Free starter ML lab

Belajar Machine
Learning Lewat
Eksperimen Interaktif

Eksplorasi algoritma, evaluasi model, visualisasi data, dan konsep AI langsung di browser tanpa instalasi.

Eksperimen InteraktifCoba dan pahami algoritma ML secara langsung.
Artikel Gratis, Akun OpsionalArtikel dan demo preview bebas; paket membuka lab premium.
Evaluasi & Metrik LengkapAccuracy, confusion matrix, ROC, IoU, dan lainnya.
Topik BeragamML, citra, signal processing, dan banyak lagi.
Mulai Eksperimen SekarangLangsung di browser Lihat Roadmap BelajarPanduan belajar terstruktur

Ratusan orang sudah bergabung dengan ekosistem kami dan mulai belajar ML secara visual.

Artificial Neural NetworkLIVE NEURAL LAB
PredictionClass B
Confidence94.8%
Accuracy92.4%
Loss0.18
Epoch24 / 50
Lihat bagaimana data diproses oleh neural network secara visual.
19+Eksperimen InteraktifSiap dicoba langsung
4Kelompok TopikML, Evaluasi, Citra, Signal
100+Artikel & TutorialMateri berkualitas
3 GRATISLab Preview TerbukaArtikel tetap bebas untuk SEO
Akses premium lifetime

Belajar sekali, kembali bereksperimen kapan saja.

Homepage tetap fokus pada pengalaman belajar. Detail harga dan perbandingan akses tersedia khusus di halaman paket.

Lihat pilihan aksesBuat akun gratis
01
Tanpa subscriptionSatu kali aktivasi untuk akses lifetime.
02
Upgrade fleksibelMulai dari fondasi, lalu buka jalur yang lebih lengkap.
03
Tersimpan di akunAkses mengikuti akun Anda melalui Firebase.
Platform interaktif

Satu workspace untuk mengajar konsep.

Visual besar, mode fullscreen, input data manual, dan animasi sekuensial.

Buka semua eksperimen
PCAReduksi DimensiStarter

PCA

Pilih 2 atau 3 principal component lalu bandingkan proyeksi PCA 2D dan ruang 3D berdasarkan explained variance.

Z = XW GDOptimasiStarter

Gradient Descent

Pilih titik awal, bandingkan learning rate, dan ikuti lintasan menuju local atau global minimum.

theta <- theta - alpha * grad L RFEnsemblePractitioner

Random Forest

Bandingkan voting banyak pohon dan lihat boundary ensemble menjadi lebih stabil.

y = mode(h_1(x), ..., h_T(x)) CNNDeep LearningComplete

CNN Convolution

Edit pixel input, pilih kernel, dan lihat feature map dihitung melalui operasi konvolusi.

Y[i,j] = sum_m sum_n X[i+m,j+n] K[m,n] + b ATTNDeep LearningComplete

Transformer

Masukkan kalimat sendiri lalu baca Q, K, V, scaled dot-product, softmax, dan attention matrix.

Attention(Q,K,V) = softmax(QK^T / sqrt(d))V CMClassification MetricsGratis Preview

Confusion Matrix

Klik sel matriks multi-kelas secara langsung lalu hitung accuracy, precision, recall, specificity, dan F1 score.

Accuracy = sum(diagonal) / total FFTFrequency DomainExplorer

FFT Spectrum

Masukkan sinyal sendiri atau pilih contoh, lalu petakan waveform menjadi spektrum FFT hingga batas Nyquist.

X[k] = sum x[n] exp(-j 2 pi kn / N)
Artikel terkurasi

Mulai dari bacaan yang tepat.

Ringkasan editorial, tautan sumber asli, lalu praktikkan konsepnya.

Lihat semua artikel
Reduksi Dimensi

Apa Itu PCA? Reduksi Dimensi yang Bisa Kamu Coba Langsung Secara Interaktif

Pelajari PCA (Principal Component Analysis) dari nol, dari konsep hingga visualisasi 3D interaktif. Tidak perlu hafal rumus dulu.

12 menit baca · Panduan visual Baca artikel → Optimasi

Gradient Descent Dijelaskan: Pendekatan Visual dan Intuitif untuk Pemula

Pelajari gradient descent dari intuisi lereng, learning rate, batch versus stochastic, local minimum, hingga contoh update parameter secara visual.

15 menit baca · Panduan optimasi Baca artikel → Evaluasi

Confusion Matrix dan Metrik Evaluasi Klasifikasi

Panduan lengkap membaca TP, FP, FN, TN, accuracy, precision, recall, specificity, sensitivity, F1 score, IoU, Dice, dan Jaccard dari confusion matrix.

15 menit baca · Panduan metrik Baca artikel →