MAKALAH

TEKNIK PENGEMBABNGAN DATA

NAMA : MARIA FATIMA EA

NIM : 170301017

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN PERANCANAAN

UNIVERSITAS SAN PEDRO

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.......................................................................................

1.1 LATAR BELAKANG

1.2 RUMUSAN MASALAH......................................................................

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

1. Apa pengertian mechine learning dan cara kerjanya?

2. Bagaimana cara kerja Machine Learning?

3. Apa yang dimaksud dengan
4. Apakah yang dimaksud dengan pengenalan pola?
 BAB II
PEMBAHASAN
2.1Pengertian machine learning
Machine Learning adalah metode analisis data yag mengotomatisasi
pembuatan model analitik. Inia dalah cabang dari AI (ArtificialIntelligence
/ Kecerdasan Buatan) yang berdasarkan pada ide bahwa mesin seharusnya
bisa belajar dan beradaptasi melalui pengalaman.Fokus besar penelitian
Machine Learning adalah bagaimana mengenali secara otomatis pola
kompleks dan membuat keputusan cerdas berdasarkan data.Mesin dalam
hal ini memiliki arti “sistem” bukan mesin mekanik secara harfiah. Contoh
Machine Learning: Aplikasi Pengenalan Gambar, Aplikasi Asisten Pribadi
seperti Siri, Bixby dll, Chat Bot, Pengenal Wajah, Mobil otonom dan
domain- domain spesifik lainnya.

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.

A. Konsep dasar mechine learning

 Konsep dasar Machine Learning meliputi kemampuan suatu alat untuk
meningkatkan kecerdasannya untuk belajar, termasuk dalam sebuah
mesin.Keberadaan mesin seperti ini akan meningkatkan produktivitas
manusia, yang merupakan nilai plus yang tak dimiliki mesin lainnya.

 Beberapa konsep ini terangkum dalam ringkasan berikut.

1. Inti dari Machine Learning adalah memprediksi akan suatu hal

berdasarkan pola yang telah dilatih, proses prediksi dan analisis
dilakukan dengan cara sederhana tanpa menghabiskan banyak
waktu.

2. Machine Learning membutuhkan model pelatihan untuk

membiasalan mesin mengelola dan memprediksi suatu
hal.

3. Tingkat ambang akurasi yang mencapai angka 80% dianggap

sukses.

4. Machine Learning berbeda dengan AI, banyak kalangan yang

salah kaprah menyamakan kedua istilah ini, padahal
ai (Artificial Intelligence) merupakan sebuah kecerdasan
buatan yang ditanamkan pada perangkat, sementara ml
(Machine Learning) adalah suatu metode untuk mencapai ai.

5. Setiap model machine learning memberikan struktur yang

jelas pada ai.

B. Metode apa Saja yang ada pada algoritma machine learning

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.

2.4 Pengertian Pengenalan Pola? i

Pengenalan Pola (Pattern Recognition) mempelajari penggunaan komputer
untuk menemukan keteraturan-keteraturan dalam data serta untuk
mendapatkan informasi/pemahaman yang penting dari keteraturan yang
telah ditemukan. Dalam pengertian yang lebih sederhana, bidang ilmu
Pengenalan Pola bertujuan memberikan kemampuan kepada komputer
untuk mendeteksi keberadaan objek/peristiwa di sebuah lingkungan serta
untuk menentukan jenis/nama dari objek/peristiwa tersebut. Dalam
kehidupan sehari-hari, pengenalan pola muncul dalam bentuk komputer
yang mampu mengenali wajah dan suara manusia, mampu mengubah ujaran
menjadi teks (melakukan transkripsi), mampu membaca atau menentukan
makna rambu-rambu/tulisan di jalan raya, mampu memprediksi cuaca,
memprediksi harga komoditas, dan lain sebagainya.Pengenalan pola
merupakan pekerjaan yang bersifat analitik, yaitu mengolah data mentah
 (tidak memuat struktur eksplisit) untuk menemukan aneka ragam elemen
berikut atribut/informasi yang terkait dengannya. Pekerjaan analitik
semacam ini merupakan hal yang lumrah dilakukan oleh manusia. Dengan
menggunakan panca indera, manusia dapat melihat, mendengar, serta
merasakan keadaan lingkungannya untuk kemudian mengidentifikasi hal-
hal yang ada di dalamnya, mencerna dan memahaminya, sehingga ia dapat
melakukan kegiatan ataupun interaksi yang sesuai dengan keinginannya.
Pengenalan wajah, suara, rambu-rambu, dan tulisan, sebagai contoh,
merupakan aktivitas rutin yang selalu dikerjakan manusia. Sementara
manusia dapat melakukan hal-hal tersebut dengan cepat dan mudah, detail
proses yang sesungguhnya terjadi belum dapat dipahami sepenuhnya oleh
para peneliti dan belum dapat ditiru oleh komputer secara utuh. Pengenalan
pola, karenanya, masih menjadi persoalan terbuka yang terus diselidiki oleh
banyak peneliti.

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/