Machine Learning & Model Populernya di Dunia Industri

Belajar Data Science di Rumah 29-September-2023

https://dqlab.id/files/dqlab/cache/longtail-selasa-07-2023-09-29-175845_x_Thumbnail800.jpg

Di dunia teknologi, istilah machine learning bukan hal yang baru. Namun, di era perkembangan teknologi yang semakin pesat beberapa tahun terakhir menyebabkan istilah machine learning kian melambung dan mulai banyak dipelajari.

Salah satu fungsi machine learning adalah untuk mendapatkan ‘value’ dari kumpulan data. Hal ini menyebabkan banyak perusahaan dari berbagai industri mulai tertarik untuk mengaplikasikan teknologi machine learning.

Machine learning menggunakan algoritma untuk mengubah data menjadi model yang sesuai dengan tujuan perusahaan. Algoritma yang digunakan pun berbeda-beda bergantung pada jenis masalah yang akan diselesaikan, sumber daya komputasi, sifat data, dan lain sebagainya.

Pada dasarnya algoritma machine learning dibagi menjadi tiga yaitu supervised learning, unsupervised learning, dan reinforcement learning. Algoritma supervised learning memodelkan hubungan antara variabel independen dengan label atau target pada serangkaian pengamatan.

Unsupervised learning merupakan algoritma untuk membentuk model yang hanya menggunakan variabel independen saja tanpa adanya variabel target. Sedangkan algoritma reinforcement learning bekerja berdasarkan prinsip action and reward.

Di beberapa tahun ke belakang algoritma machine learning semakin banyak digunakan oleh perusahaan dan diprediksi akan terus meningkat. Pada artikel kali ini DQLab akan merangkum algoritma-algoritma populer yang banyak digunakan beberapa tahun ke belakang.

Penasaran apa saja algoritma-algoritma itu? Yuk simak artikel ini sampai selesai!

1. Regresi Linier & Logistik

Machine Learning

Source: abdUmar

Regresi linier adalah dengan meminimalkan jarak kuadrat residu (selisih nilai prediksi dengan nilai sebenarnya yang dikuadratkan). Regresi logistik hampir mirip dengan regresi linier namun digunakan untuk memodelkan peluang sejumlah hasil yang berbeda.

Sekilas regresi logistik lebih rumit jika dibandingkan dengan regresi linier, tetapi sebenarnya regresi logistik hanya memerlukan satu langkah tambahan. Pertama kita harus menghitung skor menggunakan persamaan garis yang paling cocok untuk regresi linier.

Langkah tambahan yang dimaksud adalah memberi bobot pada skor yang sebelumnya dihitung dalam fungsi sigmoid sehingga kita mendapatkan probabilitas baru yang akan diubah menjadi bilangan biner (1 atau 0).

2. Algoritma K-Nearest Neighbor

Machine Learning

Source: javapoint

Algoritma K-Nearest Neighbor atau biasa disingkat dengan KNN adalah tipe algoritma yang sederhana. Langkah pertama pada algoritma ini adalah mengklasifikasikan data yang akan digunakan. Setelah data berhasil diklasifikasi berdasarkan kelompok tertentu, kita tambah data baru pada kelompok tersebut dan melakukan klasifikasi lagi dengan melihat k titik terdekat.

Pemilihan k titik ini sedikit tricky karena apabila nilai k terlalu rendah, maka dapat menyebabkan pencilan. Namun, jika nilai k diatur terlalu tinggi, maka mungkin akan mengabaikan kelas dan hanya menggunakan beberapa sampel.

3. Algoritma Support Vector Machine

Support Vector Machine atau biasa disingkat dengan SVM adalah teknik supervised classification yang cukup rumit tetapi memiliki tingkat keakuratan yang cukup baik.

Algoritma Support Vector Machine akan menemukan hyperplane atau batas antara dua kelas atau lebih dengan memaksimalkan margin di antara kelas-kelas tersebut. Ada banyak batas yang bisa memisahkan kelas-kelas tersebut, tetapi hanya ada satu batas yang dapat memaksimalkan margin atau jarak antar kelas.

Machine Learning

Source: javapoint

4. Algoritma Random Forest

Machine Learning

Source: IBM

Sebelum memahami algoritma ini, ada beberapa istilah yang harus kamu ketahui. Istilah pertama adalah ensemble learning. Ensemble learning adalah metode dimana beberapa algoritma digunakan secara bersamaan.

Tujuan ensemble learning adalah agar sistem dapat membuat prediksi yang lebih akurat daripada hanya menggunakan satu algoritma. Istilah kedua adalah bootstrap sampling.

Bootstrap sampling adalah metode resampling yang menggunakan algoritma random sampling yang diganti beberapa kali. Istilah terakhir adalah begging. Begging adalah istilah yang digunakan saat kita menggunakan kumpulan data bootstrap untuk membuat keputusan.

Random forest adalah algoritma ensemble learning yang dibangun dari pohon keputusan. Algoritma ini membuat beberapa pohon keputusan menggunakan data bootstrap dan secara acak memilih subset variabel di setiap pohon keputusan.

Bagi calon data scientist, hanya memahami teori tidak cukup untuk bekal berkarir di dunia industri yang sesungguhnya. Perlu banyak praktik dan mengutak atik coding algoritma agar bisa ‘diterima’ di dunia industri.

Yuk asah skill coding kamu bersama DQLab! DQLab adalah platform edukasi pertama yang mengintegrasi fitur ChatGPT yang memudahkan beginner untuk mengakses informasi mengenai data science secara lebih mendalam.

DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Jadi sangat cocok untuk kamu yang belum mengenal data science sama sekali.

Untuk bisa merasakan pengalaman belajar yang praktis dan aplikatif, yuk sign up sekarang di DQLab.id atau ikuti Bootcamp Machine Learning and AI for Beginner berikut untuk informasi lebih lengkapnya!

Penulis: Galuh Nurvinda K