MACHINE LEARNING dan
DEEP LEARNING
OLEH :
MUSTAFA, ST.,MM.,[Link].
Mulai Dari Diri
• Apa yang dimaksud dengan machine learning?
• Manfaat apa saja yang dapat dioptimalkan dari machine
learning?
• Sebutkan dan jelaskan salah satu contoh yang anda
ketahui yang menerapkan machine learning?
AI – ML – DL – GEN AI
Artificial Intelligence adalah
kemampuan machine untuk meniru
intelligent manusia
Machine Learning adalah aplikasi
dari AI (berupa algoritma) yang
memungkinkan sistem belajar
berdasarkan proses training
Deep Learning adalah salah satu subset
dari machine learning menggunakan
algoritma yang kompleks untuk proses
trainingnya. Biasanya DL ini
membutuhkan data yang besar dan
computation power yang besar juga
Apa itu machine learning ?
• Machine Learning (ML) adalah cabang kecerdasan buatan (Artificial
Intelligence) yang memungkinkan sistem untuk belajar dari data,
mengidentifikasi pola, dan membuat keputusan dengan minim campur
tangan manusia.
•Contoh Aplikasi:
1. Rekomendasi produk (e-commerce)
2. Deteksi penipuan (banking)
3. Pengolahan gambar (self-driving cars)
4. Asisten virtual (Siri, Google Assistant)
Traditional Programming vs machine leerning
Sumber : algoritma
Tipe Machine Learning
• Supervised Learning: Model dilatih menggunakan data yang diberi label.
Contoh: Klasifikasi email (spam vs non-spam), prediksi harga rumah.
• Unsupervised Learning: Model belajar dari data tanpa label.
Contoh: Pengelompokan pelanggan (customer segmentation), deteksi
anomali.
• Reinforcement Learning: Model belajar melalui trial dan error untuk
memaksimalkan reward.
Contoh: Algoritma game, robotika, Autonomous car
Perbandingan
Machine Learning Map
[Link]
jenis-machine-learning/
Proses Machine Learning
• Pengumpulan Data: Mengumpulkan dataset yang representatif.
• Praproses Data: Membersihkan, mengolah, dan mengubah data
menjadi bentuk yang bisa digunakan oleh model.
• Pemilihan Algoritma: Memilih algoritma yang sesuai dengan masalah.
• Pelatihan Model: Melatih model menggunakan data pelatihan.
• Evaluasi Model: Mengukur performa model menggunakan data uji.
• Penerapan Model: Menggunakan model untuk prediksi data baru
Algoritma Populer Machine Learning
• Linear Regression: Prediksi variabel kontinu berdasarkan hubungan linier.
• Decision Trees: Algoritma yang memodelkan keputusan seperti struktur
pohon.
• K-Nearest Neighbors (KNN): Klasifikasi data berdasarkan kemiripan
terdekat.
• Support Vector Machines (SVM): Memisahkan kelas data dengan
hyperplane terbaik.
• Neural Networks: Jaringan komputasi yang terinspirasi oleh otak manusia..
Tantangan dalam Machine Learning
• Ketersediaan Data: Tidak semua data mudah diakses.
• Kualitas Data: Data kotor, tidak lengkap/kosong, outlier
• Overfitting: Model terlalu cocok dengan data latih, tetapi gagal pada
data uji.
• Underfitting: Model yang terlalu sederhana untuk data.
• Kompleksitas Algoritma: Beberapa algoritma sulit untuk dipahami
dan diterapkan.
Deep Learning
• Deep Learning adalah bagian dari Machine Learning yang menggunakan
jaringan saraf tiruan (Artificial Neural Networks) dengan banyak lapisan
untuk meniru cara otak manusia memproses data dan membuat
keputusan.
• Perbedaan dengan Machine Learning: Deep Learning lebih fokus pada
pemodelan data dalam struktur jaringan saraf multi-layer (deep networks)
dan mampu melakukan tugas-tugas kompleks seperti pengenalan gambar,
pemrosesan bahasa alami, dan pengenalan suara.
Mengapa Deep Learning
• Kemampuan Memproses Data yang Kompleks: Deep Learning efektif dalam
menangani data yang sangat besar, kompleks, dan tidak terstruktur seperti
gambar, suara, dan teks.
• Peningkatan Kinerja: Deep Learning telah membawa peningkatan kinerja
yang signifikan dalam berbagai bidang seperti visi komputer, pengenalan
suara, dan analitik data.
• Contoh Aplikasi: Mobil otonom, deteksi penyakit, asisten virtual (Siri,
Alexa), rekomendasi konten di YouTube atau Netflix.
ML vs DL
[Link]
learning/
Algoritma Deep Learning
• Convolutional Neural Networks (CNN): Digunakan untuk pengenalan
gambar, pemrosesan video, dan analisis visual.
Aplikasi: Mobil otonom, deteksi objek, klasifikasi gambar.
• Recurrent Neural Networks (RNN): Digunakan untuk memproses data
berurutan seperti teks atau data waktu.
Aplikasi: Pemrosesan bahasa alami, terjemahan bahasa, analisis sentimen.
• Generative Adversarial Networks (GAN): Digunakan untuk menghasilkan
data baru yang mirip dengan data asli.
Aplikasi: Pembuatan gambar realistis, deepfake.“
TERIMAKASIH