PROMO PAYDAY! SERBU PAKET DATA SCIENCE 3 BULAN CUMA 100K!
Diskon Spesial 95% Belajar Data Science Bersertifikat
SERBU DISINI!
Pendaftaran ditutup dalam 0 Hari 22 Jam 42 Menit 43 Detik 

Mengenal Metode Machine Learning yang Digunakan Data Science

Belajar Data Science di Rumah 20-Mei-2022
https://dqlab.id/files/dqlab/cache/b6a4e0249e7cd5906d94db2803a12b67_x_Thumbnail800.jpg

Machine learning adalah salah satu cabang Artificial Intelligence (AI) yang juga menjadi bagian dari ilmu data science. Penggunaan teknologi pada hampir di seluruh aktivitas manusia tidak bisa dipungkiri. Berbagai bidang industri berlomba menerapkan teknologi yang canggih yang dapat meningkatkan proses bisnis dan memberikan pelayanan yang optimal untuk konsumen. 


Salah satu teknologinya yaitu machine learning yang berfungsi melakukan pengolahan data dan mampu memprediksi kejadian yang akan terjadi di masa mendatang berdasarkan kumpulan data digunakan. Machine learning mampu mempelajari data dengan sendirinya dan tidak perlu diprogram ulang secara berkala.


Data yang digunakan dalam machine learning merupakan Big Data yaitu data dalam jumlah sangat banyak, beragam, dan bertumbuh sangat cepat. Alur kerja machine learning mencakup memilih data dengan memisahkannya menjadi training data, validation data, test data. 


Kemudian membangun, memvalidasi, dan menguji model berdasarkan tiga bagian data tersebut. Sesuaikan model dengan memperbaiki kinerja algoritmanya agar mesin semakin cerdas. Di era industri 4.0, penggunaan machine learning bisa diterapkan di berbagai industri. Terdapat beberapa tipe machine learning yang bisa digunakan sesuai kebutuhan. 


1. Proses Machine Learning

data science

Data merupakan komponen utama dalam membangun machine learning. Oleh karena itu langkah pertama dalam membangun machine learning adalah mengumpulkan data. Pengumpulan data dapat dilakukan dengan berbagai metode salah satu contohnya yaitu web scraping. Web scraping menggunakan program automaton untuk value yang ada pada website dengan memanggil URL-nya. 


Machine learning biasanya diterapkan untuk mengolah big data sehingga data yang dikumpulkan terdiri dari berbagai tipe data yang dapat berupa data angka, teks, video, audio, peta, dan lain sebagainya. Data yang telah terkumpul ini disebut juga dengan raw data atau data mentah. Untuk memudahkan proses input data dalam machine learning maka data mentah perlu dibersihkan terlebih dahulu. 


Preprocessing data bertujuan untuk mempersiapkan data yang antara lain meliputi menyamakan tipe data, menangani missing value, menghapus data yang tidak perlu, dan lain sebagainya hingga data siap digunakan sesuai kebutuhan. Data yang sudah melewati tahap preprocessing kemudian dibagi menjadi tiga bagian yaitu data training, data validation, dan data testing. 


Proses ini penting dilakukan untuk melatih algoritma dan melihat bagaimana performa algoritma yang digunakan dalam machine learning. Dalam membangun machine learning, validasi model dan testing model merupakan tahapan penting untuk membuat machine learning berjalan dengan baik. 


Validasi model dilakukan dengan tujuan mengukur kinerja model yang diterapkan pada machine learning sehingga kita tahu apakah model yang digunakan adalah model terbaik dan sesuai dengan permasalahan yang ingin diselesaikan. Selanjutnya ada test model yaitu tahapan yang dilakukan untuk melihat perbandingan kinerja model yang sudah divalidasi dengan test data dan menerapkan model yang sudah dilatih untuk membuat prediksi baru.


Baca juga: Pelatihan Data Science Gratis, Pemula Data Wajib Tahu!


2. Supervised Learning vs Unsupervised Learning

data science

Supervised learning adalah tipe machine learning yang bekerja menggunakan data berlabel. Supervised learning membandingkan output yang sesungguhnya dengan output yang benar untuk menemukan kesalahan atau error. Selain itu ia juga dapat memodifikasi model machine learning sesuai yang diinginkan dan memprediksi kejadian di masa mendatang sehingga dalam bisnis bisa digunakan untuk menentukan strategi marketing ke depannya. 


Beberapa algoritma yang masuk dalam supervised learning yaitu k-Nearest Neighbor, Random Forest, dan Artificial Neural Network. Sedangkan unsupervised learning adalah tipe machine learning yang bekerja menggunakan data tidak berlabel. Tipe ini akan melakukan analisis dan mencari tahu korelasi antar data untuk menemukan pola-pola tersembunyi pada data. 


Salah satu algoritma yang dapat digunakan untuk unsupervised learning yaitu k-Means yang merupakan metode clustering non hirarki yang mengelompokkan data berdasarkan jarak terdekat dimana data dengan karakteristik sama dimasukkan ke dalam suatu cluster dan data dengan karakteristik berbeda dimasukkan ke dalam cluster lainnya. Menentukan jumlah cluster terbaik bisa menggunakan rumus euclidean distance.


3. Semi-Supervised Learning

data science

Semi-Supervised Learning dapat dikatakan sebagai gabungan dari dua tipe pembelajaran machine learning yang dibahas sebelumnya. Semi-supervised learning merupakan tipe machine learning yang dapat bekerja menggunakan data berlabel untuk data dalam skala kecil dan data tidak berlabel untuk data dalam skala besar. 


Tipe machine learning ini dapat dikombinasikan dengan metode machine learning yang lainnya seperti classification, regression, dan predict. Semi-supervised learning dapat dibedakan menjadi dua yaitu metode inductive dan metode transductive. Metode inductive bertujuan untuk memberikan label pada data baru tanpa melakukan training data. 


Contoh metode inductive adalah image recognition dan sentiment analysis. Sedangkan metode transductive akan terus melakukan training pada data baru sebelum memberikan label pada data. Model berbasis grafik merupakan salah satu model yang umum digunakan dalam metode transductive. 


4. Reinforcement Learning

data science

Reinforcement learning adalah tipe machine learning untuk pengambilan keputusan. Reinforcement learning mampu menemukan aksi atau perlakuan untuk menghasilkan output terbaik dengan uji coba berulang kali yang didapatkan dari lingkungan yang mempengaruhinya sehingga menambah pengetahuannya agar bisa memecahkan masalah. Proses ini akan terus berlangsung dan mengurangi interaksi atau keterlibatan manusia serta menghemat waktu dalam memecahkan masalah bisnis. Biasanya tipe ini digunakan dalam dunia robotik, navigasi, dan develop game. 


Baca juga: Memahami Keunggulan dan Manfaat Data Science dalam Dunia Bisnis


Machine learning merupakan skill yang wajib dimiliki jika ingin menjadi praktisi data. Penerapan machine learning dapat dengan mudah ditemukan contohnya seperti sistem rekomendasi produk pada e-commerce dan virtual assistant seperti Siri atau Cortana. 


Untuk pemula pahami dahulu konsep machine learning, kemudian lanjutkan ke penerapannya. Mau belajar machine learning bersama mentor data? Yuk, gabung di DQLab.id


Kamu akan mempelajari machine learning dengan terstruktur, mendapatkan sertifikat gratis dan grup diskusi bersama instruktur. Sigup sekarang di DQLab.id, atau isi form dibawah ini ya!


Penulis: Dita Kurniasari

Editor: Annissa Widya



Mulai Belajar
Data Science Sekarang
Bersama DQLab

Buat Akun Belajarmu & Mulai Langkah
Kecilmu 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 :