See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/344419764
Machine Learning: Konsep dan Implementasi
Book · August 2020
CITATIONS
2
READS
8,737
2 authors:
Yaya Heryadi Binus University
137PUBLICATIONS 1,029CITATIONS SEE PROFILE
Teguh Wahyono
Universitas Kristen Satya Wacana 31PUBLICATIONS 102CITATIONS
SEE PROFILE
All content following this page was uploaded by Teguh Wahyono on 29 September 2020.
The user has requested enhancement of the downloaded file.
MACHINE LEARNING
KONSEP DAN IMPLEMENTASI
Oleh:
Dr. Yaya Heryadi Teguh Wahyono, M.Cs
Penerbit Gava Media Yogyakarta 2020
2
Kata Pengantar
Machine learning merupakan salah satu cabang ilmu Kecerdasan Buatan (Artificial Intelligence) yang berkembang sangat cepat dan telah menyebabkan masalah klasifikasi, regresi, klastering, dan anomaly detection pada berbagai bidang dapat diatasi lebih efisien. Misalnya, pengenalan sel yang bersifat abnormal berdasarkan citra CT Scan membantu dokter mendiagnosis pasien. Pengenalan jenis dan lokasi objek yang akurat berdasarkan video digital atau citra satelit sudah dipergunakan secara luas dibidang keamanan wilayah, periklanan, penanganan bencana alam, atau transportasi cerdas.
Luasnya potensi aplikasi machine learning telah menginspirasi banyak peneliti untuk terus mengembangkan model dan teknologi machine learning yang menghasilkan sejumlah besar publikasi ataupun prototipe produk teknologi cerdas. Meskipun banyak publikasi dapat diakses melalui internet, pemula yang ingin mempelajari dasar-dasar algoritma machine learning seringkali mengalami kesulitan untuk memperoleh bahan bacaan dasar yang dibutuhkan.
Oleh karena itu, tujuan dari buku ini menguraikan beberapa konsep dasar dari machine learning dengan pendekatan matematika terapan dan pemrograman menggunakan Python. Kedua penulis mengucapkan terima kasih kepada berbagai pihak yang telah membantu selama proses penulisan buku ini. Terakhir, semoga buku ini bermanfaat bagi para pembacanya.
Jakarta, Mei 2020
Yaya Heryadi Teguh Wahyono
4
Daftar Isi
BAGIAN 1. DASAR MATEMATIKA MACHINE LEARNING Bab 1. Matriks, Vektor dan Kalkulus
Bab 2. Statistika dan Peluang
BAGIAN 2. KONSEP DASAR MACHINE LEARNING Bab 3. Pengertian Dasar Machine Learning
Bab 4. Teknik Pembelajaran dalam Machine Learning Bab 5. Pentingnya Dataset dalam Machine Learning
BAGIAN 3. IMPLEMENTASI PEMBELAJARAN SUPERVISED Bab 6. Regresi Linear dan Regresi Logistik
Bab 7. K-Nearest Neighbors dan Decission Tree Bab 8. Random Forest, Naive Bayes
Bab 9. Support Vector Machines
BAGIAN 4. IMPLEMENTASI PEMBELAJARAN UNSUPERVISED Bab 10. K-Means
Bab 11. Principal Component Analysis Bab 12. DBSCAN dan STDBSCAN
BAB 1
Matriks, Vektor dan Kalkulus
Bab ini menjelaskan tentang :
❖ Pengertian dan Jenis-Jenis Matriks
❖ Operasional Matriks
❖ Pengertian Vektor
❖ Peran Kalkulus pada Machine Learning
Bab ini bertujuan untuk memberikan uraian ringkas mengenai beberapa konsep dasar matematika yang dipergunakan didalam algoritma machine learning yaitu: matriks, probability, statistika, dan kalkulus. Selain dari penjelasan singkat mengenai definisi, contoh implementasi dari beberapa konsep matematika tersebut dijelaskan menggunakan library dari python. Bab ini tidak bermaksud untuk menjelaskan aspek matematika dari setiap konsep tersebut secara detail. Oleh karena itu, bagi pembaca yang berminat mendalami setiap konsep tersebut dipersilahkan untuk membaca referensi terkait yang diberikan dari setiap sub-bab.
1.1. Matriks dan Vektor
Matriks adalah susunan elemen didalam sebuah struktur persegi panjang (rectangular) yang terdiri dari baris dan kolom (Hogben, 2007). Susunan elemen demikian sering juga disebut sebagai matriks dua dimensi. Untuk membedakan sebuah matriks dua dimensi dari matriks lainya dipergunakan ukuran atau dimensi
6
sebuah matriks yang dinyatakan dengan 𝑚 × 𝑛 dimana 𝑚 menyatakan jumlah baris dan 𝑛 menyatakan jumlah kolom matrik tersebut.
Didalam algoritma machine learning, matriks dua dimensi umumnya dipergunakan untuk merepresentasikan data berupa bilangan dimana setiap baris matriks merepresentasikan sampel dan setiap kolom merepresentasikan fitur dari sampel tersebut.
Secara umum, sebuah matriks dengan elemen bilangan real 𝐴 berdimensi 𝑚 × 𝑛 dapat dinyatakan sebagai:
𝐴 = [
𝑎11 ⋯ 𝑎1𝑛
⋮ ⋱ ⋮
𝑎𝑚1 ⋯ 𝑎𝑚𝑛
]. (1.1)
Elemen matriks 𝐴 pada baris ke-𝑖 dan kolom ke-𝑗 dinotasikan dengan 𝑎𝑖𝑗 ∈ ℛ, dimana: 𝑖 = 1,2, . . , 𝑚 adalah indeks baris, dan 𝑗 = 1,2, . . , 𝑛 adalah indeks kolom. Sehingga, sebuah matriks 𝐴 dapat dinotasikan dengan notasi 𝐴 = [𝑎𝑖𝑗]. Contoh sebuah matriks berdimensi 3 × 3 adalah sebagai berikut:
𝐴 = [
132.5 4.0 25.2 240.2 1.2 34.1 321.4 3.3 12.3
] . (1.2)
Dengan demikian dua buah matriks 𝐴 dan 𝐵 disebut sama apabila kedua matriks tersebut memenuhi dua persyaratan yaitu: (i) dimensi kedua matrik sama, dan (ii) elemen yang letaknya bersesuaian dari kedua matriks tersebut memiliki nilai yang sama.
Dengan kata lain jika 𝐴 = [𝑎𝑖𝑗] dan 𝐵 = [𝑏𝑖𝑗] adalah dua matriks maka 𝐴 = 𝐵 jika 𝑎𝑖𝑗 = 𝑏𝑖𝑗 untuk semua 𝑖 dan 𝑗.
Didalam algoritma machine learning seringkali data bersifat multi-dimensi sehingga diperlukan sebuah matriks berdimensi lebih dari dua. Misalnya: susunan nilai-nilai pixel sebagai representasi sebuah gambar berwarna (RGB) yang memiliki layer merah, hijau, dan biru direpresentasikan dalam sebuah matriks yang memiliki tiga dimensi 𝑚 × 𝑛 × 3 dimana: 𝑚 menyatakan jumlah baris, 𝑛
menyatakan jumlah kolom, dan 3 menyatakan jumlah kedalaman (depth) atau jumlah layer. Secara umum matrik tiga dimensi dapat dinyatakan dengan notasi 𝐴 = [𝑎𝑖𝑗𝑘] dimana 𝑖 = 1,2, … , 𝑚; 𝑗 = 1,2, … , 𝑛; dan 𝑘 = 1,2, … , 𝑑.
Sebagai contoh: sebuah matriks dengan elemen bilangan real berdimensi: 3 × 3 × 3 adalah sebagai berikut:
[𝑎𝑖𝑗1] = [
132.5 4.5 125.2 240.2 1.2 134.1 321.4 3.1 212.3
] , (1.3)
[𝑎𝑖𝑗2] = [
250.5 1.0 225.2 120.3 2.3 314.1 90.4 1.5 122.3
] , (1.4)
[𝑎𝑖𝑗3] = [
132.5 0.5 250.2 240.2 1.4 234.1 321.4 1.2 412.3
] . (1.5)
Vektor adalah sebuah bentuk khusus dari matriks, yaitu sebuah matriks yang hanya memiliki sebuah baris atau kolom. Secara umum, sebuah vektor dapat direpresentasikan sebagai berikut:
𝐵 = [ 𝑏1
⋮ 𝑏𝑚
], (1.6)
atau 𝐶 = [𝑐1 … 𝑐𝑛] (1.7)
Vector pada persamaan (1.6) dan (1.7) diatas masing-masing disebut sebagai vektor kolom dan vektor baris.
………. Dan seterusnya
Buku bisa dibeli di Toko Buku Gramedia seluruh Indonesia, atau melalui www.gavamedia.net
8
Daftar Pustaka
Aeberhard, S., D. Coomans and O. de Vel. (1992). Comparison of Classifiers in High Dimensional Settings. Tech. Rep. no. 92-02, (1992), Dept. of Computer Science and Dept. of Mathematics and Statistics, James Cook University of North Queensland.
Bishop, C. M. (2006). Pattern recognition and machine learning.
Springer.
Burges, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.
Chollet, F. (2017). Deep learning with Python.
Dangeti, P. (2017). Statistics for machine learning. Packt Publishing Ltd.
Fisher, R.A. (1950). The use of multiple measurements in taxonomic problems" Annual Eugenics, 7, Part II, 179-188; also in Contributions to Mathematical Statistics, John Wiley.
Garg, A., & Tai, K. (2013). Comparison of statistical and machine learning methods in modelling of data with multicollinearity.
International Journal of Modelling, Identification and Control, 18(4), 295-312.
Heryadi, Y., & Miranda, E. (2019). Land Cover Classification Based on Sentinel-2 Satellite Imagery Using Convolutional Neural Network Model: A Case Study in Semarang Area, Indonesia. In Asian Conference on Intelligent Information and Database Systems (pp. 191-206). Springer, Cham.
Heryadi, Y., & Warnars, H. L. H. S. (2017). Learning temporal representation of transaction amount for fraudulent transaction recognition using CNN, Stacked LSTM, and CNN-
LSTM. IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom) (pp. 84-89). IEEE.
Hogben, Leslie. (2007). Handbook of Linear Algebra: Discrete Mathematics and Its Applications, CRC Press.
Hurwitz, J., & Kirsch, D. (2018). Machine learning for dummies. IBM Limited Edition, 75.
Langley, P., & Simon, H. (1995). Applications of machine learning and rule induction. Communications of the ACM, 38(1 I), 55-64.
Mitchell, T.M. (1997). Machine Learning. McGraw-Hill Company Inc., Boston, Massachusetts.
P. T. Nguyen, T. T. Nguyen, N. C. Nguyen and T. T. Le (2019).
Multiclass Breast Cancer Classification Using Convolutional Neural Network. International Symposium on Electrical and Electronics Engineering (ISEE), Ho Chi Minh, Vietnam, 2019, pp. 130-134.
P. Zhang, Y. Su and C. Wang (2007). Statistical Machine Learning Used in Integrated Anti-Spam System. International Conference on Machine Learning and Cybernetics, Hong Kong, pp. 4055-4058.
Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.
Sammut, C., & Webb, G. I. (Eds.). (2011). Encyclopedia of machine learning. Springer Science & Business Media.
Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3, 21 1-229.
T. Wahyono, (2018), Fundamental of Python for Machine Learning:
Dasar-Dasar Pemrograman Python untuk Machine Learning dan Kecerdasan Buatan, Gava Media, Yogyakarta.
10
Y. Heryadi, E. Miranda and H. L. H. S. Warnars (2017). Learning decision rules from incomplete biochemical risk factor indicators to predict cardiovascular risk level for adult patients. IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom), Phuket pp. 185- 190.
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2019). Dive into Deep Learning. Unpublished draft. Retrieved, 3, 319.
Internet Resources
https://archive.ics.uci.edu/ml/index.php https://medium.com/@16611077
https://github.com/marcopeix/ISL-linear regression/tree/master /data
https://www.wordstream.com/blog/ws/2017/07/28/machine- learning-applications
View publication stats
