MAKALAH

IMPLEMENTASI MACHINE LEARNING

SCIKIT-LEARN PYTHON
Semester : I (satu)
UAS

D
I
S
U
S
U
N
OLEH :

Muhammad Rahmat Syahputra

2208100062

Kak prodi : Dr. Iwan Purnama, [Link],[Link]

FAKULTAS SAINS DAN TEKNOLOGI

PRODI TEKNOLOGI INFORMASI
UNIVERSITAS LABUHANBATU
TA. 2022/2023
 KATA PENGANTAR

Puji syukur saya panjatkan atas kehadirat Tuhan Yang Maha Esa karena segala

nikmat dan karunianya, sehingga saya dapat menyusun makalah ini dengan baik. Tak lupa

saya ucapkan terima kasih kepada pihak-pihak yang telah memberikan dukungan, baik ide

maupun materi.

Saya berharap semoga makalah ini dapat menambah pengetahuan dan bisa menjadi

referensi bagi para pembaca. Selain itu, besar harapan saya agar makalah ini dapat

dipraktikkan dalam kehidupan sehari-hari.

Karena keterbatasan pengetahuan dan pengalaman saya , tentu masih banyak

kekurangan dalam penyusunan makalah ini. Oleh karena itu, saya mengharapkan kritik dan

saran yang benar-benar membangun dari para pembaca untuk menyempurnakan makalah ini.

Rantauprapat, 16 Januari 2023

Muhammad Rahmat Syahputra

2208100062

i
 DAFTAR ISI

KATA PENGANTAR...............................................................................................................i
DAFTAR ISI.............................................................................................................................ii
BAB I.........................................................................................................................................ii
PENDAHULUAN....................................................................................................................ii
A. LATAR BELAKANG....................................................................................................ii
B. RUMUSAN MASALAH...............................................................................................iii
BAB II......................................................................................................................................iv
PEMBAHASAN......................................................................................................................iv
A. SEJARAH MECHINE LEARNING.............................................................................iv
B. MECHINE LEARNING.................................................................................................v
C. CARA KERJA MACHINE LEARNING.....................................................................vii
D. 3 METODE YANG DIGUNAKAN DALAM MACHINE LEARNING...................viii
E. PROGRAM I..................................................................................................................xi
F. PROGRAM II..............................................................................................................xiv
DAFTAR PUSTAKA.............................................................................................................xv

ii
 BAB I

PENDAHULUAN

A. LATAR BELAKANG

Secara singkat, machine learning adalah sebuah ilmu yang berfokus pada proses

pembelajaran komputer untuk bertindak seperti otak manusia dengan belajar secara

mandiri dari waktu ke waktu. Machine learning merupakan salah satu cabang artificial

intelligence (AI) yang paling banyak digunakan saat ini. Tugas utama machine learning

adalah meningkatkan kemampuan mesin untuk mempelajari informasi baru dari data dan

mengembangkan kemampuan mesin untuk memecahkan suatu masalah. Machine learning

membutuhkan data latih atau input untuk mengajarkan mesin cara memecahkan masalah,

menjawab pertanyaan, dan menarik kesimpulan dari hasil pengolahan data. Seiring

berkembangnya zaman dan teknologi, algoritma machine learning yang digunakan

semakin berkembang dan semakin canggih karena terus "digodok" dengan data secara

terus menerus.

Proses machine learning dimulai dengan menginput data latih ke dalam algoritma yang

telah dipilih dan sesuai dengan tujuan. Data latih atau lebih sering disebut data training

bertugas untuk melatih data agar menjadi data berlabel atau tidak berlabel untuk

mengembangkan algoritma akhir. Untuk menguji apakah algoritma tersebut berjalan

dengan baik, data baru dimasukkan ke dalam algoritma untuk memprediksi data dan

akurasi hasil prediksinya akan diperiksa. Jika akurasi hasil prediksi kurang memuaskan,

1
 maka algoritma tadi akan dilatih ulang beberapa kali hingga output yang diinginkan

tercapai. Proses pelatihan ulang ini akan membuat algoritma machine learning terus

belajar secara mandiri dan menghasilkan output paling optimal yang akan meningkatkan

tingkat akurasi secara bertahap.

B. RUMUSAN MASALAH

1. SEJARAH MECHINE LEARNING

2. MECHINE LEARNING

3. CARA KERJA MACHINE LEARNING

4. 3 METODE YANG DIGUNAKAN DALAM MACHINE LEARNING

5. PROGRAM I

6. PROGRAM II

2
 BAB II

PEMBAHASAN

A. SEJARAH MECHINE LEARNING

Sejak pertama kali komputer diciptakan manusia sudah memikirkan bagaimana caranya

agar komputer dapat belajar dari pengalaman. Hal tersebut terbukti pada tahun 1952,

Arthur Samuel menciptakan sebuah program, game of checkers, pada sebuah komputer

IBM. Program tersebut dapat mempelajari gerakan untuk memenangkan permainan

checkers dan menyimpan gerakan tersebut kedalam memorinya. Manusia telah lama

memimpikan mesin yang dapat “berfikir”, bahkan sejak zaman Yunani kuno, seperti

Talos dalam mitos Yunani kuno. Talos digambarkan sebagai automaton ( semacam robot)

yang terbuat dari perunggu yang diciptakan untuk melindungi Eropa.

Dengan berkembangnya teknologi kecerdasan buatan, muncul salah satu cabang

kecerdasan buatan yang memperoleh banyak perhatian dari para peneliti yang disebut

machine learning. Machine Learning mempelajari teori agar komputer mampu “belajar”

dari data, machine learning melibatkan berbagai disiplin ilmu seperti statistika, ilmu

komputer, matematika dan bahkan neurologi. Salah satu algoritma machine learning yang

menarik adalah jaringan saraf tiruan, seperti namanya jaringan saraf tiruan terinspirasi

dari cara kerja otak manusia ( yang disederhanakan ).

stilah machine learning pada dasarnya adalah proses komputer untuk belajar dari data

(learn from data). Tanpa adanya data, komputer tidak akan bisa belajar apa-apa. Oleh

3
 karena itu jika kita ingin belajar machine learning, pasti akan terus berinteraksi dengan

data. Semua pengetahuan machine learning pasti akan melibatkan data. Data bisa saja

sama, akan tetapi algoritma dan pendekatan nya berbeda-beda untuk mendapatkan hasil

yang optimal.

Dalam salah satu model jaringan saraf tiruan yang disebut MLP ( multi layer perceptron )

dikenal istilah layer, beberapa neuron tiruan dikelompokan menjadi satu layer kemudian

layer satu menjadi input bagi layer yang lain, MLP sebenarnya adalah model

( matematika ) yang terdiri dari komposisi-komposisi fungsi dari vektor ke vektor, model

ini biasanya di-train menggunakan algortima optimisasi berbasis gradien seperti gradient

descent, berbagai masalah muncul ketika model jaringan saraf tiruan memiliki banyak

layer, salah satu masalah yang terkenal disebut the vanishing gradient, masalah ini

muncul karena jaringan saraf tiruan dengan banyak layer sebenarnya adalah fungsi yang

terdiri dari banyak komposisi fungsi sehingga ketika menghitung gradien terhadap

parameter dari fungsi tersebut, kita harus menggukan aturan rantai yang menyebabkan

gradien parameternya bernilai kecil sehingga algoritma gradient descent berjalan lambat.

B. MECHINE LEARNING

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.

4
Pengembangan data yang ditangani machine learning ini mencakup wawasan utama dari

kecerdasan buatan dan pengambilan keputusan dalam aplikasi atau bisnis. Keberadaan

machine learning disebut mampu memengaruhi matrik pertumbuhan ideal dari basis data

dalam dunia bisnis teknologi informasi.

Perkembangan data yang makin hari semakin besar dan bertumbuh, permintaan pasar

untuk ilmuwan data juga akan meningkat. Hal ini nantinya akan menuntut para pakar data

untuk mengidentifikasi pertanyaan bisnis yang paling relevan dan lantas melakukan

sinkronisasi terhadap data untuk menjawab itu. Peran machine learning ada dalam

penyesuaian antara pertanyaan dan jawaban terkait data yang terus berkembang ini.

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.

Machine learning merupakan salah satu cabang dari Artificial Intelligence (AI) atau

kecerdasan buatan. Machine learning adalah mesin pembelajar yang dikembangankan

agar dapat belajar secara otomatis tanpa arahan dari pengguna. Machine learning ini

berdasarkan ilmu-ilmu matematika, statistika, data mining, dan lainnya. Teknik-teknik

machine learning pun penggunaannya sesuai dengan kebutuhan dalam bidang masing-

masing.

5
C. CARA KERJA MACHINE LEARNING

Machine learning bekerja sesuai dengan metode yang diambil yaitu dengan pengawasan,

tanpa pengawasan, atau penguatan. Pada dasarnya, ada empat jenis cara kerja machine

learning. Keempatnya adalah pembelajaran terarah (supervised learning), pembelajaran tak

terarah (unsupervised learning), pembelajaran semi terarah (semi-supervised learning), dan

reinforcement learning. Alur kerja machine learning meliputi pengumpulan data, eksplorasi

data, pemilihan model (regresi linier, regresi logistik, neural network, dan lain sebagainya),

pemberian latihan terhadap model yang dipilih, evaluasi model, dan prediksi.

Akurasi awal dari program machine learning biasanya sangat buruk, sebab pada mulanya

program ini “tidak tahu apa-apa”. Namun, seiring berjalannya waktu semakin sering kita

melatih suatu program, semakin banyak pula contoh-contoh yang dipelajari oleh mereka.

Maka, program machine learning akan semakin “cerdas” dan akurat. Misalnya saja saat kita

bermain gim role playing game (RPG) yang menggunakan artificial intelligence. pertama kali

6
kita bermain dengan RPG tersebut, maka dengan mudah kita akan bisa memenangkan

permainan. Namun, setelah beberapa kali permainan, engine atau algoritma game itu akan

belajar dari pola-pola sebelumnya, sehingga lawan semakin sulit dikalahkan.

D. 3 METODE YANG DIGUNAKAN DALAM MACHINE LEARNING

Tiga metode atau tipe machine learning (Sumber: [Link])

1. 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

7
sebagainya. Sedangkan output-nya dapat berupa hasil dari keseluruhan jumlah orang yang

membayar pinjaman dan berapa jumlah orang gagal membayar. 1

2. 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.2

3. Reinforcement Learning

Metode machine learning yang satu ini dijalankan dengan menggunakan dataset bersistem

“rewards/punishment” dan menawarkan umpan balik ke algoritma untuk belajar dari

1
Mengenal Teknologi Machine Learning (Pembelajaran Mesin)
2
Pengenalan terhadap Machine Learning | by Makers Institute

8
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.3

3
[Link]

9
E. PROGRAM I

Linear Regression

Kode Programan :
import numpy as np import [Link] as plt

import [Link] as plt from scipy import stats

def estimate_coef(x, y):

# number of observations/points
n = [Link](x)

# mean of x and y vector

m_x = [Link](x)
m_y = [Link](y)

# calculating cross-deviation and deviation about x

SS_xy = [Link](y*x) - n*m_y*m_x
SS_xx = [Link](x*x) - n*m_x*m_x

# calculating regression coefficients

b_1 = SS_xy / SS_xx
b_0 = m_y - b_1*m_x

return (b_0, b_1)

def plot_regression_line(x, y, b):

# plotting the actual points as scatter plot
[Link](x, y, color = "m",
marker = "o", s = 30)

10
 # predicted response vector
y_pred = b[0] + b[1]*x

# plotting the regression line

[Link](x, y_pred, color = "g")

# putting labels
[Link]('x')
[Link]('y')

# function to show plot

[Link]()

def main():
# observations / data
x = [Link]([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
y = [Link]([1, 3, 2, 5, 7, 8, 8, 9, 10, 12])

# estimating coefficients
b = estimate_coef(x, y)
print("Estimated coefficients:\nb_0 = {} \
\nb_1 = {}".format(b[0], b[1]))

# plotting regression line

plot_regression_line(x, y, b)

if __name__ == "__main__":
main()

11
Outup Yang dihasilan

Regresi merupakan salah satu algoritma yang dapat dikelompokkan ke dalam algoritma
Supervised Learning, dimana datanya sudah memiliki label sehingga hasil pengujiannya bisa
disesuaikan dengan label yang ada. Regresi sendiri merupakan pemodelan nilai target
berdasarkan prediktor independen.

Dalam regresi ada banyak sekali jenisnya, seperti regresi linear, regresi berganda, dll. Regresi
linier merupakan jenis analisis regresi yang cukup sederhana dimana jumlah variabel bebas
dan terikatnya hanya berjumlah satu dan terdapat hubungan linier antara variabel bebas
(variabel X) dan terikat( variabel y).

12
F. PROGRAM II

Mengimplementasikan algoritme Reinforcement Learning dasar yang disebut teknik Q-

Learning.

import numpy as np

import pylab as pl

import networkx as nx

edges = [(0, 1), (1, 5), (5, 6), (5, 4), (1, 2),
(1, 3), (9, 10), (2, 4), (0, 6), (6, 7),
(8, 9), (7, 8), (1, 7), (3, 9)]

goal = 10
G = [Link]()
G.add_edges_from(edges)
pos = nx.spring_layout(G)
nx.draw_networkx_nodes(G, pos)
nx.draw_networkx_edges(G, pos)
nx.draw_networkx_labels(G, pos)
[Link]()

13
 DAFTAR PUSTAKA

[Link]

[Link]

[Link]

14