Langsung ke konten utama

Machine Learning: Supervised Learning

Pada artikel sebelumnya, kita telah mempelajari bahwa supervised learning adalah jenis machine learning yang dilatih model dan akurasinya dengan dataset yang sudah diketahui ketepatan outputnya. Nah, pada post kali ini aku bakal sedikit jelasin mengenai supervised learning.

Sebelum lebih jauh, mari kita bahas lagi cara penyelesaian supervised learning. Pada dasarnya, masalah pada supervised learning dibagi menjadi dua,  yakni data kontinu serta diskrit. Dari data itu lah, nantinya kita bisa menentukan metode apa yangf tepat untuk kita gunakan dalam machine learning kita. Mari kita bahas satu persatu. 

1) Data Kontinu (Regression Problem)

Data berjenis kontinu adalah data yang memiliki nilai kontinu. Nilai kontinu adalah nilai yang didapat dari suatu pengukuran, dan nilainya merupakan sebuah nilai antara dua titik. Ciri dari data kontinu adalah tiap nilainya memiliki kesinambungan dengan nilai lainnya. Contoh dari data kontinu adalah skor tes, harga rumah, luas rumah, luas halaman, dan ketinggian tanah.

Banyak metode untuk menghandle data kontinu. Namun, tidak ada metode yang fit at all, artinya, untuk mencari metode yang paling pas, kita harus menguji coba dan membandingkan hasilnya. Di antara metode yang dapat digunakan untuk meng-handle data kontinu adalah 

  • regresi linear 
  • pohon keputusan 
  • neural network, dan  
  • K-Nearewst Neighbors.

2) Data Diskrit (Classification Problem)

Data diskrit adalah data yang sifatnya pasti. Data ini bukan merupakan nilai hasil pengukuran, melainkan berasal dari perhitungan. Nilai dari data diskrit bukan suatu nilai dari rentang. Namun, suatu nilai pasti. Data ini merupakan data jumlah dari suatu kategori (kategorikal). Contoih dari data diskrit adalah jumlah meja dalm ruangan, angka pada mata dadu, dan data tumor berbahaya atau tidak.

Data diskrit atau yang juga disebut  data kategorikal digunakan untuk mengklasifikasikan atau menggolongkan objek amatan atau kejadian dalam kelompok, kategori atau klasifikasi tertentu. Data digunakan untuk menunjukkan kesamaan atau perbedaan pada ciri tertentu suatu objek. Data ini umumnya diperoleh dari pengkategorian suatu survei atau eksplorasi buakn pengukuran.

Dalam menghadapi data diskrit cukup banyak model atau metode yang dapat digunakan. Seperti data kontinu, tidak ada model yang fit at all. Untuk itu, berikut merupakan beberapa model atau metode yang dapat digunakan utnuk menghandle data diskrit, di antaranya, klasifikasi biner, klasifikasi multikelas, klasifikasi multilabel, serta klasifikasi tak imbang. 

Agar lebih jelas, mari kita pecah satu persatu model untuk tiap metode satu persatu. 

Klasifikasi Biner (Binary Classification)

 Biasanya digunakan untuk mengklasifikasi sesuatu dengan dasar satu kelas, atau satu variabel. contoh masalah: pendeteksi email spam. 

  • Regresi logistik 
  • K-Nearest Neighbors
  • Decision Tree
  • Support vector machines
  • Naive bayes

 Klasifikasi Multikelas (Multi-Class Classification)

 Biasanya digunakan untuk mengklasifikasi sesuatu yang inputnya memiliki banyak variabel(kelas).  Contoh masalah: pendeteksi muka, jenis tanaman, karakter opstis. Beberapa masalah multikelas juga dapat diselesaikan dengan klasifikasi biner.

  • Regresi logistik 
  • K-Nearest Neighbors
  • Decision Tree
  • Support vector machines
  • Naive bayes
  • Random forest
  • Gradient boosting

Klasifikasi Multilabel(Multi-label Classification)

Biasanya digunakan untuk mengklasifikasi sesuatu dengan multiple output. Contoh masalah: mendeteksi objek-objek dalam foto(orang, apel, sepeda)  

  • Multilabel decision tree
  • Multilabel random forest
  • Multilabel gradient boosting

Klasifikasi Multilabel(Multi-label Classification)

Biasanya digunakan upadqa data yang data tiap kelasnya tidak terditribusi secara seimbang. Contoh masalah: pendeteksi fraud, outlier, diagnosis medis. Problem yang ada biasanya merupakan problem biner, meskipun penyelesaiannya membutuhkan teknbik spesial.

Teknik khusus (spesial) digunakan untuk mengubah kompisisi sampel dataset train yang ada dengan undersampling mayority data atau oversampling minority data. 

  • Random undersampling
  • SMOTE oversampling

Úntuk menyempurnakan sistem diperlukan metrik performa alternatif karena akurasi klasifikasi yang dilakukan mungkin kurang tepat. Contoh dari metrik performa alternatif di antaranya

  • Precission 
  • Recall
  • F-Measure

 Akhirnya, pada artikel ini kamu mempelajari lebih jauh mengenai jenis-jenis modeling, serta metode untuk mengurus data kontinu dan diskrit. Nantinya, kamu perlu mendefinisikan metode atau model mana yang paling sesuai dengan data dan output yang kamu harapkan. Pada tahap selanjutnya kamu akan memelajari tiap jenis serta metode yang lebih dalam dari supervised learning ini.

Terima kasih sudah membaca. Kami sangat menghargai berbagai masukan yang diberikan. Sampai jumpa pada artikel selanjutnya, dan semoga bermanfaat.


sumber:

http://file.upi.edu/Direktori/FIP/JUR._PEND._LUAR_BIASA/195602141980032-TJUTJU_SOENDARI/Power_Point_Perkuliahan/statistik_deskriptif/ST._DESKRIPTIF_-2.ppt_%5BCompatibility_Mode%5D.pdf

https://machinelearningmastery.com/types-of-classification-in-machine-learning/

https://srnghn.medium.com/machine-learning-trying-to-predict-a-numerical-value-8aafb9ad4d36

coursera - Machine Learning Course by Stanford University 

Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Identitas Mahsiswa dan Budaya Korupsi

  Posisi Potensi dan Peran atau yang biasa disingkat PoPoPe merupakan gambaran dari identitas mahasiswa. Popope mengambarkan bagaimana lingkungan dan tugas yang harusnya mahasiswa emban. Berisi tangung jawab dan empati, bukan sekadar omongan atau gelar kebanggan semata. Mahasiswa harus peka mengenai posisinya di masyarakat dalam bernegara. Selain itu, ia harus peka melihat potensi yang dimiliki lingkungannya, bukan malah menjadi eksklusif dan menjadi manusia yang merasa di atas. Berperan lantgsung bukan hanya sebagai mediator melainkan katalisator, bukan hanya orang yang banyak bicara tanpa aksi nyata dan mencari nama tanpa manfaat semat. Meskipun pandemi Covid melanda dunia. Namun, sungguh disayangkan, kerguian negara akibat koruipsi tak menurun. Sadisnya, justru terjadi tren pengingkatan kerugian negara akibat korupsdi sejak 2016 (ICW, 2021). Dari 444 kasus korupsi 107 di antaranya merupakan korupsi proyek Covid19, baik dpengadaan bansos, hingga proyek lainnya. Mahasiswa seba...
Posting Komentar
Baca selengkapnya

Telnologi untuk Anak-anak, Berkah atau Petaka?

Semenjak pandemi, pendidikan yang awalnya tatap muka harus beralih  melalui internet. Anak SD yang sebelumnya mungkin tidak memiliki gawai pun kini menghabiskan waktunya dengan gawainya. Di suatu sisi, sebagai generasi penerus bangsa, untuk menghadapi masa depan yang serba digital, siswa dituntut untuk terus memahami teknologi yang ada. Dengan begitu, mereka dapat mengembangkan potensi, serta memajukan bangsa melalui teknologi. Di sisi lain, kini melihat anak SD yang kecanduan gawai merupakan hal yang biasa. Mereka menghabiskan waktu berjam-jam untuk  bermain tiktok, maupun game online. Bahkan, mungkin kita sering meliihat anak justru lebih mengenal karakter game dibanding para pahlawan. Yang lebih miris, ketika ada orang tua yang mencoba memintanya untuk istirahat dari bermain gawai, mereka justru marah, dan membentak. Tak lagi memperdulikan soal adab. Kecanduan, mungkin. Anak yang usianya masi belum memasuki masa remaja sudah tak dapat lagi lepas dari gawainya. Mereka sepert...
Posting Komentar
Baca selengkapnya

TKinerCad - 101

 Bismillah, jadi pada kesempatan kali ini aku ga bakal ngajarin penggunaan tinkercad, karena kurasa tutorial di sana would be better than mine. Selain itu, di sana dah jelas banget buat ngikutin tutorialnya. Jadi Lesgo ku kan bercerita pengalaman berkenalan dengan tinkercad. Jadi aku bakal pake tinkercad untuk design circuit. Nah, di sini tu sebenrnya banyak opsinya, tapi kali ini aku bakal pakenya untuk pelajaran Pengenalan Rekayasa dan Design. Fokusnya si buat design arduinno, jadi bisa digunakan untuk design sirkutinya. Introduction serta tutorial di sini sangat jelas dan mudah dipahami. Kita diajari berbagai jenis rangkaian yang secara riil dapat digunakan. Selain itu, di sini kita bisa menguji coba rangkaian yang kita buat sebagaimana dunia nyatanya. Komponen yang tersedia di sini juga sangat lengkap. Komponen seperti photo diode, breadboard pun tersedia.  Pada tinkercad pun kita dapat mengkustomisasi rangkaian kita. Kita dapat mengubah warna kabel, memutus kabel, merubah...
Posting Komentar
Baca selengkapnya