Intro to

MACHINE LEARNING
AMALIA
Pengertian Machine Learning
• Machine learning merupakan sebuah kemampuan sebuah komputer
untuk mempelajari input data untuk melakukan kontrol terhadap
perubahan-perubahan sesuai data yang telah diinput dan terus
berproses.
• Machine learning merupakan pengembangan dalam komputasi
kecerdasan buatan. Layaknya proses pembelajaran, beberapa tahapan
diperlukan dalam proses machine learning. Seluruh rangkaian proses
tersebut biasanya ditentukan dengan rule dalam algoritma
pembelajaran, yang akan dieksekusi secara terstruktur.
Hubungan ML dan AI
Machine Learning
VS Traditional
Programming
 Learning From Data

• Dunia di kendalikan oleh data

 Learning
From Data
Bagaimana Machine dapat Belajar dari Data
• Memorization >> Declarative Knowledge
• Generalization >> Imperative Knowledge
• Menyimpulkan fakta baru dari pengetahuan yang berasal dari fakta-fakta
lama
Contoh Supervised Vs Unsupervised
Learning
• Supervised >> Classificasion
• Unsupervised >> Clustering
• Jika ada data baru :

Receivers atau Linemen ???

Classification
Clustering
• Jika ada data baru :

Receivers atau Linemen ???

Classification VS Clustering
Summary 1
Algoritma Classification dan Clustering
Classification : Clustering :
• Naïve Bayes Classifier • K-Means
• K-Nearest Neighbours • Self Organizing Map
Supervised ML : Naïve Bayes Classifier
(NBC)
• NBC merupakan algoritma klasifikasi yang efektif dan efisien.
• Algoritma NBC bertujuan untuk melakukan klasifikasi data pada kelas
tertentu. Unjuk kerja pengklasifikasi diukur dengan nilai predictive
accuracy (Zhang, 2007).
• Algoritma Naive Bayes Classifier merupakan algoritma yang
digunakan untuk mencari nilai probabilitas tertinggi untuk
mengklasifikasi data uji pada kategori yang paling tepat.
Naïve Bayes Classifier

𝑃 ( 𝑋 | 𝐻 )=¿ ¿
Keterangan :
X : Data dengan class yang belum diketahui
H : Hipotesis data X merupakan suatu class spesifik
P(H|X) : Probabilitas hipotesis H berdasarkan kondisi X
P(H) : Probabilitas hipotesis H
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) : Probabilitas X
Contoh Kasus Karena setiap nilai variabel data hanya
terdiri dari dua nilai, kita dapat konversikan
menjadi nilai biner :
• Sekumpulan dataset sebagai berikut : Variable: Weather
•sunny = 1
•rainy = 0
Variable: Car
•working = 1
•broken = 0
Variable: Class
•go-out = 1
•stay-home = 0
Langkah 1 :
Calculate the Conditional Probabilities
Weather Input Variable
• P(weather=sunny|class=go-out) = P(go-out|sunny) *
P(sunny) / P(go-out)
= (4/5)* (6/10) / (5/10) = 0,96
• P(weather=sunny|class=stay-home) = P(stay at home|
sunny) * P(sunny) / P(stay at home)
= (2/5) * (6/10) / (5/10) = 0,48
• P(weather=rainy|class=go-out) = P(go-out|rainy) *
P(rainy) /P(go-out)
= (1/5) *(4/10) / (5/10) = 0,16
• P(weather=rainy|class=stay-home) = P(stay at home|
rainy ) * P(rainy) /P(stay at home)
= (3/5) * (4/10) / (5/10) = 0,48
Car Input Variable
• P(car=working|class=go-out) = P(go-out|car
working) * P(car-working) / P(go-out)
= ( 4/5) * (5/10) / ( 5/10) = 0,8
• P(car=broken|class=go-out) = P(go-out | car
broken) * P(car-broken)/P(go-out)
= (1/5) * (5/10) / (5/10) = 0,2
• P(car=working|class=stay-home) = P(stay at
home|car-working) * P(car-working) / P(stay at
home)
= (1/5) * (5/10) / (5/10) = 0,2
• P(car=broken|class=stay-home) = P(stay at
home| broken) * P (car-broken / P(stay at
home) )
= (4/5) * (5/10) / (5/10) = 0,8
Langkah 2 : Make Predictions with Naive Bayes

Jika weather=sunny, car=working maka stay at home or go out?

• go-out = P(weather=sunny| • stay-home = P(weather=sunny|

class=go-out) * P(car=working| class=stay-home) * P(car=working|
class=go-out) class=stay-home)
= 0,96 * 0,8 = 0,48 * 0,2
= 0,768 = 0,096

We can see that 0.768 is greater than 0.0096, therefore we predict “go-out” for this
instance, which is correct.

Bagaimana jika weather rainy dan car working? Go-out atau stay at home?
 #Import Library of Gaussian Naive Bayes model
from sklearn.naive_bayes import GaussianNB
Menggunakan import numpy as np
Tool Scikit Learn
di Python #assigning predictor and target variables
x= np.array([[1,1],[0,0], [1,1], [1,1], [1,1], [0,0], [0,0], [1,1], [1,0],
[0,0]])
y = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0, 0])
#Create a Gaussian Classifier
model = GaussianNB()

# Train the model using the training sets

model.fit(x, y)

#Predict Output
predicted= model.predict([[1,1]])
print (predicted)
Dapat dicoba dengan Google Collaboratory
Caranya :
1. Buka Gdrive
2. Pilih New
3. Pilih More
4. Pilih Google Collaboratory
 Soal Latihan di Kelas
Kerjakan dengan perhitungan secara manual (buat dalam tabel excel saja) dan juga dengan
Pemrograman di google collab lalu bandingkan hasilnya.

1.
Predict if Bob will default his loan
Home owner: No
Marital status: Married
Job experience: 3

2.
PR
1. Buat essay tentang model Naïve Bayes Classifier :
• Gaussian Naïve Bayes
• Multinomial Naïve Bayes
• Bernouli Naïve bayes
• Out of Core Naïve Bayes model Fitting
2. Buat apa fungsi dari modul python berikut ini
• Sklearn
• Numpy
Machine Learning -
Classification
• Contoh adalah klasifikasi Bunga Iris
• Dataset dari Iris Dataset (diambil dari
UCI Machine Learning Repository. Classifier yang
digunakan adalah SVM.)
• Target untuk menentukan jenis Iris berdasarkan
sepal length, sepal width, petal length, petal width
Tahapan Klasifikasi
Mempersiapkan dataset untuk data latih
Data Latih
Data Latih

Training set digunakan oleh algoritma klassifikasi untuk prediksi kelas data baru, Pada contoh ini kita
menggunakan Naïve Bayes Classifier untuk membentuk sebuah model classifier.
Data Testing

Data Testing digunakan untuk mengukur sejauh mana classifier

berhasil melakukan klasifikasi dengan benar.