MACHINE LEARNING
GAMBARAN MACHINE LEARNING
MEMAHAMI CARA KERJA MACHINE LEARNING
JENIS-JENIS MACHINE LEARNING [Link]
JENIS-JENIS MACHINE LEARNING
Setiap jenis memiliki karakteristik dan cara kerja berbeda yang dapat
diringkas sebagai berikut,
Supervised ML: output diberikan label dan input sudah dipetakan sesuai
dengan output yang sesuai
Unsupervised ML: output tidak berlabel dan data berkelompok sesuai
dengan pola / kemiripan data.
Semi-supervised ML: output ada yang berlabel dan ada yang tidak berlabel.
Reinforcement ML: mirip dengan Supervised ML, namun output yang
diberikan terdiri dari dua jenis yaitu hadiah atau hukuman
CARA KERJA MACHINE LEARNING
Sumber: [Link]
EVALUASI MODEL MACHINE LEARNING
Apakah dataset yang digunakan sudah bersih dari missing value, duplikat data dan nilai
outlier?
Apakah dataset memiliki fitur bertipe data sesuai?
Apakah dataset memiliki keragaman yang cukup untuk dijadikan sebagai data training?
Apakah dataset memiliki fitur yang relevan?
Apakah jumlah dataset seimbang? Jika tidak, algoritma apa yang akan digunakan untuk
mengatasinya?
Apakah eksplorasi dataset sudah cukup? Bagaimana dengan analisis fiturnya dengan
univariate, bivariate dan multivariate?
Apakah Teknik seleksi fiturnya sudah sesuai?
Apakah algoritma yang digunakan sudah sesuai? Contohnya jika algoritma yang
digunakan adalah regresi, apakah dataset masih memiliki tipe data kategorik?
MACHINE LEARNING
UNSUPERVISED LEARNING
UNSUPERVISED LEARNING
Unsupervised learning (UL)
merupakan Teknik yang
berkebalikan dengan supervised
learning. Pada UL, kita hanya
memiliki dataset tanpa fitur
target, sehingga kita tidak bisa
melakukan kegiatan prediksi atau
yang sejenisnya.
[Link]
learning/
CLUSTERING DAN DIMENSION REDUCTION
Clustering yaitu mengidentifikasi dataset menjadi bagian-bagian grup. Terdapat beberapa
jenis clustering seperti K-means clustering, hierarchical clustering dan yang lainnya.
Dimension reduction adalah kegiatan untuk mereduksi fitur-fitur yang tidak bermanfaat
sambil meminimalisir hilangnya informasi dari fitur-fitur tersebut.
K-MEANS CLUSTERING
[Link]
unsupervised-learning/
HIERARCHICAL CLUSTERING
Dalam hierarchical clustering, terdapat dua jenis strategi pengelompokkan yaitu
agglomerative dan divisive.
Agglomerative merupakan Teknik hirarki yang dimulai dari anggapan bahwa setiap objek
adalah satu klaster kemudian akan membentuk klaster yang semakin besar.
Divisive adalah kebalikan dari agglomerative, yaitu dimulai dari anggapan bahwa semua
objek adalah satu klaster tunggal kemudian dipisahkan sampai setiap objek tersebut
berada dalam klister yang terpisah satu sama lain.
HIERARCHICAL CLUSTERING
[Link]
versus-divisive-clustering
CONTOH STRUKTUR ORGANISASI SEKOLAH
[Link]
[Link]
DIMENSION REDUCTION
Dengan dimension reduction, dataset
yang memiliki dimensi tinggi, dapat
direduksi sambil meminimalisir hilangnya
informasi penting dari fitur tersebut.
Ketika data direduksi, maka akan
menyisakan klister dengan jumlah yang
kita inginkan.
Salah satu contoh algoritma populernya
adalah Principal Component Analysis
[Link]
manral/
CONTOH KASUS TEKNIK ASOSIASI
Asosiasi adalah kegiatan yang melihat
keterkaitan antara satu objek dengan
objek lainnya dalam dataset yang sangat
besar
THANK YOU
[Link]@[Link].I
D