Dokumen tersebut merangkum tentang machine learning dan data mining. Machine learning adalah ilmu yang mempelajari cara memberikan kemampuan kepada komputer untuk menyelesaikan masalah secara mandiri tanpa bantuan user, sedangkan data mining adalah proses ekstraksi pengetahuan dari database besar menggunakan teknik statistik dan machine learning. Dokumen ini juga membahas perbedaan antara supervised learning dan unsupervised learning serta beberapa algoritma machine learning seperti klasifikasi, regresi, kl

1. Tugas 2
 Nama: Alvian Yudha Prawira
 NIM: A11.2012.07112
 Kelompok: A11.4803

2. MACHINE LEARNING DAN DATA
MINING
Data mining adalah proses semi otomatis
dengan menggunakan teknik
statistik,matematika,kecerdasanbuatan,dan
machine learning untuk mengekstraksi serta
mengidentifikasi informasi pengetahuan
potensial dan bermanfaat yang tersimpan di
dalam database besar. Mchine Learning
sendiri adalah ilmu yang mempelajari cara
memberikan kaemampuan kepada komputer
untuk menyelesaikan masalah secara mandiri
tanpa bantuan user.

3. Sejarah
Perceptron ditemukan pada tahun 1957, dan
menghasilkan model yang lebih optimis untuk AI
selama tahun 1960-an. Setelah Marvin Minsky
menunjukkan keterbatasan model ini dalam
mengekspresikan fungsi kompleks.
Kebangkitan pembelajaran machine datang pada
pertengahan 1980-an, ketika model pohon
keputusan diciptakan dan didistribusikan sebagai
perangkat lunak. Hal ini juga di pertengahan 1980-
an jaringan saraf multi-layer diciptakan, dengan
lapisan tersembunyi(jar-sar), jaringan saraf dapat
mengekspresikan fungsi apapun, sehingga
mengatasi keterbatasan perceptron.

4. Pemanfaatan machine learning
Berikut pemanfaatan Machine learning sbb:
1. Digunakan untuk mendetek spam pada email
2. untuk mengidentifikasi wajah dan ekspresi
mimik wajah
3. untuk mengenali berbagai suara
4. untuk membaca tulisan tangan

5. Supervised Learning dan
Unsepervised Learning
 Supervised Learning: teknik pembelajaran dengan membuat fungsi
dari data latihan. Data latihan terdiri dari pasangan nilai input dan
output yang diharapkan dari input. Tugas dari Supervised learning
yaitu untuk memprediksi nilai fungsi untuk nilai semua input yang
ada.
 Unsepervised Learning: mempelajari bagaimana sebuah sistem
dapat belajar untuk merepresentasikan pola input dalam cara yang
menggambarkan struktur statistikal dari keseluruhan pola input.
Unsupervised learning tidak memiliki target output yang eksplisit
atau tidak ada pengklasifikasian input.
Dalam machine learning, teknik unsupervised learning menjadi
esensial karnaunsupervised sangat penting dikarenakan cara
bekerjanya mirip dengan cara bekerja otak manusia, Karena dalam
melakukan pembelajaran, tidak ada informasi dari contoh yang
tersedia.

6. Perbedaan
Supervised Learning :
 Sebagian besar algoritma data mining
(estimation, prediction/forecasting,
classification) adalah supervised learning
 Variabel yang menjadi target/label/class
ditentukan
 Algoritma melakukan proses belajar
berdasarkan nilai dari variabel target yang
terasosiasi dengan nilai dari variable prediktor

7. Unsupervised Learning:
 Algoritma data mining mencari pola dari semua
variable (atribut)
 Variable (atribut) yang menjadi
target/label/class tidak ditentukan (tidak ada)
 Algoritma clustering adalah algoritma
unsupervised learning

8. Algoritma

9. Algoritma Estimasi
 Algoritma estimasi mirip dengan algoritma
klasifikasi, tapi variabel target adalah berupa
bilangan numerik (kontinyu) dan bukan
kategorikal (nominal atau diskrit)
 Estimasi nilai dari variable target ditentukan
berdasarkan nilai dari variabel prediktor
(atribut)
 Algoritma estimasi yang biasa digunakan
adalah: Linear Regression, Neural Network,
Support Vector Machine

10. Algoritma Prediksi
 Algoritma prediksi/forecasting sama dengan
algoritma estimasi di mana label/target/class
bertipe numerik, bedanya adalah data yang
digunakan merupakan data rentet waktu
(data time series)
 Istilah prediksi kadang digunakan juga untuk
klasifikasi, tidak hanya untuk prediksi time series,
karena sifatnya yang bisa menghasilkan class
berdasarkan berbagai atribut yang kita sediakan
 Semua algoritma estimasi dapat digunakan untuk
prediksi/forecasting

11. Algoritma Klasifikasi
 Klasifikasi adalah algoritma yang menggunakan
data dengan target/class/label berupa nilai
kategorikal (nominal)
 Contoh, apabila target/class/label adalah
pendapatan, maka bisa digunakan nilai nominal
(kategorikal) sbb: pendapatan besar, menengah,
kecil
 Contoh lain adalah rekomendasi contact lens,
apakah menggunakan yang jenis soft, hard atau
none
 Algoritma klasifikasi yang biasa digunakan adalah:
Naive Bayes, K-Nearest Neighbor, C4.5, ID3,
CART, Linear Discriminant Analysis, etc

12. Algoritma Klastering
 Klastering adalah pengelompokkan data, hasil
observasi dan kasus ke dalam class yang mirip
 Suatu klaster (cluster) adalah koleksi data yang
mirip antara satu dengan yang lain, dan memiliki
perbedaan bila dibandingkan dengan data dari
klaster lain
 Perbedaan utama algoritma klastering dengan
klasifikasi adalah klastering tidak memiliki
target/class/label, jadi termasuk unsupervised
learning
 Klastering sering digunakan sebagai tahap awal
dalam proses data mining, dengan hasil klaster
yang terbentuk akan menjadi input dari algoritma
berikutnya yang digunakan

13. Algoritma Asosiasi
 Algoritma association rule (aturan asosiasi)
adalah algoritma yang menemukan atribut yang
“muncul bersamaan”
 Dalam dunia bisnis, sering disebut dengan affinity
analysis atau market basket analysis
 Algoritma asosiasi akan mencari aturan yang
menghitung hubungan diantara dua atau lebih
atribut
 Algoritma association rules berangkat dari pola “If
antecedent, then consequent,” bersamaan
dengan pengukuran support (coverage) dan
confidence (accuration) yang terasosiasi dalam
aturan

14. Algoritma Asosiasi
 Contoh, pada hari kamis malam, 1000 pelanggan
telah melakukan belanja di supermaket ABC,
dimana:
 200 orang membeli Sabun Mandi
 dari 200 orang yang membeli sabun mandi, 50
orangnya membeli Fanta
 Jadi, association rule menjadi, “Jika membeli
sabun mandi, maka membeli Fanta”, dengan nilai
support = 200/1000 = 20% dan nilai confidence =
50/200 = 25%
 Algoritma association rule diantaranya adalah: A
priori algorithm, FP-Growth algorithm, GRI
algorithm

15. Contoh studi kasus Machine
learning
Berikut contoh studi kasus machine learning
 Analisa pasar dan manajemen.
Solusi yang dapat diselesaikan dengan data mining, diantaranya:
Menembak target pasar, Melihat pola beli pemakai dari waktu ke waktu,
Cross-Market analysis, Profil Customer, Identifikasi kebutuhan Customer,
Menilai loyalitas Customer, Informasi Summary.
 - Analisa Perusahaan dan Manajemen resiko.
Solusi yang dapat diselesaikan dengan data mining, diantaranya:
Perencanaan keuangan dan Evaluasi aset, Perencanaan sumber daya
(Resource Planning), Persaingan (Competition).
 - Telekomunikasi.
Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat
dari jutaan transaksi yang masuk, transaksi mana sajakah yang masih
harus ditangani secara manual.

16. Sumber refrensi
 http://situkangsayur.wordpress.com/tag/machine-learning/
 http://situkangsayur.wordpress.com/2013/11/23/machine-learning-pembelajaran-mesin/
 http://hildaw.wordpress.com/2009/03/12/supervised-learning-vs-unsupervised-learning/
 http://ghifar.wordpress.com/2013/07/28/deep-learning-part-1/
 http://denysutani.wordpress.com/2008/12/18/machine-learning/
 http://tiindonesia.blogspot.com/2013/05/pengertian-machine-learning-pada.html
 http://www.slideshare.net/SherlyUda/supervised-learning-33884254
 https://methodusmethodus.wordpress.com/tag/machine-learning/