FLASH PROMO!! BELAJAR DATA SCIENCE ONLINE 6 BULAN 399K
Diskon 89%, Akses 76 Modul Data Science Premium, Metode Praktek Sandbox, Bersertifikat!
SERBU DISINI!
Pendaftaran ditutup dalam 0 Hari 3 Jam 37 Menit 24 Detik 

5 Tipe Machine Learning Lengkap dengan Ciri Khasnya

Belajar Data Science di Rumah 07-Desember-2022
https://dqlab.id/files/dqlab/cache/73edb648a7038a631d679e7297e0216a_x_Thumbnail800.jpg

Sahabat DQ pasti sudah tidak asing dengan istilah Machine Learning. Seiring dengan populernya Data Science, Machine Learning juga menjadi topik hangat di bidang data. Goals dari Data Science adalah untuk menemukan pola serta kesimpulan di balik suatu dataset yang tersedia agar bisa lebih berguna. Untuk mencapai goals tersebut menguasai algoritma Machine Learning merupakan langkah terbaik yang harus ditempuh agar bisa menemukan pola yang kita inginkan.


Pada dasarnya, cara kerja Machine Learning dalam menggunakan algoritma terprogram dimulai dengan menerima dan menganalisis data inputan untuk kemudian dapat memprediksi nilai keluaran. Ketika data inputan tersebut dimasukkan ke dalam algoritma ini, mereka akan mempelajari dan mengoptimalkan operasi berdasarkan data tersebut.


Machine Learning memiliki beberapa tipe algoritmanya. Beda algoritmanya, beda pula jenis-jenisnya. Agar perusahaan mendapatkan informasi yang tepat, maka perusahaan tersebut perlu memperhatikan tipe Machine Learning yang digunakan. Apa saja tipe-tipe Machine Learning dan apa bedanya? Yuk simak artikel berikut ini!


1. Supervised Learning: Memprediksi Masa Depan

Supervised Learning adalah tipe Machine Learning yang membutuhkan banyak data training yang digunakan oleh mesin untuk melakukan tugas tertentu. Cara kerja tipe Machine Learning yang satu ini dapat diibaratkan seperti ketika kita memperkenalkan warna merah kepada anak kecil.


Biasanya kita akan menunjukkan beberapa benda yang berwarna merah agar si anak bisa mengidentifikasi warna merah tersebut. Ketika si anak sudah mengerti, kita akan memberikan benda baru dan bertanya warna benda tersebut untuk mengetahui apakah si anak sudah memahaminya atau belum.


Cara belajar si anak kecil tersebut sama dengan cara belajar Supervised Learning. Oleh karena itu, kita membutuhkan data training untuk mengajari mesin agar bisa mengidentifikasi suatu hal dan kita juga perlu mempersiapkan data testing untuk menguji apakah mesin sudah memahami data training tersebut atau belum.


Adapun algoritma Machine Learning yang termasuk dalam jenis Supervised Learning dibagi menjadi 3 bagian antara lain:

  • Klasifikasi: terdiri dari algoritma yaitu, Naïve Bayes Classifier, SVM, Logistic Regression, KNN, Decision Tree, dan Random Forest.

  • Regresi: terdiri dari algoritma yaitu, Logistic Regression, Decision Tree, dan Random Forest.

  • Forecasting: terdiri dari algoritma yaitu,Linear Regression, SVM, Time Series Forecasting, Neural Network.


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Unsupervised Learning: Tidak ada Target yang Ditetapkan

Algoritma Unsupervised Learning akan mencari pola tersembunyi (pola eksplisit) dari data set yang diberikan. Pembelajaran Unsupervised Learning bekerja dengan menganalisis data tidak berlabel untuk menemukan struktur tersembunyi di dalamnya, dengan menentukan korelasi, dan untuk fitur yang benar-benar menghubungkan dua item data.


Salah satu contoh aplikasi Unsupervised Learning yaitu fitur rekomendasi video pada YouTube. Sistem pada YouTube dapat mengenali dan mencatat semua karakteristik video yang pernah kita tonton seperti lama durasi, genre, dan lain sebagainya. Dengan data tersebut dan ditambah dengan riwayat pengguna lain yang menonton video serupa dengan kita, YouTube dapat memberi rekomendasi video serupa yang belum kita tonton.


Adapun algoritma Machine Learning yang termasuk dalam jenis Unsupervised Learning dibagi menjadi 2 bagian antara lain:

  • Clustering: terdiri dari algoritma Hierarchical clustering, non-hierarchical clustering, K-NN dan K-Means Clustering.

  • Association Rules: terdiri dari algoritma Hierarchical clustering, non-hierarchical clustering, K-NN dan K-Means Clustering


3. Reinforcement Learning: Proses Pengambilan Keputusan

Reinforcement Learning merupakan salah satu perkembangan dari cabang kecerdasan buatan yang dapat diterapkan pada mesin atau robot untuk menentukan tindakan ideal secara otomatis dalam keadaan tertentu dalam rangka memaksimalkan kinerja mesin atau robot.  

Pendekatan Reinforcement Learning pada dasarnya memungkinkan mesin atau robot mempelajari tindakannya berdasarkan timbal-balik dari lingkungan sehingga dapat beradaptasi dengan lingkungan seiring dengan berjalannya waktu. Diharapkan dengan adanya kemampuan beradaptasi kinerja mesin ataupun robot dapat semakin baik dan optimal. 


Prinsip yang digunakan dalam metode ini didasarkan pada teori reinforcement yang artinya adalah ‘konsekuensi mempengaruhi tindakan’. Ada 3 prinsip dasar pada teori reinforcement yakni:

  • Konsekuensi yang berakibat baik mendorong terjadinya tindakan. 

  • Konsekuensi yang berakibat buruk mendorong berkurangnya tindakan. 

  • Konsekuensi yang tidak ada dampaknya tidak mempengaruhi tindakan.


4. Esemble Learning

Dalam membangun Machine Learning, setiap developer punya standarnya masing-masing. Biasanya berdasarkan apa yang dibutuhkan oleh perusahaan saat itu. Machine Learning harus memiliki tingkat akurasi yang baik. Nah, jika ingin meningkatkan akurasi Machine Learning kita bisa menerapkan Ensemble Learning.

Ensemble Learning adalah metode membangun Machine Learning dimana beberapa algoritma dikombinasikan dan digunakan secara bersamaan untuk memperoleh hasil pemodelan dengan tingkat akurasi yang lebih tinggi dibandingkan jika hanya menggunakan satu algoritma saja. Cara ini cukup ampuh untuk meningkatkan kinerja model yang kita buat.


Beberapa jenis Ensemble Learning yaitu sebagai berikut:

  • Bagging atau dikenal juga sebagai Bootstrap Aggregating adalah proses yang menggunakan beberapa model algoritma yang sama dan setiap model dilatih pada sampel berbeda dari dataset yang sama. Kemudian prediksi yang dihasilkan digabungkan menggunakan statistik sederhana. Contoh algoritma nya yaitu Random Forest.

  • Boosting merupakan variasi dari bagging yang mana setiap model individu dibangun berurutan mengulangi yang sebelumnya. Titik data yang salah dikelompokkan pada model sebelumnya maka akan ditekankan pada model berikutnya. Hal ini bertujuan untuk meningkatkan akurasi model secara keseluruhan. 

  • Stacking merupakan metode yang memasang banyak jenis model berbeda pada dataset yang sama dan menggunakan model lain untuk menggabungkan prediksi.


5. Multi-Istance Learning

Multi-Instance Learning (MIL) menjadi jenis algoritma terakhir dalam Machine Learning. Jenis yang satu ini mirip pula dengan konsep Supervised Learning namun dengan problem tidak lengkapnya wawasan terhadap label contoh pelatihan. Dalam Supervised Learning, setiap instance pelatihan diberi label diskrit.

Sebagai contoh di Multi-Instance Learning misalnya sebuah tas diberi label positif jika setidaknya satu instance di tas itu positif, dan tas diberi label negatif jika semua instance di dalamnya negatif. Tidak ada label pada masing-masing instance. Tujuan MIL adalah untuk mengklasifikasikan tas atau instance yang tidak terlihat berdasarkan tas berlabel sebagai data pelatihan.


Studi tentang MIL pertama kali dilakukan untuk memprediksi tingkat aktivitas molekul obat. Setelah itu, banyak metode MIL telah diusulkan, seperti mempelajari konsep sumbu-paralel, densitas beragam [Maron dan Lozano-Perez, 1998], Extended Citation kNN, dll. Mereka telah diterapkan pada spektrum aplikasi yang luas mulai dari pembelajaran konsep gambar dan kategorisasi teks hingga prediksi pasar saham.


Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021


Banyak juga ya ternyata tipe algoritma Machine Learning. Poin-poin diatas hanya membahas jenis-jenisnya secara singkat. Dari setiap jenis tersebut memiliki algoritmanya masing-masing. Algoritma-algoritma ini harus dipahami pemula data yang ingin menjadi praktisi data karena akan sering digunakan untuk membangun Machine Learning.


Nah, untuk memudahkan pemula dalam mempelajari algoritma Machine Learning, kalian semua bisa mulai belajar di DQLab. Belajar Machine Learning di DQLab akan memudahkan kita dengan cara belajar dari dasar mendapatkan sesi praktek secara live code, sehingga memudahkan kalian yang ingin belajar tapi belum memiliki aplikasinya.


Cara bergabungnya sangat mudah. Langsung saja Sign Up di DQLab.id dan nikmati belajar Data Science DQLab!


Penulis: Salsabila MR

Editor: Annisa Widya Davita


Mulai Belajar
Data Science Sekarang
Bersama DQLab

Buat Akun Belajarmu & Mulai Langkah
Kecilmu Mengenal Data Science.

Buat Akun Gratis Dengan :

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/8be7fae4b69abead22aa9296bcab7b4b.jpg Sign-Up dengan Google

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/d0aa879292fb427c0978d2a12b416e98.jpg Sign-Up dengan Facebook

Atau Buat Dengan :