TUGAS KECERDASAN BUATAN

“MACHINE LEARNING”

Disusun Oleh :
ANGGIE KARTIKASARI
2023010022

PROGRAM STUDI S1 TRANSFER INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
AMIKOM SURAKARTA
2021
1. PENGERTIAN MACHINE LEARNING
Machine Learning didefinisikan sebagai salah satu cabang AI
(Artificial Intelegence) yang mengkhususkan komputer untuk mempelajari
data, tujuannya yakni untuk meningkatkan kecerdasannya.
Untuk lebih jelasnya, berikut definisi Machine Learning menurut beberapa
ahli.
Menurut Arthur, Machine Learning didefinisikan sebagai
kemampuan komputer dalam melakukan pembelajaran. Machine Learning
tak harus dijelaskan atau diprogramkan secara eksplisit ke dalam
komputer.
Menurut Tom Mitchel, Machine Learning diartikan sebagai
komputer yang mempunyai kemampuan melakukan pembelajaran dari
pengalaman-pengalaman yang diterima atas tugas-tugas yang telah
diselesaikan untuk meningkatkan kinerja.
Dari berbagai pengertian di atas, dapat ditarik kesimpulan bahwa
Machine Learning merupakan sebuah metode analisis yang bisa membantu
menangani big data dengan mengembangkan algoritma Komputer.
2. MANFAAT MACHINE LEARNING

 Konten yang Ditampilkan Periklanan Digital

Google Adword adalah media periklanan digital terpopuler di
dunia. Adword menampilkan iklan-iklan pada situs web yang
menjadi publisher di Google Adsense. Iklan yang ditampilkan
adalah iklan yang bersifat dinamis atau berubah-ubah. Google
Adword mengumpulkan data situs berdasarkan topik, kemudian
menampilkan iklan-iklan yang relevan dengan topik tersebut. Selain
itu Google Adword juga menggunakan cookies, sebagai referensi
aktivitas pengunjung suatu website terkait situs-situs yang
dikunjungi sebelumnya. Adword melakukan akumulasi terhadap 2
faktor tersebut, sehingga dapat ditampilkan iklan yang sesuai
dengan pengunjung website.
 Asisten Pribadi Virtual
Gadget telah dilengkapi dengan asisten pribadi virtual, baik
laptop maupun smartphone, misalnya: Cortana di Microsoft
Windows, Siri di Iphone, dan Google Now di Android. Asisten
virtual ini dapat membantu penggunanya untuk melakukan pencarian
di internet, menanyakan jalan, cuaca, melakukan panggilan telepon,
hingga membuka aplikasi. Di Windows, cortana bahkan mempelajari
penggunanya untuk memberikan rekomendasi perintah yang akan
dilakukan.
 Penyaring Pesan Spam
Machine learning memegang andil yang sangat besar untuk
menyaring (filter) spam baik di email, website, hingga media
komunikasi berbasis software. Algoritma pohon keputusan (decision
tree) merupakan cikal bakal dari algoritma spam filtering, untuk
menentukan suatu pesan termasuk spam atau bukan.
 Online Fraud Detection
Online fraud detection adalah metode yang digunakan untuk
mendeteksi suatu transaksi digital sah atau tidak. Online fraud
detection digunakan oleh semua bank baik bank umum maupun bank
virtual seperti paypal. Online fraud detection menggunakan machine
learning untuk melakukan perlindungan (cybersecurity) terhadap
pencucian uang, pendeteksian transaksi palsu, hingga deteksi
pembobolan akun bank digital.
 Videos Surveillance
Videos surveillance atau pengawasan video merupakan
teknologi baru yang merupakan penerapan dari machine learning
yang disematkan pada CCTV untuk mendeteksi suatu tindak
kejahatan atau kecelakaan. Di negara-negara maju, CCTV sudah
digunakan untuk melakukan pencarian penjahat yang masih buron.
  Diagnosa Medis
Di negara Inggris, diagnosa medis menggunakan bantuan
chatbot sudah marak dilakukan. Chatbot ini bernama Babylon
Health. Ini dilengkapi dengan speech recognition untuk
mempermudah berbicara dengan penggunanya. Dalam
perkembangan selanjutnya, analisis diagnosa medis dengan kontak
fisik mulai dikembangkan dengan deep learning.
 Mobil Kendali Otomatis
Mobil kendali otomatis merupakan penerapan serta
pengembangan dari machine learning yaitu machine vision. Mobil
kendali otomatis merupakan penerapan machine learning yang
kompleks dan dengan resiko langsung yang tinggi. Banyak hal yang
harus dipelajari oleh mobil, mulai dari rambu-rambu lalulintas, arah
dan tujuan, kondisi jalan, traffic light, kondisi manusia sekitarnya,
dan sensor lainnya yang terintegrasi.

3. JENIS MACHINE LEARNING

 Supervised learning
Supervised machine learning adalah algoritma machine
learning menggunakan data terlabel, contohnya input di mana
output-nya diketahui. Sebagai contoh, sebuah alat memiliki data
point yang berlabel F (failed) atau R (runs).
Algoritma supervised learning menerima sekumpulan input
dengan output yang tepat. Setelah itu, algoritma ini belajar dengan
membandingkan output sebenarnya dengan output yang benar untuk
menemukan error atau kesalahan. Dalam supervised learning,
algoritma dapat memodifikasi model agar sesuai dengan hasil yang
diinginkan. Biasanya, supervised learning digunakan pada aplikasi
yang memprediksi kejadian di masa mendatang berdasarkan data
historis.
 Semi-supervised learning
Metode machine learning ini tidak begitu berbeda
dibandingkan supervised learning. Akan tetapi, semi-supervised
learning menggunakan data berlabel dan tidak untuk melatih
algoritma. Biasanya, digunakan data berlabel dalam jumlah kecil dan
data tidak dilabeli dalam jumlah besar. Metode machine learning ini
dapat digunakan dengan metode lainnya seperti klasifikasi, regresi,
dan prediksi.
Contoh penggunaan semi-supervised learning adalah untuk
proses identifikasi wajah seseorang pada webcam atau kamera
smartphone.
 Unsupervised learning
Unsupervised machine learning adalah kebalikan dari
supervised learning. Pada metode machine learning ini, data yang
diolah tidak memiliki label dan sistem tidak mengetahui jawaban
atau output yang benar.
Tujuan dari machine learning dengan metode ini adalah
untuk mengeksplorasi data dan menemukan struktur di dalamnya.
Biasanya, metode ini digunakan untuk data transaksional.
Contohnya, unsupervised learning dapat digunakan untuk
mengidentifikasi segemen konsumen dengan atribut yang serupa
dan mengelompokkannya agar dapat ditangani atau diperlakukan
sama dalam sebuah kampanye digital marketing.
Tidak hanya itu, supervised learning juga dapat menemukan
atribut utama yang membedakan antar segmen konsumen.

 Reinforcement Learning
Reinforcement learning biasanya digunakan untuk robotik,
pembuatan game, dan navigasi. Dengan metode learning ini,
algoritma akan mampu menemukan aksi atau perlakuan yang
menghasilkan output terbaik dari hasil uji coba berulang kali (trial
 and error). Ada tiga komponen utama untuk reinforcement
learning, yaitu agen (pembuat keputusan), lingkungan (apa saja
yang berinteraksi dengan agen), dan aksi (apa yang agen bisa
lakukan).
Tujuan utama reinforcement machine learning adalah bagi
agen untuk menentukan aksi apa yang memaksimalkan hasil dalam
waktu yang ditentukan.

4. REVIEW JURNAL

Judul Machine Learning Diagnosis Kanker Payudara

Menggunakan Algoritma Support Vector Machine
Jurnal STMIK Indonesia Mandiri, Jl. Jakarta No.79
Bandung
Vol & Hal Vol 12.No 1, Halaman 1-14
Tahun 2020
Penulis Chalifa Chazar , Bagus Erawan Widhiaputra
Reviewer Anggie Kartikasari (2023010022)
Tanggal 05 Mei 2021

Tujuan Membangun sebuah aplikasi ML dengan

Penelitian menggunakan algoritma SVM yang dapat
digunakan untuk mendiagnosis penyakit kanker
payudara berdasarkan pola data yang diambil
dari biopsi. Hasil diagnosis dapat menghasilkan
suatu prediksi penentuan jenis sel kanker
payudara bersifat ganas atau jinak.
Subjek Orang yang berasumsi bahwa kanker sama
Penelitian seperti tumor, kenyataannya tumor yang
muncul tidak selalu menjadi kanker.
Metode Metode yang digunakan dalam penelitian ini
Penelitian adalah metodeklasifikasi dimana, dari data
yang telah dikumpulkan lalu diidentifikasi
faktor apa saja yang mempengaruhi hasil biopsi
atau FNA.
Hasil Hasil penelitian menunjukan bahwa aplikasi
Penelitian ML untuk mendiagnosis penyakit kanker
payudara dapat menghasilkan prediksi
keputusan berdasarkan dua kemungkinan, yaitu
sel hidup dalam kondisi ganas atau jinak.
Aplikasi ini dapat digunakan oleh petugas lab
 untuk melakukan diagnosis berdasarkan hasil
FNA yang diperoleh dari pemeriksaan biopsi.
Penggunaan algoritma SVM pada aplikasi ML
dapat meningkatkan keakuratan hasil diagnosa
menjadi lebih tinggi, karena semakin banyak
data yang bersifat lengkap dan tepat maka akan
menambah tingkat keakuratan dari hasil
diagnosisnya. Berdasarkan penelitian yang
telah dilakukan, maka beberapa hal penting
yang perlu diperhatikan dalam membangun
aplikasi ML, adalah sebagai berikut, dataset
dan algoritma untuk mencari pola data dan
menentukan prediksi. Dataset yang lengkap
dan tepat sangat berpengaruh terhadap hasil
prediksi. Pemilihan algoritma yang tepat pula
dapat menunjang keakuratan hasil prediksi.
Pada penelitian selanjutnya dapat
dikembangkan dengan menggunakan model
algoritma dan dataset lainnya sebagai bahan uji
coba untuk menentukan model terbaik dalam
membangun aplikasi ML
Kekuatan Kekuatan penelitian ini adalah alat yang
Penelitian digunakan dalam penelitianberupa klasifikasi
dari data dan cukup mudah digunakan
olehsubjek penelitian sehingga dalam
pengambilan datanya tidakdibutuhkan waktu
yang lama seperti pada metode kualitatif
Kelemahan dapat dikembangkan dengan menggunakan
Penelitian model algoritma dan dataset lainnya sebagai
bahan uji coba untuk menentukan model
terbaik dalam membangun aplikasi ML