Machine learning
Supervised vs unsupervised, clustering, tree, overfitting, leakage, sampai drift.
Supervised vs unsupervised learningSupervised · Unsupervised · Pembelajaran terawasi
Supervised belajar dari contoh berlabel (prediksi churn); unsupervised mencari pola tanpa label (segmentasi pelanggan).
Fitur dan labelFeature · Label · Target · Feature engineering
Fitur = input yang dipakai model (recency, frekuensi); label = yang diprediksi (churn ya/tidak); feature engineering = membuat fitur baru yang informatif.
Clustering dan K-meansK-means · Segmentasi · Cluster
Mengelompokkan data tanpa label berdasarkan kemiripan; K-means butuh jumlah cluster (K) ditentukan di awal dan fitur dinormalisasi.
Decision tree dan random forestPohon keputusan · Random forest
Pohon keputusan memecah data dengan aturan ya/tidak berlapis; random forest menggabungkan banyak pohon agar stabil dan tidak gampang overfit.
Overfitting dan underfittingOverfit · Underfit · Bias-variance
Overfitting: hafal data latih, jeblok di data baru. Underfitting: model terlalu sederhana sampai pola jelas pun terlewat.
Data leakageKebocoran data · Label leakage · Look-ahead
Fitur yang diam-diam membawa info masa depan atau labelnya (misalnya "tanggal refund" untuk prediksi refund) sehingga skor terlihat sempurna tapi palsu.
Feature importanceKepentingan fitur · SHAP
Peringkat fitur mana yang paling memengaruhi prediksi model; dipakai untuk menjelaskan model dan memilih fitur.
Data drift dan concept driftDrift · Model decay · Pergeseran data
Data drift: input bergeser (perilaku pembeli berubah). Concept drift: hubungannya yang berubah (pola fraud baru) — keduanya bikin model basi.
Scaling dan normalisasi fiturFeature scaling · Standard scaler · Min-max scaling · Normalisasi
Menyamakan skala fitur sebelum model berbasis jarak (K-means, KNN) atau berpenalti (ridge, lasso): standard scaler (z-score) atau min-max 0–1.
Ensemble: bagging vs boostingEnsemble · Boosting · XGBoost · Bagging
Menggabungkan banyak model lemah jadi kuat: bagging melatih paralel di sampel beda (random forest), boosting melatih berurutan memperbaiki kesalahan (XGBoost/LightGBM).