Belajar Machine Learning - Pre-Requisites Skill & Setup Environment

#Pendahuluan

Selamat datang di series Belajar Machine Learning! Series ini akan membawa kalian menguasai Machine Learning secara utuh — dari matematika dasar, supervised & unsupervised learning, feature engineering, evaluasi model, hingga deployment dan ML lifecycle 2026. Total ada 25 episode yang tersusun dalam enam fase, dari fondasi konsep sampai production readiness.

Sebelum menjalankan import pandas as pd atau memanggil model.fit(X_train, y_train), ada skill dasar dan perangkat yang wajib kalian siapkan. Mengapa prasyarat ini penting? Karena Machine Learning bekerja di lapisan data: model tidak "menebak" jawaban, melainkan belajar pola dari angka dalam bentuk vektor dan matriks. Tanpa dasar Python, NumPy, dan Pandas, kalian akan kesulitan membaca kode contoh, mendiagnosis error saat training, atau mengevaluasi apakah model kalian benar-benar baik.

Episode 0 ini adalah peta jalan kalian: kita akan memastikan skill dasar terpenuhi, menyiapkan environment Python, memasang library utama, lalu memverifikasi semuanya untuk pertama kali. Setelah episode ini selesai, seluruh series bisa diikuti dengan nyaman.

#Skill Dasar yang Wajib Dimiliki

#Python Dasar

Python adalah bahasa utama dunia ML — hampir semua framework (scikit-learn, PyTorch, XGBoost, LightGBM) memakainya. Kalian wajib nyaman dengan syntax dasar, struktur data (list, dict), loop & fungsi, serta konsep import dan package. Latihan kecil: buat fungsi yang mengembalikan nilai tertinggi dari sebuah list.

def max_value(values):
    return max(values)
 
print(max_value([3, 7, 2, 9, 5]))

Jika kalian bisa menebak output 9 tanpa menjalankannya, dasar Python kalian sudah cukup untuk mengikuti series ini.

#NumPy dan Pandas

ML beroperasi pada array multidimensi dan data tabular. Kalian perlu nyaman dengan:

• NumPy: vektor, matriks, dan operasi element-wise — ini bahasa asli dari model.
• Pandas: DataFrame, indexing, groupby, dan penanganan nilai hilang — ini bahasa asli dari data.

import numpy as np
import pandas as pd
 
arr = np.array([1, 2, 3])
print(arr * 2)
 
df = pd.DataFrame({"umur": [23, 30, 25], "harga": [100, 150, 120]})
print(df["harga"].mean())

Kedua library ini akan dipakai di hampir setiap episode, jadi pastikan kalian paham konsep dasarnya. Episode 3 dan 4 akan memperdalam matematika dan manipulasi datanya.

#Pemahaman Data Tabular

Sebagian besar masalah ML tabular berbentuk CSV: baris adalah sampel (row / observation), kolom adalah fitur (feature / variable). Kalian harus paham perbedaan tipe data (numerik, kategorikal, boolean), dan mengapa satu kolom bisa menjadi target yang diprediksi.

Episode 4 akan membahas eksplorasi dan preprocessing data tabular secara mendalam.

#Perangkat Software dan Hardware yang Disiapkan

#Python 3.12+

Pastikan Python versi 3.12 atau lebih baru terinstall. Cek versi dan buat virtual environment:

python3 --version
python3 -m venv ~/ml-lab/venv
source ~/ml-lab/venv/bin/activate

Gunakan venv untuk semua proyek di series ini agar dependency tidak saling tabrakan antar proyek.

#Jupyter Notebook dan VS Code

Jupyter adalah tempat paling nyaman untuk eksplorasi data: kode dijalankan per-sel, hasil langsung terlihat, dan visualisasi tampil di bawah kode. Install di dalam venv:

pip install jupyter
jupyter notebook

Alternatif modern: VS Code dengan ekstensi Python dan Jupyter — file .ipynb bisa diedit langsung di editor. Pilih salah satu; keduanya akan kita pakai bergantian sepanjang series.

#Library Inti

Install library yang akan menemani seluruh series ini:

pip install numpy pandas matplotlib seaborn scikit-learn

Versi yang direkomendasikan di series ini adalah scikit-learn 1.8.x. Verifikasi:

python3 -c "import sklearn; print(sklearn.__version__)"

Library tambahan seperti XGBoost, LightGBM, imbalanced-learn, dan MLflow akan ditambahkan di episode yang membutuhkannya — tidak perlu diinstall semuanya sekarang.

#Hardware: RAM ≥ 8GB

Seluruh praktik di series ini (kecuali eksperimen opsional GPU di episode 19 dan 22) dirancang berjalan di CPU dengan RAM minimal 8GB. Untuk dataset kecil sampai menengah, 8GB sudah sangat nyaman. GPU baru benar-benar terasa wajib saat kalian masuk ke deep learning — yang merupakan kelanjutan series ini, bukan bagiannya.

#Verifikasi Environment

Sebelum lanjut ke episode 1, jalankan verifikasi menyeluruh:

python3 --version
pip --version
jupyter --version
python3 -c "import numpy, pandas, matplotlib, sklearn; print('OK')"

Semua perintah harus tampil tanpa error. Uji kecil berikut memastikan seluruh stack berjalan normal:

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
 
X = np.array([[1], [2], [3]])
y = np.array([2, 4, 6])
model = LinearRegression().fit(X, y)
print(model.predict([[4]])[0])

Outputnya harus mendekati 8.0. Jika semua lancar, environment kalian siap.

#Ringkasan Prasyarat

Rangkuman yang sudah kalian siapkan di episode 0:

• Skill: dasar Python (list, dict, fungsi), NumPy & Pandas, dan pemahaman data tabular.
• Environment: Python 3.12+ dengan venv, Jupyter atau VS Code terinstall.
• Library: NumPy, Pandas, Matplotlib, Seaborn, dan scikit-learn 1.8.x.
• Hardware: RAM minimal 8GB; GPU opsional.
• Verifikasi: python3 --version, jupyter --version, dan uji LinearRegression berhasil.

Jika ada yang belum terpenuhi, berhenti dulu dan lengkapi sebelum melanjutkan. Perjalanan 24 episode ke depan akan jauh lebih lancar dengan pijakan yang kuat ini.

#Penutup

Inti yang harus dibawa pulang:

• ML adalah permainan data dan pola — dasar Python, NumPy, dan Pandas adalah syarat mutlak.
• Siapkan Python 3.12+ dengan venv, Jupyter, dan scikit-learn 1.8.x.
• RAM 8GB cukup untuk seluruh series; GPU opsional.
• Verifikasi environment dengan uji kecil sebelum praktik apa pun.

Di episode 1 selanjutnya kita akan membahas definisi dan jenis-jenis Machine Learning — dari definisi formal Arthur Samuel dan Tom Mitchell, perbedaan supervised/unsupervised/semi-supervised/reinforcement learning, hingga cara memilih pendekatan yang tepat untuk masalah kalian. Pastikan environment kalian sudah siap, karena perjalanan Belajar Machine Learning baru saja dimulai!