Puji beserta syukur penulis ucapkan kehadirat Allah SWT yang telah memberikan kesehatan dan rahmat-Nya kepada penulis sehingga penulis bisa menyelesaikan laporan praktikum ini tepat pada waktunya. Laporan yang berjudul “MACHINE LEARNING” dibuat untuk melengkapi Tugas Praktikum mata kuliah Machine Learning dengan Bapak Dosen Dr. Mhd Furqan, S.Si., M.Comp Sc penulis berharap agar laporan praktikum ini dapat menambah wawasan dan bermanfaat bagi kita semua.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam penyusunan laporan praktikum ini. Kritik dan saran dari penulisan laporan praktikum ini sangat penulis harapkan untuk perbaikan dan penyempurnaan pada laporan praktikum penulis berikutnya. 34;Support Vector Machine" (SVM) berfokus pada prinsip-prinsip dasar dari algoritma SVM, yang merupakan salah satu metode paling populer dalam pembelajaran mesin untuk klasifikasi dan regresi.
Support Vector Machine bekerja dengan cara memetakan data input ke dalam ruang fitur berdimensi tinggi melalui fungsi kernel, yang memungkinkan pemisahan data yang tidak linier dengan menggunakan hyperplane. Konsep ini menunjukkan bahwa Support Vector Machine (SVM) mampu menangani masalah klasifikasi dengan baik, bahkan ketika data tidak dapat dipisahkan secara linier. Beberapa jenis fungsi kernel yang sering digunakan meliputi kernel linier, polynomial, dan radial basis function (RBF), masing-masing memiliki karakteristik unik dalam menangani kompleksitas data (Hong, 2019).
Support vector machine terbukti efektif dalam menyelesaikan masalah klasifikasi biner dengan mencari hyperplane optimal yang memaksimalkan margin antara dua kelas.
NEARST NEIGHBOR (KNN)
- Tujuan Praktikum
- Dasar Teori
- Praktikum import pandas as pd
- Kesimpulan
- Tujuan Praktikum
- Dasar Teori
- Praktikum import numpy as np
- Kesimpulan
- Tujuan Praktikum
- Dasar Teori
- Praktikum import numpy as np
- Kesimpulan
Salah satu keunggulan dari regresi dalam machine learning adalah kemampuannya untuk melakukan prediksi yang akurat dengan memanfaatkan algoritma yang lebih canggih. Oleh karena itu, pada situasi yang lebih kompleks, dapat dipertimbangkan penggunaan model regresi lain seperti Polynomial Regression, Ridge Regression, atau model nonlinear seperti Random Forest Regression dan Neural Networks. Decision Trees dan Random Forest adalah dua teknik populer dalam machine learning yang digunakan untuk klasifikasi dan regresi.
Keunggulan utama dari Decision Tree adalah kemampuannya untuk menghasilkan model yang mudah dipahami dan diinterpretasikan, serta tidak memerlukan asumsi distribusi data yang ketat (Zico, 2022). Untuk mengatasi masalah overfitting dan meningkatkan akurasi, Random Forest diperkenalkan sebagai metode ensemble yang menggabungkan banyak Decision Trees. Random Forest telah digunakan dalam berbagai aplikasi kesehatan untuk membantu pengambilan keputusan yang lebih akurat.
Kombinasi antara kemampuan Random Forest dalam menangani data yang kompleks dan menghasilkan hasil prediksi yang reliabel menjadikannya alat yang berharga dalam konteks medis dan epidemiologi (Kamasani, 2022). Secara keseluruhan, Decision Trees dan Random Forest merupakan alat yang sangat berharga dalam machine learning, dengan masing-masing memiliki kelebihan dan kekurangan. Decision Trees menawarkan interpretabilitas yang tinggi, sementara Random Forest memberikan akurasi dan stabilitas yang lebih baik melalui pendekatan ensemble.
Pada praktikum ini, saya telah mempelajari dan mengimplementasikan algoritma machine learning berbasis pohon, yaitu Random Forest. Algoritma Decision Tree bekerja dengan membagi dataset menjadi bagian- bagian yang lebih kecil secara rekursif, berdasarkan fitur-fitur yang dianggap paling informatif. Meskipun interpretasi modelnya mudah, Decision Tree cenderung rentan terhadap overfitting, terutama pada dataset yang kecil atau data yang memiliki banyak fitur.
Random Forest merupakan pengembangan dari Decision Tree dengan konsep ensemble learning, di mana beberapa Decision Trees dilatih pada subset. Dengan kombinasi dari berbagai pohon, Random Forest mampu mengurangi masalah overfitting yang sering terjadi pada Decision Tree. Namun, kelemahan utama Random Forest adalah waktu komputasi yang lebih tinggi dibandingkan Decision Tree, terutama pada dataset yang sangat besar.
Berdasarkan hasil uji kinerja pada dataset praktikum, Random Forest secara konsisten menghasilkan akurasi yang lebih tinggi dibandingkan Decision Tree. Hal ini menunjukkan bahwa metode ensemble lebih efektif dalam menangkap pola data dan menghasilkan model yang lebih stabil.
MEANS CLUSTERING
- Tujuan Praktikum
- Dasar Teori
- Praktikum import numpy as np
- Kesimpulan
- Tujuan Praktikum
- Dasar Teori
- Praktikum import numpy as np
- Kesimpulan
Namun, pemilihan nilai K yang tepat sangat penting, karena jumlah cluster yang tidak sesuai bisa menghasilkan pembagian data yang kurang optimal. Algoritma K- Means Clustering bekerja dengan cara membagi data ke dalam sejumlah klaster (K) yang ditentukan di awal. Selain itu, algoritma ini sensitif terhadap inisialisasi titik pusat awal, yang dapat menyebabkan hasil klaster yang berbeda setiap kali algoritma dijalankan.
Pengelompokan hierarkis adalah metode statistik yang kuat yang digunakan untuk mengelompokkan sekumpulan objek ke dalam klaster berdasarkan kesamaan mereka. Teknik ini secara garis besar dapat dikategorikan ke dalam dua pendekatan utama: pengelompokan hierarkis aglomeratif (AHC) dan pengelompokan hierarkis divisif (DHC). Sebaliknya, DHC dimulai dengan semua objek dalam satu klaster dan secara rekursif membaginya ke dalam klaster yang lebih kecil (Lurui, 2023).
Kedua metode ini bertujuan untuk membentuk hierarki klaster yang dapat direpresentasikan dalam dendrogram, yang secara visual menggambarkan hubungan antar klaster berdasarkan kesamaan mereka. Beberapa ukuran jarak yang umum digunakan antara lain jarak Euclidean, Manhattan, dan Minkowski, yang masing-masing dapat menghasilkan hasil pengelompokan yang berbeda, tergantung pada karakteristik dan sifat data yang digunakan (Karthikeyan, 2020). Selain itu, pengelompokan hierarkis dapat mengungkapkan struktur data yang mendasarinya, sehingga memudahkan identifikasi pengelompokan alami.
Ini khususnya berguna dalam bidang seperti bio informatika, di mana pengelompokan hierarkis telah diterapkan untuk mengklasifikasikan data ekspresi gen dan mengidentifikasi kesamaan fenotipik di antara sampel biologis yang berbeda (Daekyeon, 2024). Namun, berbagai optimasi dan algoritma telah dikembangkan untuk mengurangi tantangan ini, seperti menggunakan struktur data yang efisien atau memperkirakan perhitungan jarak (Marek, 2021). Kemajuan ini memungkinkan pengelompokan hierarkis untuk diterapkan pada kumpulan data yang lebih besar sambil mempertahankan efisiensi komputasi yang wajar.
Selain aplikasinya dalam analisis data tradisional, pengelompokan hierarkis telah menemukan relevansi dalam bidang yang baru muncul seperti sistem jaringan pintar. Studi terbaru telah menggunakan algoritma pengelompokan hierarkis aglomeratif yang ditingkatkan untuk mengidentifikasi jalur yang rentan dalam jaringan jaringan pintar, menggabungkan sifat topologi dan listrik untuk meningkatkan stabilitas sistem (Tania, 2023). Ini menggambarkan fleksibilitas pengelompokan hierarkis di berbagai domain, beradaptasi dengan kebutuhan dan kompleksitas spesifik berbagai kumpulan data.
Dengan demikian, pengelompokan hierarkis berfungsi sebagai alat yang kuat untuk analisis data, yang menawarkan fleksibilitas dan kedalaman dalam memahami kumpulan data yang kompleks (Mikko, 2020). Hasil klasterisasi dengan Hierarchical Clustering menunjukkan bahwa algoritma ini sangat efektif dalam mengidentifikasi struktur data yang saling terkait, terutama pada data yang memiliki pola hirarkis atau lapisan.
