LAPORAN PRAKTIKUM KECERDASAN BUATAN

Di buat untuk memenuhi tugas yang diampu oleh :

Fitri Nuraeni, S.Kom., M.Kom.

Disusun Oleh:

Dikdik (2006165)

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU

KOMPUTER INSTITUT TEKNOLOGI GARUT 2023
 KATA PENGANTAR
Puji syukur saya panjatkan kehadirat Allah SWT yang telah memberikan
rahmat serta karunia-Nya kepada saya sehingga saya bisa menyelesaikan laporan
ini untuk memenuhi salah satu tugas Laporan dengan tepat waktu dan tidak lupa
saya mengucapkan terima kasih kepada segenap pihak yang membantu dalam
pembuatan laporan ini.
Saya menyadari bahwa laporan ini masih juah dari kata sempurna, oleh karena
itu untuk kritik dan saran dari semua pihak yang bersifat membangun selalu kami
harapkan demi kehampir sempurnaan laporan ini.

Garut, 09 Mei 2023

Dikdik

i
 DAFTAR ISI
KATA PENGANTAR................................................................................................................ i
PEMBAHASAN ..................................................................................................................... 1
A. Tujuan praktikum .................................................................................................... 1
B. Landasan Teori........................................................................................................ 1
1. Supervised Learning (Pembelajaran Terawasi): ................................................. 1
2. Unsupervised Learning (Pembelajaran Tanpa Pengawasan): ............................. 1
3. Reinforcement Learning (Pembelajaran Penguatan): ......................................... 1
4. Semi-Supervised Learning (Pembelajaran Semi-Terawasi): .............................. 1
5. Transfer Learning (Pembelajaran Transfer): ....................................................... 2
C. Hasil praktikum ....................................................................................................... 2
1. Decision Tree (Classifiaction) ............................................................................ 2
2. K-Means (Clustering) ......................................................................................... 7
1. Tahapan Machine Learning Menggunakan Python ................................................ 8
1. Decision Tree (Classification) ............................................................................ 9
2. K-Means (Clastering)........................................................................................ 10
Kesimpulan........................................................................................................................ 11

ii
 PEMBAHASAN
A. Tujuan praktikum
Adapun tujuan dari praktikum ini adalah untuk mempraktekan Tahapan
Machine Learning Decision Tree (Classifiaction) dan K-Means (Clustering)
menggunakan rapin miner dan python.
B. Landasan Teori
Konsep learning pada kecerdasan buatan merujuk pada kemampuan sistem
untuk belajar dari data dan pengalaman, dan secara otomatis meningkatkan kinerja
atau melakukan tugas-tugas tertentu tanpa adanya pemrograman eksplisit. Terdapat
beberapa konsep utama dalam learning pada kecerdasan buatan, di antaranya:
1. Supervised Learning (Pembelajaran Terawasi):
Dalam supervised learning, sistem belajar dari data yang telah dilabeli dengan
benar. Data latihan terdiri dari pasangan input dan output yang sesuai. Tujuan dari
sistem adalah untuk mempelajari pemetaan fungsi dari input ke output.
Contoh algoritma yang digunakan dalam supervised learning adalah Regresi
Linear, Decision Tree, Random Forest, Support Vector Machines (SVM), dan
Neural Networks.
2. Unsupervised Learning (Pembelajaran Tanpa Pengawasan):
Dalam unsupervised learning, sistem belajar dari data yang tidak dilabeli. Tidak
ada informasi yang diberikan mengenai output yang diharapkan. Tujuan dari sistem
adalah untuk menemukan pola atau struktur tersembunyi dalam data.
Contoh algoritma yang digunakan dalam unsupervised learning adalah Clustering
(seperti K-Means dan Hierarchical Clustering), Reduksi Dimensi (seperti Principal
Component Analysis atau PCA), dan Association Rule Learning.
3. Reinforcement Learning (Pembelajaran Penguatan):
Dalam reinforcement learning, sistem belajar melalui interaksi dengan
lingkungan dan mendapatkan umpan balik berupa reward atau hukuman. Tujuan
dari sistem adalah untuk mempelajari keputusan-keputusan atau kebijakan yang
optimal untuk mencapai tujuan tertentu.
Contoh algoritma yang digunakan dalam reinforcement learning adalah Q-
Learning, Deep Q-Networks (DQN), dan Actor-Critic.
4. Semi-Supervised Learning (Pembelajaran Semi-Terawasi):
Dalam semi-supervised learning, sistem belajar dari kombinasi data yang
dilabeli dan tidak dilabeli. Dalam banyak kasus, data tidak dilabeli lebih melimpah
daripada data yang dilabeli. Sistem menggunakan data dilabeli untuk membangun
model dan kemudian menggunakan data tidak dilabeli untuk meningkatkan
performa model.

1
 Contoh algoritma yang digunakan dalam semi-supervised learning adalah Label
Propagation, Expectation-Maximization (EM), dan Self-Training.
5. Transfer Learning (Pembelajaran Transfer):
Dalam transfer learning, pengetahuan yang telah dipelajari dari satu tugas atau
domain digunakan untuk mempercepat atau meningkatkan kinerja pada tugas atau
domain yang berbeda. Model yang telah dilatih pada tugas yang mirip atau domain
yang terkait dapat digunakan sebagai titik awal untuk tugas baru.
Transfer learning dapat mengurangi waktu dan sumber daya yang diperlukan
untuk melatih model baru dari awal, terutama ketika dataset pelatihan baru terbatas.
Dalam implementasi machine learning menggunakan RapidMiner dan Python,
konsep-konsep ini dapat diterapkan menggunakan algoritma dan operator-operator
yang sesuai untuk masing-masing jenis pembelajaran.
C. Hasil praktikum
Berikut tahapan dengan menggunakan rapid miner
1. Decision Tree (Classifiaction)
Buka RapidMiner Studio dan buatlah sebuah proses baru. Pilih New Process,
Drag and drop operator Read Excel, Lalu, klik operator Read Excel sehingga di
menu parameters terlihat seperti berikut.

2
 Selanjutnya klik Import Configuration Wizard, lalu pilih file excel yang
akan di inputkan. Maka akan muncul tampilan seperti gambar di bawah, kemudian
klik Next-Next dan jika dirasa data yang diinputkan sudah bener klik finish.

3
Lalu, klik operator Set Role sehingga di menu parameters terlihat seperti berikut.

4
Pada kolom name pilih variabel yang akan di jadikan label, dan di kolom target
role pilih label. Kemudian jalankan, maka akan tampil seperti berikut.

5
 Selanjutnya, Drag and drop operator Decision Tree, Apply Model, Split
Data dan Performance dari panel operator di sebelah kiri ke proses di workspace
sehingga terlihat seperti berikut.

Lalu, klik operator Split Data sehingga di menu parameters terlihat seperti
berikut, setelah itu klik Edit Enumeration untuk menentukan dataset ini akan dibagi
menjadi berapa persen untuk data training dan data testingnya. Untuk kali ini,
dataset akan dibagi 70% untuk data training dan 30% untuk data testing, maka buat
entry seperti berikut.

6
Setelah itu jalankan, maka hasilnya akan seperti berikut.

2. K-Means (Clustering)
Unttuk kasus clustering,saya akan menggunakan dataset yang berbeda dengan yang
sebelumnya. Untuk melakukannya, hapus operator Decision Tree, Apply Model
dan Performance. Setelah itu, tarik dan letakkan operator K-Means dan Cluster
Distance Performance ke workspace dan sambungkan antar opeartornya sehingga
seperti berikut.

7
Lalu, klik operator clustering dan ubah nilai k pada parameter menjadi 3 seperti
berikut.

Setelah itu, jalankan dan akan tampil seperti berikut.

1. Tahapan Machine Learning Menggunakan Python

Import file dengan mengetika kode seperti di bawah

8
 Siapkan terlebih dahulu library yang akan digunakan, berikut merupakan
library yang akan digunakan.

Mengimport dataset

Cek missing value dan tipe data untuk melihat apakah ada data yang tidak sesuai

Menentukan label dan atribut serta membagi dataset menjadi dataset training dan
dataset testing

1. Decision Tree (Classification)

Berikut adalah kode program untuk membuat model menggunakan algoritma
Decision Tree
• Melatih model

9
 • Nilai akurasi dari model yang sudah dilatih

• Visualisasi model yang sudah dilatih

2. K-Means (Clastering)
Berikut adalah kode program untuk membuat model menggunakan
algoritma K-Means
• Melatih model

• • Nilai Davies Bouldin Index (DBI) dari model yang sudah dilatih

• Visualisasi model yang sudah dilatih

10
 Kesimpulan
Dengan mengikuti tahapan-tahapan diatas, kita dapat membangun dan
melatih model machine learning yang efektif untuk memecahkan masalah yang kita
hadapi. Penting untuk memahami dan menganalisis data dengan cermat, serta
melakukan evaluasi dan penyempurnaan terus-menerus untuk memastikan
performa model yang optimal.

11