→ Machine Learning Didefinisikan sebagai sebauh tipe kecerdasan buatan
Machine Learning (AI) yang menyediakan komputer dengan kemampuan untuk belajar dari data , tanpa secara eksplisit harus mengikuti instruksi yang terprogram. → Machine Learning berfokus pada pengembangan program-program komputer yang dapat mengajarkan dirinya sendiri untuk tumbuh dan berubah bila diberikan data baru. Contoh: • Sistem machine learning dapat dilatih pada pesan email untuk belajar membedakan antara pesan spam dan non-spam. Setelah pembelajaran, dapat digunakan untuk mengklasifikasikan pesan email baru ke kategori folder spam dan non-spam. • Pada kedokteran, program machine learning berguna untuk diagnosis penyakit. • Pada telekomunikasi, bentuk panggilan dianalisis untuk optimasi jaringan dan memaksimalkan kualitas layanan. • Pengenalan wajah, tiap wajah memiliki bentuk/pattern terdiri dari kombinasi mata, hidung, mulut pada lokasi tertentu di wajah. Definisi Machine Learning Machine Learning → Machine Learning membantu kita mencari solusi pada vision, speech recognition, dan robotika. Learning sebuah rule dari data juga dikenal sebagai knowledge extraction, rule merupakan model simple yang menjelaskan data. Misalkan: kita ingin memiliki sebuah sistem yang dapat memprediksi harga dari mobil bekas. Dengan input atribut mobil (merk, tahun, jarak tempuh, kapasitas mesin), output adalah harga mobil, maka output adalah sebuah nilai disebut dengan regresi. Misal X melambangkan atribut mobil dan Y harga mobil, kita dapat mengumpulkan training data dan machine learning akan mencocokkan sebuah fungsi ke data ini untuk mempelajari Y sebagai fungsi X, dengan: y=wx + wo Definisi Machine Learning Machine Learning → Proses Machine Learning sama dengan Data Mining. Kedua sistem ini mencari melalui data untuk mencari pola. Namun perbedaannya adalah Data Mining merupakan penggalian data untuk pemahaman manusia, sedangkan Machine Learning menggunakan data tersebut untuk meningkatkan pemahaman program sendiri yang mendeteksi pola dalam data dan menyesuaikan tindakan program yang sesuai.
→ Machine Learning terletak bersilang antara computer science, Teknik,
dan statistic. Machine Learning banyak diterapkan pada robot vision.
→ Untuk menguji Algoritma Machine Learning biasanya digunakan
dengan satu set pelatihan data (training set) dan dataset terpisah yang disebut test set. Definisi Machine Learning Machine Learning • Dalam machine learning, komputer mampu mengidentifikasi pola, mengadaptasi diri, dan meningkatkan kinerja seiring berjalannya waktu dengan berdasarkan pengalaman. Machine learning melibatkan: 1. Data: Data adalah bahan bakar utama untuk machine learning. Algoritma machine learning menggunakan data sebagai masukan untuk memahami pola, melakukan pelatihan, dan membuat prediksi. 2. Algoritma: Algoritma machine learning adalah instruksi-instruksi matematika yang memproses data. Algoritma ini digunakan untuk mengidentifikasi pola dalam data, membuat model statistik, dan mengambil keputusan berdasarkan model tersebut. Definisi Machine Learning Machine Learning Machine learning melibatkan: 3. Pelatihan (Training): Dalam proses pelatihan, model machine learning "diberi makan" dengan data pelatihan yang sudah memiliki label (data yang diketahui hasil yang benar). Model menggunakan data ini untuk memahami hubungan antara atribut dan label yang sesuai. 4. Prediksi dan Keputusan: Setelah pelatihan, model machine learning dapat digunakan untuk membuat prediksi atau keputusan berdasarkan data yang belum pernah dilihat sebelumnya. Model ini menerapkan pengetahuan yang diperoleh selama pelatihan untuk memprediksi label atau keluaran yang sesuai. Definisi Machine Learning Machine Learning • Machine learning digunakan dalam berbagai aplikasi, termasuk klasifikasi gambar, analisis teks, prediksi harga saham, pengenalan suara, diagnosa medis, penerjemahan bahasa, dan banyak lagi.
• Terdapat berbagai pendekatan dalam machine learning,
termasuk: o Supervised learning (pembelajaran berbimbing) o Unsupervised learning (pembelajaran tanpa pengawasan) o Reinforcement learning (pembelajaran perkuatan) o Dll. Supervised Learning • Metode supervised learning adalah salah satu teknik dalam machine learning di mana model atau algoritma diajari untuk mengidentifikasi pola dan membuat prediksi dengan Supervised memanfaatkan data yang telah diberi label. Learning • Dalam supervised learning, data pelatihan yang sudah memiliki label digunakan untuk melatih model sehingga dapat mengklasifikasikan atau memprediksi data yang belum diberi label. • Supervised learning adalah salah satu pendekatan yang paling umum digunakan dalam machine learning karena, dapat digunakan dalam berbagai jenis masalah, Model supervised learning yang baik dapat memberikan prediksi yang akurat berdasarkan data pelatihan yang diberikan. • Dalam supervised learning, algoritma mesin belajar menggunakan dataset pelatihan yang sudah dilabeli (tertag) untuk memprediksi atau mengklasifikasikan Supervised data yang tidak terlabel. Dalam konteks ini, mesin Learning "diberi panduan" dengan contoh-contoh yang sudah memiliki label, sehingga dapat belajar dan membuat prediksi yang sesuai. • Contoh: Klasifikasi email sebagai "spam" atau "non- spam." Algoritma akan dilatih pada sejumlah email yang telah ditandai sebagai spam atau non-spam, dan kemudian dapat memprediksi status email baru. • Penggunaan pendekatan Supervised Learning dalam kehidupan sehari-hari bisa ditemukan pada kasus prediksi harga saham, klasifikasi pelanggan, klasifikasi gambar dan Supervised lain-lain. Learning • Adapun algoritma-algoritma yang termasuk dalam Supervised Learning adalah : 1. Decision Trees 2. KNN (K-Nearest Neighbor) 3. Feature Extraction 4. Naïve Bayes 5. SVM (Support Vactor Machines) 6. Artificial Neural Network 7. Unsupervised Learning • Beberapa contoh model supervised learning yang umum digunakan: 1. Regresi Linier Supervised 2. Regresi Logistik Learning 3. K-Nearest Neighbors (K-NN) 4. Pohon Keputusan (Decision Trees) 5. Random Forest 6. Support Vector Machine (SVM) 7. Naive Bayes 8. Neural Networks 9. K-Means Clustering 10. Ensemble Learning Contoh Metode Supervised Learning 1. Regresi Linier (Linear Regression): Metode ini digunakan untuk memodelkan hubungan antara variabel dependen (target) dan variabel independen (fitur) dalam bentuk persamaan linier. Misalnya, memprediksi harga rumah Supervised berdasarkan luas tanah. Learning 2. Klasifikasi dengan K-Nearest Neighbors (KNN): Metode ini digunakan untuk mengklasifikasikan data ke dalam kategori tertentu berdasarkan sebagian besar tetangga terdekatnya. Misalnya, mengklasifikasikan jenis bunga berdasarkan atribut seperti panjang kelopak dan mahkota. 3. Pohon Keputusan (Decision Trees): Metode ini digunakan untuk membuat keputusan berdasarkan serangkaian aturan yang berhirarki. Misalnya, prediksi apakah seorang pelanggan akan membeli produk tertentu berdasarkan sejarah pembelian mereka. Unsupervised Learning Unsupervised Learning • Unsupervised Learning merupakan sebuah pemodelan dimana algoritmanya memodelkan sekumpulan input secara otomatis tanpa adanya panduan output yang diinginkan. • Unsupervised Learning kita mengolah data yang tidak memiliki label, sehingga tujuan kita dalam menggunakan Unsupervised Learning adalah mengelompokkan suatu data yang hampir sama dengan data tertentu. • Unsupervised Learning kita juga tidak membutuhkan data training loh Sobat Data dalam melakukan prediksi maupun klasifikasi. • Contoh: Unsupervised Learning o menggunakan Unsupervised Learning dalam melakukan segmentasi pelanggan pada toko X. o Pengelompokan (clustering) data konsumen berdasarkan perilaku belanja mereka. Algoritma akan mengidentifikasi kelompok-kelompok yang serupa tanpa mengetahui apa yang membedakan kelompok tersebut. • Algoritma yang termasuk dalam Unsupervised Learning sebagai berikut : 1. K-means 2. Hierarchical Clustering 3. DBSCAN 4. Fuzzy C-Means 5. Self-Organizing Map Unsupervised Learning Contoh Metode Unsupervised Learning:
1. Pengelompokan dengan K-Means Clustering :
Misalnya, mengelompokkan pelanggan toko online ke dalam kelompok yang memiliki preferensi produk yang serupa. 2. Pengurangan Dimensi dengan Principal Component Analysis (PCA): Misalnya, mengurangi dimensi fitur dalam analisis gambar. 3. Association Rule Learning: Misalnya, mengidentifikasi asosiasi antara produk dalam transaksi pembelian • Dapat disimpulkan bahwa ketika kita akan melakukan pengolahan data yang memiliki target klasifikasinya, kita dapat menggunakan algoritma-algoritma pada Supervised Learning. Sebaliknya, jika dalam proses pengolahan kita hanya ingin membagi data ke dalam kelompok-kelompok tertentu, maka dapat menggunakan Unsupervised Learning.
Kesimpulan • Metode Supervised Learning dan Unsupervised Learning
digunakan dalam berbagai aplikasi, termasuk analisis data, pengenalan pola, prediksi, pengelompokan, dan pengambilan keputusan.
• Dalam Unsupervised Learning, algoritma mesin belajar digunakan
untuk mengidentifikasi pola, hubungan, atau kelompok dalam data tanpa memerlukan label atau panduan sebelumnya. Ini sering digunakan dalam eksplorasi data dan penggalian pengetahuan dari dataset yang besar. Kesimpulan Terima Kasih Sampai jumpa di pertemuan selanjutnya Kerjakanlah soal-soal dibawah ini! 1. Apa perbedaan utama antara supervised learning dan unsupervised learning dalam machine learning? 2. Mengapa dataset yang telah dilabeli (tertag) penting dalam supervised learning? 3. Anda sedang membangun model untuk mengklasifikasikan gambar berdasarkan jenis bunga. Apa yang akan menjadi "fitur" dalam supervised TUGAS learning ini? 4. Sebuah perusahaan ingin memprediksi penjualan produk mereka berdasarkan faktor-faktor tertentu. Bagian dari pendekatan ini melibatkan pengukuran suhu dan cuaca setiap hari. Metode supervised learning mana yang paling sesuai untuk masalah ini, dan mengapa? 5. Anda memiliki dataset pelanggan yang berisi informasi seperti umur, pendapatan, dan preferensi pembelian. Bagaimana Anda bisa menggunakan unsupervised learning untuk mengidentifikasi kelompok pelanggan yang serupa berdasarkan preferensi pembelian mereka? Kumpulkan di LMS (Pertemuan 3), batas pengumpulan hari Rabu 25 Okt 2023.