DASAR KOMUNIKASI MULTIMEDIA (DTH2I3)

FAKULTAS ILMU TERAPAN- TELKOM UNIVERSITY

Definisi
• Machine learning adalah ilmu komputer yang bisa bekerja tanpa
diprogram secara eksplisit. Banyak peneliti berpikir bagaimana cara
untuk membuat kemajuan menuju AI terhadap tingkat manusia.
Machine learning ini merupakan kecerdasan buatan yang
mempelajari bagaimana membuat data. Machine learning ini biasa
disingkat dengan ML. Ini dibutuhkan untuk menerapkan teknik yang
cepat dan kuat dalam menemukan masalah baru.
Apa itu Machine Learning
• Machine learning adalah metode analisis yang membantu menangani
data besar dengan cara mengembangkan algoritma komputer.
Dengan menggunakan data, pembelajaran mesin memungkinkan
komputer menemukan wawasan tersembunyi tanpa diprogram secara
eksplisit saat mencarinya. Dengan adanya email baru, algoritma
tersebut kemudian akan menghasilkan prediksi apakah email baru itu
spam atau tidak.
• Machine learning adalah aplikasi artificial intelligence (AI) yang
menyediakan sistem kinerja secara otomatis serta belajar
memperbaiki diri dari pengalaman tanpa diprogram secara
eksplisit. Pembelajaran mesin berfokus pada pengembangan program
komputer yang bisa mengakses data dan menggunakannya untuk
belajar sendiri. Penerapan metode Machine Learning dalam beberapa
tahun terakhir telah berkembang di mana-mana dalam kehidupan
sehari-hari.
• Proses pembelajaran dimulai dengan observasi data, seperti contoh:
pengelaman langsung, atau intruksi untuk mencari pola data dan
membuat keputusan yang lebih baik dimasa depan berdasarkan
contoh tersebut. Tujuan utamanya adalah membiarkan komputer
belajar secara otomatis tanpa intervensi atau bantuan manusia dan
menyesuaikan aktivitas yang sesuai. Karena teknologi komputasi,
machine learning saat ini tidak seperti machine learning di masa lalu.
• Sementara, algoritma machine learning sudah ada sejak lama,
kemampuannya secara otomatis menggunakan perhitungan matematis
yang kompleks ke data besar dan yang lebih cepat merupakan
perkembangan terakhir. Machine Learning merupakan salah satu cabang
dari disiplin ilmu AI (Artificial Intellegence) atau Kecerdasan Buatan yang
membahas mengenai pembangunan sistem yang berdasarkan data.
• Sebenarnya, masih ada banyak lagi situs web dan perangkat modern yang
mungkin besar dan berisi beberapa model Machine Learning yang mungkin
tidak kita sadari. Model tersebut digunakan untuk melakukan klasifikasi
atau prediksi terhadap data baru yang memungkinkan kita untuk membuat
atau mendukung pengambilan keputusan.
Berikut adalah beberapa contoh aplikasi pembelajaran mesin yang
dipublikasikan secara luas:
• Mobil Google yang sangat hyped dan self-driving. Inti pembelajaran
mesin.
• Penawaran rekomendasi online seperti Amazon dan Netflix. Aplikasi
belajar mesin untuk kehidupan sehari-hari.
• Mengetahui apa yang pelanggan katakan tentang Anda di Twitter.
Pembelajaran mesin dikombinasikan dengan pembuatan aturan
linguistik.
• Deteksi penipuan Salah satu kegunaan yang lebih jelas dan penting di
dunia kita saat ini.
• Machine Learning meningkat karena faktor data mining dan analisis
Bayesian lebih populer dari sebelumnya. Pengolahan komputasi yang
lebih murah dan lebih bertenaga termasuk penyimpanan data yang
terjangkau merupakan peningkatan. Semua hal ini secara cepat dan
otomatis menghasilkan model yang dapat menganalisis data yang
lebih besar dan lebih komplek memberikan hasil yang lebih cepat dan
akurat dalam skala yang sangat besar.
• Prediksi nilai tinggi bisa mengarah pada keputusan dan tindakan
cerdas secara real-time tanpa campur tangan manusia. Salah satu
kunci untuk menghasilkan gerakan cerdas secara real-time
merupakan pembuatan model otomatis.
Bagian Machine Learning
• Ketika Anda melihat situs web yang kompleks seperti Facebook,
Amazon, atau Netflix, kemungkinan besar situs ini berisi beberapa
model Machine Learning. Dari model yang didapatkan, kita dapat
melakukan prediksi yang berbeda, tergantung pada tipenya. Jika hasil
prediksi bersifat diskrit, maka dinamakan proses klasifikasi. Sistem
pembelajaran mesin terdiri dari tiga bagian utama, yaitu:
• Model: sistem yang membentuk prediksi atau identifikasi.
• Parameter: sinyal atau faktor yang digunakan oleh model untuk membentuk
keputusannya.
• Pemelajaran: sistem yang menyesuaikan parameter dan model dalam
prediksi versus hasil aktual.
• Bayangkan bahwa Anda adalah seorang guru. Anda ingin
mengidentifikasi jumlah waktu belajar siswa untuk mencapai nilai
terbaik dalam tes. Anda beralih lagi ke Machine learning untuk solusi
tersebut. Salah satu teknik pengaplikasian machine learning
adalah supervised learning. Seperti yang dibahas sebelumnya,
machine learning tidak akan bekerja tanpa data. Model itu sendiri
bergantung pada parameter yang digunakan untuk mengatur
perhitungannya. Dalam contoh ini, parameter adalah jam yang
digunakan saat belajar untuk hasil nilai tes yang diterima.
• Sistem pembelajaran mesin benar-benar akan menggunakan
persamaan matematis untuk mengekspresikan semuanya, secara
efektif ini akan membentuk garis tren dari apa yang diharapkan. Oleh
karena itu hal yang pertama kali disiapkan adalah data. Data
biasanya akan dibagi menjadi 2 kelompok, yaitu data training dan
data testing.
Bagaimana Machine Learning Bekerja?
• Machine learning memiliki dua jenis teknik: Supervised Learning, yang
melatih model pada data input dan output yang diketahui sehingga
dapat memprediksi keluaran masa depan dan Unsupervised Learning,
yang menemukan pola tersembunyi atau struktur intrinsik pada data
masukan.
• Penerapan metode Machine Learning dalam beberapa tahun terakhir
telah berkembang di mana-mana dalam kehidupan sehari-hari.
Machine Learning bukanlah hal baru dalam lanskap ilmu komputer.
Machine Learning mengaitkan proses struktural dimana setiap bagian
menciptakan versi mesin yang lebih baik.
Supervised Learning
• Pembelajaran mesin yang diawasi menciptakan model yang melancarkan
prediksi berdasarkan bukti adanya ketidakpastian. Algoritma
pembelajaran yang diawasi memerlukan seperangkat data masukan dan
tanggapan yang diketahui terhadap data (output) dan melatih model untuk
menghasilkan prediksi yang masuk akal untuk respon terhadap data baru.
Gunakan pembelajaran ini jika Anda ingin mengetahui data output yang
ingin Anda prediksi. Pembelajaran ini diawasi menggunakan teknik
klasifikasi dan regresi untuk mengembangkan model prediktif.
• Teknik klasifikasi memprediksi respons diskrit – misalnya, apakah email itu
asli atau spam, atau apakah tumor itu kanker atau tidak. Model klasifikasi
mengklasifikasikan data masukan ke dalam kategori tersebut. Aplikasi yang
umum termasuk pencitraan medis. Misalnya aplikasi untuk pengenalan
tulisan, maka anda harus menggunakan klasifikasi untuk mengenali huruf
dan angka.
• Jika Anda bisa melakukannya, Anda memiliki landasan yang dapat
Anda gunakan pada satu dataset ke dataset yang akan dicoba lagi
selanjutnya. Anda bisa mengisi waktu seperti mempersiapkan data
lebih lanjut dan memperbaiki hasilnya nanti, begitu Anda lebih
percaya diri. Dalam pengolahan citra dan penglihatan komputer,
teknik pengenalan pola tanpa pemeriksaan digunakan untuk deteksi
objek dan segmentasi. Algoritma yang umum mengadakan klasifikasi
yang meliputi dukungan mesin vektor (SVM).
Unsupervised Learning
• Ini menemukan pola tersembunyi atau struktur intrinsik dalam data. Ini
digunakan untuk menarik kesimpulan dari kumpulan data yang terdiri dari data
masukan tanpa respon berlabel. Clustering adalah teknik belajar tanpa
pengamatan yang umum. Ini digunakan untuk analisis data eksplorasi dalam
menemukan pola atau pengelompokan tertutup dalam data. Aplikasi untuk
analisis cluster meliputi analisis urutan gen, riset pasar dan pengenalan objek.
• Misalnya, jika sebuah perusahaan telepon seluler ingin mengoptimalkan lokasi di
mana mereka membangun menara telepon seluler, mereka dapat menggunakan
pembelajaran mesin untuk memperkirakan jumlah kelompok orang yang
bergantung pada menara mereka. Telepon hanya bisa berbicara dengan satu
menara sekaligus, sehingga tim menggunakan algoritma pengelompokan untuk
merancang peletakan menara seluler terbaik dalam mengoptimalkan penerimaan
sinyal bagi kelompok dan dari pelanggan mereka.
• Algoritma yang umum mengadakan clustering meliputi k-means dan
k-medoids, hirarki clustering, model campuran Gaussian, model
Markov tersembunyi, peta pengorganisasian sendiri, clustering fuzzy
c-means dan clustering subtraktif.
Konsep Dasar Machine Learning
• Konsep tersebut meliputi kemampuan suatu individu dalam
meningkatkan kecerdasan tersebut untuk belajar tanpa terkecuali
pada sebuah mesin. Mesin yang mampu belajar, akan meningkatkan
produktivitas manusia. Maka ia juga akan memiliki kekuatan yang
mungkin tidak dimiliki mesin lainnya.
Manfaat pembelajaran mesin dalam
memprediksi
• Jika Anda hanya mengenal wajah teman Anda dalam gambar, berarti
Anda tidak memakai modelpembelajaran mesin. Inti pembelajaran
mesin adalah meramalkan hal-hal berdasarkan pola dan faktor lain
yang telah dilatih. Apa yang menjadikan sesuatu itu jadi lebih mudah
untuk di kuasai. Pengenalan dilakukan dengan cara yang simple tanpa
menghabiskan banyak waktu.
Pembelajaran mesin membutuhkan pelatihan
• Anda harus memberi tahu model pembelajaran mesin apa yang akan
diprediksikannya. Pikirkan bagaimana anak manusia belajar. Ini adalah
penyederhanaan yang berlebihan sedikit karena saya meninggalkan
bagian dimana Anda juga harus mengatakannya bahwa itu bukan
pisang dan tunjukkan berbagai jenis pisang, warna yang berbeda,
gambar dari perspektif dan sudut yang berbeda, dll.
Ketepatan 80% dianggap sukses
• Teknologi ini tidak mengetahui dimana platform pembelajaran mesi
akan mencapai akurasi 100% dengan mengidentifikasi pisang dalam
gambar. Tapi tidak apa-apa, ternyata manusia juga tidak 100% akurat.
Aturan yang dikatakan dalam indutri ini adalah bahwa model dengan
akurasi 80% adalah sebuah kesuksesan. Jika Anda memikirkan betapa
bergunanya untuk mengidentifikasi 800.000 gambar dengan benar di
koleksi Anda, sementara MUNGKIN TIDAK mendapatkan 200.000
yang benar, Anda masih menyimpan 80% dari waktu Anda.
• Itu merupakan perspektif nilai yang sangat besar. Jika saya bisa
melambaikan tongkat sihir dan meningkatkan produktivitas Anda
sebanyak itu, Anda akan memberi saya banyak uang. Nah, ternyata
saya bisa melakukannya dengan mesin pembelajaran.
Pembelajaran mesin berbeda dengan AI
• Kebanyakan orang mengatakan hal ini sama dan sangat sederhana. Namun,
kenyataan yang di dapat dari para ahli, ini memiliki perbedaan. Perbedaannya
sebagai berikut:
• AI – Artificial Intelligence : Yang berarti komputer lebih baik dari manusia untuk
melakukan tugas tertentu. Seperti robot yang bisa membuat keputusan
berdasarkan banyaknya masukan, tidak seperti Terminator atau C3PO.
Sebenarnya istilah yang sangat luas itu tidak terlalu berguna.
ML – Mesin belajar adalah metode untuk mencapai AI. Ini berarti membuat
prediksi tentang sesuatu berdasarkan pelatihan dari kumpulan data parsing. Ada
banyak cara yang berbeda di platform ML yang dapat menerapkan perangkat
pelatihan untuk memprediksi sesuatu.
NL – Jaringan syaraf tiruan adalah salah satu cara model pembelajaran mesin
untuk memprediksi sesuatu. Jaringan saraf bekerja sedikit seperti otak Anda,
dengan menyesuaikan diri dan banyak berlatih untuk memahaminya. Anda akan
menciptakan lapisan simpul yang sangat dalam.
Memberikan struktur yang jelas terhadap AI
• Sebagian besar model Machine learning bergantung pada manusia untuk
melakukan apa yang akan dikerjakan mesin pembelajaran. Inilah yang membuat
anda selalu bergantung dengan teknologi tersebut, karena sesuatu yang ingin
anda kerjakan. Dan bahkan saat Anda memberikan instruksi yang jelas, biasanya
itu masih saja salah. Anda harus begitu eksplisit dengan sistem ini sehingga
kesempatan itu tiba-tiba menjadi lebih mudah.
• Bahkan halaman web sederhana yang menunjukkan sebuah kotak dengan sebuah
kata di dalamnya mengharuskan Anda untuk memberi tahu persis di mana kotak
itu muncul, seperti apa bentuknya, warna apa itu, bagaimana cara bekerja pada
peramban yang berbeda, bagaimana ditampilkan dengan benar pada perangkat
yang berbeda. dll.
• Ada banyak cara menghalangi jaringan syaraf yang sangat dalam untuk
mengambil alih dunia dan mengubah kita agar terlihat lebih kuat, terutama
karena semua yang akan kita lakukan tidak segampang dan semudah yang kita
pikirkand.
Aplikasi Machine learning
1. Penelusuran web: Laman peringkat berdasarkan apa yang anda klik
2. Biologi komputasional: Obat desain rasional di komputer berdasarkan eksperimen masa lalu.
3. Keuangan: tetapkan siapa yang akan mengirim kartu kredit yang ditawarkan. Evaluasi risiko
pada penawaran kredit dan bagaimana cara memutuskan dimana menginvestasikan uangnya.
4. E-commerce: Memprediksi customer churn. Apakah transaksi itu salah atau tidak.
5. Eksplorasi ruang angkasa: Menyelidiki ruang angkasa dan astronomi radio.
6. Robotika: Bagaimana menangani ketidakpastian di lingkungan baru. Seperti otonom dan Mobil
self-driving.
7. Pengambilan informasi: Ajukan pertanyaan melalui database di seluruh web.
8. Jaringan sosial: Data tentang hubungan dan preferensi. Mesin belajar mengekstrak nilai dari
data.
9. Debugging: Ini didunakan dalam masalah ilmu komputer seperti debugging.
Dampak Machine Learning di Masyarakat
• Dampak positif dari machine learning adalah mendapat kesempatan bagi
para wirausahawan dan praktisi teknologi untuk terus berkreasi dalam
mengembangkan machine learning. Tentunya untuk membantu aktivitas
manusia sebagi sesuatu yang menguntungkan. Itulah salah satu dampak
positif dari machine learning. Contohnya adalah untuk pengecekan ejaan
untuk tiap bahasa yang ada dalam microsoft Word.

• Pengecekan manual akan menghabiskan waktu untuk beberapa hari, juga

memerlukan banyak tenaga untuk mendapatkan penulis yang sempurna.
Namun, dengan bantuan fitur pengecekan tersebut, maka secara real-time
kesalahan yang terjadi saat pengetikan kita bisa langsung melihatnya.
• Dampak negatifnya kita harus waspada. Yang takut di khawatirkan
yaitu adanya pengurangan tenaga kerja. Kenapa? Karena pekerjaan
yang seharusnya di kerjakan oleh banyak orang, sekarang telah
digantikan oleh alat teknologi yang disebut sebagai machine learning.
Hal tersebut merupakan suatu permasalahan yang akan kita hadapi.
Ditambah dengan ketergantungan terhadap teknologi yang semakin
banyak dan berkembang di kehidupan kita. Kadang manusia lebih
nyaman dengan perkembangan teknologi sekarang ini seperti gadget.
 What is
machine
learning?

The Power of PowerPoint | thepopp.com 28

 Cara kerja “Machine Learning ”
• Secara fundamental cara kerja machine learning adalah belajar
seperti manusia dengan menggunakan contoh-contoh dan setelah itu
barulah dapat menjawab suatu pertanyaan terkait.
 DURASI 0.25-0.55

https://www.youtube.com/watch?v=ukzFI9rgwfU
 13- Machine Learning
13.2 Metoda Algoritma

DASAR KOMUNIKASI MULTIMEDIA

FAKULTAS ILMU TERAPAN- TELKOM UNIVERSITY
 1. A Supervised machine learning algorithms
Mekanisme dari supervised machine Learning
adalah penciptaan mekanisme yang
berdasarkan contoh dan menghasilkannya
secara general
1. A Supervised machine learning algorithms
2. A Unsupervised machine learning algorithms

algoritma machine learning yang digunakan

pada data yang tidak mempunyai informasi
yang dapat diterapkan secara langsung (tidak
terarah). Algoritma ini diharapkan mampu
menemukan struktur tersembunyi pada data
yang tidak berlabel.
A supervised vs AUnsupervised
(machine learning algorithms)
Metode Algoritma -Machine
Learning

Supervised Learning Unsupervised Learning

Decision tree K-Means

Nearest - Neighbor Classifier Hierarchical Clustering
Naive Bayes Classifier DBSCAN
Artificial Neural Network Fuzzy C-Means
Support Vector Machine Self-Organizing Map
Fuzzy K-Nearest Neighbor
 13- Machine Learning
13.3 Algoritma Machine Learning

DASAR KOMUNIKASI MULTIMEDIA

FAKULTAS ILMU TERAPAN- TELKOM UNIVERSITY
 3. A Semi- supervised
(machine learning algorithms)
 4. Reinforcement
(machine learning algorithms)
Algoritma

Supervised learning Unsupervised learning

Semi-supervised learning 42
13.4- NLP
Natural Language Processing (NLP)

1950 : “CAN
MACHINES
THINK??????”
Natural Language Processing (NLP)
13.5- Microsoft Kinect Sensor

DASAR KOMUNIKASI MULTIMEDIA (DTH2I3)

FAKULTAS ILMU TERAPAN- TELKOM UNIVERSITY
Real-time Hand Pose Recognition
Real Time hand Pose Recognition
Real-time hand pose recognition

Sensor Microsoft Kinect

Real Time Hand Pose Recognition
13.6 Automatic Face

Recognition

52
Handwriting Recognition
Cara kerja speech and handwriting
recognition
Automatic Personality

Perseption

The Power of PowerPoint | thepopp.com 55

Automatic Personality Perseption