TUGAS AI

RAIHAN FATURRAHMAN
2212101167
S1TT-10-K1

1. Jelaskan algoritma KNN, SVM, Decission Tree, Random Forest, Naïve Bayes, Neural
Network, Multi Layer Perceptron, Convolusional Neural Network, Generative
Adversarial Network
Jawab:

K-Nearest Neighbors (KNN):

Algoritma KNN adalah metode pembelajaran mesin yang berdasarkan pada
pengklasifikasian berdasarkan "kedekatan" dengan tetangga terdekat dalam ruang
fitur. Dalam KNN, setiap data diwakili oleh fitur-fiturnya dan ditentukan oleh
mayoritas label dari K tetangga terdekatnya.

Support Vector Machine (SVM):

SVM adalah algoritma pembelajaran mesin yang digunakan untuk masalah klasifikasi
dan regresi. Tujuan utama SVM adalah mencari hyperplane yang memaksimalkan
margin antara dua kelas yang berbeda. SVM juga dapat menggunakan kernel untuk
menggeneralisasi ke ruang fitur yang lebih tinggi.

Decision Tree (Pohon Keputusan):

Pohon Keputusan adalah model prediktif yang menggunakan struktur pohon untuk
menggambarkan dan memecahkan masalah klasifikasi atau regresi. Setiap simpul
dalam pohon mewakili keputusan berdasarkan fitur-fitur yang relevan, dan setiap
cabang yang keluar dari simpul melambangkan kemungkinan hasil keputusan.

Random Forest:
Random Forest adalah ensemble learning yang menggabungkan beberapa pohon
keputusan untuk melakukan klasifikasi atau regresi. Algoritma ini menggunakan
kombinasi hasil dari beberapa pohon keputusan untuk menghasilkan prediksi yang
lebih akurat.

Naïve Bayes:
Naïve Bayes adalah algoritma klasifikasi yang berdasarkan pada Teorema Bayes
dengan asumsi "naïve" bahwa setiap fitur dalam data independen satu sama lain.
Dengan menghitung probabilitas kelas berdasarkan fitur-fitur yang diberikan,
algoritma ini dapat digunakan untuk klasifikasi.

Neural Network (Jaringan Saraf Tiruan):

Jaringan Saraf Tiruan adalah model komputasi yang terinspirasi oleh struktur dan
fungsi otak manusia. Mereka terdiri dari neuron buatan yang terhubung dalam
lapisan-lapisan, dan setiap neuron memproses input dan mengirimkan sinyal ke
neuron lainnya. Jaringan ini dapat digunakan untuk tugas-tugas seperti klasifikasi,
regresi, atau pengenalan pola.
Multi-Layer Perceptron (MLP):
MLP adalah salah satu jenis jaringan saraf tiruan yang paling umum. Ini terdiri dari
beberapa lapisan neuron, termasuk lapisan input, lapisan tersembunyi, dan lapisan
output. MLP menggunakan algoritma pembelajaran berbasis gradien untuk
memperbarui bobot dan melatih jaringan agar dapat melakukan prediksi yang akurat.

Convolutional Neural Network (CNN):

CNN adalah jenis jaringan saraf tiruan yang biasanya digunakan untuk tugas
pengenalan gambar atau visual. CNN memiliki lapisan konvolusi yang
memungkinkannya untuk mengekstraksi fitur-fitur penting dari data gambar secara
otomatis, dan biasanya diikuti oleh lapisan-lapisan tersembunyi dan output untuk
melakukan klasifikasi.

Generative Adversarial Network (GAN):

GAN adalah jenis arsitektur jaringan saraf tiruan yang terdiri dari dua bagian utama:
generator dan diskriminator. Generator bertugas menciptakan data sintetis yang
menyerupai data pelatihan, sementara diskriminator berusaha membedakan antara
data asli dan data sintetis. GAN digunakan untuk menghasilkan data baru yang
realistis, seperti gambar atau suara, berdasarkan data pelatihan yang ada.