Machine-Learning on Jetluck

Code - Decision Tree

Wed, 24 Jun 2026 09:46:41 +0700

Today I learn Decision Tree Regression

Fundamental

Bayangkan kita punya kumpulan data dengan berbagai fitur. Decision Tree Regression bekerja dengan cara membagi ruang fitur tersebut menjadi beberapa wilayah (regions).

Tujuannya? Membuat variasi target di setiap wilayah menjadi sekecil mungkin, agar data yang berada di wilayah yang sama memiliki nilai target semirip mungkin (homogen).

Cara kerja

Algoritma ini bergerak dari atas ke bawah, mulai dari akar paling atas (Root Node) hingga titik akhir (Leaf Node).

Untuk menentukan di mana pembagi ruang fitur terbaik harus dibuat, algoritma mencari pembagian yang menghasilkan WMSE (Weighted Mean Squared Error) paling kecil.

Secara matematis, untuk setiap opsi percabangan, kita menghitung total error-nya:

$$\text{WMSE} = \frac{N_L}{N} \text{MSE}_L + \frac{N_R}{N} \text{MSE}_R$$

$N_L$ dan $N_R$: Jumlah sampel di cabang kiri dan kanan.
$N$: Total sampel sebelum dipisah.
$\text{MSE}_L$ dan $\text{MSE}_R$: Tingkat error (Rata-rata Kuadrat Galat) di masing-masing cabang.

Decision Tree akan memilih fitur dan titik pembagi yang menghasilkan WMSE terendah, itu berarti pembagian tersebut adalah yang paling akurat untuk memisahkan data

Alur dari Root ke Leaf

Root Node (Akar): Fitur pertama yang paling efektif memotong data menjadi dua kelompok besar.
Internal Node (Cabang): Evaluasi kondisi berikutnya pada sub-kelompok data.
Leaf Node (Daun): Titik akhir di mana keputusan atau nilai prediksi akhir diberikan. Di titik ini, ruang fitur sudah tidak dibagi lagi.

Code

This is my college assignment while studying decision tree rergression:

https://github.com/r6rap/machine_learning

Code - Linear Regression

Sat, 16 May 2026 13:34:41 +0700

This is my first Code

I started learning simple linear regression today, my first impression when studying this was “how something small can affect any response?” How much does X affect Y? The curved line formed represents the minimum difference between the model prediction and the Y value.

Fundamental

Inti utama dari Linear Regression adalah menggambar sebuah garis lurus di antara sekumpulan titik data. Garis ini merepresentasikan prediksi model kita.

Tujuannya? Kita ingin jarak atau selisih antara titik data asli (aktual) dengan garis prediksi kita bernilai seminimal mungkin. Semakin kecil total selisihnya, semakin akurat model kita untuk menebak masa depan.

Cara kerja

Model ini mempelajari hubungan antar data melalui persamaan garis lurus:

$$f(x) = wx + b$$

$x$ (Fitur/Input): Variabel bebas yang kita gunakan untuk memprediksi sesuatu.
$w$ (Weight/Bobot): Nilai yang menentukan kemiringan (slope) garis. Angka inilah yang menjawab pertanyaan kita di awal: seberapa besar pengaruh variabel $x$ terhadap output? Jika $w$ besar, artinya perubahan kecil pada $x$ berdampak besar pada hasil akhirnya.
$b$ (Bias/Intercept): Titik potong garis pada sumbu Y ketika nilai $x$ adalah 0. Ini adalah nilai dasar/titik mulai prediksi kita.

College Assignment

Di sini, saya ingin melihat apakah adopsi teknologi (RME) mempengaruhi akreditasi rumah sakit:

Input ($X$): Jumlah rumah sakit yang sudah menerapkan RME (Rekam Medis Elektronik) secara penuh.
Output ($Y$): Persentase akreditasi rumah sakit tersebut.

Melalui Linear Regression, model akan mencari nilai $w$ dan $b$ yang paling pas, sehingga kita bisa memprediksi: “Jika ada $n$ rumah sakit lagi yang menerapkan RME, seberapa besar persentase akreditasi total akan naik?”

Code

This is my college assignment while studying simple linear regression:

https://github.com/r6rap/linear_regression

Why I Started This Habit?

Fri, 15 May 2026 18:00:00 +0700

Why I Started This Habit

After finishing my second semester, I decided to build a habit: write consistently and learn in public.

This website is the result of that decision. A small writing series where I document what I learn while studying and building things.

It has three tracks:

1. Math

Focused on mathematics, especially:

linear algebra
vectors
mathematical foundations for Machine Learning

2. CP

Focused on competitive programming:

algorithms
problem solving
coding patterns

3. Code

Focused on software engineering:

backend development
side projects
engineering lessons

Why writing?

Because writing forces clarity.

-> If I can explain something clearly, it usually means I understand it.

-> If I cannot, it means I still need to learn.

My goal

Not perfection, train my consistency. One post every three days.

Let’s see where this goes.