Pojok Statistik Unisba Gelar Kuliah Statistik Nasional, Bahas Strategi Tepat Memilih Metode Klasifikasi Machine Learning
SALAMMADANI.COM – Pojok Statistik Universitas Islam Bandung (Unisba) kembali menggelar Statistics Lecture sebagai bentuk komitmen dalam meningkatkan literasi statistik di tengah pesatnya perkembangan teknologi berbasis data. Kegiatan bertema “Smart Modeling in Machine Learning: Strategi Pemilihan Metode Klasifikasi yang Tepat” ini diselenggarakan secara daring pada Sabtu (28/2/2026).
Sebanyak 111 peserta ambil bagian dalam kuliah statistik nasional ini. Mereka berasal dari berbagai perguruan tinggi terkemuka, seperti Politeknik Statistika STIS, Institut Teknologi Sepuluh Nopember, Universitas Negeri Makassar, Institut Teknologi Sumatera, dan Universitas Sulawesi Barat, serta sejumlah perguruan tinggi lainnya.
Tak hanya dari kalangan akademisi, peserta juga berasal dari berbagai lembaga dan instansi, di antaranya Badan Pusat Statistik, Dinas Komunikasi Informatika, Statistik dan Persandian, serta Dinas Tenaga Kerja dan Transmigrasi. Kegiatan ini juga terbuka bagi masyarakat umum yang memiliki minat pada analisis data dan machine learning.
Hadir sebagai narasumber utama, Dr. Asrirawan, M.Si., dosen Program Studi Statistika Universitas Sulawesi Barat, memaparkan secara komprehensif konsep dasar machine learning, khususnya metode klasifikasi. Sementara itu, acara dipandu oleh Dila Nurrahmah selaku Agen Pojok Statistik Unisba.
Dalam pemaparannya, Dr. Asrirawan menjelaskan tahapan klasifikasi yang dimulai dari proses input data, ekstraksi fitur, hingga tahapan klasifikasi untuk menghasilkan prediksi. Peserta juga dikenalkan pada beberapa jenis klasifikasi yang umum digunakan dalam analisis data, yaitu Binary classification, Multiclass classification, dan Multilabel classification.
Ketiga pendekatan tersebut memiliki peran penting dalam berbagai penerapan machine learning, tergantung pada karakteristik dan kebutuhan data.
Algoritma Populer dan Tantangan Klasifikasi Data
Lebih lanjut, narasumber menguraikan sejumlah algoritma klasifikasi yang sering digunakan, seperti Logistic Regression, K-Nearest Neighbors (KNN), Decision Tree, Support Vector Machine (SVM), Naive Bayes, dan Random Forest.
Ia menegaskan bahwa keberhasilan sebuah model tidak hanya ditentukan oleh pemilihan algoritma, tetapi juga oleh kualitas data, proses data cleaning, penentuan hyperparameter, serta kemampuan menangani persoalan seperti overfitting, underfitting, dan imbalanced data.
Penggunaan metode evaluasi yang tepat, seperti confusion matrix, juga menjadi faktor krusial dalam memastikan model yang dibangun memiliki tingkat akurasi dan keandalan yang baik.
Antusiasme peserta terlihat dari sesi diskusi yang berlangsung aktif. Berbagai pertanyaan diajukan, mulai dari implementasi machine learning di berbagai sektor hingga strategi menentukan algoritma klasifikasi yang paling sesuai dengan karakteristik data.
Melalui kegiatan ini, Pojok Statistik Unisba berharap peserta dapat semakin memahami strategi pemilihan metode klasifikasi dalam machine learning, memperkuat literasi statistik, serta meningkatkan kompetensi analisis data guna menghadapi tantangan teknologi berbasis data yang terus berkembang.(gifa/png)***
