Pengenalan Supervised dan Unsupervised Learning

Slides:



Advertisements
Presentasi serupa
PENGENALAN POLA Dr. Kusrini, M.Kom.
Advertisements

Statistical Process Control using Support Vector Machines: A Case Study Stephanie Mayang P
Peran Utama Data Mining
Algoritma-algoritma Estimasi
DATA MINING 1.
STATISTIK By : Meiriyama Program Studi Teknik Informatika
Create By: Ismuhar dwi putra
BAB VI UKURAN VARIASI ATAU DISPERSI (Pengukuran Dispersi) (Pertemuan ke-8) Oleh: Andri Wijaya, S.Pd., S.Psi., M.T.I. Program Studi Sistem Informasi Sekolah.
Ukuran Penyimpangan (Dispersi)
Support Vector Machine (SVM)
Data Mining: Klasifikasi dan Prediksi Naive Bayesian & Bayesian Network . April 13, 2017.
Penyajian Data dalam Bentuk Tabel
Support Vector Machine (SVM)
Tahapan dan Pengelompokan Data Mining
Pengenalan Data Mining
Konsep Neural Network Learning Pertemuan 3
A rsitektur dan M odel D ata M ining. Arsitektur Data Mining.
KONSEP PENGUKURAN.
B A B I A. PENGERTIAN STATISTIK
Sistem Berbasis Fuzzy Materi 4
OLEH: RESPATI WULANDARI, M.KES
STATISTIKA BISNIS BY : ERVI COFRIYANTI.
Pertemuan 12 ARTIFICIAL NEURAL NETWORKS (ANN) - JARINGAN SYARAF TIRUAN - Betha Nurina Sari, M.Kom.
Clustering Suprayogi.
Datamining - Suprayogi
STATISTIKA YULVI ZAIKA, DR.ENG.
Peran Utama Data Mining
A. Pengertian Statistik
UKURAN VARIASI ATAU DISPERSI (Pengukuran Dispersi)
A. Pengertian Statistik
Pengenalan Pola Materi 1
Konsep Data Mining Ana Kurniawati.
Aplikasi Kecerdasan Komputasional
DATA By irfan.
Intan Silviana Mustikawati, SKM, MPH
Penyajian Data dan Distribusi Frekuensi
DATA STATISTIK.
A. Pengertian Statistik
STATISTIKA (untuk ILMU-ILMU SOSIAL)
Pengantar statistika sosial
Resista Vikaliana, S.Si. MM
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
? 1. Konsep Statistika STATISTIKA : Kegiatan untuk : mengumpulkan data
Artificial Intelligence (AI)
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
Classification Supervised learning.
DATA.
MATERI PERKULIAHAN KECERDASAN BUATAN
Analisis Klastering K-Means Model Datamining Kelompok 1 Eko Suryana
PRODI MIK | FAKULTAS ILMU-ILMU KESEHATAN
Pertemuan 12 ARTIFICIAL NEURAL NETWORKS (ANN) - JARINGAN SYARAF TIRUAN - Betha Nurina Sari, M.Kom.
UKURAN VARIASI ATAU DISPERSI (Pengukuran Varians)
ANALISIS CLUSTER Part 1.
KLASIFIKASI.
Pengenalan Pola/ Pattern Recognition Dasar Pengenalan Pola 1 .
Pembelajaran terbimbing dengan pendekatan parametriks dan nonparametriks Kuliah 3.
Konsep Aplikasi Data Mining
TEKNIK KLASIFIKASI DAN PENGENALAN POLA
Pengetahuan Data Mining
Pertemuan 1 & 2 Pengantar Data Mining 12/6/2018.
PERTEMUAN II VARIABEL & DATA 6-Dec-18.
CLUSTERING.
KONSEP PENGUKURAN.
K-MEANS ALGORITHM CLUSTERING
Konsep Data Mining Ana Kurniawati.
PENGERTIAN DISTRIBUSI TEORITIS
DECISION SUPPORT SYSTEM [MKB3493]
KONSEP PENGUKURAN.
Universitas Gunadarma
Intro Algoritma K-Nearest Neighbor (K- NN) adalah sebuah metode klasifikasi terhadap sekumpulan data maupun dokumen berdasarkan pembelajaran  data yang.
Transcript presentasi:

Pengenalan Supervised dan Unsupervised Learning Oleh: Devie Rosa Anamisa

Pembahasan Pengenalan Pola, Data Mining, Machine Learning Posisi Data Mining Perbedaan Supervised dan Unsupervised Learning Klasifikasi dan pendekatan fungsi (Regresi)

Pengenalan Pola, Data Mining, Machine Learning Pengenalan Pola (Pattern Recognition) : suatu disiplin ilmu yang mempelajari cara-cara mengklasifikasi objek ke beberapa kelas dan mengenali kecenderungan data. Objek bisa berupa pasien, mahasiswa, pemohon kredit, image atau signal. Data Mining difungsikan dalam menemukan keteraturan, pola atau hubungan dalam set data berukuran besar Machine Learning : Suatu area artificial intelligence yang berhubungan dengan pengembangan teknik-teknik yang bisa diprogramkan dan belajar dari masa lalu. Mechine learning menjadi alat analisis dalam data mining

Posisi Data Mining Statistik : lebih berdasarkan teori, lebih fokus pada pengujian hipotesis Machine Learning : lebih bersifat heuristik Data Mining : gabungan teori dan heuristik

Supervised Dan Unsupervised Learning Teknik data mining dibedakan dalam dua pendekatan : Supervised : Metode dengan adanya latihan. Metode : regresi, ANN (Artificial Neural Network), SVM (Support Vector Machine) Unsupervised : tanpa ada latihan (training) dan tanpa ada guru (teacher = label dalam data). Misal: kita punya sekelompok pengamatan atau data tanpa ada label (output)tertentu, maka dalam unsupervised dilakukan pengelompokan data tersebut kedalam kelas yang kita kehendaki. Metode unsupervised : Klatering dan SOM(Self Organizing Map)

Supervised Learning

Contoh Supervised dan Unsupervised Learning Sekelompok mahasiswa didalam kelas. Seorang dosen akan mengelompokkan beberapa orang ini kedalam beberapa kelompok. Misalkan jumlah kelompok ada 4. Maka mahasiswa dikelompokkan menurut kesamaan ciri-ciri (atribut): berdasarkan indeks prestasi, jarak tempat tinggal atau gabungan keduanya. Dalam dua dimensi sumbu x merepresentasikan indeks prestasi, sumbu y merepresentasikan jarak tempat tinggal. Teknik unsupervised : mahasiswa sebagai objek dari tugas kita, bisa dikempokkan dalam 4 kelompok menurut kedekatan IP dan jarak tempat tinggal. Pengelompokan ini, diasumsikan dalam satu kelompok, anggota-anggotanya harus memunyai kemiripan yang tinggi dibanding anggota dari kelompok lain. Teknik supervised : output dari unsupervised dipakai sebagai guru dalam proses training dengan menggunakan teknik pengenalan pola , Dan dalam pemisahkan data training dan data testing (pelatih) maka diperlukan fungsi pemisah.

Pembagian data menjadi data training, data testing

Klasifikasi Dan Pendekatan Fungsi (Regresi) Dalam klasifikasi, keluaran dari setiap data adalah bilangan bulat atau diskrit. Misal : pengambilan keputusan untuk main sepak bola atau tidak maka keluaran bisa diubah kedalam bilangan bulat 1 (main bola), dan -1 (tidak main). Regresi, keluaran dari setiap data dalah bilangan kontinu. Misal Peramalan harga rumah berdasarkan lokasi, umur rumah dan luas rumah, maka keluarannya berupa bilangan kontinu berupa bilangan Rp 120 juta, Rp 100 juta atau Rp 51 juta.

Transformasi Data Sebelum menggunakan data dengan metode atau teknik sering kali melakukan preprocessing terhadap data atau transformasi data. Hal ini dilakukan untuk mendapatkan hasil yang lebih akurat Misal terdapat data : Dimana n adalah jumlah variabel/atribut dan m adalah banyaknya observasi.

Ada beberapa cara untuk transformasi data : Centering : Melakukan perngurangan setiap data dengan rata-rata dari setiap atribut yang ada. Normalisasi : Membagi setiap data yang sudah dicentering dengan standar deviasi dari atribut yang bersangkutan. Rumus : Scaling : Merubah data hingga dalam skala tertentu.

Contoh Pengubahan scaka dari suatu data kedalam interval -1 dan 1