MACHINE

LEARNING
DISUSUN OLEH: RANGGA BHAKTY ISKANDAR, S.PD., GR.

SEKOLAH INDONESIA KOTA KINABALU

 “Machine learning merupakan bagian dari kecerdasan buatan yang dapat mempelajari pola atau data secara
otomatis” (Sumber: Pexels)

Menurut IBM, machine learning merupakan cabang dari kecerdasan buatan (AI) dan ilmu komputer yang berfokus
pada penggunaan data dan algoritma untuk meniru cara manusia belajar dan secara bertahap dapat meningkatkan
akurasinya. Machine learning merupakan komponen penting dari bidang ilmu tentang perkembangan data. Melalui
penggunaan statistik, algoritma machine learning dilatih untuk membuat klasifikasi atau prediksi dalam
pengembangan data.

Secara umum bisa dikatakan bahwa machine learning adalah metode analisis data yang dilakukan dengan
otomatisasi pembuatan model analitis. Sebagai cabang dari AI, machine learning didasarkan pada gagasan bahwa
sistem dapat belajar dari data, mengidentifikasi pola, dan membuat keputusan dengan sedikit intervensi manusia
dalam proses tersebut.
 Program machine learning
mengikuti cara belajar manusia,
belajar dari contoh dan
masalah sebelumnya.
 MACAM MACAM
MACHINE LEARNING
MACAM-MACAM MACHINE
LEARNING
SUPERVISED LEARNING

• Metode supervised learning dilakukan dengan pemberian label pada dataset  yang digunakan
oleh machine learning dan diklasifikasikan oleh pengembang dengan memungkinkan algoritma melihat
tingkat akurasi kinerjanya. Pengawasan machine learning dalam metode ini dilakukan oleh data berlabel
yang nantinya membuat machine learning mempelajari apa hubungan dan ketergantungan antar data.
• Cara kerja metode ini adalah memasukkan informasi sebagai input dan data berlabel sebagai hasil
atau output. Input dalam machine learning pinjaman bank misalnya dapat berupa data rinci seperti usia,
gaji, jumlah pinjaman, jumlah terutan, riwayat pinjaman, dan lain sebagainya. Sedangkan output-nya
dapat berupa hasil dari keseluruhan jumlah orang yang membayar pinjaman dan berapa jumlah orang
gagal membayar. 
SEMI-SUPERVISED
LEARNING (UNSUPERVISED)

Metode semi-supervised learning bisa disebut juga sebagai metode machine learning tanpa pengawasan.

Sehingga, prosesnya dilakukan pada dataset mentah yang tidak berlabel dan algoritma machine
learning akan mencoba mengidentifikasi pola dan relasi antar data tanpa bantuan dari pengembang.

Metode unsupervised learning pada umumnya memang tidak ada bantuan dari manusia agar komputer
benar-benar mempelajari sebuah data dan relasinya secara mandiri. Dalam kasusnya, dataset tidak berlabel
dan mesin secara komputasi akan mengidentifikasi pola dalam data. Unsupervised learning digunakan
untuk memudahkan pengembang mengambil keputusan.

Dalam kasus machine learning pinjaman bank tadi, sebuah unsupervised learning dapat mendeteksi

anomali atau mengungkap transaksi atau pembayaran yang curang. Unsupervised learning dapat secara
otomatis mencari informasi setelah mengelompokkan pola dari semua data peminjam dari sebuah bank dan
memunculkannya sebagai sebuah output tanpa harus memasukkan data berlabel secara rinci.
REINFORCEMENT LEARNING
Metode machine learning yang satu ini dijalankan dengan menggunakan dataset bersistem
“rewards/punishment” dan menawarkan umpan balik ke algoritma untuk belajar dari pengalamannya secara
coba-coba (random). Metode “coba-coba” ini hampir sama dengan sistem pemahaman pola yang dilakukan
manusia yaitu belajar dari percobaan.

Hal ini yang lantas membuat metode ini disebut sebagai machine learning dengan tipe penguatan pembelajaran.
Algoritma dalam metode ini akan belajar secara terus-menerus dari lingkungan atau kebiasaan interaksi yang
berhubungannya dengannya. Dari sana nantinya algoritma akan mendapat “rewards” atau “punishment”
sebagai impresi positif dan negatif berdasarkan tindakan percobaannya.

Dalam kasus machine learning pinjaman bank, algoritma reinforcement learning akan mengklasifikasikan

pelanggan berisiko tinggi secara default dan akan mengelompokkan pelanggan yang gagal bayar sebagai aspek
negatif secara otomatis.
METODE SUPERVISED
& UNSUPERVISED
LEARNING
BESERTA APLIKASINYA DI DUNIA NYATA
METODE SUPERVISED LEARNING

Sesuai namanya, algoritma supervised learning merupakan algoritma machine learning yang
proses pembelajarannya di bawah pengawasan guru atau supervisor. Algoritma ini
memerlukan data berlabel untuk membangun sebuah model yang tingkat akurasinya bisa
ditingkatkan dari waktu ke waktu. Semakin banyak model tersebut mengolah data, maka
tingkat keakurasiannya juga akan semakin tinggi. Dalam algoritma supervised learning,
terdapat dua variabel, yaitu variabel input yang biasa disebut variabel X dan variabel output
yang biasa disebut variabel Y. Tujuan algoritma supervised learning adalah untuk
mempelajari fungsi pemetaan dari variabel X ke variabel Y. Rumus umum pemetaan variabel
X dan Y adalah Y = f(X). Tujuan akhir dari algoritma supervised learning adalah untuk
memperkirakan fungsi pemetaan (f) agar kita dapat memprediksi variabel Y ketika kita
memiliki data input (variabel X) yang baru. 
METODE UNSUPERVISED LEARNING

Konsep dasar dalam algoritma supervised learning adalah proses pembelajaran yang diawasi
oleh guru, sedangkan dalam algoritma unsupervised learning, proses pembelajaran lebih
bebas karena tidak ada pengawasan. Algoritma unsupervised learning lebih bebas dalam
proses eksplorasi data karena tidak memiliki data label dan bisa mencari karakteristik data
yang tersembunyi. Algoritma ini menggunakan titik data sebagai referensi untuk menemukan
struktur dan pola yang ada di dalam data set. 
APLIKASI MACHINE LEARNING YANG MENGGUNAKAN
SUPERVISED LEARNING PADA DUNIA NYATA
Supervised learning dapat dimanfaatkan untuk memprediksi harga rumah, mengklasifikasikan suatu benda,
memprediksi cuaca, dan kepuasan pelanggan. Dalam memprediksi harga rumah, data yang harus kita miliki
adalah ukuran luas, jumlah kamar, fitur, fasilitas, dan lain sebagainya. Kemudian, kita harus memiliki data harga-
harga rumah. Data-data ini merupakan data-data berlabel. Dengan memanfaatkan data dari ribuan rumah, kita
dapat melatih model supervised learning untuk memprediksi harga rumah berdasarkan data-data yang sudah
diketahui sebelumnya. Salah satu contoh pengaplikasian supervised learning yang paling menarik adalah
memprediksi kondisi cuaca di lokasi tertentu. Untuk membuat prediksi cuaca yang benar, kita perlu
memperhitungkan berbagai parameter, termasuk data suhu dari waktu ke waktu, curah hujan, angin,
kelembaban, dan lain sebagainya. Metode yang tepat untuk memprediksi suhu adalah metode regresi dengan
label output berupa data kontinu, sedangkan metode untuk memprediksi turunnya salju adalah metode klasifikasi
binar. Metode supervised learning yang paling populer adalah klasifikasi. Metode ini digunakan e-commerce
untuk memprediksi sentimen teks dari tweets atau ulasan produk mereka. Jika tweets atau ulasan produk masuk
ke dalam kelas positif, maka dapat diartikan bahwa pelanggan puas dengan produk tersebut. 
APLIKASI MACHINE LEARNING DENGAN
MENGGUNAKAN UNSUPERVISED LEARNING PADA
DUNIA NYATA
Supervised learning dapat dimanfaatkan untuk memprediksi harga rumah, mengklasifikasikan suatu
benda, memprediksi cuaca, dan kepuasan pelanggan. Dalam memprediksi harga rumah, data yang
harus kita miliki adalah ukuran luas, jumlah kamar, fitur, fasilitas, dan lain sebagainya. Kemudian, kita
harus memiliki data harga-harga rumah. Data-data ini merupakan data-data berlabel. Dengan
memanfaatkan data dari ribuan rumah, kita dapat melatih model supervised learning untuk
memprediksi harga rumah berdasarkan data-data yang sudah diketahui sebelumnya. Salah satu
contoh pengaplikasian supervised learning yang paling menarik adalah memprediksi kondisi cuaca di
lokasi tertentu. Untuk membuat prediksi cuaca yang benar, kita perlu memperhitungkan berbagai
parameter, termasuk data suhu dari waktu ke waktu, curah hujan, angin, kelembaban, dan lain
sebagainya. Metode yang tepat untuk memprediksi suhu adalah metode regresi dengan label output
berupa data kontinu, sedangkan metode untuk memprediksi turunnya salju adalah metode klasifikasi
binar. Metode supervised learning yang paling populer adalah klasifikasi. Metode ini digunakan e-
commerce untuk memprediksi sentimen teks dari tweets atau ulasan produk mereka. Jika tweets atau
ulasan produk masuk ke dalam kelas positif, maka dapat diartikan bahwa pelanggan puas dengan
produk tersebut. 
SUMBER PUSTAKA

• https://www.dqlab.id/kenali-3-tipe-machine-learning-yang-sering-digunakan
• https://www.ekrut.com/media/apa-itu-machine-learning
 DEEP LEARNING
TUGAS SESI-3
DISUSUN OLEH: RANGGA BHAKTY ISKANDAR, S.PD., GR.

SEKOLAH INDONESIA KOTA KINABALU

 APA ITU DEEP LEARNING ?

Deep Learning atau Deep Neural Networks (DNN)

merupakan subclass dari algoritma machine learning.
Semua teknik machine learning dikatakan shallow,
kecuali yang menggunakan konsep deep (berlapis-
lapis)
 ARTIFICIAL NEURAL NETWORK (ANN)
ANN MERUPAKAN INTI DARI DEEP LEARNING

• Artificial Neuron Network (ANN), atau simulated neural network (SNN), atau
neural network (NN)),atau yang biasa disebut juga Jaringan Saraf Tiruan (JST)
adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan
berdasarkan sistem saraf manusia. ANN merupakan sistem adaptif yang dapat
mengubah strukturnya untuk memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh
karena sifatnya yang adaptif, ANN juga sering disebut dengan jaringan adaptif.
• ANN adalah model machine learning yang memperoleh inspirasi dari neuron
biologis (biological neuron) yang ditemukan pada otak. ANN sangat beragam,
powerful, dan mudah untuk diskalakan, sehingga ANN sangat ideal untuk
menghandel pekerjaan-pekerjaan machine learning yang besar dan sangat Jaringan saraf tiruan merupakan
kompleks seperti klasifikasi miliaran gambar (mis. Google Images), mem- jaringan dari unit pemroses kecil yang
saling terhubung, yang dimodelkan
perkuat servis speech recognition (mis. Apple’s Siri), merekomendasikan video berdasar jaringan saraf (neuron)
terbaik untuk diton- ton oleh ratusan juta orang setiap hari (mis. YouTube), jaringan saraf.
atau berusaha mengalahkan juara dunia Game of Go (DeepMind’s AlphaGo).
 MULTI LAYER PERCEPTRON (MLP)
MLP MERUPAKAN NEURAL NETWORK DENGAN PROPAGASI FEED- FORWARD, FULLY-CONNECTED LAYER, DAN SEDIKITNYA TERDAPAT
SATU HIDDEN LAYER

MLP merupakan Supervised Machine Learning yang dapat mengatasi Single Layer Perceptron
permasalahan yang tidak lineary separable. Sehingga kelebihan ini dapat
digunakan untuk menyelesaikan permasalahan yang tidak dapat
diselesaikan oleh Single Layer Perceptron (SLP). SLP hanya mampu
menyelesaikan permasalahan yang linear saja.
Problem sederhana yang dapat diselesaikan MLP diantaranya
permasalahan logika XOR.
Multiple Layer Perceptron:

Terilhat pada gambar di atas bahwa Logika XOR tidak dapat dapat dibagi menjadi
dua kelas dengan cara menarik satu garis lurus saja. Hal ini yang menyebabkan
Logika XOR tidak dapat diselesaikan oleh SLP, sehingga kita akan gunakan MLP
untuk penyelesaianya.Terilhat pada Gambar 1, Logika XOR tidak dapat dapat
dibagi menjadi dua class dengan cara menarik satu garis lurus saja. Hal ini yang
menyebabkan Logika XOR tidak dapat diselesaikan oleh SLP, sehingga kita akan
gunakan MLP untuk penyelesaianya.
PENGEMBANGAN DARI ANN KE DEEP
LEARNING
Deep learning menggunakan Artificial Neural Network (ANN) yang merupakan mesin proses informasi yang
dimodelkan pada struktur dan tindakan jaringan saraf biologis pada otak.
Kita dapat mendefinisikan deep learning sebagai bagian dari teknik-teknik machine learning dimana informasi
diproses pada layer-layer yang berjenjang untuk memahami representasi-representasi dan feature-feature dari
data dengan level kompleksitas yang semakin tinggi. Secara praktis, semua algoritma-algoritam deep learning
adalah berbasis neural network dengan sifat-sifat dasar yang sama. DNN terdiri dari neuron-neuron yang saling
terhubung dan disusun dalam bentuk layer-layer. Perbedaan algoritma DNN satu dengan yang lain biasanya
terletak pada arsitektur network-nya dan bisa jadi juga berbeda bagaimana algoritma tersebut dilatih (training).
Beberapa algoritma yang populer diantaranya adalah sebagai berikut:
• Mulitlayer Perceptrons (MLPs)
• Convolutional Neural Networks (CNNs)
• Recurrent Neural Networks (RNNs)
• Autoencoders.
SUMBER PUSTAKA
• ID, Ibnu Daqiqil. 2021. MACHINE LEARNING – Teori, Studi Kasus, dan Implementasi Menggunakan Phyton. Riau:
UR Press
• Istiqomah. -. Deep Learning. Kab. Bandung: Telkom University
• Istiqomah. -. Tipe Tipe Deep Learning. Kab. Bandung: Telkom University
• https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
• https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learn
ing-ai/
• https://medium.com/@samuelsena/pengenalan-deep-learning-part-2-multilayer-perceptron-e8f98d625b09
• https://yunusmuhammad007.medium.com/8-artificial-neural-network-ann-part-3-teori-dasar-multi-layer-perce
ptron-backpropagation-8acf20bbd60a
• https://www.dqlab.id/mengenal-machine-learning-algoritma-deep-learning-dalam-data-science
• https://www.researchgate.net/publication/353338909_Machine_Learning_Teori_Studi_Kasus_dan_Implement
asi_Menggunakan_Python