Scribd
Unggah
2 tayangan7 halaman

Unsupervised Learning

Unsupervised Learning adalah metode machine learning yang melatih model tanpa label, berfokus pada pengelompokan dan penemuan pola dalam data. Metode ini mencakup teknik seperti clustering dan dimensionality reduction, yang banyak diterapkan dalam berbagai industri seperti segmentasi pelanggan dan deteksi anomali. Meskipun memiliki kelebihan dalam memproses data mentah dan menemukan pola tersembunyi, metode ini juga memiliki kekurangan terkait kejelasan hasil analisis.

Diunggah oleh

kiki II
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
2 tayangan7 halaman

Unsupervised Learning

Unsupervised Learning adalah metode machine learning yang melatih model tanpa label, berfokus pada pengelompokan dan penemuan pola dalam data. Metode ini mencakup teknik seperti clustering dan dimensionality reduction, yang banyak diterapkan dalam berbagai industri seperti segmentasi pelanggan dan deteksi anomali. Meskipun memiliki kelebihan dalam memproses data mentah dan menemukan pola tersembunyi, metode ini juga memiliki kekurangan terkait kejelasan hasil analisis.

Diunggah oleh

kiki II
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd

PENERAPAN UNSUPERVISED LEARNING

DALAM KECERDASAN BUATAN (AI)

Group 2

BINUS UNIVERSITY 2025


UNSUPERVISED LEARNING

Unsupervised Learning adalah metode machine learning yang


melatih model tanpa label atau target.
Model diberikan data apa adanya, kemudian algoritma
berusaha memahami, mengelompokkan, dan menemukan pola
tersembunyi dalam data tersebut secara mandiri.
JENIS-JENIS
1 . Clustering

Clustering adalah metode untuk mengelompokkan data


berdasarkan kemiripan fitur. Algoritma mencari pola dan
otomatis membagi data ke dalam beberapa kelompok.
contoh: K-means, Hierarchical Clustering, DBSCAN (Density-
Based Spatial Clustering of Applications with Noise)

2. dimensionality reduction

digunakan untuk mengatasi masalah curse of dimensionality


dan meningkatkan efisiensi pemrosesan data.
contoh algoritma: Principal Component Analysis (PCA), t-SNE
(t-Distributed Stochastic Neighbor Embedding), Autoencoders.
PENERAPAN

[Link] pelanggan dalam bisnis dan pemasaran


[Link] anomali dalam keamanan siber dan keuangan
[Link] genetik dan bioinformatika
[Link] produk dalam e-commerce
KELEBIHAN DAN KEKURANGAN
Kelebihan:
bisa diproses dengan data mentah
bisa menemukan data tersembunyi (tidak terduga)
bisa digunakan untuk data besar dan kompleks

Kekurangan:
hasil analisis kadang tidak terlalu jelas
berpotensi menghasilkan output yang kurang stabi l
dibutuhkan analisis lanjutan jika mengingi nk an
hasil yang kompleks dan lengkap
KESIMPULAN
U N S U P E R V I S E D L E A R N I N G A D A L A H M E T O D E P E M B E L A J A R A N M E S I N Y AN G
BEKERJA TANPA MENGGUNAKAN LABEL ATAU TARGET OUTPUT.
ALGORITMA INI BERFOKUS PADA MENEMUKAN POLA, ST R U K T U R , A TA U
H U B U N G A N T E R S E M B U N Y I D A L A M D A T A S E C A R A O T O M A T IS . D U A M E T O D E
UTAMANYA ADALAH CLUSTERING, YA N G MENGELOMPOKKAN D AT A
BERDASARKAN KEMIRIPAN, DAN D I M E N S IO N A L I T Y REDUCTION, Y A NG
MEREDUKSI FITUR AGAR ANALISIS LEBIH EFISIEN.
TEKNIK INI BANYAK DIGUNAKAN DALAM BERBAGAI INDUSTRI, SE PE R T I
SEGMENTASI PELANGGAN, DETEKSI A N O M A L I, A N A L IS I S GENETIKA,
P E N G E N A L A N P O L A V I S U A L , H I N G G A S I S T E M R E K O M E N D A S I.
S E C A R A K E S E L U R U H A N , U N S U P E R V IS E D L E A R N I N G M E M B A N T U M E M A H AM I
DATA DALAM JUMLAH BESAR TANPA SUPERVISI MANUSIA, SEHINGGA
SANGAT BERGUNA UNTUK EKSPLORASI DAN P E N G A M B IL A N K E P U TU S AN
BERBASIS DATA.
TERIMA
KASIHH

Anda mungkin juga menyukai