INTELEGENSI BUATAN Mesin Pembelajaran (Machine Learning)
M. Miftakul Amin, M. Eng. e-mail:
[email protected] website : http://mafisamin.web.ugm.ac.id
Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang 2016
Pendahuluan
Learning mempunyai arti menambah pengetahuan, memahami atau menguasai dengan belajar, mengikuti instruksi atau melalui pengalaman. Machine Learning adalah salah satu disiplin ilmu dari Computer Science yang mempelajari bagaimana membuat komputer/mesin itu mempunyai suatu kecerdasan, Agar mempunyai suatu kecerdasan, komputer/mesin harus dapat belajar, Dengan kata lain, Machine Learning adalah suatu bidang keilmuan yang berisi tentang pembelajaran komputer/mesin untuk menjadi cerdas
Pendahuluan
Proses Belajar Supervised Learning Un-Supervised Learning
Metode K-NN
K-Nearest Neighbor (K-NN) adalah suatu metode yang menggunakan algoritma supervised. Algoritma k-nearest neighbor (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Pada fase pembelajaran, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi dari data pembelajaran. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk data test (yang klasifikasinya tidak diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor data pembelajaran dihitung, dan sejumlah k buah yang paling dekat diambil.
Contoh Kasus K-NN
Sebuah perusahaan makanan ringan ingin mengklasifikasikan kualitas produknya ke dalam 2 kategori, yaitu kualitas BAIK dan BURUK. Untuk menilai kualitas tersebut,digunakan 2 variabel, yaitu: kenaikan derajat keasaman (%) dan penyusutan volume. Ada 10 sampel yang digunakan untuk keperluan pengujian seperti terlihat pada tabel.
Contoh Kasus K-NN
Perusahaan ingin mengetahui apakah produk dengan kenaikan derajat keasaman sebesar 6% dan penyusutan volume sebesar 3% termasuk dalam kategori BAIK atau BURUK.
Contoh Kasus K-NN 1. 2.
Kita tentukan nilai K, misal K= 7. Selanjutnya kita cari terlebih dahulu jarak data yang akan dievaluasi, yaitu r = (6, 3) terhadap setiap data pelatihan dengan menggunakan Euclidean. Jarak Euclidean data evaluasi r pada data pelatihan ke-i (Xi) dirumuskan sebagai:
Dengan i=1..10, k/m=1..2
Contoh Kasus K-NN
Contoh Kasus K-NN
Selanjutnya, data diurutkan berdasarkan jarak seperti terlihat pada Tabel . Apabila kita tetapkan nilai K=7, maka kita ambil 7 jarak terpendek. Pada urutan pertama sampai ketujuh, ada 4 kategori BAIK dan 3 kategori BURUK, sehingga untuk data evaluasi r = (6, 3) termasuk dalam kategori BAIK.
Metode Nearest Neighbor (NN)
Nearest neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Contoh: Mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mecari pasien mana yang akan di gunakan maka di hitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesar yang akan di ambil untuk di gunakan pada kasus pasien baru.
Metode Nearest Neighbor (NN)
Dari gambar terdapat 4 pasien lama yaitu A, B, C, dan D. Ketika ada pasien baru, maka solusi yang akan di ambil dengan mencari jarak antara pasien baru dengan semua pasien lama. Dengan jarak terdekatlah solusi dari pasien lama, dari gambar diatas solusi pasien lama B yang akan di gunakan karena mempunyai jarak yang paling pendek.
Metode Nearest Neighbor (NN)
Kedekatan biasanya berada pada nilai 0 sampai dengan 1. Nilai 0 artinya kedua kasus mutlak tidak mirip, dan nilai 1 kasus mutlak mirip.
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
Metode Nearest Neighbor (NN)
