NIM : 170301017
KUPANG
2021
KATA PENGANTAR
Puji dan syukur saya panjatkan kepada Tuhan Yang Maha Esa, karena
atas keberkahanNya,akhirnya saya mampu menyelesaikan tugas makalah
ini sesuai dengan waktu yang telah ditentukan.
Saya sepenuhnya menyadari, karena apa yang saya sajikan pada
makalah ini masih sederhana dan jauh dari kesempurnaan karena pengetahuan
yang saya miliki sangatlah terbatas. Disamping itu juga, saya sangat
berharap agar Bapak selaku dosen mata kuliah Teknik Pengembangan Data
sudi kiranya memberikan kritik, serta saran yang membangun demi
perbaikan mutu dan bobot karya tulis ini yang lebih baik.
Demikian sepatah kata pengantar yang bisa saya sampaikan dan bila ada
hal-hal yang kurang berkenan, saya minta maaf yang sebesar-besarnya,
atas perhatian Bapak saya ucapkan banyak terima kasih.
Kupang,28Januari 2021
DAFTAR ISI
JUDUL..................................................................................................................
KATA PENGANTAR...........................................................................................
DAFTAR ISI...........................................................................................................
BAB I.PENDAHULUAN.......................................................................................
BAB II.PEMAHASAN...........................................................................................
2.11Pengertian machine learning..............................................................,..
2.2 Cara kerja machine learning..................................................................
2.3 Cara kerja machine learning.................................... ..............................
2.4 Pengertian Pengenalan Pola..................................................................
2.5 Data mining..........................................................................................
BAB III.................................................................................................................
3.1KESIMPULAN......................................................................................
DAFTAR PUSTAKA............................................................................................
BAB I
PENDAHULUAN
1.1 Latar Belakang
Machine learning (ML), bagian dari kecerdasan buatan (artificial
intelligence), merupakan metode untuk mengoptimalkan performa dari
sistem dengan mempelajari data sampel atau data histori (Alpaydin, 2009).
Dalam kehidupan sehari-hari, obyek dapat diidentifikasi dengan mudah oleh
manusia, namun belum tentu dapat dijelaskan secara spesifik. Di sinilah
peran ML dalam mengenali, mengidentifikasi, ataupun memprediksi data
tertentu dengan mempelajari data histori (experience data). Dengan ML,
model dibuat baik secara langsung ataupun tidak, dengan mengekstrak
pengetahuan dari pakar ataupun dari data yang bahkan belum diketahui
hubungannya dengan cara mempelajarinya dengan algoritme tertentu.
Algoritme merupakan rentetan proses yang terstruktur untuk menyelesaikan
permasalahan tertentu. (Cormen, et al., 2009) menjelaskan bahwa algoritme
adalah prosedur komputasi yang didefinisikan dengan baik yang mengambil
beberapa nilai, atau himpunan nilai-nilai, sebagai masukan dan
menghasilkan beberapa nilai, atau himpunan nilai-nilai, sebagai keluaran.
Dengan demikian, sebuah algoritme merupakan urutan langkah komputasi
yang mengubah masukan menjadi keluaran.Beberapa algoritme memiliki
kecepatan waktu learning tersendiri pada permasalahan tertentu sesuai
dengan kompleksitas algoritme dan permasalahan itu sendiri. Namun, untuk
beberapa permasalahan dibutuhkan waktu learning yang sangat cepat seperti
halnya vision pada robotika, sistem kontrol dan aplikasi realtime learning
lainnya . Dengan demikian, algoritma yang memiliki kecepatan learning
yang tinggi dengan performa menggeneralisasi yang baik akan membantu
untuk mengatasi permasalahan yang membutuhkan waktu yang sangat cepat
(real time).Berbagai algoritme di bidang sistem cerdas (intelligent system)
telah dikembangkan dengan pendekatan dan model tertentu. Sebagai contoh,
algoritme back propagation (BP) yang diterapkan untuk menghitung bobot-
bobot pada feedforward neural network (FFN), salah satu bentuk dari
jaringan syaraf tiruan (JST). Contoh yang lain adalah algoritme C4.5
(Quinlan, 1993) dan variannya yang digunakan untuk membangun pohon
keputusan (decision tree) berdasarkan teori informasi, dan masih banyak
lagi algoritme lainnya.JST merupakan model pemrosesan yang
dikembangkan dari hasil kolaborasi antara bidang ilmu biologi dan ilmu
komputer yang memiliki kemampuan yang sangat baik untuk
menyelesaikan berbagai permasalahan dalam bidang ML. Dengan
memodelkan jaringan syaraf seperti yang ada pada makhluk hidup dengan
struktur dan aturan perhitungan tertentu, berbagai macam masalah dapat
dipecahkan mulai dari yang sederhana sampai yang sangat kompleks.
1.2 RUMUSAN MASALAH
2.3 Cara kerja machine learning
Machine learning memiliki cara kerja berupa riset dan algoritma yang
akan menemukan pola yang bisa melakukan suatu prediksi. Ada 4
tahapan kinerja mesin yang bisa membantu kegiatan harian Anda menjadi
lebih baik yaitu:
1. Pemilahan data
Machine learning memang sistem yang mengandalkan data,
mulai training data, validation data dan test data. Jadi, jika Anda
memiliki data tertentu dan butuh eksekusi maka machine learning bisa
menjadi salah satu opsi.
2. Model Data dan Validasi Model
Anda wajib membangun model dengan fitur yang sesuai dengan
tujuan machine learning lewat model data. Lakukan validasi model atau
pengujian terhadap model data yang telah disiapkan untuk mendapatkan
input, proses dan output.
3. Test Model dan Penggunaannya
Test data adalah perbandingan kinerja model yang telah divalidasi
dengan data prediksi, lalu mengaplikasikan data yang sudah terlatih
dengan menciptakan prediksi data baru.
1. Supervised Machine Learning Algorithms
Sebuah algoritma yang mampu menerapkan informasi pada suatu
data yang dilakukan dengan cara memberi label tertentu, contohnya
seperti data yang sudah terklasifikasi sebelumnya disebut dengan
supervised machine learning algorithms Jenis algoritma ini
dilakukan dengan cara perbandingan dalam pengalaman belajar
yang sumbernya dari masa lalu, selain itu algoritma ini juga
memiliki kemampuan dalam memberi target pada suatu output.
2. Unsupervised Machine Learning Algorithms
Algoritma yang dipakai pada suatu data yang tak memiliki
informasi yang bisa diterapkan secara langsung atau memang tak
terarah sebelumnya, disebut dengan Unsupervised machine
learning algorithms.Harapan dari jenis algoritma ini yaitu dapat
menemukan struktur tersembunyi apapun yang terdapat di data
yang tidak memiliki label.
3. Semi-Supervised Machine Learning Algorithms
Jenis algoritma yang dipakai dalam melakukan pembelajaran, baik
melalui data yang memiliki label ataupun yang tidak memiliki
label, disebut dengan Semi-supervised machine learning
algorithms. Sistem yang memakai jenis algoritma ini bisa
meningkatkan efisiensi pada output yang dihasilkan.
4. Reinforcement Machine Learning Algorithms
Suatu algoritma dengan kemampuan dalam melakukan interaksi
dengan proses belajar disebut dengan reinforcement machine
learning algorithms.Algoritma inilah yang memberi reward berupa
poin pada saat model yang diberikan menjadi semakin baik, atau
malah mengurangi poin yang ada jika model yang diberikan
semakin buruk. Penerapan dari jenis algoritme ini biasanya
terdapat di sebuah mesin pencari.
2.5 Data mining
Data mining adalah suatu proses pengerukan atau pengumpulan informasi
penting dari suatu data yang besar. Proses data mining seringkali
menggunakan metodestatistika,matematika,hingga memanfaatkan teknologi
artificial intelligence.Nama alternatifnya yaitu Knowledge discovery
(mining) in databases (KDD), knowledge extraction, data/pattern analysis,
data archeology, data dredging, information harvesting, business
intelligence, dan lain-lain.Jika dilihat dilihat pada gambar dalam proses
KDD tersebut, Banyak konsep dan teknik yang digunakan dalam proses data
mining. Proses tersebut membutuhkan beberapa langkah untuk mendapatkan
sebuah data yang diinginkan.
Fungsi data mining
Data mining memiliki banyak sekali fungsi, Untuk fungsi
utamanya sendiri yaitu ada dua; Yaitu fungsi descriptive dan fungsi
predictive. Untuk fungsi lainnya akan dibahas di bawah
1. Descriptive
fungsi deskripsi dalam data mining adalah sebuah fungsi
untuk memahami lebih jauh tentang data yang diamati.
Dengan melakukan sebuah proses diharap bisa mengetahui
perilaku dari sebuah data tersebut. Data tersebut itulah yang
nantinya dapat digunakan untuk mengetahui karakteristik
dari data yang dimaksud.Dengan menggunakan Fungsi
descriptive Data mining, Maka nantinya bisa menemukan
pola tertentu yang tersembunyi dalam sebuah data. Dengan
kata lain jika pola yang berulang dan bernilai itulah
karakteristik sebuah data bisa diketahui.
2. Predictive
Fungsi prediksi merupakan sebuah fungsi bagaimana sebuah
proses nantinya akan menemukan pola tertentu dari suatu
data. Pola-pola tersebut dapat diketahui dari berbagai
variabel-variabel yang ada pada data. Ketika sudah
menemukan pola, Maka pola yang didapat tersebut bisa
digunakan untuk memprediksi variabel lain yang belum
diketahui nilai ataupun jenisnya.
2.6 Supervised learning
Supervised Learning dalam bahasa indonesia adalah pembelajaran yang ada
supervisornya. Maksud disini ada supervisornya adalah label di tiap
maksudnya adalah tag dari data yang ditambahkan dalam machine learning
model.Contohnya gambar kucing di tag “kucing” di tiap masing masing
image kucing dan gambar anjing di tag “anjing” di tiap masing gambar
machine learning kategori dapat berupa clasification (“anjing”, “kucing”,
“beruang”, dsb) dan regression ( berat badan, tinggi badan dsb). Supervised
learning banyak digunakan dalam memprediksi pola dimana pola tersebut
sudah ada contoh data yang lengkap, jadi pola yang terbentuk adalah hasil
pembelajaran data lengkap tersebut. Tentunya jika kita memasukan data
baru, setelah kita melakukan etl (Extract Transform Load) maka kita
mendapat info feature feature dari sample baru tersebut. Kemudian dari
feature feature tersebut di compare dengan pattern clasification dari model
yang didapat dari labeled data. Setiap label akan dicompare sampai selesai,
dan yang memiliki percentage lebih banyak akan diambil sebagai prediksi
akhir.
BAB III
PENUTUP
3.1Kesimpulan
Machine Learning (ML) dapat memberikan kemudahan di dunia, salah satu
contoh machine learning adalah Image classification dan image recognition
yaitu seperti pengenal wajah dan ganjil genap di Jakarta
DAFTAR PUSTAKA
https://dwisawtech.home.blog/2019/12/31/makalah-inovasi-si-machine-
learning/
https://www.blogpress.id/machine-learning/
https://www.jagoanhosting.com/blog/apa-itu-data-mining/
https://www.uc.ac.id/ict/perbedaan-supervised-learning-and-unsupervised-
learning/