Kupas Tuntas Machine Learning Model & Contohnya
Machine Learning terdiri dari 3 kelompok besar yaitu Unsupervised Learning, Supervised Learning dan Semi Supervised Learning. Ketiganya memiliki karakteristik dan penggunaan yang berbeda-beda. Algoritma dan model Machine Learning yang dipilih juga tergantung dari apa yang diinginkan oleh si pembuatnya.
Ketika membicarakan Machine Learning, kita kerap kali menemui istilah model Machine Learning. Tapi sebenarnya apa sih model Machine Learning tersebut dan seberapa penting untuk Machine Learning?
Model Machine Learning dapat dipahami sebagai program yang telah dilatih melalui proses training untuk menemukan pola yang tersedia dalam data baru dan dapat dimanfaatkan untuk membuat prediksi. Model-model ini direpresentasikan sebagai fungsi matematika yang menerima permintaan dalam bentuk data input, membuat prediksi pada data input, dan kemudian memberikan output sebagai respons.
Lalu seperti apakah contoh model Machine Learning dan perbedaannya dengan algoritma? Di artikel ini kita akan mendapatkan jawabannya!
1. Apakah Model dan Algoritma Machine Learning Sama?
Dalam beberapa kasus, kita kerap kali menemukan penggunaan istilah algoritma dan model Machine Learning yang digunakan secara bergantian. Hal ini mungkin akan memicu pertanyaan, sebenarnya algoritma yang ada pada Machine Learning sebenarnya sama gak sih dengan model Machine Learning? Ternyata kedua hal ini merupakan hal yang berbeda meskipun saling berkaitan.
Algoritma Machine Learning merupakan metode yang digunakan untuk menemukan pola dan untuk membuat model. Sementara model pada Machine Learning merupakan output dari prosedur yang telah dilakukan dimana nantinya akan digunakan untuk membuat prediksi.
Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!
2. Naive Bayes Classification
Algoritma Machine Learning yang pertama adalah Naive Bayes Classification. Naive Bayes merupakan salah satu algoritma Supervised Learning dalam Data Science. Naive Bayes Classification adalah kumpulan algoritma klasifikasi berdasarkan Teorema Bayes.
Metode Naive bukan algoritma tunggal tetapi sama halnya dengan algoritma lainnya. Dimana semuanya memiliki prinsip yang sama, yaitu setiap pasangan fitur yang diklasifikasikan independen satu sama lain.
Penerapan Naive Bayes bersumber dari analisis statistik dimana probabilitas awal diestimasi dari data training. Untuk setiap parameter probabilitas ditentukan dari probabilitas awal yang berada pada hasil data training tadi.
Algoritma ini biasanya digunakan dalam penyaringan spam email, analisis sentimen media sosial, dan masalah klasifikasi berbasis teks lainnya
3. Decision Tree
Selain algoritma Neural Network, terdapat pula algoritma klasifikasi lainnya yaitu Decision Tree. Decision Tree adalah algoritma Machine Learning yang menggunakan seperangkat aturan untuk membuat keputusan dengan struktur seperti pohon yang memodelkan kemungkinan hasil, biaya sumber daya, utilitas dan kemungkinan konsekuensi atau resiko.
Konsepnya adalah dengan cara menyajikan algoritma dengan pernyataan bersyarat, yang meliputi cabang untuk mewakili langkah-langkah pengambilan keputusan yang dapat mengarah pada hasil yang menguntungkan.
Dimana setiap cabang mewakili hasil untuk atribut, sedangkan jalur dari daun ke akar mewakili aturan untuk klasifikasi. Thats why algoritma ini disebut Decision Tree karena pilihannya bercabang, membentuk struktur yang terlihat seperti pohon.
Kamu bisa membuat pohon keputusan baik itu secara vertikal atau horizontal tergantung pada preferensi kamu. Membaca pohon keputusan horizontal dari kiri ke kanan dan pohon keputusan vertikal dari atas ke bawah.
4. K-Means Clustering
K-Means Clustering adalah algoritma clustering yang paling terkenal. Algoritma ini banyak diajarkan di kelas-kelas statistik dasar dan Data Science. Keuntungan algoritma ini adalah mudah dipelajari dan sederhana karena pada dasarnya algoritma ini hanya menghitung jarak tiap data ke titik pusat cluster.
Namun demikian, algoritma K-Means Clustering tetap memiliki kelemahan, yaitu kita perlu menentukan jumlah clusternya terlebih dahulu. Selain itu, algoritma K-Means ini juga dimulai dengan pemilihan acak pusat cluster dan dapat menghasilkan cluster yang berbeda saat merun data. Oleh karena itu, hasil clustering ini kurang konsisten.
5. Adaptive Resonance Theory
Adaptive Resonance Theory (ART) merupakan bagian dari algoritma yang mampu mengenali pola dan prediksi dalam suatu data. ART sendiri sebenarnya dapat diterapkan baik untuk supervised dan unsupervised learning. Algoritma ART pada dasarnya mirip dengan algoritma clustering yang lain. Yaitu terdiri dari dua tahap, pertama mencari cluster terdekat dengan input pattern (ART memakai istilah “resonate”). Kemudian, cluster diupdate agar mendekati/mengakomodasi input pattern tadi.
6. Cara Memilih Model Terbaik
Setiap kelompok Machine Learning akan terbagi menjadi beberapa algoritma yang dimana sudah kita bahas beberapa contohnya di atas. Namun gimana sih caranya memilih model yang terbaik? Jawabannya adalah tentu saja tergantung pada kebutuhan dari bisnis. Namun selain itu, pemilihan model terbaik juga tergantung pada volume dataset, fitur yang digunakan, kompleksitas, dan lainnya.
Namun, dalam praktiknya, disarankan agar kita selalu memulai dengan model paling sederhana yang dapat diterapkan pada model tertentu. masalah dan kemudian secara bertahap meningkatkan kompleksitas & menguji akurasi dengan bantuan parameter tuning dan cross validation.
Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021
Apakah kamu tertarik untuk mempelajari dan mempraktekan algoritma Machine Learning secara langsung? Yuk coba belajar dan praktek langsung dengan modul DQLab!
Modul DQLab dilengkapi dengan data yang mencerminkan data real di dunia industri sehingga kita bisa mempraktekkannya secara langsung tanpa tools tambahan.
Klik button di bawah ini atau Sign Up melalui DQLab.id untuk mengakses FREE modul "Introduction to Data Science" sebagai pengenalan sebelum praktik menggunakan data asli. Selamat mencoba!
Penulis: Salsabila MR
Editor: Annisa Widya Davita