Ensemble Learning

Ensemble Learning adalah teknik dalam machine learning yang menggabungkan berapa model untuk menghasilkan prediksi yang lebih akurat, stabil, dan andal. Modul ini membahas konsep dasar, metode populer seperti Bagging, Boosting, Stacking, dan Voting, serta penerapannya dalam berbagai kasus nyata.

Bagging Ensemble Learning

Teknik ensemble yang melatih beberapa model pada subset data berbeda (dengan bootstrap sampling) lalu menggabungkan prediksinya, biasanya dengan voting atau averaging. Cocok untuk mengurangi variance dan overfitting

Boosting Ensemble Learning

Teknik yang melatih model secara berurutan, di mana setiap model baru berusaha memperbaiki kesalahan model sebelumnya dengan memberi bobot lebih pada data yang sulit diprediksi. Fokus pada mengurangi bias

Stacking Ensemble Learning

Menggabungkan prediksi dari beberapa model berbeda (base learners) dengan meta-model (level 2 learner) yang belajar cara terbaik mengombinasikan output mereka. Biasanya lebih fleksibel dan kuat dibanding voting/averaging sederhana.

Voting Ensemble Learning

Menggabungkan prediksi dari beberapa model dengan cara mayoritas suara (classification) atau rata-rata (regression) tanpa pelatihan meta-model. Simpel, cepat, tapi tetap efektif jika base models beragam.

Submission

Pada modul ini berisi ringkasan keseluruhan konsep ensemble learning beserta perbedaan dan karakteristik utama setiap metode. Peserta juga akan mengerjakan ujian berbasis proyek, di mana mereka diminta untuk menerapkan setidaknya dua teknik ensemble pada sebuah dataset, membandingkan hasilnya dengan model tunggal, serta menyajikan evaluasi performa secara menyeluruh.