GET YOUR 30-DAY FREE TRIAL
Akses semua materi belajar DQLab Gratis Claim Now

Jenis-jenis Algoritma Supervised Machine Learning

Jenis-jenis Algoritma Supervised Machine Learning

Belajar Data Science di Rumah 21-Oktober-2020
https://dqlab.id/files/dqlab/cache/4a33b0a270362fd9730ae86f8329a2df_100_persen.jpg

Salah satu jenis algoritma pada Machine Learning adalah Supervised Learning. Seperti yang pernah dibahas di artikel lainnya, Machine Learning tanpa data maka tidak akan bisa bekerja. Oleh sebab itu, hal yang pertama kali perlu disiapkan adalah data. Data pada algoritma ini umumnya dibagi menjadi 2 bagian, yaitu data training dan data testing. Data training nantinya akan digunakan untuk melatih algoritma dalam mencari model yang sesuai, sedangkan data testing akan dipakai untuk menguji dan mengetahui performa model yang didapatkan pada tahapan testing.

Tujuan dari jenis algoritma Machine Learning satu ini adalah mengelompokkan suatu data baru ke data lama yang sudah ada. Supervised Learning terdiri dari variabel input dan variabel output. Sehingga kita dapat meramal seperti apa nanti outputnya ketika ingin memasuki input baru dengan melabeli dataset dengan baik. Ingin tahu jenis jenis algoritma yang dimiliki Supervised Learning? Yuk, simak pembahasan berikut!

 

1.   Decision Tree

Decision Tree merupakan salah satu algoritma yang sangat mudah dipahami dalam klasifikasi objek. Algoritma ini adalah salah satu algoritma Supervised Learning. Decision Tree membagi data menjadi himpunan bagian berdasarkan variabel inputnya. Algoritma ini merupakan jenis diagram alir yang membantu dalam proses pengambilan keputusan. Decision Tree ini menjadi alat pendukung keputusan yang menggunakan grafik atau model seperti pohon.

Grafik ini terdiri dari jumlah minimum ya/tidak pertanyaan dari sebuah pertanyaan, untuk menilai masing-masing probabilitasnya. Nilai probabilitas ini akan menjadi sebuah metode pengambilan keputusan dengan cara yang terstruktur dan sistematis untuk sampai pada kesimpulan yang tepat.

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

2.  Naïve Bayes

Naïve Bayes merupakan algoritma Machine Learning untuk klasifikasi dengan efisiensi komputasi dan akurasi yang baik, khususnya untuk dimensi dan jumlah data yang besar. Akan tetapi performa algoritma ini akan menurun jika antar atribut tidak memiliki keterkaitan satu sama lain. Beberapa solusi untuk memecahkan permasalahan tersebut seperti pemilihan atribut, structure extension, atau pembobotan masing-masing atribut. Beberapa contoh nyata  Klasifikasi Naive Bayes yaitu sebagai penanda email spam atau tidak, Mengklasifikasikan kategori sebuah artikel berita, bahkan digunakan untuk perangkat lunak pengenalan wajah.

3. Support Vector Machine

SVM merupakan algoritma yang umumnya digunakan untuk klasifikasi dan juga regresi. Dalam Machine Learning, SVM termasuk dalam model supervised learning yang berhubungan dengan analisis data dan pengenalan pola. Metode dasar SVM adalah mengambil satu set data input lalu memperkirakan untuk setiap input yang diberikan dari dua kelas yang memungkinan untuk membuat output. Dalam pemodelan klasifikasi, SVM mempunyai konsep yang lebih matang serta lebih jelas secara matematis dibanding dengan teknik-teknik klasifikasi yang lain. SVM juga bisa menanggulangi permasalahan klasifikasi serta regresi dengan linear maupun non linear.

Baca juga: Apa itu Machine Learning? Kenali Perbedaan Machine Learning dan Deep Learning

4. Tingkatkan Ilmu Datamu dengan Belajar bersama DQLab Sekarang!

Terapkan ilmunya sekarang dengan bergabung bersama platform belajar online DQLab! Selain bisa meningkatkan ilmu data yang dimiliki, kamu juga bisa membangun portofolio datamu di DQLab guna mempersiapkan dirimu berkarir di industri data. 

Sign up sekarang di DQLab.id dan nikmati module GRATIS “Introduction to Data Science” untuk menikmati pengalaman belajar yang seru menyenangkan serta aplikatif pada industri nyata! Untuk kamu yang ingin mulai belajar Data Science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

  • Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial

  • Dapatkan sesi konsultasi langsung dengan praktisi data lewat data mentoring

  • Bangun portofolio data langsung dari praktisi data Industri

  • Akses Forum DQLab untuk berdiskusi.

Simak informasi di bawah ini untuk mengakses gratis module ‘Introduction to Data Science’:

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

  2. Akses module Introduction to Data Science

  3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

Penulis : Salsabila Miftah Rezkia

Editor : Annissa Widya Davita


Share

Postingan Terkait

Mulai Bangun Karirmu Bersama DQLab!