Jenis-jenis Machine Learning

 

Terdapat beberapa jenis machine learning, dan kita harus menerapkan jenis yang sesuai tergantung pada apa yang ingin kita prediksi. Berikut adalah diagram yang menunjukkan pembagian umum jenis-jenis machine learning.

 

[diagram jenis machine learning]

 

Supervised machine learning

 

Supervised Machine Learning adalah istilah umum untuk algoritma machine learning di mana data pelatihan mencakup baik nilai fitur maupun nilai label yang sudah diketahui.  

Supervised machine learning digunakan untuk melatih model dengan menentukan hubungan antara fitur dan label berdasarkan observasi masa lalu, sehingga model dapat memprediksi label yang belum diketahui untuk fitur pada kasus di masa depan.

Regression

 

Regresi adalah salah satu bentuk supervised machine learning di mana label yang diprediksi oleh model berupa nilai numerik.  

Contoh penggunaan regresi:  

• Jumlah es krim yang terjual pada hari tertentu berdasarkan suhu, curah hujan, dan kecepatan angin.  
• Harga jual properti berdasarkan luas bangunan (dalam meter persegi), jumlah kamar tidur, dan faktor sosial-ekonomi di lokasi tersebut.  
• Efisiensi bahan bakar mobil (dalam mil per galon) berdasarkan ukuran mesin, berat, lebar, tinggi, dan panjang kendaraan.

 

Classification

 

Klasifikasi adalah salah satu bentuk supervised machine learning di mana label yang diprediksi mewakili kategori atau kelas tertentu.  

Terdapat dua skenario klasifikasi yang umum digunakan.

1. Binary classification
 

Dalam binary classification, label menentukan apakah suatu objek termasuk (atau tidak termasuk) dalam suatu kelas tertentu. Dengan kata lain, model binary classification memprediksi salah satu dari dua hasil yang bersifat saling eksklusif.  

Contoh klasifikasi biner:  

• Apakah seorang pasien berisiko terkena diabetes berdasarkan metrik klinis seperti berat badan, usia, kadar gula darah, dan sebagainya.  
• Apakah seorang nasabah bank akan gagal membayar pinjaman berdasarkan pendapatan, riwayat kredit, usia, dan faktor lainnya.  
• Apakah pelanggan dalam daftar email akan merespons positif terhadap tawaran pemasaran berdasarkan atribut demografi dan riwayat pembelian sebelumnya.  

Dalam semua contoh ini, model menghasilkan prediksi biner—misalnya benar/salah atau positif/negatif—untuk menentukan apakah suatu kasus masuk ke dalam kelas yang dipelajari atau tidak.
 

2. Multiclass classification
 

Multiclass classification adalah perluasan dari binary classification, di mana model memprediksi satu label dari beberapa kelas yang mungkin.  

Contoh multiclass classification :  

• Menentukan spesies penguin (Adelie, Gentoo, atau Chinstrap) berdasarkan pengukuran fisiknya.  
• Menentukan genre film (komedi, horor, romansa, petualangan, atau fiksi ilmiah) berdasarkan pemeran, sutradara, dan anggaran produksinya.  

Dalam kebanyakan kasus multiclass classification , model memprediksi satu label yang bersifat saling eksklusif —misalnya, seekor penguin tidak bisa menjadi Gentoo sekaligus Adelie.  

Namun, ada juga skenario di mana satu observasi dapat memiliki lebih dari satu label. Ini disebut multilabel classification. Contohnya, sebuah film bisa dikategorikan sebagai fiksi ilmiah dan komedi secara bersamaan.  

Untuk kasus seperti ini, ada algoritma khusus yang memungkinkan model untuk menetapkan lebih dari satu label pada satu data observasi.

Unsupervised machine learning

 

Unsupervised Machine Learning adalah jenis pembelajaran mesin di mana model dilatih menggunakan data yang hanya terdiri dari fitur tanpa label yang diketahui.  

Algoritma unsupervised machine learning berusaha menemukan pola atau hubungan di antara fitur-fitur dalam data pelatihan tanpa bantuan label yang telah ditentukan sebelumnya.

Clustering

Bentuk unsupervised machine learning yang paling umum adalah clustering. Algoritma clustering mengidentifikasi kesamaan antara observasi berdasarkan fitur-fiturnya dan mengelompokkannya ke dalam cluster yang berbeda.  

 

Contoh penerapan clustering:  

• Mengelompokkan bunga yang mirip berdasarkan ukuran, jumlah daun, dan jumlah kelopak.  
• Mengidentifikasi kelompok pelanggan yang memiliki kesamaan berdasarkan atribut demografi dan pola pembelian.  

Dalam beberapa hal, clustering mirip dengan multiclass clasification, karena keduanya mengelompokkan observasi ke dalam kategori tertentu. Namun, perbedaannya adalah:  

• Klasifikasi menggunakan label yang sudah diketahui sebelumnya dalam data pelatihan. Model bekerja dengan menemukan hubungan antara fitur dan label tersebut.  
• Clustering tidak memiliki label yang diketahui sebelumnya. Algoritma hanya mengelompokkan data berdasarkan kemiripan fitur, tanpa informasi kategori yang diberikan sebelumnya.  

 

Clustering sebagai Langkah Awal Klasifikasi  

 

Dalam beberapa kasus, clustering digunakan untuk menentukan kategori sebelum melatih model klasifikasi. Misalnya:  
 

1. Mengelompokkan pelanggan berdasarkan pola pembelian tanpa mengetahui kategori mereka sebelumnya. 

2. Menganalisis kelompok pelanggan dan memberi label berdasarkan karakteristik tertentu, misalnya:  
   - Pelanggan bernilai tinggi tetapi jarang berbelanja. 
   - Pelanggan sering membeli dalam jumlah kecil. 
3. Setelah kategori pelanggan ditentukan, hasil clustering ini bisa digunakan untuk melatih model klasifikasi, yang nantinya dapat memprediksi kategori pelanggan baru berdasarkan data mereka.

 

Sebelumnya                                                                                                                                Selanjutnya