DQLab Super Giveaway! Belajar Data Science 6 Bulan hanya Rp.99.000! DAFTAR

Pakai Kode: KUPON99K. Berakhir 0 Days 22 Jam : 45 Menit : 49 Detik

Jenis - Jenis Machine Learning yang Harus Kamu Pahami

Belajar Data Science di Rumah 28-Desember-2020
https://dqlab.id/files/dqlab/cache/d895dcf42cf5687167ed29a1ef800b29_x_Thumbnail800.jpg

Machine learning dan artificial intelligence adalah dua keyword yang paling banyak diperbincangkan saat ini. Namun, sebagian jurnalis, konsumen, dan pebisnis tidak terlalu mengerti kedua istilah tersebut. Dasarnya artificial intelligence adalah proses ‘melihat’, ‘mendengar’, dan ‘membaca’ data untuk mengambil keputusan. Jika dijabarkan secara lebih detail, artificial intelligence adalah proses replikasi kecerdasan manusia secara umum. Artificial intelligence digunakan bersamaan dengan machine learning. Sedangkan machine learning adalah salah satu topik pada ilmu komputer yang berbasis matematika dan statistika komputasi. Machine learning mengolah banyak data dan mempelajari pola dalam data untuk membuat prediksi di masa mendatang. 

Algoritma machine learning digunakan untuk mengekstrak model yang didapat dari pengolahan data mentah (raw data) yang dapat digunakan untuk berbagai tugas dan tujuan. Cara kerja machine learning mirip dengan cara manusia belajar. Agar mesin, dalam konteks ini adalah komputer memiliki kemampuan belajar yang sama dengan manusia, maka perlu adanya proses klasifikasi sebelum menganalisis, menilai dan mengambil tindakan. Secara garis besar, algoritma machine learning dibagi menjadi tiga jenis, yaitu supervised learning, unsupervised learning, dan reinforcement learning. Sebelum menyelesaikan masalah menggunakan machine learning, kita harus memahami ketiga jenis machine learning tersebut karena algoritma-algoritma tersebut memiliki fungsi dan tujuan masing-masing.  lalu apa yang dimaksud dengan supervised, unsupervised, dan reinforcement learning? Yuk baca artikelnya sampai selesai!

1. Definisi Supervised Learning

Supervised learning mengadopsi konsep pendekatan fungsi, dimana pada dasarnya algoritma dilatih agar dapat memilih fungsi-fungsi yang paling menggambarkan input dimana X tertentu membuat estimasi terbaik dari y. Namun, pada kenyataannya tidak sedikit orang yang kesulitan menemukan fungsi yang paling cocok. Hal ini karena sebenarnya algoritma bergantung pada asumsi yang digunakan. Jika ada asumsi yang tidak terpenuhi, tidak jarang hasil pengolahan data akan menimbulkan bias. Oleh karena itu, algoritma ini membutuhkan data latih yang benar sehingga sistem dapat mempelajari polanya dan regresi, klasifikasi, K-NN, Naive Bayes, Decision Trees, Regresi linier, Support Vector Machine, dan neural network. 

Algoritma supervised learning adalah jenis machine learning yang paling umum. Dalam bahasa indonesia, supervised learning diartikan sebagai pembelajaran diawasi. Istilah ‘diawasi’ ini muncul karena algoritma ini dirancang untuk belajar melalui contoh. Supervised learning memiliki beberapa kelebihan dan kekurangan. Keuntungan pertama, algoritma supervised learning adalah proses yang sederhana dan mudah dipahami. Selain itu algoritma ini juga powerfull untuk klasifikasi. Data yang digunakan bukanlah data real time sehingga memerlukan data baru untuk memprediksi hasil. Kelemahan dari algoritma ini adalah memerlukan waktu komputasi yang cukup panjang untuk pelatihan dan menggunakan algoritma yang lebih kompleks daripada algoritma unsupervised learning karena harus memberi label pada setiap input. 

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

2. Definisi Unsupervised Learning

Algoritma unsupervised learning adalah algoritma yang tidak membutuhkan data berlabel. Pada unsupervised learning, algorithm tidak membutuhkan data training. Algoritma ini digunakan dalam mendeteksi pola dan pemodelan deskriptif yang tidak membutuhkan kategori atau output berlabel yang menjadi dasar algoritma untuk mencari model yang tepat. Algoritma ini digunakan untuk clustering dan association rule. Keunggulan dari unsupervised learning adalah karena tidak membutuhkan label, algoritma lebih leluasa untuk mencari pola yang mungkin sebelumnya belum diketahui. Sedangkan kekurangan dari algoritma ini adalah sulitnya menemukan informasi dalam data karena tidak ada label dan lebih sulit untuk membandingkan output dengan inputnya. 

Setelah memahami supervised dan unsupervised learning, ternyata tidak semua algoritma bisa dikategorikan sebagai supervised atau unsupervised learning. Algoritma tersebut bisa disebut dengan semi-supervised learning. 

3. Definisi Semi-Supervised Learning dan Reinforcement Learning

Seperti yang telah dijelaskan sebelumnya, semi-supervised learning adalah algoritma yang tidak bisa dikategorikan ke dalam supervised atau unsupervised learning. Algoritma ini cocok digunakan untuk sejumlah data berukuran besar yang dibagi menjadi dua bagian yang diberi label dan tidak diberi label. Keuntungan dari semi-supervised learning adalah membutuhkan biaya yang lebih murah karena hanya setengah data yang diberi label dan tidak memerlukan tenaga ahli untuk mengolahnya. 

Tujuan dari reinforcement learning adalah untuk menggunakan observasi yang dikumpulkan dari interaksi bersama lingkungan guna mengambil tindakan yang akan memaksimumkan output dan meminimalkan resiko. Algoritma ini akan terus belajar secara berulang-ulang. Dalam algoritma ini ada agen yang akan belajar dari interaksi dengan environment-nya. Untuk menghasilkan model, algoritma reinforcement learning melalui beberapa tahap antara lain agen mengamati data input, setelah itu agen melakukan suatu tindakan untuk mengambil keputusan. Setelah keputusan diambil, agen akan memperoleh ‘reward’ atau penguatan dari lingkungan. Lalu kembali mengamati input dan proses pengambilan keputusan kembali dilakukan namun dengan tambahan penguatan dari lingkungan sehingga hasil keputusan yang diambil lebih akurat. 

Machine learning dan data science merupakan dua ilmu yang saling berkomplemen. Kedua ilmu ini saling melengkapi dan biasanya diaplikasikan secara bersamaan. Data science adalah ilmu yang sedang banyak dipelajari saat ini. Hal ini karena jumlah data yang semakin meningkat dan profesi data scientist sedang banyak dicari. Kedua ilmu ini dapat diterapkan di berbagai sektor, mulai dari finance, pendidikan, logistik, komunikasi, bahkan fashion. Kabar baiknya, ilmu data science dapat dipelajari oleh siapapun dengan latar belakang pendidikan apapun.

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

4. Yuk, Mulai Belajar Data Science bersama DQLab secara GRATIS!

Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industi! Sign up sekarang untuk #MulaiBelajarData di DQLab!

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

  4. Subscribe DQLab.id untuk Akses Semua Module Premium!


Penulis: Galuh Nurvinda Kurniawati

Editor: Annissa Widya Davita

Share

Postingan Terkait

Mulai Bangun Karirmu Bersama DQLab!