Modul 5 — Modul 5 — Model Terbimbing: Klasifikasi dan Regresi

• Membedakan logika kerja, asumsi yang dipegang, dan batas pakai pohon keputusan, regresi logistik, serta k tetangga terdekat, baik pada tugas klasifikasi maupun regresi.
• Menerapkan pemisahan data latih dan data uji secara benar, termasuk menjaga karantina data uji, dan melatih model pembanding sederhana sebagai tolok ukur minimum yang wajib dikalahkan.
• Menganalisis pengaruh perubahan hiperparameter dasar seperti kedalaman pohon dan nilai k terhadap kompleksitas model, selisih kinerja latih–validasi, dan perilaku prediksi.
• Mengevaluasi kelayakan sebuah model dengan membandingkan angkanya terhadap tolok ukur pembanding, bukan terhadap ambang akurasi yang dipilih sembarangan.
• Merumuskan alasan pemilihan satu model dan satu nilai hiperparameter untuk sebuah kasus nyata, lengkap dengan risiko yang disadari.