Final Project Machine Learning: Adult Income Dataset Prediction

Sebagai bagian dari rangkaian Bootcamp Machine Learning Nusacodes, peserta menyelesaikan final project berupa pengembangan model klasifikasi untuk memprediksi kategori pendapatan seseorang berdasarkan Adult Income Dataset. Proyek ini dirancang agar peserta tidak hanya memahami cara melatih model, tetapi juga mampu menjalankan alur kerja machine learning secara utuh, mulai dari memahami masalah bisnis hingga menarik kesimpulan berbasis data.

Dalam proyek ini, peserta mengangkat permasalahan mengenai sulitnya menentukan apakah seseorang memiliki pendapatan lebih dari $50.000 per tahun. Tingkat pendapatan dapat dipengaruhi oleh banyak karakteristik, seperti usia, pendidikan, pekerjaan, status pernikahan, jam kerja, serta kondisi demografis lainnya. Karena itu, peserta membangun pendekatan berbasis data untuk mengidentifikasi pola dan mengklasifikasikan pendapatan ke dalam dua kategori, yaitu lebih dari $50K dan kurang dari atau sama dengan $50K.

Memahami dan Menyiapkan Data

Tahap awal proyek difokuskan pada Exploratory Data Analysis atau EDA. Peserta memeriksa struktur dataset, tipe data, jumlah baris dan kolom, nilai kosong, serta data duplikat. Nilai yang ditandai dengan karakter ? diubah menjadi nilai kosong, kemudian baris yang tidak lengkap dan data duplikat dibersihkan agar data yang digunakan lebih konsisten.

Peserta juga menganalisis distribusi fitur numerik, seperti:

• Usia

• Bobot sensus atau fnlwgt

• Tingkat pendidikan numerik

• Capital gain

• Capital loss

• Jam kerja per minggu

Visualisasi histogram dan boxplot digunakan untuk memahami persebaran data dan mengidentifikasi outlier. Dari analisis tersebut terlihat bahwa beberapa fitur, terutama capital-gain dan capital-loss, memiliki distribusi yang sangat miring karena sebagian besar individu memiliki nilai nol, sedangkan sebagian kecil memiliki nilai yang sangat tinggi.

Selain fitur numerik, peserta mengeksplorasi variabel kategorikal seperti jenis pekerjaan, pendidikan, status pernikahan, hubungan keluarga, gender, ras, serta negara asal. Analisis ini membantu peserta memahami karakteristik individu yang terdapat di dalam dataset sebelum masuk ke proses pemodelan.

Preprocessing dan Pembangunan Model

Agar data dapat diproses oleh algoritma machine learning, peserta melakukan beberapa tahap preprocessing. Variabel target diubah menjadi format biner, dengan nilai 0 untuk pendapatan ≤50K dan nilai 1 untuk pendapatan >50K. Fitur kategorikal kemudian dikonversi menjadi fitur numerik menggunakan teknik one-hot encoding.

Dataset dibagi menjadi 80% data latih dan 20% data uji. Selanjutnya, fitur numerik dinormalisasi menggunakan MinMaxScaler agar setiap fitur berada pada skala yang sebanding.

Peserta membangun dan membandingkan tiga algoritma klasifikasi:

1. Logistic Regression, sebagai model baseline yang relatif mudah diinterpretasikan.

2. Decision Tree, yang membentuk aturan keputusan berdasarkan fitur.

3. Random Forest, yang menggabungkan banyak decision tree untuk menghasilkan prediksi yang lebih stabil.

Ketiga model dilatih menggunakan data yang sama, kemudian diuji pada data yang sebelumnya tidak digunakan selama proses training.

Evaluasi dan Hasil Akhir

Performa model dievaluasi menggunakan empat metrik utama, yaitu accuracy, precision, recall, dan F1-score. Peserta juga menghasilkan confusion matrix untuk melihat jumlah prediksi benar maupun salah pada masing-masing kategori.

Dari hasil perbandingan, Random Forest memberikan performa terbaik secara keseluruhan, dengan akurasi sekitar 86%, precision sekitar 76%, recall sekitar 64%, dan F1-score sekitar 69%. Hasil tersebut menunjukkan bahwa Random Forest mampu menghasilkan prediksi yang lebih stabil dibandingkan Logistic Regression dan Decision Tree pada dataset yang digunakan.

Melalui final project ini, peserta berhasil menerapkan tahapan machine learning secara end-to-end, mulai dari data cleaning, analisis eksploratif, encoding, scaling, pemisahan data, training model, prediksi, hingga evaluasi performa.

Lebih dari sekadar menghasilkan nilai akurasi, proyek ini juga menunjukkan bagaimana machine learning dapat digunakan untuk mendukung segmentasi pelanggan, mengidentifikasi kelompok yang berpotensi memiliki pendapatan tinggi, serta membantu organisasi menyusun strategi pemasaran dan pengambilan keputusan yang lebih objektif dan berbasis data.