TEBUS HOKI! BELI 1 GRATIS 1
Belajar Data 6 BULAN GRATIS 6 BULAN hanya Rp180K!

0 Hari 2 Jam 27 Menit 1 Detik

Bootstrap Aggregating pada Machine Learning Model

Belajar Data Science di Rumah 02-September-2023
https://dqlab.id/files/dqlab/cache/kv-2-banner-longtail-selasa-07-2023-09-02-092805_x_Thumbnail800.jpg

Model machine learning adalah representasi matematis dari suatu proses atau sistem yang memungkinkan komputer untuk mempelajari pola, melakukan prediksi, atau mengambil keputusan berdasarkan data yang telah diberikan kepadanya. Model ini digunakan dalam machine learning untuk melakukan tugas-tugas seperti klasifikasi, regresi, pengelompokan, atau tugas-tugas lain yang melibatkan analisis data.


Ada banyak jenis machine learning model yang pada umumnya dipakai untuk membangun model machine learning seperti supervised learning (pembelajaran secara terawasi), unsupervised learning (pembelajaran secara tidak terawasi), reinforcement learning, hingga ensemble learning. 


Bootstrap Aggregating, yang sering disebut sebagai Bagging, adalah teknik dalam machine learning yang digunakan untuk meningkatkan performa model. Ini adalah salah satu teknik ensemble learning yang paling populer. Ensemble learning melibatkan penggabungan beberapa model machine learning untuk menciptakan model yang lebih kuat dan lebih stabil daripada model individu yang digunakan. 


Beberapa contoh dari algoritma yang menggunakan Bootstrap Aggregating (Bagging) termasuk Bagged Decision Trees (Random Forests), Bagged Support Vector Machines (Bagged SVM), dan Bagged Neural Networks. Dengan menggunakan Bagging, Anda dapat meningkatkan kinerja model Anda dan membuat model yang lebih robust terhadap variasi dalam data pelatihan. Berikut adalah langkah-langkah dalam bootstrap aggregating pada pembentukan model machine learning sebagai berikut. Simak yuk sahabat DQLab!


1. Bootstrap Sampling

Pertama-tama, dataset pelatihan awal diambil sejumlah kali dengan penggantian. Ini menghasilkan setiap "tas" (bag) yang berisi data yang mungkin memiliki beberapa overlap dan beberapa data yang tidak muncul sama sekali dalam setiap tas. Pengambilan data secara acak dengan penggantian ini memungkinkan untuk variasi dalam model yang dihasilkan.


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


2. Model Base

Untuk setiap tas data yang dihasilkan dari langkah pertama, sebuah model prediktif (misalnya, Decision Tree, Neural Network, dll.) dilatih menggunakan data dalam tas tersebut. Karena setiap tas dapat memiliki variasi dalam distribusi datanya, model-model ini juga akan bervariasi.


3. Aggregating

Setelah semua model dasar dilatih, hasil prediksi dari setiap model dihasilkan pada data uji atau data validasi. Kemudian, hasil prediksi dari semua model ini diagregasi untuk menghasilkan hasil akhir. Cara paling umum untuk melakukan agregasi adalah dengan menghitung rata-rata (untuk masalah regresi) atau dengan memilih hasil mayoritas (untuk masalah klasifikasi).

Machine Learning

Sumber Gambar: Corporate Finance Institute


Baca juga : Bootcamp Machine Learning and AI for Beginner


4. Keuntungan dalam Bootstrap Aggregating

Berikut adalah keuntungan utama dari Bootstrap Aggregating:

  • Reduksi Varians: Karena model-model dasar dilatih pada subset data yang berbeda, variasi antar model dapat membantu mengurangi varian dalam hasil akhir ensemble. Ini membantu mencegah overfitting dan meningkatkan umumnya kinerja model pada data yang tidak dilihat sebelumnya.

  • Stabilisasi: Bagging dapat mengurangi efek noise dalam dataset, sehingga membuat prediksi secara keseluruhan lebih stabil.

  • Meningkatkan Akurasi: Dengan menggabungkan hasil dari beberapa model, ensemble ini cenderung menghasilkan prediksi yang lebih baik daripada model individu.


Menyusun model machine learning memang dibutuhkan untuk membuat aplikasi yang tokcer. Yuk perdalam pengetahuan kamu tentang machine learning disini! DQLab merupakan suatu platform belajar online yang berfokus pada pengenalan Data Science & Artificial Intelligence (AI) dengan menggunakan berbagai bahasa pemrograman populer. Selain itu DQLab merupakan platform edukasi pertama yang mengintegrasi fitur ChatGPT.


DQLab juga menggunakan metode HERO, yaitu Hands-On, Experiental Learning & Outcome-based, yang dirancang ramah untuk pemula. Untuk bisa merasakan pengalaman belajar yang praktis & aplikatif yuk langsung saja sign up di DQLab.id/signup dan ikuti DQLab LiveClass  Bootcamp Machine Learning and AI for Beginner sekarang! 


Penulis: Reyvan Maulid










Mulai Karier
sebagai Praktisi Data
Bersama DQLab

Daftar sekarang dan ambil langkah pertamamu untuk 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 :