PROMO SPESIAL 12.12
Belajar Data Science Bersertifikat, 6 Bulan hanya 120K!
0 Hari 12 Jam 15 Menit 26 Detik

Algoritma Unsupervised Learning, Kenali Metode yang Sering Digunakan

Belajar Data Science di Rumah 14-Maret-2021
https://dqlab.id/files/dqlab/cache/430af7e572695b86ef73d3188d609b1e_x_Thumbnail800.png
Follow Instagram dan LinkedIn kami untuk info karir dan topik menarik

Algoritma Unsupervised Learning merupakan salah satu algoritma yang ada dalam Machine Learning. Perkembangan teknologi yang sangat pesat membuat data yang ada sangatlah banyak. Berdasarkan survey yang dilakukan oleh We Are Social dengan Hootsuite pada Januari 2021, dari 7.83 milyar penduduk di dunia ini, 59.5% adalah pengguna internet. Jumlah ini sekitar 4.66 milyar penduduk. Bayangkan saja berapa banyak data yang dihasilkan, sehingga lahirlah Big Data.

Machine Learning menjadi salah satu hal yang sangat dibutuhkan untuk mengatasi fenomena big data. Era ini membuat metode yang dulu dapat diaplikasikan menjadi kurang efektif, sehingga membutuhkan metode lainnya yang lebih cepat dalam mengatasi data yang bervolume besar. Dalam artikel ini, kita akan membahas apa saja sih contoh dari Unsupervised Learning. Nah, penasaran kan? Yuk, simak artikelnya!

1. K-Means Clustering

K-Means Clustering merupakan salah satu contoh dari algoritma Unsupervised Learning yang banyak digunakan, dimana tidak membutuhkan data training untuk melatih mesinnya. Dalam metode ini, jumlah percobaan yang ada akan dikelompokkan menjadi beberapa kelompok sesuai dengan karakteristiknya. Cara menentukan data mana yang akan masuk ke setiap kelompok adalah dengan melihat data yang mendekati titik centroid yang telah ditentukan sebelumnya. Namun, kita harus mendefinisikan berapa kelompok yang akan dibuat.

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

2. Principal Component Analysis

Metode yang satu ini mungkin lebih banyak digunakan untuk data yang bersifat multivariat. Data multivariat merupakan data yang memiliki banyak variabel independen atau yang lebih dikenal dengan variabel X. Dalam PCA, variabel-variabel X yang dianggap saling berkorelasi akan dirangkum menjadi variabel baru yang memuat kombinasi dari variabel-variabel X sebelumnya. Hal ini akan membuat masalah multikolinearitas menjadi sangat mungkin dihilangkan ketika dibentuk suatu model regresi.

3. Deep Belief Network

Deep Belief Network merupakan salah satu metode yang berada di bawah algoritma Unsupervised Learning. Tentunya hal ini akan berbeda jika dibandingkan dengan neural network yang membutuhkan inputan data training yang kemudian akan dijadikan pendeteksi fitur. Dalam metode Deep Belief Network ini, mesin akan memodelkan variabel-variabel acak dan dependensinya menggunakan grafik. Perlu diingat bahwa variabel-variabel tersebut dapat berasal dari distribusi berparameter atau bahkan mungkin dimodelkan oleh jaringan saraf.

Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python


4. Yuk Mulai Belajar Menjadi Data Scientist Bersama DQLab!       

https://dqlab.id/files/dqlab/file/data-web-1/data-user-1/postgroup/0f0327126cebe99dff31890ba2cd7777/74ba929d6bf96cc7c8feac1cdf87df83.jpg

Gunakan Kode Voucher "DQTRIAL", dan simak informasi di bawah ini mendapatkan 30 Hari FREE TRIAL:

  1. Buat Akun Gratis dengan Signup di DQLab.id/signup

  2. Buka academy.dqlab.id dan pilih menu redeem voucher 

  3. Redeem voucher "DQTRIAL" dan check menu my profile untuk melihat masa subscription yang sudah terakumulasi. 

  4. Selamat, akun kamu sudah terupgrade, dan kamu bisa mulai Belajar Data Science GRATIS 1 bulan.


    Penulis : Gifa Delyani 

    Editor : Annissa Widya Davita



Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login