Scribd
Unggah
27 tayangan

Modul 2 Algoritma Machine Learning

Diunggah oleh

Yulia Alfi Sinaga
Hak Cipta
© © All Rights Reserved
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
27 tayangan

Modul 2 Algoritma Machine Learning

Diunggah oleh

Yulia Alfi Sinaga
Hak Cipta
© © All Rights Reserved
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 4

BAB II

ALGORITMA MACHINE LEARNING

2.1 Jenis Sistem Pembelajaran Mesin

Sistem Pembelajaran Mesin (Machine Learning) dapat diklasifikasikan


berdasarkan jenis metode yang digunakan untuk melatih model atau berdasarkan
cara model berinteraksi dengan data. Berikut adalah jenis-jenis utama dari sistem
pembelajaran mesin:

1. Berdasarkan Jenis Pembelajaran

Kategori ini mengacu pada bagaimana model dilatih menggunakan data.


a. Supervised Learning (Pembelajaran Terawasi)

Dalam pembelajaran terawasi, model dilatih menggunakan data berlabel, yang


berarti setiap sampel data memiliki input dan output yang diketahui. Model belajar
dari data ini untuk memetakan input ke output yang sesuai. Tujuannya adalah
membuat prediksi atau klasifikasi berdasarkan pola yang telah dipelajari.
• Contoh: Prediksi harga rumah berdasarkan karakteristik rumah, klasifikasi
email sebagai spam atau bukan spam.
• Algoritma umum:

o Regresi Linear
o K-Nearest Neighbors (KNN)

o Decision Trees

o Random Forest
o Neural Networks (untuk masalah yang lebih kompleks)

b. Unsupervised Learning (Pembelajaran Tanpa Pengawasan)

Pembelajaran tanpa pengawasan bekerja dengan data tanpa label, dan


tujuannya adalah menemukan pola tersembunyi atau struktur dalam data. Model
mencoba mengelompokkan atau memahami hubungan antara data tanpa
pengetahuan awal tentang output yang benar.
• Contoh: Mengelompokkan pelanggan berdasarkan perilaku belanja mereka
(clustering), mengurangi dimensi data yang kompleks.
• Algoritma umum:
o K-Means Clustering

o Principal Component Analysis (PCA)

o DBSCAN
o Hierarchical Clustering

o
c. Semi-Supervised Learning (Pembelajaran Semi-Terawasi)

Dalam pembelajaran semi-terawasi, model dilatih dengan kombinasi data


berlabel dan data tanpa label. Biasanya hanya sebagian kecil data yang diberi label
karena pelabelan bisa mahal atau sulit, dan model menggunakan data yang tidak
berlabel untuk memperbaiki akurasi prediksi.
• Contoh: Klasifikasi dokumen di mana sebagian besar dokumen tidak diberi
label, tetapi hanya sebagian kecil yang memiliki label.
• Algoritma umum:

o Label Propagation

o Semi-supervised Support Vector Machines (S3VM)


d. Reinforcement Learning (Pembelajaran Penguatan)

Dalam pembelajaran penguatan, agen (model) belajar dengan berinteraksi dengan


lingkungan dan mendapatkan umpan balik dalam bentuk reward atau penalti
berdasarkan tindakan yang diambil. Model bertujuan untuk memaksimalkan reward
kumulatif dengan belajar dari pengalaman.
• Contoh: Algoritma untuk agen yang bermain game, robotika, atau kendaraan
otonom yang belajar melalui percobaan dan kesalahan.
• Algoritma umum:

o Q-Learning
o Deep Q-Networks (DQN)

o Policy Gradient Methods

o Proximal Policy Optimization (PPO)


2. Berdasarkan Interaksi dengan Lingkungan atau Data

a. Batch Learning (Pembelajaran Batch)

Dalam batch learning, model dilatih menggunakan kumpulan data secara


keseluruhan (batch), biasanya dengan menggunakan seluruh dataset sekaligus
untuk melatih model. Setiap kali model diperbarui, semua data digunakan, dan ini
bisa memakan waktu dan sumber daya yang besar.
• Kelebihan: Cocok untuk dataset yang statis dan ketika proses pelatihan bisa
dilakukan secara offline.
• Kekurangan: Tidak cocok untuk data yang berubah secara dinamis, karena
model harus dilatih ulang dengan seluruh dataset.

b. Online Learning (Pembelajaran Online)

Dalam online learning, model dilatih secara bertahap dari data yang datang secara
berurutan. Setiap kali data baru tersedia, model segera diperbarui. Ini ideal
untuk skenario di mana data tiba terus menerus atau dataset terlalu besar
untuk diproses sekaligus.
• Kelebihan: Cocok untuk data yang dinamis dan terus berkembang, serta
memungkinkan pembelajaran secara real-time.
• Kekurangan: Memerlukan perhitungan terus-menerus, dan bisa sulit
menyesuaikan dengan perubahan mendadak dalam data (concept drift).
3. Berdasarkan Kompleksitas Algoritma

a. Shallow Learning (Pembelajaran Dangkal)

Algoritma pembelajaran dangkal adalah model sederhana dengan sedikit lapisan


pemrosesan data. Biasanya, algoritma ini cocok untuk masalah yang kurang
kompleks dan dataset kecil atau menengah.
• Contoh Algoritma:
o Regresi Linier

o Naive Bayes

o Support Vector Machines (SVM)


o Decision Trees

b. Deep Learning (Pembelajaran Mendalam)

Deep Learning adalah bentuk pembelajaran mesin yang menggunakan Neural


Networks (Jaringan Saraf Tiruan) dengan banyak lapisan (deep). Model ini mampu
menangkap hubungan yang lebih kompleks dalam data dan sering digunakan untuk
tugas-tugas yang sangat sulit seperti pengenalan citra, pemrosesan bahasa alami,
dan pengenalan suara.
• Contoh Algoritma:

o Convolutional Neural Networks (CNN) untuk pengenalan gambar.


o Recurrent Neural Networks (RNN) atau Long Short-Term Memory
(LSTM) untuk pemrosesan data sekuensial (misalnya, teks atau suara).
o Transformer untuk pemrosesan bahasa alami (Natural Language
Processing), seperti BERT atau GPT.

4. Berdasarkan Jenis Masalah yang Diselesaikan

a. Classification (Klasifikasi)
Model klasifikasi bertujuan untuk memetakan input ke dalam kategori atau
kelas. Ini adalah masalah pengelompokan yang diskrit.
• Contoh: Memprediksi apakah email adalah spam atau bukan spam, atau
mengklasifikasikan gambar hewan sebagai anjing, kucing, atau burung.

b. Regression (Regresi)

Model regresi bertujuan untuk memprediksi nilai numerik kontinyu


berdasarkan data input. Ini adalah masalah prediksi.
• Contoh: Memprediksi harga rumah, memperkirakan penjualan di masa
depan, atau memprediksi suhu berdasarkan data cuaca.
c. Clustering (Pengelompokan)

Clustering bertujuan untuk mengelompokkan data ke dalam kelompok


berdasarkan kesamaan, tanpa menggunakan label.
• Contoh: Mengelompokkan pelanggan berdasarkan preferensi belanja mereka.
d. Dimensionality Reduction (Pengurangan Dimensi)

Pendekatan ini digunakan untuk mengurangi jumlah fitur dalam dataset sambil
tetap mempertahankan informasi penting. Ini sangat membantu ketika data
memiliki banyak dimensi dan sulit divisualisasikan atau dianalisis.
• Contoh: PCA (Principal Component Analysis) untuk pengurangan dimensi
dalam analisis data.
Dengan berbagai jenis sistem pembelajaran mesin ini, setiap pendekatan
memiliki keunggulan tergantung pada jenis data dan masalah yang dihadapi.

Anda mungkin juga menyukai