Pembelajaran Mesin Klasik

Selamat datang di Pelajaran 6 dari Artificial Intelligence Concepts (COMP5511). Sesi ini menjadi jembatan dari fondasi teoritis menuju implementasi algoritmik yang praktis. Meskipun AI modern sering menekankan Deep Learning, Pembelajaran Mesin Klasik tetap menjadi fondasi analitik data. Algoritma ini menawarkan interpretabilitas dan efisiensi komputasionalyang membuatnya menjadi pilihan utama untuk data terstruktur dan analitik standar industri.

1. Pembelajaran Terawasi (Supervised Learning)

Paradigma ini melibatkan pelatihan model pada dataset berlabel, di mana algoritma mempelajari hubungan antara fitur input dan output target tertentu. Hal ini memungkinkan model untuk memprediksi hasil dengan akurat untuk data baru yang belum pernah dilihat.

Pohon Keputusan: Model yang membagi data menjadi cabang-cabang untuk mencapai keputusan klasifikasi atau numerik.
Support Vector Machines (SVM): Algoritma yang mencari hyperplane optimal untuk memaksimalkan margin antara kelas-kelas data yang berbeda.

2. Pembelajaran Tak Terawasi (Unsupervised Learning)

Algoritma ini menganalisis data tanpa label untuk menemukan pola, struktur, atau pengelompokan tersembunyi tanpa panduan awal tentang apa yang seharusnya menjadi output. Teknik utamanya meliputi:

K-means Clustering: Mengelompokkan titik data ke dalam K kelompok yang berbeda berdasarkan kemiripan fitur.
Principal Component Analysis (PCA): Teknik reduksi dimensi yang digunakan untuk menyederhanakan data kompleks sambil mempertahankan varians esensialnya.

Interpretabilitas vs. Kompleksitas

Keunggulan signifikan dari pembelajaran mesin klasik adalah transparansinya. Tidak seperti model deep learning "kotak hitam", algoritma seperti Pohon Keputusan memungkinkan manusia untuk menelusuri logika pasti di balik sebuah prediksi, yang sangat penting untuk bidang berisiko tinggi seperti kedokteran atau keuangan.

Alur kerja implementasi Scikit-learn