Rangkuman Materi AI Concept, Machine Learning, Deep Learning,

dan Python implementation

Oleh :
Adrians Galih Armansyah Gea
20102220
Sejarah
Artificial Intelligence (AI) mengacu pada pengembangan sistem komputer yang
mampu melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Ini
melibatkan penciptaan mesin cerdas yang dapat menafsirkan, belajar, berpikir, dan membuat
keputusan dengan cara yang mirip dengan manusia. Konsep AI dapat ditelusuri kembali ke
zaman kuno, di mana mitos dan cerita rakyat sering menyebutkan adanya makhluk buatan
dengan kualitas mirip manusia. Namun, bidang AI modern mulai terbentuk pada pertengahan
abad ke-20. Berikut adalah gambaran singkat sejarah AI:
1. Konferensi Dartmouth (1956): Istilah "Artificial Intelligence" diperkenalkan pada
Konferensi Dartmouth, di mana sekelompok ilmuwan komputer berkumpul untuk
mengeksplorasi kemungkinan menciptakan mesin yang dapat meniru kecerdasan manusia.
2. Penelitian Awal AI (1950-an hingga 1960-an): Pada tahun-tahun awal, para peneliti AI
fokus pada pengembangan program yang dapat memecahkan masalah matematika dan
melakukan penalaran logis. Tonggak bersejarah selama periode ini termasuk:
- John McCarthy, Marvin Minsky, dan rekan-rekan di Dartmouth College, mengembangkan
bahasa pemrograman tingkat tinggi bernama LISP, yang dirancang untuk kecerdasan buatan.
- Alan Turing mempublikasikan artikel berjudul "Computing Machinery and Intelligence,"
yang memperkenalkan "Tes Turing" untuk menilai kecerdasan mesin.
- Pada tahun 1958, Herbert Simon dan Allen Newell menciptakan program Logic Theorist
yang dapat membuktikan teorema matematika secara otomatis.
3. Perkembangan Selanjutnya (1970-an hingga 1990-an): Pada dekade-dekade berikutnya,
penelitian AI berkembang dalam berbagai arah, termasuk pengenalan pola, pemrosesan
bahasa alami, dan pengembangan sistem berbasis pengetahuan.
4. Era Modern AI (2000-an hingga sekarang): Kemajuan teknologi komputer, khususnya
komputasi yang cepat dan kapasitas penyimpanan yang besar, telah mempercepat kemajuan
AI. Terobosan baru seperti pembelajaran mesin, jaringan saraf tiruan, dan komputasi awan
telah memungkinkan pengembangan aplikasi AI yang lebih canggih, seperti pengenalan
wajah, mobil otonom, dan asisten virtual.
Sejak itu, AI terus berkembang dengan pesat dan diterapkan dalam berbagai bidang, termasuk
robotika, analisis data, pengenalan suara, permainan komputer, layanan pelanggan, dan
banyak lagi.
 Python adalah bahasa pemrograman tingkat tinggi yang populer dan sering digunakan
untuk pengembangan perangkat lunak, pemrosesan data, pengembangan web, dan kecerdasan
buatan. Dikembangkan oleh Guido van Rossum dan pertama kali dirilis pada tahun 1991,
Python dirancang dengan fokus pada keterbacaan kode, sintaksis yang bersih, dan
kemudahan penggunaan. Python memiliki sintaksis yang sederhana dan mudah dipahami,
membuatnya menjadi bahasa yang cocok untuk pemula. Ini mendukung paradigma
pemrograman berorientasi objek dan juga pemrograman prosedural. Python menggunakan
indentasi untuk menandai blok kode, yang membuatnya sangat mudah dibaca.
2. Tipe Data Dasar:
a. Angka: Python mendukung beberapa jenis angka, termasuk bilangan bulat (integers) dan
bilangan desimal (floats). Contoh: 5, 3.14.
b. String: String adalah urutan karakter yang diapit oleh tanda kutip tunggal ('') atau tanda
kutip ganda (""). Contoh: "Halo", 'Dunia'.
c. Boolean: Tipe data boolean hanya memiliki dua nilai, yaitu True atau False. Tipe data ini
sering digunakan dalam logika dan pengambilan keputusan. Contoh: True, False.
d. Daftar (List): Daftar adalah kumpulan elemen yang ditempatkan dalam tanda kurung siku
[]. Ini bisa berisi tipe data apa pun dan bahkan daftar lainnya. Contoh: [1, 2, 3, 4].
e. Tuple: Tuple mirip dengan daftar, tetapi tidak dapat diubah setelah dibuat. Tuple
ditempatkan dalam tanda kurung biasa (). Contoh: (1, 2, 3).
f. Set: Set adalah koleksi elemen yang tidak memiliki urutan dan tidak mengizinkan
duplikat. Set didefinisikan dalam tanda kurung kurawal {}. Contoh: {1, 2, 3}.
g. Kamus (Dictionary): Kamus adalah struktur data yang menghubungkan pasangan kunci-
nilai. Setiap elemen dalam kamus terdiri dari kunci dan nilai yang terkait. Contoh:
{"nama": "John", "usia": 25}.
Setiap tipe data dalam Python memiliki metode dan operasi yang sesuai untuk
memanipulasinya. Selain itu, Python juga mendukung operasi aritmatika, operasi
perbandingan, pengendalian aliran (seperti if-else statements dan loops), serta berbagai modul
dan pustaka yang memperluas fungsionalitas bahasa tersebut.
Python memiliki banyak pustaka dan modul yang tersedia yang memperluas
fungsionalitasnya. Beberapa pustaka populer termasuk NumPy untuk komputasi numerik,
Pandas untuk analisis data, dan TensorFlow untuk pembelajaran mesin. Python juga
mendukung pemrograman objek, yang memungkinkan definisi kelas dan pembuatan objek
berdasarkan kelas tersebut.
Dengan kombinasi sintaksis yang sederhana, kemudahan penggunaan, dan fleksibilitasnya,
Python telah menjadi bahasa pemrograman yang populer dalam berbagai bidang, termasuk
pengembangan perangkat lunak, analisis data, kecerdasan buatan, dan pengembangan web.
Python Operators dan Control Flow

Operators dalam Python digunakan untuk melakukan operasi pada nilai-nilai dan
variabel. Ada beberapa jenis operator yang dapat digunakan dalam Python, termasuk operator
aritmatika, operator perbandingan, operator logika, dan operator penugasan. Berikut
penjelasan lebih lanjut:
1. Operator Aritmatika:
- Operator penjumlahan (+) digunakan untuk menjumlahkan dua nilai atau lebih.
- Operator pengurangan (-) digunakan untuk mengurangkan satu nilai dari nilai lainnya.
- Operator perkalian (*) digunakan untuk mengalikan dua nilai atau lebih.
- Operator pembagian (/) digunakan untuk membagi satu nilai dengan nilai lainnya.
- Operator modulus (%) mengembalikan sisa hasil pembagian antara dua nilai.
- Operator pangkat (**) digunakan untuk menghasilkan nilai pangkat dari sebuah bilangan.
- Operator pembagian bulat (//) mengembalikan hasil pembagian bulat dari dua nilai.
2. Operator Perbandingan:
- Operator sama dengan (==) digunakan untuk memeriksa apakah dua nilai sama.
- Operator tidak sama dengan (!=) digunakan untuk memeriksa apakah dua nilai tidak sama.
- Operator lebih besar dari (>) digunakan untuk memeriksa apakah nilai pertama lebih besar
dari nilai kedua.
- Operator lebih kecil dari (<) digunakan untuk memeriksa apakah nilai pertama lebih kecil
dari nilai kedua.
- Operator lebih besar dari atau sama dengan (>=) digunakan untuk memeriksa apakah nilai
pertama lebih besar dari atau sama dengan nilai kedua.
- Operator lebih kecil dari atau sama dengan (<=) digunakan untuk memeriksa apakah nilai
pertama lebih kecil dari atau sama dengan nilai kedua.
3. Operator Logika:
- Operator logika and menghasilkan True jika kedua kondisi bernilai True.
- Operator logika or menghasilkan True jika salah satu kondisi bernilai True.
- Operator logika not mengubah nilai True menjadi False dan sebaliknya.
4. Operator Penugasan:
- Operator penugasan (=) digunakan untuk memberikan nilai ke variabel.
 - Operator penugasan tambah (+=), kurang (-=), kali (*=), bagi (/=), dan lainnya dapat
digunakan untuk memperbarui nilai variabel dengan melakukan operasi aritmatika dan
menggabungkannya dengan operasi penugasan.

Control flow atau alur kendali digunakan untuk mengatur aliran eksekusi program. Dalam
Python, ada beberapa pernyataan kontrol aliran yang dapat digunakan:
1. Pernyataan If-else:
- Pernyataan if digunakan untuk memeriksa kondisi tertentu, dan jika kondisi tersebut benar
(True), maka blok kode yang terkait dengan if akan dieksekusi.
- Pernyataan else digunakan bersamaan dengan if untuk mengeksekusi blok kode yang
berbeda jika kondisi if tidak terpenuhi.

2. Pernyataan While:
- Pernyataan while digunakan untuk membuat loop yang akan dieksekusi selama kondisi
yang diberikan masih bernilai True.
- Pernyataan break dapat digunakan untuk menghentikan loop secara paksa jika kondisi
tertentu terpenuhi.
3. Pernyataan For:
- Pernyataan for digunakan untuk membuat loop yang akan dieksekusi sejumlah kali
tertentu atau untuk setiap elemen dalam sebuah urutan (seperti daftar atau string).
- Pernyataan continue dapat digunakan untuk melompati iterasi saat ini dan melanjutkan ke
iterasi berikutnya dalam loop.

4. Pernyataan Try-except:
- Pernyataan try digunakan untuk mengeksekusi blok kode yang mungkin menimbulkan
pengecualian (exception).
- Pernyataan except digunakan untuk menangkap dan menangani pengecualian yang
mungkin terjadi di dalam blok try.
Dengan menggunakan operator dan kontrol aliran dalam Python, Anda dapat membuat
program yang lebih kompleks dan dinamis, mengendalikan aliran eksekusi, serta melakukan
operasi logika dan perbandingan pada nilai-nilai.
Python - Functions, String Manipulation and File Handling

1. Functions (Fungsi):
- Fungsi adalah blok kode yang diberi nama dan digunakan untuk menjalankan tugas
tertentu.
- Fungsi dapat menerima argumen sebagai input, menjalankan serangkaian pernyataan, dan
mengembalikan nilai sebagai output.
- Fungsi memungkinkan pemrogram untuk mengorganisir kode menjadi bagian-bagian
yang dapat digunakan ulang dan mempermudah pemeliharaan dan pengembangan program.

2. String Manipulation (Manipulasi String):

- String adalah tipe data yang digunakan untuk merepresentasikan urutan karakter.
- Python menyediakan berbagai metode dan operasi yang memungkinkan manipulasi string,
seperti penggabungan string (concatenation), pemotongan string, perubahan kasus huruf,
pencarian substring, dan banyak lagi.
- Manipulasi string sangat berguna dalam pemrosesan teks, validasi input, pengolahan data,
dan banyak lagi.

3. File Handling (Penanganan Berkas):

- File handling adalah kemampuan untuk membaca dan menulis data ke dalam berkas
eksternal, seperti file teks, file CSV, file JSON, dan lainnya.
- Python menyediakan fungsi-fungsi dan metode-metode yang memungkinkan pembukaan,
penutupan, membaca, dan menulis berkas.
- File handling memungkinkan akses dan pengelolaan data yang disimpan secara permanen
di luar program, seperti menyimpan hasil keluaran, membaca data input, atau memproses
data dari sumber eksternal.
Dengan menggunakan fungsi, manipulasi string, dan penanganan berkas dalam Python, Anda
dapat membuat program yang lebih terstruktur, melakukan manipulasi teks yang lebih lanjut,
serta mengakses dan mengelola berkas eksternal untuk menyimpan dan memanipulasi data.
Python - Data Manipulation and Visualization

Python adalah bahasa pemrograman yang populer dan kuat yang menyediakan
pustaka dan alat yang sangat berguna untuk memanipulasi dan memvisualisasikan data.
Dalam konteks manipulasi data, Python menawarkan dua pustaka utama: NumPy dan Pandas.
NumPy adalah pustaka yang kuat untuk komputasi numerik dalam Python. Ini
menyediakan struktur data array multidimensi yang efisien, serta berbagai fungsi matematika
yang memungkinkan manipulasi dan pengolahan data dengan mudah. Dengan NumPy, Anda
dapat melakukan operasi matematika seperti penjumlahan, pengurangan, perkalian,
pembagian, dan operasi lainnya pada seluruh array secara efisien. Ini sangat berguna untuk
melakukan komputasi pada data numerik dalam jumlah besar.
Pandas adalah pustaka yang fokus pada analisis data. Dengan menggunakan Pandas,
Anda dapat mengorganisir, memanipulasi, dan menganalisis data dengan mudah. Pustaka ini
menyediakan struktur data tingkat tinggi seperti DataFrames, yang memungkinkan Anda
untuk menyimpan dan memanipulasi data dalam format yang mirip dengan tabel atau
spreadsheet. Anda dapat membaca dan menulis data dari berbagai format, seperti CSV,
Excel, SQL, dan lainnya. Pandas juga menyediakan fungsi yang kuat untuk memfilter,
mengurutkan, menggabungkan, dan melakukan operasi agregat pada data. Dengan Pandas,
Anda dapat dengan mudah melakukan transformasi data yang kompleks dan menganalisis
data dengan lebih efisien.
Setelah melakukan manipulasi data, langkah selanjutnya adalah
memvisualisasikannya agar lebih mudah dipahami dan menganalisisnya. Python memiliki
dua pustaka utama untuk visualisasi data: Matplotlib dan Seaborn.
Matplotlib adalah pustaka visualisasi data yang fleksibel dan kuat. Ini memungkinkan
Anda membuat berbagai jenis plot, seperti grafik garis, scatter plot, histogram, dan banyak
lagi. Matplotlib memberikan kontrol yang tinggi terhadap tampilan plot, sehingga Anda dapat
menyesuaikan label sumbu, judul, legenda, warna, dan anotasi sesuai kebutuhan Anda. Ini
juga mendukung plot 3D, plot interaktif, dan plot animasi, yang memungkinkan Anda untuk
menghasilkan visualisasi yang menarik dan dinamis.
Seaborn adalah pustaka yang dibangun di atas Matplotlib dan dirancang khusus untuk
visualisasi data statistik. Ini menyediakan fungsi yang mudah digunakan untuk membuat plot
yang indah dan informatif. Seaborn menawarkan plot korelasi, plot distribusi, plot
kategorikal, dan banyak lagi. Selain itu, Seaborn menyediakan palet warna yang menarik dan
beragam, yang memungkinkan Anda membuat plot yang estetis.
Dengan menggunakan pustaka-pustaka ini, Anda dapat melakukan manipulasi dan
pengolahan data dengan mudah menggunakan NumPy dan Pandas. Anda dapat menyusun,
menggabungkan, dan menganalisis data dengan nyaman. Selanjutnya, dengan bantuan
Matplotlib dan Seaborn, Anda dapat memvisualisasikan data dengan cara yang informatif dan
menarik. Visualisasi data ini membantu Anda memahami pola, tren, dan hubungan dalam
data Anda, dan memberikan wawasan berharga yang dapat digunakan dalam pengambilan
keputusan.
Python - Object Oriented Programming

Python adalah bahasa pemrograman yang mendukung paradigma pemrograman

berorientasi objek (Object-Oriented Programming). Paradigma ini memungkinkan
pemrogram untuk mengorganisir kode mereka ke dalam objek yang memiliki atribut dan
metode terkait. Dalam pemrograman berorientasi objek, objek merupakan representasi nyata
dari suatu konsep dalam sistem yang sedang dibangun. Setiap objek memiliki atribut yang
menyimpan informasi tentang objek tersebut, dan metode yang mendefinisikan perilaku dan
tindakan yang dapat dilakukan oleh objek.
Kelas adalah blueprint atau cetak biru untuk menciptakan objek. Di Python, kelas
didefinisikan menggunakan kata kunci "class" diikuti oleh nama kelas. Metode kelas, seperti
"__init__" (metode konstruktor) dan metode lainnya, digunakan untuk menginisialisasi objek
dan mendefinisikan perilaku objek.
Pewarisan adalah konsep penting dalam pemrograman berorientasi objek. Dalam
Python, kelas dapat mewarisi sifat dan perilaku dari kelas lain. Dengan menggunakan
pewarisan, kita dapat membuat kelas turunan yang mewarisi atribut dan metode dari kelas
induk dan menambahkan atau mengubah perilaku sesuai kebutuhan.
Polimorfisme adalah kemampuan objek untuk merespons berbeda terhadap metode
dengan nama yang sama. Dalam Python, polimorfisme dapat dicapai dengan menggunakan
konsep pewarisan dan penggunaan metode dengan nama yang sama pada kelas yang berbeda.
Pemrograman berorientasi objek memungkinkan pemisahan dan pengorganisasian kode yang
lebih baik. Ini memungkinkan pengembangan perangkat lunak yang lebih modular, mudah
dipahami, dan mudah dikelola. Dengan memanfaatkan fitur-fitur pemrograman berorientasi
objek dalam Python, pengembang dapat membangun sistem yang lebih kompleks dan
skalabel dengan lebih efisien.
Dalam rangkuman, Python mendukung pemrograman berorientasi objek, di mana
objek adalah representasi nyata dari suatu konsep dalam sistem. Kelas digunakan untuk
menciptakan objek, sementara metode mendefinisikan perilaku objek. Pewarisan
memungkinkan kelas untuk mewarisi sifat dan perilaku dari kelas lain, dan polimorfisme
memungkinkan objek untuk merespons berbeda terhadap metode dengan nama yang sama.
Pemrograman berorientasi objek memungkinkan pengorganisasian kode yang lebih baik dan
pengembangan perangkat lunak yang lebih modular.
Artificial Intelligence Project Cycle

Proyek Artificial Intelligence (AI) Cycle adalah proses umum yang diikuti dalam
mengembangkan solusi AI. Siklus ini terdiri dari serangkaian tahapan yang meliputi
perumusan masalah, pengumpulan data, pemodelan dan pelatihan, evaluasi dan validasi, serta
implementasi dan penyesuaian. Berikut adalah penjelasan lengkap tentang setiap tahap dalam
siklus proyek AI:
1. Perumusan Masalah: Tahap pertama dalam siklus proyek AI adalah memahami
masalah yang ingin dipecahkan atau tujuan yang ingin dicapai. Identifikasi masalah
secara jelas dan definisikan dengan baik. Tujuan ini membantu memandu langkah-
langkah selanjutnya dalam pengembangan solusi AI.
2. Pengumpulan Data: Data menjadi bahan baku yang penting dalam pengembangan
solusi AI. Pada tahap ini, data yang relevan dan diperlukan untuk mengatasi
masalah ditentukan. Proses pengumpulan data melibatkan pencarian, ekstraksi, dan
penyusunan data yang diperlukan untuk melatih model AI. Pastikan data yang
digunakan berkualitas, relevan, dan representatif.
3. Pemodelan dan Pelatihan: Setelah data terkumpul, tahap berikutnya adalah
memodelkan solusi AI. Pemodelan melibatkan pemilihan algoritma atau metode
yang sesuai untuk memecahkan masalah yang ada. Model AI kemudian dilatih
menggunakan data yang telah dikumpulkan untuk mengidentifikasi pola dan
membuat prediksi atau keputusan. Proses pelatihan ini melibatkan iterasi yang
berulang untuk meningkatkan kinerja model.
4. Evaluasi dan Validasi: Setelah pelatihan, tahap evaluasi dan validasi dilakukan
untuk menguji kinerja model AI. Model dievaluasi dengan menggunakan data yang
belum pernah dilihat sebelumnya (data uji) untuk mengukur sejauh mana model
dapat menghasilkan hasil yang akurat dan dapat diandalkan. Evaluasi juga
membantu mengidentifikasi kelemahan atau kekurangan model yang perlu
diperbaiki.
5. Implementasi dan Penyesuaian: Setelah model AI teruji dan diverifikasi, tahap
implementasi dimulai. Model diimplementasikan dalam lingkungan produksi dan
diintegrasikan dengan sistem yang ada. Selama tahap ini, penyesuaian dan
pengoptimalan tambahan mungkin diperlukan untuk meningkatkan kinerja model
AI di lingkungan yang sesungguhnya. Monitor dan evaluasi terus-menerus
dilakukan untuk memastikan kinerja yang baik.
6. Pemeliharaan dan Pengembangan Lanjutan: Setelah implementasi, proyek AI
masih membutuhkan pemeliharaan dan pengembangan lanjutan. Hal ini melibatkan
pemantauan kinerja model AI secara teratur, pembaruan data dan algoritma, serta
penanganan perubahan lingkungan yang mungkin mempengaruhi performa model.
Siklus proyek AI dapat berulang untuk meningkatkan dan mengembangkan solusi
AI seiring berjalannya waktu.
Machine Learning and Deep Learning dan Linear Logistic Reggression

Machine Learning (ML) dan Deep Learning (DL) adalah subbidang dari kecerdasan
buatan (Artificial Intelligence) yang berfokus pada pengembangan algoritma dan model
komputer yang dapat belajar dan meningkatkan kinerjanya secara otomatis melalui
pengalaman. ML dan DL memiliki tujuan umum untuk memungkinkan komputer mengenali
pola, membuat prediksi, dan mengambil keputusan dengan memanfaatkan data.
ML adalah pendekatan yang luas dalam pemrograman komputer di mana algoritma
dirancang untuk belajar dari data dan mengidentifikasi pola yang dapat digunakan untuk
membuat prediksi atau mengambil keputusan. Dalam ML, model dihasilkan melalui proses
pelatihan menggunakan data yang diberikan sebagai masukan. Model ini kemudian
digunakan untuk membuat prediksi pada data baru. Terdapat berbagai jenis algoritma ML,
termasuk regresi, klasifikasi, pengelompokan, dan pembelajaran berbimbing maupun tanpa
pengawasan.
DL adalah cabang yang lebih spesifik dalam ML yang fokus pada pengembangan
jaringan saraf tiruan (neural network) dengan arsitektur yang lebih kompleks. Dalam DL,
jaringan saraf tiruan dengan banyak lapisan atau "deep layers" digunakan untuk memodelkan
dan mempelajari representasi hierarkis dari data. Kemampuan DL untuk memproses data
yang kompleks dan mengekstraksi fitur secara otomatis menjadikannya sangat efektif dalam
banyak tugas seperti pengenalan gambar, pengenalan suara, dan pemrosesan bahasa alami.
Linear Logistic Regression adalah salah satu metode ML yang digunakan untuk
klasifikasi data. Regresi logistik adalah pendekatan statistik yang memodelkan probabilitas
kejadian suatu kelas berdasarkan variabel independen. Dalam Linear Logistic Regression,
variabel independen digunakan untuk memprediksi probabilitas kejadian suatu kelas, yang
kemudian dapat diklasifikasikan menjadi dua kelas atau lebih. Metode ini didasarkan pada
fungsi logistik atau sigmoid yang memetakan input linier ke probabilitas output.
Linear Logistic Regression bekerja dengan mencari parameter yang optimal untuk
meminimalkan kesalahan prediksi. Algoritma ini menggabungkan fungsi linier dan fungsi
logistik untuk menghasilkan model klasifikasi. Model ini dapat digunakan untuk
memprediksi probabilitas atau klasifikasi pada data baru berdasarkan pembelajaran dari data
pelatihan.
Linear Logistic Regression adalah salah satu algoritma ML yang sederhana namun
sangat efektif dalam kasus klasifikasi biner. Namun, algoritma ini juga dapat diperluas untuk
masalah klasifikasi multikelas dengan menggunakan variasi seperti Regresi Logistik
Multinomial atau One-vs-Rest.
Dalam kesimpulan, Machine Learning dan Deep Learning adalah bidang yang penting
dalam kecerdasan buatan yang bertujuan untuk memungkinkan komputer belajar dan
meningkatkan kinerjanya melalui data. Linear Logistic Regression adalah salah satu metode
ML yang digunakan untuk klasifikasi data berdasarkan probabilitas. Algoritma ini
menggunakan fungsi logistik untuk menghasilkan model klasifikasi.
Decision Tree and K-Nearest Neighbor

Decision Tree (Pohon Keputusan) adalah salah satu algoritma Machine Learning yang
populer dan mudah dipahami. Konsepnya didasarkan pada struktur pohon, di mana setiap
node dalam pohon mewakili keputusan berdasarkan fitur-fitur dari data yang diberikan. Pada
awalnya, pohon dimulai dengan node akar yang mewakili fitur terbaik untuk membagi data
menjadi subset yang lebih kecil. Proses ini berlanjut dengan membagi subset data pada setiap
node berikutnya berdasarkan fitur yang paling informatif. Keputusan pada setiap node
diambil berdasarkan aturan pemisahan yang menghasilkan klasifikasi yang optimal. Proses
pembentukan pohon berlanjut hingga mencapai kondisi berhenti, seperti kedalaman
maksimum atau jumlah sampel minimum dalam setiap node. Keuntungan dari Decision Tree
adalah interpretabilitas yang baik, kemampuan untuk menangani data numerik dan
kategorikal, serta kemampuan untuk menangani interaksi antara fitur.
K-Nearest Neighbor (KNN) adalah algoritma Machine Learning yang digunakan
untuk klasifikasi dan regresi. Konsep dasar KNN adalah bahwa objek yang memiliki
karakteristik serupa cenderung berada dalam kedekatan spasial satu sama lain. Algoritma ini
bekerja dengan mencari k-objek terdekat dalam ruang fitur dari data pelatihan untuk
memprediksi kelas atau nilai target pada data yang belum dilihat sebelumnya. Jumlah
tetangga (k) yang dipilih mempengaruhi hasil prediksi. Untuk klasifikasi, KNN menggunakan
mayoritas kelas dari tetangga terdekat untuk memprediksi kelas objek yang belum diketahui.
Sedangkan untuk regresi, KNN menghitung nilai rata-rata dari tetangga terdekat untuk
memprediksi nilai target objek. Keuntungan dari KNN adalah sederhana dalam konsepnya,
fleksibilitas dalam menangani data numerik dan kategorikal, serta kemampuan untuk
menangani pembaruan data secara real-time. Namun, KNN memiliki kelemahan dalam
memori yang besar dan sensitivitas terhadap skala data.
Kesimpulannya, Decision Tree dan K-Nearest Neighbor adalah dua algoritma
Machine Learning yang populer dan efektif. Decision Tree memanfaatkan struktur pohon
untuk mengambil keputusan berdasarkan fitur-fitur data, sementara KNN menggunakan jarak
spasial untuk memprediksi kelas atau nilai target. Kedua algoritma ini memiliki kelebihan
dan kelemahan masing-masing, dan pemilihan algoritma tergantung pada karakteristik data
dan tujuan dari masalah yang ingin dipecahkan.
Selain itu, Decision Tree juga memiliki beberapa kelemahan. Salah satu
kelemahannya adalah kecenderungan untuk overfitting. Jika pohon keputusan terlalu
kompleks dan terlalu disesuaikan dengan data pelatihan, ia mungkin tidak generalisasi
dengan baik pada data baru dan menghasilkan prediksi yang tidak akurat. Untuk mengatasi
masalah ini, teknik pruning (pemangkasan) dapat digunakan untuk mengurangi kompleksitas
pohon dan mencegah overfitting.
K-Nearest Neighbor juga memiliki kelemahan. Salah satu kelemahannya adalah
sensitivitas terhadap skala data. KNN bergantung pada perhitungan jarak antara objek, dan
jika skala fitur dalam data berbeda-beda, beberapa fitur dengan skala besar dapat
mendominasi dan mempengaruhi hasil prediksi. Oleh karena itu, normalisasi atau standarisasi
data sebelum menggunakan KNN dapat membantu mengatasi masalah ini.
 Pemilihan antara Decision Tree dan K-Nearest Neighbor tergantung pada
karakteristik data, kompleksitas masalah, dan tujuan analisis. Jika interpretabilitas dan
kemampuan untuk memahami alasan di balik keputusan adalah penting, Decision Tree bisa
menjadi pilihan yang baik. Namun, jika ada asumsi tentang kedekatan spasial dan pengaruh
tetangga terdekat dalam membuat prediksi, maka KNN bisa menjadi pilihan yang lebih tepat.
Dalam prakteknya, seringkali lebih baik untuk mencoba beberapa algoritma dan melakukan
perbandingan kinerja mereka menggunakan metrik evaluasi yang relevan untuk memilih
algoritma terbaik. Penting juga untuk melakukan preprocessing data yang tepat, seperti
penghilangan outlier, penanganan missing value, dan normalisasi data, agar algoritma dapat
berfungsi secara optimal.
Artificial Neural Network I dan II

Artificial Neural Network (ANN) adalah model matematika yang terinspirasi dari
jaringan saraf biologis dalam sistem saraf manusia. ANN digunakan dalam Deep Learning
untuk memodelkan dan mempelajari representasi hierarkis dari data. Terdapat dua bagian
utama dalam ANN, yaitu Artificial Neural Network I (ANN I) dan Artificial Neural Network
II (ANN II).
Artificial Neural Network I terdiri dari lapisan input, lapisan tersembunyi, dan lapisan
output. Lapisan input menerima data masukan yang merupakan fitur-fitur dari data yang
ingin diproses. Setiap fitur dikaitkan dengan neuron di lapisan input. Lapisan tersembunyi
merupakan lapisan di antara lapisan input dan lapisan output yang berfungsi untuk
mempelajari representasi dari fitur-fitur tersebut. Lapisan tersembunyi terdiri dari neuron-
neuron yang terhubung satu sama lain dengan bobot yang mempengaruhi interaksi dan
pemrosesan informasi. Setiap neuron dalam lapisan tersembunyi menggunakan fungsi
aktivasi untuk memperoleh keluaran yang digunakan sebagai input ke lapisan berikutnya.
Lapisan output menghasilkan keluaran akhir berdasarkan pemrosesan yang dilakukan oleh
lapisan tersembunyi. Lapisan output biasanya digunakan untuk melakukan klasifikasi atau
regresi tergantung pada tugas yang ingin diselesaikan.
Artificial Neural Network II merupakan pengembangan dari ANN I dengan tambahan
fitur-fitur yang lebih kompleks. Salah satu fitur penting dalam ANN II adalah lapisan
tersembunyi yang lebih dalam dan kompleks, yang disebut sebagai Deep Neural Network
(DNN). DNN memiliki banyak lapisan tersembunyi, yang memungkinkannya untuk
mempelajari representasi yang lebih abstrak dan kompleks dari data. Dengan lapisan
tersembunyi yang lebih dalam, ANN II dapat memodelkan relasi dan pola yang lebih
kompleks dalam data. Selain itu, ANN II juga dapat menggunakan fungsi aktivasi yang lebih
kompleks, seperti Rectified Linear Unit (ReLU), untuk meningkatkan kemampuan
pembelajaran dan pemodelan.
Kedua jenis Artificial Neural Network, ANN I dan ANN II, memungkinkan komputer
untuk belajar dari data melalui proses pelatihan yang melibatkan optimisasi bobot dan bias.
Proses ini memungkinkan ANN untuk mengenali pola, membuat prediksi, dan mengambil
keputusan secara otomatis berdasarkan informasi yang terdapat dalam data. ANN telah
digunakan dalam berbagai aplikasi AI seperti pengenalan gambar, pemrosesan bahasa alami,
dan sistem rekomendasi.
Selain itu, ANN juga memiliki beberapa keuntungan dan tantangan. Keuntungan
utama dari ANN adalah kemampuannya untuk memodelkan hubungan yang kompleks dan
mengekstraksi fitur secara otomatis dari data. Ini berarti ANN dapat digunakan untuk
memecahkan masalah yang sulit atau tidak dapat didefinisikan dengan jelas oleh aturan
program konvensional. ANN juga memiliki kemampuan untuk melakukan pembelajaran end-
to-end, di mana data mentah dapat diberikan sebagai input dan hasil yang diinginkan dapat
diperoleh sebagai output tanpa memerlukan pemrosesan atau manipulasi manual yang rumit.
Namun, terdapat beberapa tantangan dalam penggunaan ANN. Salah satunya adalah
kebutuhan akan jumlah data pelatihan yang besar. ANN membutuhkan data yang cukup
banyak dan representatif agar dapat belajar dengan baik dan menghasilkan prediksi yang
akurat. Selain itu, ANN juga rentan terhadap overfitting, di mana model terlalu disesuaikan
dengan data pelatihan dan tidak dapat generalisasi dengan baik pada data baru. Untuk
mengatasi masalah ini, teknik seperti regularisasi dan penggunaan dataset validasi dapat
diterapkan.
Selain itu, pelatihan ANN juga memerlukan sumber daya komputasi yang cukup
besar, terutama ketika digunakan dalam jaringan terdalam atau dalam aplikasi yang
memerlukan pemrosesan paralel. Ini karena ANN melibatkan komputasi yang intensif dan
memerlukan waktu yang lama untuk pelatihan, terutama jika datasetnya besar. Dalam
perkembangan terkini, ANN juga telah digabungkan dengan teknik Deep Learning lainnya,
seperti Convolutional Neural Network (CNN) untuk pengolahan citra atau Recurrent Neural
Network (RNN) untuk pemrosesan urutan data. Hal ini memungkinkan ANN untuk
mengatasi tugas-tugas yang lebih kompleks dan spesifik dalam bidang seperti visi komputer,
pemrosesan bahasa alami, dan analisis data deret waktu.
Secara keseluruhan, Artificial Neural Network merupakan pendekatan yang kuat
dalam pemodelan dan pembelajaran dari data. Dengan kemampuan untuk memodelkan relasi
yang kompleks dan belajar secara otomatis, ANN telah digunakan dalam berbagai aplikasi AI
dan terus berkembang dengan teknik yang lebih canggih. Meskipun tantangan seperti
kebutuhan data yang besar dan sumber daya komputasi yang tinggi masih ada, ANN tetap
menjadi alat yang penting dalam pengembangan solusi AI yang efektif dan canggih.