ALGORITMA

MACHINE
LEARNING
MATERI YANG AKAN DIBAHAS

ALGORITMA MACHINE
LARNING:
• KLASIFIKASI
• REGRESI
• CLUSTERING
• ASOSIASI
KLASIFIKASI
 ALGORITMA KLASIFIKASI

Algoritma klasifikasi adalah algoritma yang digunakan untuk

memprediksi kategori atau label dari suatu data berdasarkan
atribut-atributnya. Ini adalah jenis masalah pembelajaran
mesin yang melibatkan klasifikasi data ke dalam kategori yang
telah ditentukan. Labelnya ditentukan telebih dahulu.
Supervised Learning
 ALGORITMA-ALGORITMA KLASIFIKASI
1.K-Nearest Neighbors (K-NN): Algoritma K-NN mengklasifikasikan
data berdasarkan seberapa mirip data yang akan diprediksi dengan data
pelatihan yang ada. Ini bekerja dengan mengidentifikasi k-nearest
neighbors (data pelatihan yang paling mirip) dan menentukan label
berdasarkan mayoritas dari tetangga terdekat.
2.Naive Bayes: Algoritma Naive Bayes berdasarkan pada teorema Bayes
dan menghitung probabilitas kondisional dari atribut-atribut data untuk
menentukan kategori mana yang paling mungkin. Ini sering digunakan
dalam pemrosesan teks dan klasifikasi spam email.
3.Decision Trees: Decision tree adalah model yang mengambil keputusan
dengan membuat pohon keputusan berdasarkan atribut-atribut data. Ini
adalah model yang mudah diinterpretasikan dan dapat digunakan baik
untuk masalah klasifikasi maupun regresi.
 ALGORITMA-ALGORITMA KLASIFIKASI
1.K-Nearest Neighbors (K-NN): Algoritma K-NN mengklasifikasikan
data berdasarkan seberapa mirip data yang akan diprediksi dengan data
pelatihan yang ada. Ini bekerja dengan mengidentifikasi k-nearest
neighbors (data pelatihan yang paling mirip) dan menentukan label
berdasarkan mayoritas dari tetangga terdekat.
2.Naive Bayes: Algoritma Naive Bayes berdasarkan pada teorema Bayes
dan menghitung probabilitas kondisional dari atribut-atribut data untuk
menentukan kategori mana yang paling mungkin. Ini sering digunakan
dalam pemrosesan teks dan klasifikasi spam email.
3.Decision Trees: Decision tree adalah model yang mengambil keputusan
dengan membuat pohon keputusan berdasarkan atribut-atribut data. Ini
adalah model yang mudah diinterpretasikan dan dapat digunakan baik
untuk masalah klasifikasi maupun regresi.
 ALGORITMA-ALGORITMA KLASIFIKASI
1. Random Forest: Random Forest adalah kumpulan pohon keputusan yang
digunakan untuk mengurangi overfitting dan meningkatkan akurasi. Ini adalah
salah satu algoritma ensambel yang sangat kuat.
2. Support Vector Machines (SVM): SVM adalah algoritma yang digunakan
untuk memisahkan dua kategori dengan mencari hyperplane yang memiliki jarak
maksimum dengan kategori-kategori yang berbeda. Ini adalah algoritma yang
kuat untuk klasifikasi biner.
3. Neural Networks: Neural networks, terutama dalam bentuk deep learning, dapat
digunakan untuk klasifikasi data dengan tingkat kompleksitas yang tinggi.
Mereka dapat memodelkan hubungan non-linier yang rumit dalam data.
4. Klasifikasi Bayes: Ini adalah algoritma yang digunakan untuk memodelkan
hubungan probabilistik antara atribut-atribut data dan label kategori.
5. XGBoost: XGBoost adalah algoritma ensambel yang populer, yang sering
digunakan dalam kompetisi data dan dikenal karena performanya yang sangat
baik
REGRESI
 ALGORITMA REGRESI
Agoritma regresi adalah teknik machine learning yang
digunakan untuk memprediksi nilai dari sebuah variabel
target berdasarkan nilai dari beberapa variabel input (atau
fitur). Algoritma regresi digunakan untuk membuat model
matematis yang dapat digunakan untuk memprediksi nilai
target dari data baru.
Algoritma regresi adalah langkah-langkah dan metode
yang digunakan untuk menghitung model regresi dan
mengestimasi parameter-parameternya berdasarkan data.
Ada berbagai algoritma yang digunakan untuk melakukan
regresi, tergantung pada jenis regresi yang Anda terapkan
(linier, logistik, dll.)
 ALGORITMA REGRESI
1.Regresi Linier Sederhana: Ini adalah bentuk paling dasar dari
regresi linier yang melibatkan satu variabel independen dan satu
variabel dependen. Tujuannya adalah untuk menemukan garis terbaik
yang sesuai dengan data.
2.Regresi Linier Berganda: Regresi linier berganda melibatkan dua
atau lebih variabel independen yang digunakan untuk memprediksi
satu variabel dependen. Ini adalah ekstensi dari regresi linier
sederhana.
3.Regresi Polinomial: Regresi polinomial melibatkan penggunaan
model polinomial untuk menggambarkan hubungan antara variabel
independen dan variabel dependen. Ini cocok untuk data yang tidak
sesuai dengan model linier sederhana.
CLUSTERING
ASOSIASI
ASOSIASI RULES
Ada Pertanyaan?
https://scholar.google.com/

https://www.researchgate.net/

Jurnal 5 tahun terakhir

TIM MATERI
1=7 KLASIFIKASI, CLUSTERING (KLASIFIKASI)
2 PREDIKSI, ASOSIASI (PREDIKSI)
3 KLASIFIKASI, CLUSTERING (CLUSTERING)
4 PREDIKSI, ASOSIASI (ASOSIASI)
5 KLASIFIKASI, ASOSIASI (ASOSIASI)
6 PREDIKSI, CLUSTERING (PREDIKSI)
1. Terkait pengetian klasfikasi, clustering atau tujuannya

2. jenis-jenis algoritma nya jelasin sedikit (Min 5 algoritma)

3. Jurnal (penerapan dari salah satu algoritma dari)

• Pendahuluan: Masalah, tujuan

• Metode: lokasi, data apa yang diguanakn, menggunakan algoritma apa?

• Hasil:

• Kesimpulan
TERIMA KASIH