Tutorial Belajar Coding Dasar Pembuatan AI (Part 3)

 

BACA JUGA

• Dasar-dasar HTML untuk pemula part-1
• Dasar-dasar HTML untuk pemula part-2
• Dasar-dasar HTML untuk pemula part-3

Pendahuluan

Selamat datang kembali di seri lanjutan tutorial Belajar Coding Dasar Pembuatan AI untuk blog BelajarAIdotid. Setelah di Part 1 dan Part 2 kita membahas dasar coding dan membuat model machine learning sederhana, kini kita akan melanjutkan ke tahap implementasi AI yang lebih nyata dan aplikatif, dengan tampilan coding yang responsif dan mudah digunakan di semua gadget. Kita akan belajar membuat sistem prediksi berbasis model regresi, menyajikan hasilnya secara visual, dan menambahkan antarmuka pengguna (user interface).

Tujuan Part 3

• Menggunakan dataset dari dunia nyata
• Melatih model prediksi regresi linier
• Menyimpan dan memuat model AI
• Menampilkan hasil prediksi dalam bentuk antarmuka

1. Mengimpor Dataset Dunia Nyata

Kita akan menggunakan dataset harga rumah dari sklearn.datasets. Dataset ini cocok untuk latihan model regresi linier.

from sklearn.datasets import load_diabetes
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import joblib

2. Menyiapkan Data

# Load data
data = load_diabetes()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.targetBagi data

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. Melatih Model AI

# Membuat dan melatih model
model = LinearRegression()
model.fit(X_train, y_train)

4. Evaluasi Model

# Evaluasi model
predictions = model.predict(X_test)
print("Mean Squared Error:", mean_squared_error(y_test, predictions))

5. Visualisasi Hasil

plt.scatter(y_test, predictions)
plt.xlabel("Nilai Sebenarnya")
plt.ylabel("Prediksi")
plt.title("Prediksi vs Nilai Sebenarnya")
plt.grid(True)
plt.show()

6. Menyimpan dan Memuat Model AI

# Simpan model
joblib.dump(model, 'model_regresi.pkl')Load model jika diperlukan

model = joblib.load('model_regresi.pkl')

7. Membuat Antarmuka Sederhana (Tampilan Gadget-Friendly)

Kita akan menggunakan streamlit untuk membuat UI web yang responsif dan bisa dibuka di gadget apa pun.

# Install streamlit terlebih dahulu
# pip install streamlit

import streamlit as st

st.title("Prediksi Diabetes berdasarkan Data Pasien")

# Input data dari user
age = st.slider('Umur (dalam skala standar)', float(X['age'].min()), float(X['age'].max()))
bmi = st.slider('BMI', float(X['bmi'].min()), float(X['bmi'].max()))
bp = st.slider('Tekanan darah', float(X['bp'].min()), float(X['bp'].max()))

input_data = pd.DataFrame([[age, bmi, bp]], columns=['age', 'bmi', 'bp'])

# Prediksi
model = joblib.load('model_regresi.pkl')
result = model.predict(input_data)

st.write("\nPrediksi Tingkat Diabetes: ", result[0])

8. Penjelasan Antarmuka

Streamlit membuat kita bisa menampilkan slider input, output prediksi, dan teks secara dinamis di browser. Tampilan ini otomatis menyesuaikan dengan ukuran layar di HP, tablet, maupun laptop.

9. Menjalankan Aplikasi Streamlit

Buka terminal, arahkan ke folder tempat file .py berada, lalu jalankan:

streamlit run nama_file.py

Contoh: streamlit run app_prediksi.py

10. Tantangan untuk Pembaca

• Tambahkan fitur prediksi dari kolom lain seperti ldl, hdl, dan s1.
• Buat grafik tren hasil prediksi.
• Export hasil prediksi ke file .csv.

11. Kesimpulan

Di bagian Part 3 ini, kita telah membawa konsep AI ke level aplikasi nyata. Mulai dari membaca data dunia nyata, membuat model regresi linier, mengevaluasi performa model, hingga menyajikan antarmuka prediktif yang bisa diakses semua gadget.

Pada Part 4 mendatang, kita akan mulai masuk ke konsep deep learning dan bagaimana membangun AI cerdas seperti pengenal gambar atau suara. Pastikan sobat tetap mengikuti blog BelajarAIdotid ya!