KELOMPOK 1 DATA SAINS

KELOMPOK 1.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "c4ecc78f",
   "metadata": {},
   "source": [
    "# KELOMPOK 1\n",
    "### 1. 21181017\n",
    "### 2. 21181085\n",
    "### 3. 21181213"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "72e27ea4",
   "metadata": {},
   "source": [
    "# TOPIC 1"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "467ad661",
   "metadata": {},
   "source": [
    "## MACHINE LEARNING FOR MENTAL HEALTH "
   ]
  },
  {
   "cell_type": "markdown",
   "id": "b092f0b4",
   "metadata": {},
   "source": [
    "Dibuat untuk memprediksi seorang pasien harus dirawat atau tidak karena penyakit mentalnya berdasarkan nilai yang diperoleh di dataset.Alasan Pemilihan Topik:\n",
    "\n",
    "1. Sumber data: Kuesioner dan penilaian diri terstandarisasi yang dapat dapat digunakan untuk mengukur gejala depresi dan kecemasan.  Selain itu data dapat berasal dari rekam medis elektronik, catatan terapis, dan hasil tes diagnostik. Data ini kaya akan informasi tentang gejala, diagnosis, dan riwayat pengobatan pasien.\n",
    "\n",
    "2. Ketersediaan kode: Banyak library machine learning open-source seperti kaggle yang menyediakan kode tentang machine learning for mental health. Selain itu TensorFlow, PyTorch, dan Scikit-learn adalah beberapa pustaka open-source populer yang menyediakan alat dan algoritma untuk machine learning. Pustaka ini dapat digunakan untuk mengembangkan dan melatih model machine learning untuk tugas-tugas kesehatan mental seperti analisis teks, pengenalan gambar, dan pemrosesan bahasa alami.\n",
    "\n",
    "3. Dukungan Infrastruktur: Komputer dengan spesifikasi standar (RAM 8GB) sudah cukup untuk menjalankan algoritma pada dataset berukuran sedang. Selain itu Platform komputasi awan seperti Google Cloud Platform, Amazon Web Services, dan Microsoft Azure menawarkan akses ke sumber daya komputasi yang kuat dan skalabel. Platform ini dapat digunakan untuk melatih dan menjalankan model machine learning yang kompleks tanpa memerlukan infrastruktur TI yang mahal."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "d5e27d69",
   "metadata": {},
   "source": [
    "# TOPIC 2 "
   ]
  },
  {
   "cell_type": "markdown",
   "id": "fc4e7682",
   "metadata": {},
   "source": [
    "## Prediksi Harga Mobil Bekas dengan Algoritma KNN  "
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9df4d27d",
   "metadata": {},
   "source": [
    "Alasan Pemilihan Topik:\n",
    "\n",
    "1. Sumber data: Data ini dapat diperoleh dari berbagai sumber online, seperti situs web jual beli mobil bekas atau iklan baris.\n",
    "\n",
    "2. Ketersediaan kode: Banyak library machine learning open-source seperti scikit-learn di Python yang menyediakan implementasi algoritma KNN.\n",
    "\n",
    "3. Dukungan Infrastruktur: Komputer dengan spesifikasi standar (RAM 8GB, CPU i5) sudah cukup untuk menjalankan algoritma KNN pada dataset berukuran sedang."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "d0eca343",
   "metadata": {},
   "source": [
    "# TOPIC 3"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "ef5d246f",
   "metadata": {},
   "source": [
    "##  Prediksi Harga Laptop dengan Algoritma RFR"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "bdabf21d",
   "metadata": {},
   "source": [
    "Alasan Pemilihan Topik:\n",
    "\n",
    "1. Sumber Data : Banyak tersedia: Data laptop beserta spesifikasinya dan harganya dapat diperoleh dari berbagai sumber online, seperti: Situs web e-commerce (Tokopedia, Shopee, Lazada, etc.) yang umumnya menyediakan informasi tersebut pada halaman produk. Database publik yang dikelola oleh pemerintah atau lembaga terkait (jika tersedia). Relatif mudah dikumpulkan: Data dapat dikumpulkan melalui scraping web atau API yang disediakan oleh situs e-commerce tertentu.\n",
    "\n",
    "2. Ketersediaan Kode : Banyak library open-source: Algoritma RFR sudah tersedia dalam library machine learning open-source yang populer, seperti Scikit-learn untuk Python. Contoh kode tersedia online: Banyak tutorial dan contoh implementasi RFR untuk prediksi harga laptop dengan Python yang tersedia online.\n",
    "\n",
    "3. Dukungan Infrastruktur : Komputasi sedang: Melatih model RFR untuk dataset laptop umumnya tidak membutuhkan hardware yang terlalu kuat.Komputer personal bisa digunakan: Selama data tidak terlalu besar dan kompleks, komputer personal dengan spesifikasi RAM dan processor yang baik sudah cukup untuk menjalankan pelatihan model. Cloud computing (opsional): Untuk dataset yang sangat besar atau membutuhkan pelatihan lebih cepat, platform cloud computing seperti Google Colab atau Amazon SageMaker bisa menjadi pilihan."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "510f5e5e",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.11.5"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}