supervised dan unsupervised

machine learning
Maryona Septiara
Machine Learning
 Definisi Machine Learning

→ 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.