Machine Learning

 Neural network adalah model yang terinspirasi oleh bagaimana neuron dalam otak manusia bekerja. Tiap neuron pada otak manusia saling berhubungan dan informasi mengalir dari setiap neuron tersebut. Berikut beberapa elemen yang diterapkan dalam machine learning: Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf. Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain. Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf. Berikut bentuk machine learning yang mengacu pada fungsi neuron: Tiap neuron menerima input dan melakukan operasi dot dengan sebuah weight, menjumlahkannya (weighted sum) dan menambahkan bias. Hasil dari operasi ini akan dijadikan parameter dari activation function yang akan dijadikan output dari neuron tersebut. Struktur Neural Network Karakteristik dari ANN (Artificial Neural Network) dilihat dari pola hubungan antar neuron, metode penentuan bobot dari tiap koneksi, dan fungsi aktivitasn...

Konsep klasifikasi dengan Support Vector Machine (SVM) adalah mencari hyperlane terbaik yang berfungsi sebagai pemisah dua kelas data. Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data. SVM mampu bekerja pada dataset yang berdimensi tinggi dengan menggunakan kernel trik. SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi (Support Vector) untuk membentuk model yang akan digunakan dalam proses klasifikasi. Tujuan utama dari model klasifikasi SVM adalah mencari hyperplane maksimum. Berikut gambar yang dapat membantu kita dalam memahami tujuan utama dari SVM: Decision Boundary yaitu pemisah antar class (hyperplane). Margin yaitu jarak terdekat dari decision boundary dengan data yang ingin dipisahkan. Support Vector yaitu anggota kelas yang berperan untuk menentukan margin. Kasus itu tidak melulu tampilannya mudah seperti gambar sebelumnya. Faktanya ketika di lapangan, data bisa rapat-rapat, data dapat menumpuk-numpuk, sehi...

Decision Tree adalah model klasifikasi yang menggunakan struktur pohon, dimana setiap node mempresentasikan atribut dan cabangnya mempresentasikan nilai dari atribut, sedangkan daunnya digunakan untuk mempresentasikan kelas. Berikut contoh dari model klasifikasi decision tree: Dari data tersebut, terdapat 4 atribut (nilai x) yaitu age, income, student dan credit rating. Kelas (nilai y) pada data tersebut adalah buys computer dimana ada 2 kelas (binary class) yaitu yes dan no. Yang menjadi root (akar) pada data tersebut adalah age. Terdapat 4 tahapan algoritma decision tree, antara lain sebagai berikut: 1.     Siapkan data training 2.     Pilih atribut sebagai akar 3.     Buat cabang untuk tiap-tiap nilai 4.     Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama Agar lebih jelas uraian di atas, perhatikan contoh berikut: Siapkan data training Pilih atribut sebagai akar Untuk m...