Machine Learning

Dr. Kristiawan Nugroho, M.Kom

Biodata Dosen
 Nama : Dr. Kristiawan Nugroho, M.Kom
 Alamat : Bukit Emerald Jaya A3 No 86 Tembalang
 Kontak
– HP/WA : 081233713727
– E-mail : kristiawan@edu.unisbank.ac.id
 Profesi :
 Dosen Universitas Stikubank Semarang (FTII)
 Dosen Universitas Dian Nuswantoro (FEB)
 Business Owner
Kontrak Kuliah
1. Tugas : 20% (4x tugas)
2. Presensi : 10%
3. Ujian Tengah Semester: 35%
4. Ujian Akhir Semester : 35%

Pembelajaran Secara Online dan Menggunakan E-Learning

Materi Kuliah
1. Pengenalan Machine Learning (ML)
2. Pengenalan ML App – Python (Numpy,Pandas,Matplotlib)
3. Simple Regression Linear
4. Multiple Linier Regression
5. Logistic Regression
6. K-Nearest Neighbors (KNN)
7. Naïve Bayes
8. Support Vector Machine (SVM)
9. Decision Tree
10. K-Means Clustering
11. Apriori
12. Reinforcement Learning
PERTEMUAN-1

Pengenalan Machine Learning (ML)

 Pengenalan ML
AI : Kecerdasan yang dapat diwujudkan dalam suatu
mesin (computer), bebeda dg kecerdasan alami
(natural intelegence) yang melekat pada manusia
dan hewan

AI : Adalah cabang ilmu komputer yang meniru dari

kecerdasan atau perilaku dari manusia atau mahluk
hidup lainnya, sehingga mesin atau komputer
tersebut dapat melakukan tugas tugas yang biasanya
dibutuhkan kecerdasan dari manusia atau mahluk
hidup lainya.
Pengenalan ML
1. Machine Learning Bagian dari AI
2. ML mengacu pada sistem AI yang dapat
belajar sendiri didasari dari proses belajar
terus menerus, contoh translator dari
google, jika ada terjemahan yang tidak
tepat, user dpt mengupdate, makan sistem
akan semakin pinter
3. DL adalah Machine Learning, khusus
advance untuk data data yang sangat besar
Perkembangan ML
Apa itu Deep Learning(DL)?
1. DL berkembang setelah ML digunakan di AI, baru baru ini2,
setelah lama ML digunakan di AI
2. DL menggunakan Artificial Neural Network atau jaringan
Syaraf tiruan yang meniru cara kerja otak manusia
3. Contoh Penggunaan Rekomendasi Engine pada Ecommerce,
kalau beli A, B pasti beli C, sistem belajar dari perilaku kita dan
digabungkan dengan perilaku pembeli lain
4. Arsitektur DL diklasifikasikan menjadi, Convolutional Neural
Network, Recurrent Neural Network, recursive Neural Network
Perbedaan ML dengan DL
ML Vs DL
Definisi Machine Learning?
• Menurut Tom M Mitchell (1997) : “Sebuah program komputer
yang  belajar dari pengalaman (experience) E dari tugas yang
dibebankan (Task) T dengan kinerjanya (performance) P yang
terukur”
• Contoh : Deep Blue
https://www.kompasiana.com/dodibayuwijoseno/606db1008ede481a3463da83/5-fakta-ibm-deep-blue-komputer-yang-pernah-mengalahkan-gm-garry-kasparov-dalam-pertanding
an-catur#:~:text=Melansir%20informasi%20dari%20washingtonpost.com,Kasparov%20berhasil%20mengalahkan%20Deep%20Blue.

• Sistem Mengembangkan kemampuanya / performance (P)

untuk Tugas (T) bermain catur, melalui pengalaman experience
(E) saat bertanding melawan GM Gary Kasparov (Rusia)
Manusia dan Mesin

Manusia Mesin Machine Learning

Contoh Machine Learning

Mobil MPV
Mobil Sedan

Jenis Mobil Apa?

 Prediksi Harga Mobil
1.5M
Metode ini disebut
Linear Regression

500Jt

200Jt
Metode Machine Learning
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
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.
Semi Supervised Learning
Dalam praktiknya, tidak semua data memiliki data input dan output yang jumlahnya sama. Terkadang ada kumpulan data yang memiliki
variabel input, namun variabel outputnya hanya ada sebagian. Untuk menyelesaikan kasus seperti ini, kita bisa menggunakan algoritma semi
supervised learning. Algoritma ini berada di tengah-tengah antara algoritma supervised dan unsupervised learning. Cara kerja algoritma ini
adalah dengan menggunakan teknik unsupervised learning untuk menemukan dan mempelajari struktur dalam variabel input. Setelah itu,
sistem akan menggunakan algoritma supervised learning untuk membuat prediksi terbaik dari data tak berlabel dan memasukkan kembali data
tersebut ke algoritma supervised learning sebagai data latih lalu menggunakan model tersebut untuk membuat prediksi baru dari data input
baru.
Reinforcment Learning
Reinforcement learning adalah tipe algoritma machine learning yang bisa membuat agent software dan mesin bekerja secara otomatis untuk
menentukan perilaku yang ideal sehingga dapat memaksimalkan kinerja algoritmanya, Contoh dari reinforcement learning adalah ketika kita
bermain game. Pada metode machine learning jenis ini, agen akan belajar mendapatkan reward sebesar-besarnya (long term reward). Reward diperoleh berdasarkan
aksi yang dilakukan pada suatu kondisi (state). Setia aksi yang dilakukan nantinya akan menciptakan perubahan state yang akan mempengaruhi reward selanjutnya.
Tujuan akhir dari reinforcement learning dalam permainan game adalah menang.
Implementasi ML
1. Virtual Personal Assistants
Perangkat cerdas seperti Siri, Alexa, Google Now merupakan contoh implementasi Machine
Learning untuk Virtual Personal Assistants. Dalam penerapanya perangkat tersebut dapat
membantu manusia untuk memberikan informasi info kemacetan, menjadwalkan perksa ke
dokter, mengontrol perangkat rumah seperti lampu, TV, dan alarm dan lain sebagainya.
2. Image Recognition
Penerapan di bidang Image Recognition seperti untuk Deteksi Plat Nomor Kendaraan,
Pengenalan Karakter (OCR), Pengenalan Wajah untuk sistem absensi dan lain sebagainya
3. Search Engine
Udah taulah ya Google, Search Engine yang sering kita pakai ini memungkinkan kita dapat
mengakses berbagai informasi dengan hanya menginputkan keyword di mesin pencari.
dengan berbagai macam informasi yang bahkan dapat di personalisasi sesuai dengan
preferensi kita.
Tahapan Proses ML
1. Representation
Representation adalah metoda yang digunakan oleh
algoritma machine learning terkait dengan persamaan
Matematika. Beberapa algoritma yang sering digunakan
antara lain : K-means ,Decision Tree , Bayesian Models
,Neural Networks , Support Vector Machine
Tahapan Proses ML
2. Evaluation
Evaluation merupakan tahapan untuk mengukur seberapa akurat
model yang dihasilkan dari algoritma yang dipilih. Pemilihan
algoritma yang tepat dapat menentukan keakurasian dari model
yang dihasilkan. Tentu saja ini berkaitan dengan karakteristik
data yang hendak kita proses. Untuk itu diperlukan evaluasi
algoritma yang digunakan. Beberapa tools yang dapat digunakan
untuk evalusi, yaitu : Confusion Matrix, Precision and Recall
Tahapan Proses ML
3. Optimization
Optimization berkenaan dengan teknik teknik yang digunakan
untuk membuat model yang dihasilkan dapat berjalan efektif dan
efisien. Bisa mengenai kecepatan pemrosesan, Penentuan
parameter, dan hal lainya.
Dataset
Algoritma Machine Learning tidak berarti apa-apa tanpa data. Data ini disebut
sebagai “Data set” atau “Dataset”. Dalam tiap Algoritma Machine Learning
memliki kebutuhan berbeda satu dengan lainya berkaitan dengan banyaknya
data, ada yang memerlukan data sangat banyak ada juga algoritma yang cukup
dengan dataset berukuran kecil.
Dataset
 Data Set dapat di analogikan sebagai table yang memiliki kolom dan
baris. Analogi ini memudahkan kita melihat representasi data
secara sederhana.
 Istilah pada data set, yaitu : Instance : Setiap baris data pada table
disebut sebagai instance. Instance menunjukan sebuah
pengamatan dari domain permasalahan.
 Feature : Setiap kolom pada table di sebut sebagai feature. Feature
merupakan komponen dari pengamatan. Feature berisi input data
(predictors) dan sebagian lagi adalah hasil prediksi (ouput)
Dataset

• Training set : adalah data set yang digunakan selama proses belajar (Training)
• Validation set : adalah data set yang digunakan untuk memvalidasi atau mengevaluasi dari model yang dipilih, istilah
lainya adalah Cross Validation
• Test set : adalah data set yang digunakan untuk menguji model yang di bentuk dari hasil training. Sekilas antara
Validation set dan Test set tampak sama, padahal sebenernya berbeda dan di peruntukan untuk hal yang berbeda
pula. Test set sendiri merupakan kunci untuk mengetahui apakah model yang dibentuk sudah cukup baik atau belum.
Dataset
• Porsi data set dapat ditentukan secara random, pada
umumnya pakar Machine Learning akan memilih
porsi sebagai berikut :
– Training set : 50%
– Validation set : 25%
– Test set : 25%
Siklus ML
 Maturnuwun
Semoga Bermanfaat
“Tetap Belajar dan Menjadi Seperti Padi”
Kristiawan Nugroho
kristiawan@edu.unisbank.ac.id

081233713727