Materi-Kuliah - Learning Machine

Computer Vision
LEARNING MACHINE
Pengertian
Machine Learning didefinisikan sebagai salah satu cabang AI (Artificial Intelegence)
yang mengkhususkan komputer untuk mempelajari data, tujuannya yakni untuk
meningkatkan kecerdasannya.
Machine learning adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan

Buatan) yang focus pada pengembangan sebuah sistem yang mampu belajar "sendiri"
tanpa harus berulang kali di program oleh manusia.
Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training)

sebelum mengeluarkan output. Aplikasi sejenis ini juga biasanya berada dalam domain
spesifik alias tidak bisa diterapkan secara general untuk semua permasalahan.
2
Estu Sinduningrum, ST, MT
Pengertian
Untuk lebih jelasnya, berikut definisi Machine Learning menurut beberapa ahli.
1. Menurut Arthur, Machine Learning didefinisikan sebagai kemampuan komputer
dalam melakukan pembelajaran. Machine Learning tak harus dijelaskan atau
diprogramkan secara eksplisit ke dalam komputer.
2. 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.
3. Menurut Budiharto, Machine Learning didefinisikan sebagai tipikal kecerdasan
buatan yang menyuguhkan komputer dengan kemampuan mempelajari data,
tanpa harus mengikuti instruksi terprogram secara eksplisit.
3
Metode Algoritme Machine Learning
Machine Learning bekerja berdasarkan analisis data yang
disematkan di dalamnya. Pelatihan pengelolaan data input dan
output inilah yang bisa membantunya memprediksi jawaban dan
menemukan pola intrinsik dalam data masukan.
4
Metode algoritma Machine Learning
Belakangan ini, penerapan metode algoritma Machine
Learning kian berkembang dengan pesat. Beberapa
metode yang diterapkan meliputi:
1. Supervised Machine Learning Algorithms
2. Unsupervised Machine Learning Algorithms
3. Semi-Supervised Machine Learning Algorithms
4. Reinforcement Machine Learning Algorithms
5
Supervised Machine Learning Algorithms
Machine Learning pada metode ini, melakukan pembelajaran melalui prediksi yang
dihasilkan akan adanya bukti ketidakpastian.
Algoritma yang ada di dalamnya membantu mengaplikasikan informasi yang ada
pada data dengan memberi label tertentu.
Algoritma jenis ini bisa memberikan target output yang dilakukan dengan
perbandingan pengalaman eksekusi masalah di masa lalu.
Karenanya, kelemahan dari supervised learning yang paling pokok adalah pengguna
harus merumuskan output yang benar.
Jika proses pelatihan dilakukan dengan benar, maka tentu nantinya mesin akan
melakukan eksekusi dengan benar.
6
Unsupervised Machine Learning Algorithms
Berlawanan dengan prinsip supervised learning, peran pengguna adalah
mengajarkan pada mesin agar mampu menghasilkan suatu output tertentu.
Proses dilakukan hanya dengan menginput data dengan benar, selanjutnya
untuk urusan output, mesin akan menentukan jalannya sendiri.
Algoritma ini kerap kali diaplikasikan pada data yang tak memiliki informasi
yang bisa diterapkan secara langsung (informasi tak terarah).
Sehingga, unsupervised machine learning algorithms digadang-gadang
mampu menemukan konsep tersembunyi pada data tak berlabel.
7
Semi-Supervised Machine Learning Algorithms
Sama seperti namanya, semi-supervised machine learning

menggunakan algoritma yang sengaja diaplikasikan untuk
keperluan pembelajaran pada data, baik berlabel maupun tidak
berlabel.
Sistem yang mengusung metode ini dinilai bisa meningkatkan
efisiensi pada output yang dihasilkan.
8
Reinforcement Machine Learning Algorithms
Konsep yang digunakan dalam Reinforcement Machine Learning ialah
algoritma yang memiliki kemampuan interaksi dalam proses belajar.
Algoritma seperti ini akan menghasilkan reward berupa poin jika model
yang diberikan makin baik.
Sebaliknya, poin akan berkurang jika model yang dihasilkan semakin
buruk. Konsep ini sering ditemui pada mesin pencari.
9
Konsep Dasar Machine 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.
10
Konsep Dasar Machine Learning
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.
11
Contoh Machine Learning dalam Kehidupan
Pengaplikasian Machine Learning dalam kehidupan sehari-hari ternyata banyak
sekali diterapkan. Bahkan, bisa dibilang pengaplikasian Machine Learning di era
digital ini telah merambah hampir semua bidang.
Beberapa contoh implementasi Machine Learning dalam kehidupan sehari-hari
bisa Anda temui dalam:
1. Text Analysis
2. Image Processing
3. Finance
4. Search and Recommendation Engine
5. Speech Understanding
12
Text Analysis
ML kerap kali diimplementasikan dalam suatu perangkat, guna menganalisa suatu teks
dan mencari sumbernya, atau untuk menguji tingkat keakuratan dan kebenaran teks
tersebut.
Beberapa kategori text analysis yang banyak dilakukan adalah:
1. Spam filtering, yaitu ML yang berguna dalam menganalisa, menilai, serta menyaring e-
mail spam berdasar isi dan sumber pesan berasal.
2. Sentiment analysis, merupakan aplikasi untuk mengklasifikasi teks berdasar opini yang
ditulis pengguna, lalu mengategorikannya sebagai opini positif, netral, atau negatif.
3. Information extraction, yaitu ML yang bertugas menganalisa dan mengidentifikasi
potongan sebuah teks.
13
Image Processing
Pada dasarnya, image processing adalah sebuah tahapan pengolahan gambar
untuk mengidentifikasi data pada gambar tersebut, kemudian diolah dan
ditransformasikan ke dalam tingkatan lebih lanjut. Beberapa contohnya antara
lain:
1. Image Tagging/ Face Detection, yang diterapkan untuk mendeteksi wajah user
berdasar gambar
2. OCR (Optical Character Recognition), yang menstranformasi teks atau gambar
pada suatu manuskrip ke bentuk digital.
3. Selfdriving Cars, adalah sebuah implementasi ML yang ditanamkan untuk
mengenali ciri suatu jalan, rambu dan objek sekitar dengan memanfaatkan
kamera yang ditanam di dalamnya
14
Finance
Implementasi ML dalam bidang finansial banyak sekali
dilibatkan. Hal itu untuk memprediksi ataupun mengambil
keputusan krusial, contohnya:
1. Stock trading, yang mengembangkan sebuah algoritma
untuk mengidentifikasi serta memprediksi saham terbaik
berdasarkan pola di historis perdagangan saham.
2. Fraud detection, yakni sistem yang mendeteksi penipuan
atau kecurangan dengan lebih efektif dan efisien.
15
Search and Recommendation Engine
ML juga kerap kali difungsikan dalam mesin pencarian dan rekomendasi
pada situs pencari, media sosial, ataupun e-commerce, seperti:
1. Google, yang memberikan rekomendasi pencarian berdasar keyword
yang Anda ketikkan.
2. Facebook, juga memberikan rekomendasi berdasar keyword yang
diinput.
3. Amazon, Alibaba, Lazada dan situs e-commerce lainnya, biasanya
merekomendasikan produk berdasar spesifikasi hal yang sering Anda
telusuri.
16
Speech Understanding
Pengimplementasian ML dalam speech understanding,
berkaitan erat dengan suara manusia dan cabang ilmu NPL
(Natural Language Processing). Contohnya, Google Voice
yang melakukan pencarian pada mesin pencari tanpa harus
mengetikkan kata di layar smartphone.
17
Klasifikasi Jenis Buah Menggunakan
Linear Discriminant Analysis (LDA)
PENGERTIAN
Linear Discriminant Analysis (LDA) merupakan salah satu metode
yang digunakan untuk mengelompokkan data ke dalam beberapa
kelas. Penentuan pengelompokan didasarkan pada garis batas
(garis lurus) yang diperoleh dari persamaan linear.
LDA adalah teknik statistika klasik yang sudah dipakai sejak lama
untuk mereduksi dimensi. Dengan LDA, juga bisa melakukan
pembagian data ke dalam beberapa kelompok (clustering).
19
Klasifikasi Jenis Buah
Menggunakan LDA
Pembuatan Matlab
Berikut ini merupakan program matlab untuk mengklasifikasikan jenis

buah menggunakan linear discriminant analysis. Jenis buah yang
diklasifikasikan adalah buah apel dan buah jeruk. Kedua jenis buah
tersebut dibedakan berdasarkan ciri warnanya menggunakan nilai hue
dan saturation. Contoh citra buah pada masing-masing kelas ditunjukkan
pada gambar diatas.
20
Pengenalan Wajah Menggunakan
Algoritma Principal Component Analysis
(PCA)
PENGERTIAN
PCA adalah sebuah teknik untuk membangun variable-variable
baru yang merupakan kombinasi linear dari variable-variable
asli. Jumlah maximum dari variablevariable baru ini akan sama
dengan jumlah dari variable lama, dan variable-variable baru ini
tidak saling berkorelasi satu sama lain.
22
PCA & LDA
Sebagai ringkasan, PCA dan LDA adalah metode yang memiliki tujuan yang sama yaitu
mereduksi dimensi (dimensionality reduction). Perbedaan output keduanya nya adalah:
PCA menghasilkan beberapa PCs (principal components), di mana PC1 akan

menjelaskan variance terbesar dataset, PC2 menjelaskan variance terbesar setelah
PC1, PC3 menjelaskan variance terbesar setelah PC2 dan seterusnya. Masing-masing
PC akan membentuk sumbu baru pada visualisasi data.
LDA menghasilkan beberapa LDs (linear discriminants). LD1 menjelaskan pemisahan

(separability) terbesar antar kelompok. LD2 menjelaskan separability terbesar antar
kelompok setelah LD1, dan seterusnya. Masing-masing LD akan membentuk sumbu
baru pada visualisasi data
23
Principal Component Analysis
Salah satu algoritma yang dapat diimplementasikan dalam sistem pengenalan wajah
(face recognition) adalah Principal Component Analysis (PCA). Berikut ini merupakan
contoh aplikasi pemrograman MATLAB mengenai pengenalan wajah menggunakan
algoritma PCA. Source code yang digunakan merupakan modifikasi dari source code
yang sebelumnya dikembangkan oleh Kalyan Sourav Dash. Modifikasi dilakukan
untuk menghitung akurasi pelatihan dan pengujian serta memvisualisasikan citra
wajah hasil pengenalan.
24
Principal Component Analysis
Pada pemrograman pengenalan wajah ini digunakan citra latih yang terdiri dari 10
individu (5 pria dan 5 wanita), di mana pada masing-masing individu terdiri dari 15 citra
wajah sehingga jumlah total data latih adalah sebanyak 150 citra wajah. Sedangkan
pada citra uji, masing-masing individu terdiri dari 5 citra wajah sehingga jumlah total
data uji adalah sebanyak 50 citra wajah. Berikut ini merupakan tampilan beberapa citra
latih yang digunakan (sumber dataset citra wajah):
https://cswww.essex.ac.uk/mv/allfaces/faces94.html) Pembuatan Matlab
25
Computer Vision
EXTREME LEARNING MACHINE
(ELM)
PENGERTIAN
Extreme Learning Machine merupakan metode pembelajaran baru
dari jaringan syaraf tiruan. Metode ini pertama kali diperkenalkan
oleh Huang pada tahun 2004. ELM merupakan jaringan syaraf tiruan
feedforward neural networks. Metode ELM dibuat untuk mengatasi
kelemahan-kelemahan dari jaringan syaraf tiruan feedforward
terutama dalam hal kecepatan pembelajaran (Fatiah, 2013).
27
Extreme Learning Machine
ELM adalah metode yang bekerja dengan konsep single hidden
layer feed forward networks (SLFNs), metode ini diciptakan untuk
mengatasi kelemahan metode jaringan syaraf tiruan feedforward
lebih-lebih pada proses learning speed. ELM baik digunakan untuk
mengatasi masalah peramalan dengan waktu pelatihan cepat,
mudah untuk diaplikasikan pada masalah kompleks dan diterapkan
pada kehidupan nyata (Huang et al.2006).
28
Extreme Learning Machine
Dengan pemilihan parameter-parameter seperti input, weight dan hidden bias
secara random sehingga kinerja dari learning speed pada ELM ini lebih cepat,
mampu menghasilkan good generalization performance tanpa ada masalah
overtraining. Penggunaan ELM dimaksudkan untuk mengantisipasi adanya data
yang setiap bulan bertambah dan penambahan faktor eksternal yang dibutuhkan
untuk mendapatkan hasil peramalan akurat.
29
Contoh arsitektur jaringan syaraf tiruan Extreme
Learning Machine
30
Tahapan – tahapan pada metode
ELM, sebagai berikut :
1. Normalisasi Data
Normalisasi data merupakan suatu proses perubahan bentuk data menjadi
nilai yang lebih spesifik dalam batas nilai 0-1. Bertujuan untuk
menyesuaikan data masukan terhadap data keluaran. Cara normalisasi yang
digunakan adalah data asli setiap parameter dibagi dengan nilai maksimal
dari masing-masing parameter. Pada persamaan 16 menunjukkan
normalisasi data :
31
2. Proses Training
Merupakan suatu proses yang bertujuan untuk melakukan pelatihan dengan
menggunakan data
latih. Dengan pelatihan ini akan mendapatkan nilai bobot yang optimal.
Tahapan pada proses training,
sebagai berikut (Sugianto et al. 2018):
a) Membuat nilai secara acak untuk matrik 𝑊𝑚𝑛 sebagai bobot masukan dengan
range [0,1], dalam bentuk array ukuran m (jumlah hidden neuron) x n (jumlah
input neuron). Kemudian buat nilai acak lagi untuk matriks bias b dengan
range [0,1] dalam ukuran 1 x (jumlah hidden neuron).
32
b) Menghitung nilai matriks keluaran hidden layer dengan persamaan 17.
Perhitungan b (ones(𝑖𝑡𝑟𝑎𝑖𝑛 ,1),) memperbanyak matriks bias sebanyak
jumlah data latih.
33
c) Menghitung β̀ sebagai bobot keluaran dengan menggunakan
persamaan.
Dimana H + atau matriks Moore-Penrose Pseudo Invers dapat dihitung

dengan persamaaan.
34
d) Menghitung hasil keluaran dengan menggunakan persamaan
35
3. Proses Testing
Setelah melakukan proses training, kemudian dilakukanlah proses testing dengan
menggunakan data uji. Proses testing ini bertujuan untuk melakukan uji coba hasil
training, sehingga dapat diketahui akurasi dari program. Tahapan-tahapan yang
dilakukan, sebagai berikut (Sugianto et al. 2018):
a) Mengetahui nilai Wmn, b dan 𝛽 dari proses training.
b) Menghitung nilai matriks keluaran pada hidden layer menggunakan persamaan
dibawah ini. Perhitungan b (ones(𝑖𝑡𝑟𝑎𝑖𝑛 ,1),) untuk memperbanyak matriks bias sebanyak
jumlah data uji
36
c) Menghitung hasil keluaran dengan

menggunakan persamaan.
d) Denormalisasi hasil prediksi

menggunakan persamaan.
37
e) Menghitung nilai evaluasi menggunakan persamaan.
Untuk peramalan laju inflasi menggunakan ELM, data yang digunakan

dibagi menjadi 2 bagian yaitu data latih dan data uji.
38
Klasifikasi Jenis Kendaraan Menggunakan
Algoritma Extreme Learning Machine
Berikut ini merupakan program aplikasi GUI pengolahan citra untuk
mengklasifikasikan jenis kendaraan menggunakan algoritma jaringan
syaraf tiruan Extreme Learning Machine. Jenis kendaraan yang
diklasifikasikan adalah mobil, motor, dan sepeda. Ketiga jenis kendaraan
tersebut dibedakan berdasarkan pada ciri morfologi menggunakan nilai
area, perimeter, eccentricity, major axis length, dan minor axis length.
Pembuatan Matlab
39

Materi-Kuliah - Learning Machine

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi-Kuliah - Learning Machine

Diunggah oleh

Hak Cipta:

Format Tersedia

Computer Vision

Machine learning adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan

Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training)

Sama seperti namanya, semi-supervised machine learning

Berikut ini merupakan program matlab untuk mengklasifikasikan jenis

PCA menghasilkan beberapa PCs (principal components), di mana PC1 akan

LDA menghasilkan beberapa LDs (linear discriminants). LD1 menjelaskan pemisahan

https://cswww.essex.ac.uk/mv/allfaces/faces94.html) Pembuatan Matlab

Dimana H + atau matriks Moore-Penrose Pseudo Invers dapat dihitung

c) Menghitung hasil keluaran dengan

d) Denormalisasi hasil prediksi

Untuk peramalan laju inflasi menggunakan ELM, data yang digunakan

Anda mungkin juga menyukai