangan terlihat menggunakan beberapa metode. seperti ARIMA, Linear Regression, dll. Apa yg menjadi kelebihan dan kekurangan masing2 metode sehingga perlu dilakukan kombinasi?

Kurnia Andre:
mas, terkadang saya mengalami stuck, mengaplikasikan persamaan matematis ke codingnya. ada kah tips untuk mengurangi itu? ehehhe

Adinda Oktavia:
bagaimana tim data scientist melakukan penyesuaian rumus/metodologi yang diapplikasikan pada saat kondisi ekonomi tidak menentu (contoh saat Cov 19)? dan seberapa besar effect dari kebijakan cashless yang saat ini banyak berlaku untuk transaksi yang ada.

Ocha Alieffi:
aya mau tanya kak proses pola kolaborasi dengan tim lain (DE,DA,dll) seperti apa ya gambarannya

Izin bertanya mas, kan tadi disebutkan menggunakan OLS. Berarti untuk asumsi-asumsi klasiknya harus terpenuhi. Bagaimana ketika terdapat beberapa asumsi-asumsi tersebut tidak terpenuhi? Sehingga, apa yg harus dilakukan untuk dapat dilakukan analisis lebih lanjut?

Andi:
`Nanya lagi kak, tadi dikatakan bahwa proporsi predictior itu 20%nya merupakan input dari subject-matter expert. bagaimana menentukan apakah “wejangan” dari subject matter-expert di-accept atau enggak ??

Kalideres, 12 Juli 2021

OBROLAN TENTANG MACHINE LEARNING DI BANK RAKYAT INDONESIA

Tantangan Menulis Hari ke-95

Oleh: Bernardus Ari Kuncoro

Hai Para Data Enthusiasts,

Saya akan menemani Mas Risal Andika T. berdiskusi dalam acara #TalksON41 IYKRA X BRI: Optimasi Uang Kas di Kantor Cabang Bank BRI Menggunakan Prediksi Machine Learning

Yuk, dicatat tanggalnya!

🗓 Kamis, 8 Juli 2021
⌚️ Pukul 7 – 8 malam

*

Kurangnya efisiensi dalam pengelolaan uang tunai yang beredar di lapangan, khususnya di unit kerja dapat meningkatkan biaya operasional dan hilangnya potensi penggunaan uang tunai untuk bisnis perbankan BRI.

Untuk mengatasi itu, tim Enterprise Data Management BRI membangun sebuah model berbasiskan Machine Learning yang dapat memberikan rekomendasi pengelolaan uang tunai sehingga diharapkan mampu menekan biaya operasional dan mengurangi hilangnya kesempatan bisnis BRI dalam penggunaan uang tunai.

Penasaran bagaimana cara membuatnya? Mari kita saksikan dan diskusikan di #TalksON41 IYKRA x BRI bersama Risal Andika Tridisaputra (Data Science Product Manager BRI) dan dimoderatori oleh Ari Kuncoro (Head of Analytics Center of Excellence IYKRA)

Apa saja yang akan dibahas?
1. Bagaimana cara memulai mengidentifikasi suatu masalah yang ditemukan dalam bisnis
2. Bagaimana cara membangun end-to-end solution produk data science
3. Bagaimana tampilan Cash Prediction
4. Bagaimana cara untuk mengevaluasi Prediction Model
5. Machine learning life cycle di bank BRI

Apa yang akan kamu dapatkan?
– e-certificate
– materi presentasi
– Gabung ke grup Telegram Kelas Data by IYKRA

Daftar sekarang, GRATIS di https://bit.ly/talksoniykraxbri

* Kontributor: Tim TalksON IYKRA dan BRI.

Kalideres, 13 Januari 2021

BAGGING VS BOOSTING

Tantangan Menulis Hari ke-92

Oleh: Bernardus Ari Kuncoro

Tahukah Anda tentang istilah Bagging dan Boosting?

Bagging dan Boosting ini merupakan bagian dari metode ADVANCED supervised learning. Dikenal luas dengan nama Ensemble Learning.

Bagging adalah singkatan dari Bootstraping Aggregating. Ide pembuatan modelnya adalah dengan dibangunnya sejumlah dataset dari sampling secara acak, lalu diterapkan algoritma supervised learning yang homogen terhadap masing-masing dataset. Hasil dari masing-masing model diagregasikan dengan cara voting (cari yang terbanyak) atau averaging (cari rata-ratanya).

Boosting memiliki ide untuk melakukan pelatihan model yang homogen dan dilakukan secara berulang-ulang. Langkah pengulangan saat ini memiliki tujuan minimisasi error yang lebih rendah daripada langkah sebelumnya.

Agak rumit memang. Saya coba untuk memberikan analogi ini kepada Anda.

Filosofi Bagging ini mirip dengan cara Anda belajar kelompok (Collaborative Learning). Sedangkan Boosting ini punya analogi yang selaras dengan belajar mandiri dan dilakukan secara berulang-ulang (Gradual Learning).

Lebih lanjut, Anda bisa belajar lagi tentang Random Forest, Adaboost, LightGBM, dan algoritma ensemble learning lainnya.

Kalideres, 30 Juni 2021

KAPAN MESTI PAKAI ML?

Tantangan Menulis Hari ke-90

Oleh: Bernardus Ari Kuncoro

Sangat penting untuk Anda ketahui bahwa Machine Learning (ML) bukan merupakan satu-satunya solusi untuk semua persoalan. Ada kasus-kasus khusus yang mana Anda tidak butuh teknik ML.

Dalam kondisi penentuan prediksi yang menggunakan aturan sederhana, komputasi matematis, atau langkah-langkah yang sudah diprogram, ML sungguh tidak perlu.

Berikut ini adalah dua kondisi di mana Anda membutuhkan ML.

  1. Anda tidak bisa mengkodekan aturan jika-maka secara sederhana. Ambil contoh, Anda ingin melakukan klasifikasi apakah email yang Anda terima merupakan spam atau bukan. Pada aturan yang melibatkan terlalu banyak faktor, maka akan menjadi sangat sulit untuk manusia mengkodekan aturan ini secara akurat. Dalam memecahkan masalah ini, Anda butuh ML.
  2. Anda tidak bisa memperbesar (scale) pekerjaan. Mungkin saja Anda bisa mengidentifikasi ratusan email untuk menentukan apakah email tersebut spam atau bukan. Akan tetapi, pekerjaan ini menjadi sangat kompleks apabila melibatkan jutaan atau bahkan milyaran email.

Sumber: Amazon ML

Kalideres, 28 Juni 2021

FILOSOFI RANDOM FOREST

Tantangan Menulis Hari ke-198

Oleh: Bernardus Ari Kuncoro

Dalam tulisan sebelumnya ada ulasan saya tentang pohon keputusan. Diibaratkan sebagai vegetasi individu yang sedang growing. Ada urutan langkah-langkah yang harus dilakukan. 

Lantas jika ratusan pohon ditumbuhkan, bagaimana? 

Begitulah algoritma Random Forest. Beragam pohon keputusan disemai secara acak. Dibiarkan mereka memilih variabel dan observasi sesuai dengan benih-benihnya.

Sejumlah pohon tertentu yang biasanya tidak kurang dari 100 didewasakan. Hasil akhir keputusannya dapat lebih kuat. Bisa memiliki power yang mengutamakan kepentingan banyak pihak.

Namun, kelemahannya juga ada. Butuh biaya berupa proses rumit dan waktu yang lama. Sehingga membutuhkan prosesor yang mumpuni. 

Jika Random Forest dan Decision Tree ini dianggap sebagai sistem pemerintahan sebuah negara, maka negara demokratis-lah yang dianggap sebagai representasi random forest. Sedangkan decision tree ini adalah pengejawantahan dari sistem pemerintahan kerajaan.

Bagus yang mana? Tergantung. Tidak bisa dipukul rata. Ada raja yang cakap dan beres mengatur negaranya. Ada pula sistem pemerintahan demokrasi yang korup dan malah acak kadut memimpin bangsanya.

Bagi seorang manusia yang mau hidup dan berkomunitas dengan berkualitas, membuat keputusan dengan keseimbangan dan kesabaran itu diperlukan. Agar keputusan-keputusan kecil maupun besar bisa diambil tanpa penyesalan.

Santuy. Tapi tetap waspada!

Berikut ini adalah karya turunan dari hasil tulisan ini. Silakan menikmati karya versi lainnya.

Kalideres, 14 Februari 2021

FILOSOFI DECISION TREE

Tantangan Menulis Hari ke-197

Oleh: Bernardus Ari Kuncoro 

Dalam sebuah algoritma, Anda mengenal adanya urutan langkah. Sedikit demi sedikit ada hal-hal yang mesti dijalani. Proses yang wajib dilalui untuk meraih tujuan. 

Untuk algoritma decision tree, beberapa keputusan-keputusan dibuat. Mana variabel-variabel yang dianggap penting didahulukan sebagai akar. Mana yang kurang penting ditaruh sebagai ranting. Hingga ujung dahan terkecil.

Anda pun mengenal entropy, di mana semakin heterogen suatu node, maka semakin tinggi entropy. Sebaliknya semakin homogen, maka semakin rendah entropy. Anda juga diajak untuk mengenal Gini. Yang fungsinya mirip dengan entropy. Kalau Anda tertarik untuk mengenal perbedaannya, bisa dibaca lebih dalam di sini.

Kalau dipikirkan lebih dalam, hidup itu laksana menumbuhkan pohon-pohon keputusan. Satu hari terdapat ada beragam keputusan yang Anda buat. Mulai dari makan, minum, belanja, bekerja, dan sebagainya.

Itu baru satu pohon. Jika banyak pohon bagaimana? Ada nama khusus algoritmanya, yaitu Random Forest.

Bersambung!

Kalideres, 13 Februari 2021

K-MEANS AND HIERARCHICAL CLUSTERING IN PYTHON

Tonight, 5 June 2020, I was assigned by IYKRA to deliver “Clustering” online class training at Data MBA Batch #3 program. I would like to show you the summary of the class. Here the agenda is.

  • Pre-Quiz (19:00 – 19:05)
  1. Theory of unsupervised learning: Clustering (19:05 – 19:20)
  2. K-Means Clustering (19:20 – 19:40)
  3. Hierarchical Clustering (19:40 – 20:00)
  4. Measurement Parameters for Clustering (20:00 – 20:15)
  5. Hands on and Exercise of K-Means Clustering and Hierarchical Clustering with Python (20:15 – 20:45)
  • Q & A (20:45 – 20:55)
  • Post-Quiz (20:55 – 21:00)

Note: The hands on will be delivered in Python (Point 5).

Continue reading “K-MEANS AND HIERARCHICAL CLUSTERING IN PYTHON”