Signal processing

June 1, 2012

WHAT IS SUPERVISED LEARNING

Ada beberapa algoritma yang digunakan dalam Machine Learning, yakni: Supervised Learning (Pembelajaran Terawasi) Unsupervised Learning (Pembalajaran tak Terawasi) Reinforcement Learning Recommender Systems

Tapi dalam banyak penelitian 2 algoritma teratas merupakan algoritma yang sering digunakan. Dalam artikel ini akan dibahas secara singkat tapi jelas mengenai apa itu supervised learning atau pembelajaran terawasi. Supervise Learning (dalam hal ini saya singkat dengan SL) secara sederhana diartikan sebagai pembelajaran dengan kondisi telah diberikan target atau jawaban yang benar. Sebuah sistem yang menggunakan tipe algoritma ini akan memberikan keputusan terhadap sebuah masalah berdasarkan jawaban yang telah diberikan/dipetakan kepada nya. SL pada dasarnya terbagi pada 2 kelompok besar, yakni: Regression (regresi) yang disematkan pada aktifitas untuk memprediksi output (sasaran) bernilai kontinyu. Classification (klasifikasi) yang disematkan pada aktifitas untuk memprediksi output (sasaran) bernilai diskret. Determinasi kontinyu dan diskret tidak akan dijelaskan di artikel ini. Diharapkan anda sudah mengerti atau bisa mencari tahu apa arti dari kedua istilah tersebut. Lalu apa yang membedakan mereka? Untuk menjelaskan ini, saya akan sertai dengan masing-masing contoh agar dapat dengan mudah dipahami. Regression (regresi) Misalkan saya punya data berat badan dan tinggi badan dari 11 orang anak.

[janshendry@gmail.com]

Page 1

Signal processing

June 1, 2012

lalu saya punya data baru yakni berat badan anak ke-12 sebesar 63 Kg. Dengan menggunakan Supervised Learning kita akan memperkirakan (estimasi) tinggi dari anak tersebut.

115

63

[janshendry@gmail.com]

Page 2

Signal processing

June 1, 2012

Lalu pada gambar di atas, kita kasih garis berupa garis merah solid lurus yang artinya garis linier. Apa yang kita lakukan adalah melakukan curve fitting. Kemudian kita bisa menentukan estimasi (perkiraan) tinggi dari seorang anak berberat badan 63 Kg yakni sebesar 115 cm. Nah, nilai ini bisa saja berubah jika kita mengubah jenis kurva menjadi kuadratik seperti gambar di bawah

124

63

Ternyata tinggi badan si anak hasil estimasi adalah 124 cm. Tampak bahwa hasil estimasi bisa berubah tergantung pada kurva yang kita gunakan. Namun, yang ingin disampaikan adalah bahwa nilai-nilai alami seperti ini walaupun diskrit pada dasarnya bisa tidak diskrit karena asumsi kita bahwa nilai-nilai untuk kasus sejenis adalah kontinyu. Walaupun pada kenyataannya kita bisa melakukan rounding (pembulatan) ke atas ataupun ke bawah untuk mendapatkan angka bulat tapi tetap ini merupakan nilai real yang kontinyu. Contoh lainnya adalah besaran uang dan lain-lain. Nah, inilah alasannya kita mengatakan bahwa masalah seperti ini disebut dengan Regression Problem. Classification (Klasifikasi) Untuk klasifikasi, sangat banyak contoh yang bisa digunakan. Dengan menggunakan klasifikasi kita menyederhanakan sebuah pengambilan keputusan pada kelas-kelas tertentu. Kelas-kelas tersebut berupa bilangan biner 0, 1, 2 dan seterusnya. Untuk memperjelas, kita perhatikan

[janshendry@gmail.com]

Page 3

Signal processing

June 1, 2012

contoh tentang klasifikasi sebuah meja atau kursi berdasarkan tingginya. Apa yang dicontohkan ini tentu tidak mutlak benar karena hanya menggunakan 1 variabel saja. Tapi yang ingin ditunjukkan di sini adalah bagaimana cara kerja klasifikasi secara sederhana.

Untuk kelas tersebut verbalnya adalah Lemari (logical 1) dan Meja (logical 0). Untuk data ukuran tinggi (dalam cm) adalah
xdata=[130,60,90,160,180,70,75,170,175,150];

Kita memiliki 2 buah target yakni 0 dan 1. Jumlah target bisa melebihi dari 2 untuk kasus lainnya sehingga kelas bisa menjadi 0, 1, 2 dan seterusnya. Kelas ini bernilai diskret. Yang kita lakukan dengan mengelompokkan berbagai input yang berbeda ke dalam kelas-kelas tertentu yang bernilai diskret. Masalah ini kerap disebut sebagai Classification Problem.

Jenis-jenis Regressi dan Klasifikasi tidak menjadi concern di artikel ini. Semoga artikel ini bisa membantu.

@ thanks...
Inspired by: https://class.coursera.org/ml/lecture/view?lecture_id=3

[janshendry@gmail.com]

Page 4