Machine Learning

Pengantar

Prakata

" Ilmu itu bagaikan hewan buruan dan menulis itu pengikatnya ..." – Imam Syafi’i

DENGAN SEGALA PENGHARAPAN dan keterbukaan, p

enulis menyampaikan rasa terima kasih dengan setulus-tulusnya. Kritik merupakan perhatian agar dapat menuju kesempurnaan. Akhir kata, penulis berharap agar buku ini dapat membawa manfaat kepada pembaca. Secara khusus, penulis berharap semoga buku ini dapat menginspirasi generasi bangsa ini agar menjadi generasi yang tanggap dan tangguh.

Daftar Isi

PENGANTAR

Prakata

Daftar Isi

Daftar Gambar

Daftar Tabel

Daftar Lampiran

Berkenalan dengan Machine Learning

Definisi Machine Learning

Task T

Performance Measure P

Experience E

Sejarah Singkat ML

Machine Learning Sebagai Cabang AI

Contoh sederhana aplikasi ML

Klasifikasi Machine Learning

1. Supervised Learning

2. Unsupervised Learning

3. Reinforcement Learning

Algoritma Machine Learning

Algoritma Regresi

Algoritma Regularisasi

Algoritma Instance-based Learning

Algoritma Decision Tree

Algoritma Bayesian

Algortima Klustering

Algortima Association Rule Learning

Algoritma Artificial Neural Network

Algoritma Deep Learning

Algoritma Ensemble

Aplikasi Machine Learning

Ringkasan Materi

Latihan

Teori-Teori Pendukung  Machine Learning

Kemampuan Komputasi

Python

Jupyter Notebook

NumPy

Pengenalan library Pandas

MatPlotLib

Pondasi Matematika

Aljabar Linier

Statistika dan Probabilitas

Komputasi Numerik

Overflow dan Underflow

Optimasi berbasis Gradient

Constrained Oprimazation

Tahapan Machine Learning

Data Preprocessing

Tipe Data

Pengumpulan Data (Data Aquisition)

Studi kasus 1. Scrapping Bukalapak.com

Studi kasus 2. Penggunaan API Twitter

Pembersihan Data (Data Cleansing)

Langkah 1.  Inspeksi terhadap data

Langkah 2. Pembersihan data / Cleaning:

Langkah 3. Verifikasi data /Verifying

Training

Test dan evaluasi

Deteksi Spam dan Ham

K-Nearest Neighbors

Definisi K-Nearest Neighbors (KNN)

Jarak Data Data KNN

Euclidean distance

Manhattan distance

Hamming Distance

Minkowski Distance

Pros of K Nearest Neighbors

Cons of K Nearest Neighbors

Regresi Linier

Regresi Linier Sederhana

Regresi Linear Menggunakan Least Square

Implementasi Regresi Linier Sederhana menggunakan metode Least Square.

Regresi Linear Menggunakan Gradient Descent.

Implementasi Regresi Linier menggunakan Gradient Descent

Regresi Linier Berganda

Studi Kasus 4. Regresi Linear Berganda

Studi Kasus 5. Auto-mpg Dataset

Regulaized Regression

Regresi Logistik

Peluang, Odds  dan Odds Ratio

Probabilisitas

Odds

Odds Ratio

Fungsi Logistik

Persamaan Regresi Logistik

Regresi logistik untuk Memprediksi Peluang

Regresi Logistik Biner

Multinomial Logistic Regression

Ordinal Logistic Regression

Studi Kasus 5. Pendeteksian Penyakit Diabetes Pada Wanita

Preprocessing

Hasil Pelatihan dan Pengujian

Naive Bayes

Terorema Bayes

Naïve Bayes Clasifier

Gaussian Naïve Bayes

Multinominal Naïve Bayes

Studi Kasus

Support Vector Machine

Konsep Support Vektor

Support vector classifier

Studi Kasus: Analisa Sentiment menggunakan SVM

Algoritma Decision Tree

Pohon Keputusan

CART

C45

ID3

Neural Network

Deep Learning

Daftar Gambar

Gambar 1. Algortima penghitungan BMI

Gambar 2. Sebuah poster menunjukan kemampuan manusia vs mesin

Gambar 3. Beberapa Penemuan penting dibidang Machine Learning

Gambar 4. Pembagian cabang-cabang ilmu data

Gambar 5. Sekumpulan data kucing (kotak kiri) dan data anjing (kotak kanan) yang akan digunakan untuk mempelajari objek kucing dan anjing. (sumber: Jerremy Watt, 2016)

Gambar 6. Pemetaan data training pada feature space 2 dimensi.

Gambar 7. Ilustrasi hasil pelatihan model menggunakan fungsi linear

Gambar 8. Sekumpulan data kucing (kotak kiri) dan data anjing (kotak kanan) yang akan digunakan sebagai data uji (sumber: Jerremy Watt, 2016)

Gambar 9. Sekumpulan data kucing (kotak kiri) dan data anjing (kotak kanan) yang akan digunakan sebagai data uji (sumber: Jerremy Watt, 2016)

Gambar 10. Ilustrasi proses klusterisasi

Gambar 11. Perbandingan model yang memiliki generaliasi yang bagus (a) dan yang kompleks (b)

Gambar 12. Masalah yang dapat diselesaikan dengan ML

Gambar 13. Rekomendasi kata kunci pencarian Google

Gambar 14. Rekomendasi kata kunci pencarian Google

Gambar 15. Facebook mengenali bagian wajah

Gambar 16. Aplikasi Online Fraud Detection

Gambar 17. Implementasi mobin kendali otomatis

Gambar 18. Perkembangan Python (sumber: google trend, 2019)

Gambar 19. Aplikasi Anaconda

Gambar 20. Ilustrasi Series dan DataFrame (sumber: learndatasci.com)

Gambar 21. Grafik Garis menggunakan Matplotlib

Gambar 22. Grafik sebaran titik mengunakan Matplotlib

Gambar 23. Histogram menggunakan Matplotlib

Gambar 24. Topik-topik Matematika yang Penting di ML (sumber: Wale Akinfaderin, 2017)

Gambar 25. Perbedaan Scalar, Vektor, Matrik dan Tensor

Gambar 26. Bagaimana Manusia & Komputer Melihat Gambar

Gambar 27. Vektor berukuran 2 menggambarkan posisi titik x dengan koordianat x1,x2 (gambar a) dan sebuah vektor x yang merepresentasikan perpindahan sejauh x1 pada sumbu x dan x2 pada sumbu y (gambar b)

Gambar 28. Jenis-jenis data, ukuran dan kompleksitasnya

Gambar 29. Piramida Data (diadopsi dari Monica Rogati, 2017)

Gambar 30. Pembagian Tipe Data Statistik

Gambar 31. Contoh Dataset Kotor (sumber: dqlab.id)

Gambar 32. Visualisasi dalam bentuk Scatter Plot

Gambar 33. Visualisasi dalam bentuk Histogram

Gambar 34. Visualisasi Menggunakan Boxplot

Gambar 35. Inspeksi terhadap elemen data bukalapak.com

Gambar 36. Data hasil pengamatan Panjang dan Berat Tikus

Gambar 37. Ilustrasi persamaan linear diantara dua variabel

Gambar 38. Ilustrasi error pada model regresi linear

Gambar 39. Mapping parameter model dan error

Gambar 40. Ilustrasi penggunaan regresi untuk prediksi

Gambar 41. Grafik Nilai Odd

Gambar 42. Grafik Fungsi Sigmoid

Gambar 43.  Thomas Bayes (1701 – April 1761)

Gambar 44. Data yang akan dikelompokkan memiliki banyak kemungkinan solusi

Gambar 45. Model Terbaik yang memiliki margin yang maksimum

Gambar 46. Ilustrasi Hyperplane

Daftar Tabel

Tabel 1. Data sample fitur kucing dan anjing (bentuk telinga dan ukuran hidung)

Tabel 2 Data uji fitur kucing dan anjing (bentuk telinga dan ukuran hidung)

Tabel 3.Contoh dataset play tennis (UCI machine learning repository)

Daftar Lampiran

B a b

1

Berkenalan dengan Machine Learning

Sesungguhnya bersama kesulitan itu ada kemudahan. (Q.S Al-Insyirah: 6)

M

anusia adalah makhluk pembelajar yang memiliki kemampuan belajar yang sangat luar biasa. Proses pembelajaran tersebut  telah dimulai sejak dia dilahirkan sampai akhir hayatnya. Seiring bertambah usia, manusia mulai mempelajari bagaimana cara berjalan, berbicara, berkomunikasi, membaca, menulis dan berfikir untuk membuat mengolah informasi, lalu bertindak dan membuat keputusan. Salah satu cara manusia belajar dan mengambil keputusan adalah berdasarkan pengalaman. Sebagai contoh ketika seorang anak menemukan cabe untuk pertama kalinya, maka tanpa ragu anak tersebut akan melahap cabe tersebut. Akibatnya dia akan merasa kepedasan dan tidak nyaman. Pengalaman kepedasan tersebut karena memakan cabe akan menjadi sebuah pembelajaran baginya. Dari pengalaman tersebut sang anak belajar bahwa cabe memiliki sifat pedas dan dapat menimbulkan rasa tidak nyaman, maka dia tidak akan berani untuk melahap cabe tersebut atau setidaknya akan berhati-hati terhadap cabe.

Berdasarkan contoh tersebut, dapat disimpulkan bahawa salah satu  proses pengambilan keputusan adalah berdasarkan pengalaman sebelumnya. Proses pengambilan keputusan berdasarkan pengalaman setidaknya melibatkan tiga proses berikut:

-  Memorize. Anak tersebut mengingat semua data dan kejadian yang telah terjadi ataupun kejadian yang mirip dan berkaitan. Bagaimana rasa cabe, bentuk cabe, atau warna cabe.

-  Generalize. Berdasarkan data-data tersebut, si anak akan memformulasikan sebuah pola atau "general rule" pada sebuah kejadian tadi.

-  Predict. Ketika menghadapi kases yang berkaitan, rule atau pola tersebut diaktifkan untuk memprediksi apa tindakan yang akan dilakukan. Misalnya sianak di berikan makanan yang berisi potongan cabe, maka dengan cepat dia akan menunjukan responnya.

Gambar 1. Kerangka mengambil keputusan berdasarkan pengalaman

KOMPUTER BERBEDA DENGAN manusia, ia hanya mengikuti instruksi yang telah ditulis oleh programmernya. Agar dapat menyelesaikan sebuah masalah, komputer membutuhkan sebuah algoritma yang berisi langkah-langkah instruksi yang harus dikerjakan komputer untuk memecahkan sebuah masalah atau untuk mengubah input