Live Code 3 ini dibuat guna mengevaluasi konsep Unsupervised Learning sebagai berikut:

• Mampu memahami konsep Unsupervsied Learning dengan KMeans.

• Mampu mempersiapkan data untuk digunakan saat training dengan algoritma KMeans.

• Mampu mengimplementasikan KMeans untuk membuat prediksi.

Dataset Name : humanitarian-aid.csv

Sebuah lembaga LSM berkomitmen untuk memerangi kemiskinan dan menyediakan fasilitas dan bantuan dasar bagi masyarakat di negara-negara kurang mampu. Baru-baru ini, mereka telah mampu mengumpulkan sekitar $ 10 juta. CEO LSM tersebut perlu memutuskan bagaimana menggunakan uang ini secara strategis dan efektif. Isu signifikan yang muncul saat membuat keputusan ini adalah terkait dengan pemilihan negara mana yang paling membutuhkan bantuan.

Buatlah model machine learning Unsupervised Learning dengan menggunakan KMeans untuk mengelompokkan negara-negara tersebut. Nyatakan secara jelas negara mana yang Anda rekomendasikan kepada sang CEO di bagian Kesimpulan.

Dataset terlampir pada repository

Live Code 3 dikerjakan dalam format notebook (.ipynb) dengan beberapa kriteria wajib dibawah ini:

1. Machine learning framework yang digunakan adalah Scikit-Learn.

2. Ada penggunaan library visualisasi, seperti matplotlib, seaborn, atau yang lain.

3. Isi notebook harus mengikuti outline di bawah ini:

   1. Perkenalan

      Bab pengenalan harus diisi dengan identitas, gambaran besar dataset yang digunakan, dan objective yang ingin dicapai.

   2. Import Libraries

      Cell pertama pada notebook harus berisi dan hanya berisi semua library yang digunakan dalam project.

   3. Data Loading

      Bagian ini berisi proses penyiapan data sebelum dilakukan eksplorasi data lebih lanjut. Proses Data Loading dapat berupa memberi nama baru untuk setiap kolom, mengecek ukuran dataset, dll.

   4. Exploratory Data Analysis (EDA)

      Bagian ini berisi eksplorasi data pada dataset yang diberikan dengan menggunakan query, grouping, visualisasi sederhana, dan lain sebagainya.

   5. Feature Engineering

      Bagian ini berisi proses penyiapan data untuk proses pelatihan model, seperti transformasi data (normalisasi, encoding, dll.), dan proses-proses lain yang dibutuhkan.

   6. Model Definition

      Bagian ini berisi cell untuk mendefinisikan model. Jelaskan alasan menggunakan suatu algoritma/model, hyperparameter yang dipakai, jenis penggunaan metrics yang dipakai, dan hal lain yang terkait dengan model.

   7. Model Training

      Cell pada bagian ini hanya berisi code untuk melatih model dan output yang dihasilkan. Lakukan beberapa kali proses training dengan hyperparameter yang berbeda untuk melihat hasil yang didapatkan. Analisis dan narasikan hasil ini pada bagian Model Evaluation.

   8. Model Evaluation

      Pada bagian ini, dilakukan evaluasi model yang harus menunjukkan bagaimana performa model berdasarkan metrics yang dipilih. Hal ini harus dibuktikan dengan visualisasi tren performa dan/atau tingkat kesalahan model. Lakukan analisis terkait dengan hasil pada model dan tuliskan hasil analisisnya.

   9. Model Saving

      Pada bagian ini, dilakukan proses penyimpanan model dan file-file lain yang terkait dengan hasil proses pembuatan model.

   10. Model Inference

       Model yang sudah dilatih akan dicoba pada data yang bukan termasuk ke dalam data untuk membuat model. Data ini harus dalam format yang asli, bukan data yang sudah di-scaled.

   11. Pengambilan Kesimpulan

       Pada bagian terakhir ini, harus berisi kesimpulan yang mencerminkan hasil yang didapat dengan objective yang sudah ditulis di bagian pengenalan.

4. Notebook harus diupload dalam akun GitHub masing-masing student untuk selanjutnya dinilai.

5. Disarankan mengerjakan menggunakan Google Colab.

   Segala jenis problem yang muncul akibat masalah yang dialami komputer student saat Live Code karena menggunakan Jupyter Notebook seperti laptop blue screen, laptop freeze, dll, menjadi tanggung jawab student.

• Simpan assignment pada sesi ini dengan nama h8dsft_P1LC3_Set_2_<nama-students>.ipynb misal h8dsft_P1LC3_Set_2_raka_ardhi.ipynb.

• Push Assigment yang telah Anda buat ke akun Github Classroom Anda masing-masing.

Kriteria tertata dengan baik diantaranya adalah: 

1. Terdapat section Perkenalan yang jelas dan lengkap terkait masalah dan latar belakang masalah yang akan diselesaikan.
2. Tidak menyalin markdown dari tugas lain.
3. Import library rapih (terdapat dalam 1 cell dan tidak ada unused libs).
4. Pemakaian fungsi markdown yang optimal (Heading, text formating, dll).
5. Terdapat komentar pada setiap baris kode.
6. Adanya pemisah yang jelas antar section, dll.
7. Tidak adanya typo.

Hint : 

Setelah jumlah cluster yang optimal terbentuk, silakan lakukan beberapa hal dibawah ini : 
1. Visualisasikan dalam ruang 2D.
2. Lakukan eksplorasi terhadap masing-masing cluster sehingga ciri khas setiap cluster dapat diketahui.
3. Narasikan negara mana yang Anda rekomendasikan.

Total Points : 125

• Deadline : pukul 12:15 WIB.

• Keterlambatan pengumpulan tugas mengakibatkan skor LC 3 menjadi 0.