MACHINE LEARNING

OLEH:
MUHAMAD REVANZA MOZITA HAMAZ
09030582125008
01
PENGERTIAN
MACHINE LEARNING
 SEJARAH MACHINE LEARNING
Sejak pertama kali komputer diciptakan manusia sudah
memikirkan bagaimana caranya agar komputer dapat
belajar dari pengalaman. Hal tersebut terbukti pada tahun
1952, Arthur Samuel menciptakan sebuah program, game of
checkers, pada sebuah komputer IBM. Program tersebut
dapat mempelajari gerakan untuk memenangkan
permainan checkers dan menyimpan gerakan tersebut
kedalam memorinya.
 MACHINE LEARNING
Adalah salah satu disiplin ilmu dari computer
science yang mempelajari bagaimana membuat
komputer atau mesin mempunyai suatu
kecerdasan. Agar mempunyai suatu kecerdasan,
komputer atau mesin harus dapat belajar.
 PENTINGNYA MACHINE LEARNING

Machine learning membantu bisnis dengan

cara mendorong pertumbuhan, membuka
aliran pendapatan baru, dan menyelesaikan
masalah-masalah yang menantang.
TUGAS UTAMA MACHINE LEARNING
Pada bagian klafikasi proses yang terjadi adalah
menentukan pada class apa sebuah instance itu berada.
Tugas lain dari Machine Learning adalah regresi.

Regresi adalah prediksi dari nilai numerik. Regresi

ini termasuk ke dalam tipe algoritma pembelajaran
terarah.
 MANFAAT MACHINE LEARNING
• Otomatisasi Teknik Pemasaran Anda untuk Meningkatkan
Penjualan
• Analisis Berbasis AI untuk Keputusan Bisnis yang Lebih Baik
• Meningkatkan Keamanan dan Pemeliharaan Peralatan Anda
• Menghemat Waktu
• Mempermudah Manajemen Persediaan dan Rantai Pasokan
• Proses Perekrutan Lanjutan
• AI membantu dalam Memerangi Penipuan dan Mencegah Kejahatan
 DAMPAK MACHINE LEARNING
• Salah satu dampak positif dari machine learning adalah menjadi
peluang bagi para wirausahawan dan praktisi teknologi untuk terus
berkarya dalam mengembangkan teknologi machine learning.

• Dampak negatif yang harus kita waspadai. Adanya pemotongan

tenaga kerja karena pekerjaan telah digantikan oleh alat
teknologi machine learning adalah suatu permasalahan yang harus
dihadapi.
 METODE
02 DIDALAM MACHINE
LEARNING
 ADA 2 METODE DI DALAM
MACHINE LEARNING
Secara umum, di dalam Machine Learning ada
dua jenis metode yang paling populer yang
dapat digunakan yaitu Supervised Learning
dan Unsupervised Learning.
 SUPERVISED LEARNING
Merupakan metode yang paling populer
dalam implementasi algoritma untuk Machine
Learning. Namun kelemahan dari metode ini
adalah kita harus menyediakan atau
menetapkan sebuah output yang benar.
 UNSUPERVISED LEARNING
Sebaliknya, pada Unsupervised Learning kita tidak
mengajari mesin untuk menghasilkan suatu output
tertentu. Kita hanya mengajarinya seperti apa
input yang benar, dan output nya mereka sendiri
yang akan menentukan, kita tidak memiliki ide
sama sekali output seperti apa yang dihasilkan.
03
IMPLEMENTASI
MACHINE LEARNING
 MACHINE LEARNING
Dapat diaplikasikan pada segala bidang. Di era digital
saat ini, segala sesuatu telah terkomputerisasi, dan
hal tersebut memainkan peranan penting bagi
Machine Learning untuk dapat terlibat di dalam nya.
CONTOH IMPLEMENTASI MACHINE LEARNING
• Text Analysis, Machine Learning dapat diimplementasikan untuk menganalisa suatu
teks guna mencari tau darimana sumber teks itu berasal, ataupun untuk menguji
keakuratan atau kebenaran dari teks tersebut.

• Image processing merupakan suatu tahapan dari pengolahan suatu gambar untuk
mendapatkan data dari gambar tersebut untuk kemudian diolah atau ditransformasikan
lebih lanjut.

• Finance, Implementasi dari Machine Learning juga banyak diterapkan dalam bidang
finansial untuk membantu memprediksi maupun mengambil keputusan.
CONTOH IMPLEMENTASI MACHINE LEARNING
• Search and Recomendation Engine, Machine Learning juga
diterapkan untuk memaksimalkan fungsi pencarian dan
rekomendasi oleh situs pencari, e-commerce dan media sosial.

• Speech Understanding, Ini berhubungan dengan suara

manusia dan cabang ilmu komputer lainnya yaitu Natural
Language Processing (NLP).
 LANGKAH-
04 LANGKAH
DALAM
MENGEMBANGKAN
MACHINE LEARNING
 LANGKAH-LANGKAHNYA:
MENGUMPULKAN DATA

Proses pengumpulan data dilakukan dengan

mengambil contoh dari berbagai sumber
informasi, seperti di Internet dan media cetak.
Data yang dikumpulkan adalah data yang
disebarkan secara bebas ke publik.
 LANGKAH-LANGKAHNYA:

MEMPERSIAPKAN DATA MASUKAN

Pada hal ini data masukan yang disiapkan
adalah data masukan yang sesuai dengan
format yang dibutuhkan untuk analisis.
 LANGKAH-LANGKAHNYA:
MENGANALISIS DATA MASUKAN
Setelah proses pertama dan kedua dilakukan, maka
hal selanjutnya yang harus dilakukan adalah
menganalisis data masukan dan untuk menganalisis
dapat dilakukan dengan melihat pola data dan juga
dengan memisahkan data berdasarkan dimensi
masing-masing data.
 LANGKAH-LANGKAHNYA:
MELATIH ALGORITMA
Pada langkan ini pengguna “memberi
makan” algoritma dengan data yang
berkualitas, dan nantinya algoritma akan
mengolah data tersebut menjadi informasi
serta menyimpannya.
 LANGKAH-LANGKAHNYA:
MENGUJI ALGORITMA
Pada langkah ini hal yang dilakukan
adalah melihat seberapa baik kualitas
algoritma yang telah dilatih pada tahap
sebelumnya.
 LANGKAH-LANGKAHNYA:
MENGGUNAKANNYA
Langkah ini merupakan langkah akhir untuk
algoritma yang diterapkan dalam suatu
program, sehingga dapat melakukan suatu
hal. Kemudian dilakukan pengecekan ulang
terhadap langkah-langkah sebelumnya.
05
PROSES
MACHINE LEARNING
 PROSESNYA MACHINE LEARNING
Adalah sama dengan data mining. Program machine learning
mendeteksi pola dalam data dan menyesuaikan tindakan program yang
sesuai. Sebagai contoh, Facebook News Feed berubah sesuai denga
interaksi pribadi pengguna dengan pengguna lain.
Machine learning bekerja dengan cara menemukan beberapa
hubungan antara fitur dan variable target. Untuk menguji algoritma,
biasanya dilakukan dengan satu set pelatihan data (training set) dan
data set yang terpisah, yang disebut test set.
 PROSESNYA MACHINE LEARNING
Machine learning bekerja dengan cara menemukan beberapa
hubungan antara fitur dan variable target. Untuk menguji algoritma,
biasanya dilakukan dengan satu set pelatihan data (training set) dan
data set yang terpisah, yang disebut test set. Pada awalnya, program
diberikan contoh-contoh training. Lalu test set diberikan ke program.
Variabel target untuk contoh dari test set yang tidak dberikan ke
program, dan program memutuskan tiap contoh masuk ke kelas mana
yang sesuai.
 TAHAP MACHINE LEARNING
Tahapan-tahapan metode machine learning dalam indoor localization
terdiri dari (Alpaydin, 2010):

❑ Tahap Pre-Learning,

1) Tahap identifikasi data dan knowledge source.

2) Tahap acquire data dan knowledge

3) Tahap preprocessing
 TAHAP MACHINE LEARNING
❑ Tahap Learning, Merupakan tahapan proses pembelajaran
pengenalan posisi yang dilakukan terhadap database
fingerprint dengan menggunakan algoritma k-Nearest
Neighborhood (k-NN) .

❑ Tahap Pro Learning, Merupakan tahapan penggunaan sistem

lokalisasi untuk pengujian RSS secara real time dalam
menghitung estimasi lokasi.
 APAKAH MACHINE LEARNING BERSIFAT DETERMISTIK?
Dalam machine learning, determinisme adalah strategi yang
digunakan saat menerapkan metode pembelajaran yang dijelaskan
di atas. Salah satu metode pelatihan yang diawasi, tidak diawasi,
dan metode pelatihan lainnya dapat dibuat deterministik
tergantung pada hasil yang diinginkan bisnis.

Rumusan masalah, pengambilan data, struktur, dan keputusan

penyimpanan akan menentukan apakah strategi deterministik atau
non-deterministik diadopsi.
THANK
you☺