net/publication/344419764
CITATIONS READS
0 584
2 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Teguh Wahyono on 29 September 2020.
Oleh:
1
2
Kata Pengantar
Yaya Heryadi
Teguh Wahyono
3
Daftar Isi
BAGIAN 1. DASAR MATEMATIKA MACHINE LEARNING
4
BAB 1
5
sebuah matriks yang dinyatakan dengan 𝑚 × 𝑛 dimana 𝑚
menyatakan jumlah baris dan 𝑛 menyatakan jumlah kolom matrik
tersebut.
Didalam algoritma machine learning, matriks dua dimensi
umumnya dipergunakan untuk merepresentasikan data berupa
bilangan dimana setiap baris matriks merepresentasikan sampel dan
setiap kolom merepresentasikan fitur dari sampel tersebut.
Secara umum, sebuah matriks dengan elemen bilangan real 𝐴
berdimensi 𝑚 × 𝑛 dapat dinyatakan sebagai:
𝑎11 ⋯ 𝑎1𝑛
𝐴=[ ⋮ ⋱ ⋮ ]. (1.1)
𝑎𝑚1 ⋯ 𝑎𝑚𝑛
Elemen matriks 𝐴 pada baris ke-𝑖 dan kolom ke-𝑗 dinotasikan
dengan 𝑎𝑖𝑗 ∈ ℛ, dimana: 𝑖 = 1,2, . . , 𝑚 adalah indeks baris, dan 𝑗 =
1,2, . . , 𝑛 adalah indeks kolom. Sehingga, sebuah matriks 𝐴 dapat
dinotasikan dengan notasi 𝐴 = [𝑎𝑖𝑗 ]. Contoh sebuah matriks
berdimensi 3 × 3 adalah sebagai berikut:
132.5 4.0 25.2
𝐴 = [240.2 1.2 34.1] . (1.2)
321.4 3.3 12.3
Dengan demikian dua buah matriks 𝐴 dan 𝐵 disebut sama
apabila kedua matriks tersebut memenuhi dua persyaratan yaitu: (i)
dimensi kedua matrik sama, dan (ii) elemen yang letaknya
bersesuaian dari kedua matriks tersebut memiliki nilai yang sama.
Dengan kata lain jika 𝐴 = [𝑎𝑖𝑗 ] dan 𝐵 = [𝑏𝑖𝑗 ] adalah dua matriks
maka 𝐴 = 𝐵 jika 𝑎𝑖𝑗 = 𝑏𝑖𝑗 untuk semua 𝑖 dan 𝑗.
Didalam algoritma machine learning seringkali data bersifat
multi-dimensi sehingga diperlukan sebuah matriks berdimensi lebih
dari dua. Misalnya: susunan nilai-nilai pixel sebagai representasi
sebuah gambar berwarna (RGB) yang memiliki layer merah, hijau,
dan biru direpresentasikan dalam sebuah matriks yang memiliki tiga
dimensi 𝑚 × 𝑛 × 3 dimana: 𝑚 menyatakan jumlah baris, 𝑛
6
menyatakan jumlah kolom, dan 3 menyatakan jumlah kedalaman
(depth) atau jumlah layer. Secara umum matrik tiga dimensi dapat
dinyatakan dengan notasi 𝐴 = [𝑎𝑖𝑗𝑘 ] dimana 𝑖 = 1,2, … , 𝑚; 𝑗 =
1,2, … , 𝑛; dan 𝑘 = 1,2, … , 𝑑.
Sebagai contoh: sebuah matriks dengan elemen bilangan real
berdimensi: 3 × 3 × 3 adalah sebagai berikut:
132.5 4.5 125.2
[𝑎𝑖𝑗1 ] = [240.2 1.2 134.1] , (1.3)
321.4 3.1 212.3
250.5 1.0 225.2
[𝑎𝑖𝑗2 ] = [120.3 2.3 314.1] , (1.4)
90.4 1.5 122.3
132.5 0.5 250.2
[𝑎𝑖𝑗3 ] = [240.2 1.4 234.1] . (1.5)
321.4 1.2 412.3
Vektor adalah sebuah bentuk khusus dari matriks, yaitu
sebuah matriks yang hanya memiliki sebuah baris atau kolom. Secara
umum, sebuah vektor dapat direpresentasikan sebagai berikut:
𝑏1
𝐵 = [ ⋮ ], (1.6)
𝑏𝑚
atau 𝐶 = [𝑐1 … 𝑐𝑛 ] (1.7)
Vector pada persamaan (1.6) dan (1.7) diatas masing-masing disebut
sebagai vektor kolom dan vektor baris.
7
Daftar Pustaka
Aeberhard, S., D. Coomans and O. de Vel. (1992). Comparison of
Classifiers in High Dimensional Settings. Tech. Rep. no. 92-02,
(1992), Dept. of Computer Science and Dept. of Mathematics
and Statistics, James Cook University of North Queensland.
Bishop, C. M. (2006). Pattern recognition and machine learning.
Springer.
Burges, C. J. (1998). A tutorial on support vector machines for
pattern recognition. Data mining and knowledge discovery,
2(2), 121-167.
Chollet, F. (2017). Deep learning with Python.
Dangeti, P. (2017). Statistics for machine learning. Packt Publishing
Ltd.
Fisher, R.A. (1950). The use of multiple measurements in taxonomic
problems" Annual Eugenics, 7, Part II, 179-188; also in
Contributions to Mathematical Statistics, John Wiley.
Garg, A., & Tai, K. (2013). Comparison of statistical and machine
learning methods in modelling of data with multicollinearity.
International Journal of Modelling, Identification and Control,
18(4), 295-312.
Heryadi, Y., & Miranda, E. (2019). Land Cover Classification Based
on Sentinel-2 Satellite Imagery Using Convolutional Neural
Network Model: A Case Study in Semarang Area, Indonesia. In
Asian Conference on Intelligent Information and Database
Systems (pp. 191-206). Springer, Cham.
Heryadi, Y., & Warnars, H. L. H. S. (2017). Learning temporal
representation of transaction amount for fraudulent
transaction recognition using CNN, Stacked LSTM, and CNN-
8
LSTM. IEEE International Conference on Cybernetics and
Computational Intelligence (CyberneticsCom) (pp. 84-89). IEEE.
Hogben, Leslie. (2007). Handbook of Linear Algebra: Discrete
Mathematics and Its Applications, CRC Press.
Hurwitz, J., & Kirsch, D. (2018). Machine learning for dummies. IBM
Limited Edition, 75.
Langley, P., & Simon, H. (1995). Applications of machine learning
and rule induction. Communications of the ACM, 38(1 I), 55-64.
Mitchell, T.M. (1997). Machine Learning. McGraw-Hill Company
Inc., Boston, Massachusetts.
P. T. Nguyen, T. T. Nguyen, N. C. Nguyen and T. T. Le (2019).
Multiclass Breast Cancer Classification Using Convolutional
Neural Network. International Symposium on Electrical and
Electronics Engineering (ISEE), Ho Chi Minh, Vietnam, 2019,
pp. 130-134.
P. Zhang, Y. Su and C. Wang (2007). Statistical Machine Learning
Used in Integrated Anti-Spam System. International
Conference on Machine Learning and Cybernetics, Hong Kong,
pp. 4055-4058.
Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.
Sammut, C., & Webb, G. I. (Eds.). (2011). Encyclopedia of machine
learning. Springer Science & Business Media.
Samuel, A. L. (1959). Some studies in machine learning using the
game of checkers. IBM Journal of Research and Development, 3,
21 1-229.
T. Wahyono, (2018), Fundamental of Python for Machine Learning:
Dasar-Dasar Pemrograman Python untuk Machine Learning
dan Kecerdasan Buatan, Gava Media, Yogyakarta.
9
Y. Heryadi, E. Miranda and H. L. H. S. Warnars (2017). Learning
decision rules from incomplete biochemical risk factor
indicators to predict cardiovascular risk level for adult
patients. IEEE International Conference on Cybernetics and
Computational Intelligence (CyberneticsCom), Phuket pp. 185-
190.
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2019). Dive into Deep
Learning. Unpublished draft. Retrieved, 3, 319.
Internet Resources
https://archive.ics.uci.edu/ml/index.php
https://medium.com/@16611077
https://github.com/marcopeix/ISL-linear regression/tree/master
/data
https://www.wordstream.com/blog/ws/2017/07/28/machine-
learning-applications
10