Pertemuan 1

Pengenalan
Pembelajaran Mesin
(Machine Learning)
Perencanaan Pembelajaran
Tujuan

• Mahasiswa dapat memahami dan menjelaskan konsep

dari pembelajaran mesin

• Mahasiswa dapat mengidentifikasi, menganalisa dan

menyelesaikan masalah menggunakan pembelajaran
mesin

• Mahasiswa dapat menerapkan pembelajaran mesin

untuk menyelesaikan suatu masalah
Kontrak Perkuliahan
• Pertemuan 1 s.d 6 disampaikan dengan Metode Ceramah,
Metode Diskusi dan Latihan Soal.
• Pertemuan 7 Review/Kuis
• Pertemuan 9 s.d 14 disampaikan dengan Metode Ceramah
Metode diskusi dan latihan soal.
• Pertemuan 15 Review/Kuis
• Dosen mata kuliah ini diharapkan dapat mengarahkan
mahasiswa agar mampu mengidentifikasi, menganalisa dan
menyelesaikan masalah menggunakan pembelajaran mesin.
Sumber Referensi

1. Putra, Jon Wira Gotama. Pengenalan Konsep

Pembelajaran Mesin dan Deep Learning.
2018.

2. Budiharto, Widodo. Machine learning and

Computational Intelligence. 2016

3. Suyanto. Pembelajaran Mesin Tingkat Dasar

dan Lanjut. 2018. Informatika.
Tugas Kelompok
• Buat kelompok masing-masing terdiri dari 3 orang (disesuaikan
dengan jumlah mahasiswa di kelas)
• Pahami dan kuasai salah satu algoritma Pembelajaran Mesin
dari berbagai literatur

Studi Kasus
• Buat Jurnal, data dapat diambil dari data Publik, template jurnal
dapat mengacu kepada Jurnal Techno atau jurnal-jurnal diluar
kampus STMIK Nusa Mandiri.

Tugas Jurnal akan dikumpulkan dipresentasikan pada pertemuan

13 dan 14
 Mengenal Pembelajaran Mesin
A. Definisi Pembelajaran Mesin (Machine Learning)
• Pembelajaran Mesin merupakan salah satu bagian
dari Kecerdasan Buatan atau Artificial Intelligence
• Pembelajaran Mesin adalah teknik untuk melakukan
inferensi terhadap data dengan pendekatan
matematis.
• Inti Pembelajaran Mesin adalah untuk membuat
model (matematis) yang merefleksikan pola-pola data.
• Pada data yang banyak (bahkan tidak terbatas),
teknik Pembelajaran Mesin menjadi intuitif untuk
melakukan inferensi pada data yang besar.
 Mengenal Pembelajaran Mesin
(Lanjutan)
B. Intelligent Agent (Agen Cerdas) memiliki empat
kategori berdasarkan kombinasi dimensi cara inferensi
(reasoning) dan tipe kelakuan (behaviour).

Kategori Intelligent Agent dibagi menjadi 4 bagian:

 Mengenal Pembelajaran Mesin
(Lanjutan)
1. Acting Humanly. Pada dimensi ini, agen mampu
bertingkah dan berinteraksi layaknya seperti
manusia.

2. Acting Rationally. Pada dimensi ini, agen mampu

bertingkah dengan optimal.

3. Thinking Humanly. Pada dimensi ini, agen mampu

berpikir seperti manusia dalam segi kognitif

4. Thinking Rationally. Pada dimensi ini, agen mampu

berpikir secara rasional.
 Mengenal Pembelajaran Mesin
(Lanjutan)
C. Pembelajaran adalah proses, cara, perbuatan atau
menjadikan orang atau makhluk hidup belajar. Pada
Pembelajaran Mesin, belajar adalah menyesuaikan
konfigurasi parameter (tingkah laku) terhadap utility function
sesuai dengan data (lingkungan).

D. Statistical Learning Theory adalah teknik untuk

memprediksi masa depan dan/atau menyimpulkan/
mendapatkan pengetahuan dari data secara rasional dan
nonparanormal. Statistik adalah inti dari setiap algoritma
pembelajaran mesin. Model pembelajaran mesin sederhana
dapat didasarkan pada probabilitas. Algoritma pembelajaran
mesin dapat memanfaatkan kecerdasan buatan untuk
memperbesar kekuatan prediksi pemodelan statistik
 Mengenal Pembelajaran Mesin
(Lanjutan)
E. Tujuan Pembelajaran Mesin minimal ada dua yaitu
memprediksi masa depan (Unobserved Event) dan/atau
memperoleh Ilmu Pengetahuan (Knowledge Discovery/
Discovering Unknown structure)

F. Training, Development, Testing Set

Tugas pembelajaran mesin adalah mempelajari dan
membangun algoritma yang dapat belajar dari dan membuat
prediksi pada data. Data yang digunakan untuk membangun
model ini biasanya dibagi dalam tiga set: set pelatihan, validasi,
dan pengujian.
• Training Set adalah himpunan data yang digunakan untuk
melatih atau membangun model.
• Development Set atau validation set adalah himpunan data
yang digunakan untuk mengoptimisasi saat melatih model.
 Mengenal Pembelajaran Mesin
(Lanjutan)
• Testing Set adalah himpunan data yang
digunakan untuk menguji model setelah proses
latihan selesai.

Satu sampel pada himpunan data disebut sebagai data

point atau instans (instance) yang merepresentasi kan
suatu kejadian statistik (event).
Training, Development, dan Testing Data diambil
(sampled) dari distribusi yang sama dan memiliki
karakteristik yang sama (independently and identically
distributed).
 Mengenal Pembelajaran Mesin
(Lanjutan)
Pada umumnya, rasio pembagian dataset adalah
(80% : 10% : 10%) atau (90% : 5% : 5%) (training :
development : testing). Development set pada
umumnya bisa tidak digunakan apabila dataset
berukuran kecil (hanya dibagi menjadi training dan
testing set saja).

G. Kategori Pembelajaran Mesin

Pembelajaran mesin terbagi menjadi tiga kategori
yaitu supervised learning, unsupervised learning, dan
reinforcement learning
• Supervised Learning (metode belajar tanpa
pengawasan)
Metode ini belajar dari kumpulan data
berlabel dan kemudian digunakan untuk
memprediksi peristiwa di masa depan. Tugas
supervised yaitu klasifikasi dan regresi.
Contoh penelitian:
Klasifikasi Bunga Iris
Prediksi Harga rumah
• Unsupervised learning (metode belajar dengan
pengawasan)
Metode ini belajar dari kumpulan data berlabel.
Pembelajaran tanpa pengawasan tidak memprediksi
keluaran tetapi mempelajari bagaimana sistem dapat
menyimpulkan suatu fungsi untuk mendeskripsikan
struktur tersembunyi dari data tak berlabel. Yang
termasuk tugas unsupervised yaitu klastering, reduksi
dimensi, asosiasi.
Contoh penelitian:
Analisis Klastering Kasus Covid 19
Peningkatan Model klasifikasi dengan Teknik Reduksi
Dimensi
penerapan association rule pada data transaksi
penjualan.
• Semi supervised learning (Semi terawasi)
Model semi-supervised menggunakan data
berlabel dan tidak berlabel untuk pelatihan.
Misalkan terdapat dataset yang beberapa
memiliki label, dan lainnya tidak.
Dalam pembelajaran semi-diawasi, data
berlabel digunakan untuk membuat model
prediksi kemudian melakukan klastering
untuk data tidak berlabel nanti akan masuk
cluster mana yang sesuai dengan kelas
mana.
• Reinforcement learning
adalah jenis pembelajaran mesin yang
memungkinkan sistem komputer mempelajari cara
membuat pilihan dengan diberi penghargaan atas
keberhasilannya. Metode ini baik untuk
pengoptimalan dan pengambilan keputusan.
Kelompok metode ini terdiri dari algoritma yang
menggunakan perkiraan kesalahan sebagai
hadiah atau hukuman. Jika kesalahannya besar,
maka hukumannya tinggi dan imbalannya rendah.
Jika kesalahannya kecil, maka hukumannya
rendah dan imbalannya tinggi.
H. Data berlabel dan tidak berlabel
• Perbedaan utama antara supervised learning
dan unsupervised learning adalah
penggunaan data. Supervised learning
menggunakan data berlabel sedangkan
unsupervised learning menggunakan data
tanpa label.
• Data yang memiliki variabel target/kelas
disebut data berlabel
• Data yang tidak memiliki variabel target/kelas
disebut data berlabel
Contoh data tabular yang berlabel dan tidak berlabel

IPK Penghasilan ortu Pengajuan Beasiswa

4.00 3.500.000 Diterima
3.7 6.000.000 Ditolak
3.8 4.000.000 Diterima
3.9 5.000.000 Ditolak

• Tabel A adalah data berlabel karena memiliki

IPK Penghasilan ortu
variable Target yaitu Pengajuan Beasiswa.
4.00 3.500.000 • Variabel IPK dan Penghasilan ortu disebut
variable Prediktor.
3.7 6.000.000
• Variabel target dipengaruhi oleh variable
3.8 4.000.000 prediktor
• Tabel B adalah data tidak berlabel karena
3.9 5.000.000
tidak memiliki variable target