Pemelajaran mesin: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
penambahan huruf b pada "Pemelajaran mesin" menjadi "Pembelajaran mesin" sesuai judul artikel |
Memperbaiki galat sitasi |
||
| (18 revisi perantara oleh 2 pengguna tidak ditampilkan) | |||
Baris 1:
{{Pemelajaran mesin}}
'''Pemelajaran mesin''' ([[bahasa Inggris]]: ''machine learning'' atau disingkat dengan ML) adalah sub-bidang [[kecerdasan buatan]] yang berkaitan dengan pengembangan dan studi [[Statistika komputasi|algoritma statistik]] yang dirancang untuk dapat belajar secara mandiri dari data, kemudian menggunakan pembelajaran tersebut untuk [[Generalisasi|menggeneralisasi]] dan menangani data baru yang belum pernah ditemui sebelumnya, sehingga sistem ML dapat menjalankan tugas-tugas tertentu tanpa memerlukan instruksi eksplisit yang terprogram sebelumnya.{{refn|Definisi "tanpa harus diprogram secara eksplisit" sering dikaitkan dengan [[Arthur Samuel]], pencipta istilah "machine learning" pada tahun 1959. Namun, frasa ini tidak ditemukan secara harfiah dalam publikasi tersebut dan mungkin merupakan parafrase yang muncul kemudian. Rujuk "Parafrase Arthur Samuel (1959), the question is: How can computers learn to solve problems without being explicitly programmed?" dalam {{Cite conference |chapter=Automated Design of Both the Topology and Sizing of Analog Electrical Circuits Using Genetic Programming |conference=Artificial Intelligence in Design '96 |last1=Koza |first1=John R. |last2=Bennett |first2=Forrest H. |last3=Andre |first3=David |last4=Keane |first4=Martin A. |title=Artificial Intelligence in Design '96 |date=1996 |publisher=Springer, Dordrecht |pages=151–170 |language=en |doi=10.1007/978-94-009-0279-4_9 |isbn=978-94-010-6610-5 }}}} Belakangan, [[jaringan syaraf tiruan]] generatif telah menunjukkan performa yang mengungguli berbagai pendekatan konvensional dalam berbagai bidang.<ref name="ibm">{{Cite web |title=What is Machine Learning? |url=https://www.ibm.com/topics/machine-learning |access-date=2023-06-27 |website=IBM |language=en-us}}</ref><ref name=":6">{{Cite web |last=Zhou |first=Victor |date=2019-12-20 |title=Machine Learning for Beginners: An Introduction to Neural Networks |url=https://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9 |url-status=live |access-date=2021-08-15 |website=Medium |language=en |archive-date=2022-03-09 |archive-url=https://web.archive.org/web/20220309053518/https://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9 }}</ref>
Pendekatan pemelajaran mesin telah diimplementasikan di banyak bidang, seperti [[model bahasa besar|model bahasa besar]] (''large language model'' (LLM)), [[penglihatan komputer|visi komputer]], [[pengenalan ucapan]], [[penyaringan email]], [[agrikultur]], dan [[kedokteran]]. Bidang-bidang ini membutuhkan kemampuan untuk menangani tugas-tugas kompleks yang sulit dan mahal jika dikembangkan dengan algoritma tradisional.<ref name="tvt">{{Cite journal |last1=Hu |first1=Junyan |last2=Niu |first2=Hanlin |last3=Carrasco |first3=Joaquin |last4=Lennox |first4=Barry |last5=Arvin |first5=Farshad |date=2020 |title=Voronoi-Based Multi-Robot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning |journal=IEEE Transactions on Vehicular Technology |volume=69 |issue=12 |pages=14413–14423 |doi=10.1109/tvt.2020.3034800 |s2cid=228989788 |issn=0018-9545 |doi-access=free }}</ref><ref name=":7">{{cite journal |last1=Yoosefzadeh-Najafabadi|first1=Mohsen |last2=Hugh |first2=Earl |last3=Tulpan |first3=Dan |last4=Sulik |first4=John |last5=Eskandari |first5=Milad |title=Application of Machine Learning Algorithms in Plant Breeding: Predicting Yield From Hyperspectral Reflectance in Soybean? |journal=Front. Plant Sci. |volume=11 |year=2021 |pages=624273|doi=10.3389/fpls.2020.624273 |pmid=33510761 |pmc=7835636 |doi-access=free }}</ref> Pemelajaran mesin dikenal dalam aplikasinya dalam menyelesaikan masalah bisnis dengan nama [[analisis prediktif]]. Meskipun tidak semua algoritma pemelajaran mesin didasarkan pada statistik, [[statistik komputasional]] adalah sumber penting dari metode-metode di bidang ini.
Landasan matematis dari pemelajaran mesin diambil dari metode [[Optimisasi|optimisasi matematis]] (pemrograman matematis). [[Penggalian data]] (''data mining''), bidang studi paralel yang erat kaitannya, berfokus pada [[analisis data eksploratif]] melalui [[pemelajaran tak terarah]].{{refn|Machine learning dan pengenalan pola "dapat dilihat sebagai dua aspek dari satu bidang yang sama".<ref name="bishop2006">{{citation|first= C. M. |last= Bishop |author-link=Christopher M. Bishop |year=2006 |title=Pattern Recognition and Machine Learning |publisher=Springer |isbn=978-0-387-31073-2}}</ref>{{rp|vii}}}}<ref>{{cite journal |last=Friedman |first=Jerome H. |author-link = Jerome H. Friedman|title=Data Mining and Statistics: What's the connection? |journal=Computing Science and Statistics |volume=29 |issue=1 |year=1998 |pages=3–9}}</ref> Dari perspektif teoretis, kerangka PAC (''Probably Approximately Correct'') ''learning'' memberikan model untuk mendeskripsikan ML.
== Definisi ==
Mesin yang dimaksud di sini adalah mesin dalam pengertian lebih mendekati kepada ‘sistem’, bukan mesin 'mekanik'. Istilah pemelajaran pertama kali muncul dalam disiplin ilmu [[kecerdasan buatan]]. Pemelajaran berarti menambah pengetahuan, memahami dengan belajar, dan mengikuti perintah. Pemelajaran mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pemelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari pemelajaran mesin adalah representasi dan generalisasi. Pada tahun 1959, Arthur Samuel mendefinisikan bahwa pemelajaran mesin adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan [[perangkat lunak]] atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan kaidah (''rule''), ada yang menggunakan [[statistika]], ada yang menggunakan pendekatan [[fisiologi]] yaitu sistem saraf manusia atau disebut dengan ANN ([[artificial neural network]]) atau [[jaringan saraf tiruan]]. Pemelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan suatu pola.
== Sejarah ==
{{See also|Garis waktu pemelajaran mesin}}
Pada tahun 1951, [[John McCarthy]] yang baru saja mendapatkan gelar PhD meyakinkan Minsky, [[Claude Shannon]], dan [[Nathaniel Rochester]] untuk membantunya membawa peneliti [[Amerika Serikat]] yang memiliki ketertarikan pada teori automata, jaring saraf, dan studi mengenai kecerdasan menjadi satu. Mereka mengorganisir sebuah lokakarya di [[Dartmouth College]] di Hanover, New [[Hampshire]] pada tahun 1956. Pada saat itulah dianggap menjadi tahun lahirnya kecerdasan buatan. Sejak awal, para peneliti kecerdasan buatan tidak segan membuat prediksi mengenai keberhasilan dari kecerdasan buatan ini. Pada awalnya kecerdasan buatan berkembang cukup pesat, hal ini disebabkan karena ekspektasi yang terlalu tinggi dari para peneliti di bidang ini. Hingga pada tahun 1974, bidang kecerdasan buatan mulai kurang diminati. Sampai pada tahun 1980, ketertarikan terhadap kecerdasan buatan sebagai bidang penelitian mulai bangkit kembali. Salah satu yang mendukung hal ini adalah hasil kerja Yarowsky (1995), ia melakukan percobaan menggunakan pemelajaran mesin dan mendapatkan hasil diatas 96% untuk ke akuratan dari percobaannya. Setelah Yarowsky banyak orang-orang yang melakukan percobaan menggunakan pemelajaran mesin dan mendapatkan hasil yang memuaskan, dari sinilah pemelajaran mesin dapat semakin berkembang hingga hari ini.<ref name=":0">S. J. Russell, P. Norvig, J. F. Canny, J. M. Malik, and D. D. Edwards, ''Artificial'' ''Intelligence: A Modern Approach'', vol. 2. Prentice hall Englewood Cliffs'','' 1995.</ref>
== Hubungan dengan bidang lainnya ==
=== Kecerdasan buatan ===
[[File:AI hierarchy.svg|thumb|Pemelajaran mesin sebagai subbidang dari kecerdasan buatan<ref name="journalimcms.org">{{cite journal |vauthors=Sindhu V, Nivedha S, Prakash M |date=February 2020|title=An Empirical Science Research on Bioinformatics in Machine Learning |journal=Journal of Mechanics of Continua and Mathematical Sciences |issue=7 |doi=10.26782/jmcms.spl.7/2020.02.00006 |doi-access=free}}</ref>]]
Sebagai hasil dari upaya ilmiah, pemelajaran mesin berkembang dari penelitian tentang [[kecerdasan buatan]] (AI). Pada masa-masa awal AI sebagai suatu [[disiplin ilmu]], beberapa peneliti tertarik untuk menjadikan mesin belajar dari data. Mereka berusaha melakukan pendekatan dengan berbagai metode simbolis, serta apa yang kemudian disebut sebagai ''[[jaringan syaraf tiruan]]'' yang kebanyakannya berupa [[perseptron]] dan [[ADALINE]], yang kemudian dikenal sebagai penemuan ulang (''reinvention'') dari [[model linear umum]] statistik.<ref>{{cite book |last1=Sarle |first1=Warren S. |chapter=Neural Networks and statistical models |pages=1538-50 |year=1994 |title=SUGI 19: proceedings of the Nineteenth Annual SAS Users Group International Conference |publisher=SAS Institute |isbn=9781555446116 |oclc=35546178}}</ref> [[Penalaran probabilistik]] juga digunakan, terutama dalam [[diagnosis medis otomatis]].<ref name="aima">{{cite AIMA|edition=2}}</ref>{{rp|488}}
Meskipun begitu, peningkatan fokus pada pendekatan [[Kecerdasan buatan simbolis|logis, berbasis pengetahuan]], menyebabkan terjadinya kesenjangan antara kecerdasan buatan dan pemelajaran mesin. Sistem penalaran probabilistik terkendala oleh masalah teoritis dan praktik dari akuisisi dan representasi data.<ref name="aima" />{{rp|488}} Pada tahun 1980, [[sistem pakar]] telah mendominasi AI, dan statistik tidak lagi disukai dan ditinggalkan.<ref name="changing">{{Cite journal | last1 = Langley | first1 = Pat | title = The changing science of machine learning | doi = 10. 1007/s10994-011-5242-y | journal = [[Machine Learning (journal)|Machine Learning]] | volume = 82 | issue = 3 | pages = 275-9 | year = 2011 | doi-access = free }}</ref> Penelitian pada pemelajaran berbasis simbolik/pengetahuan memang terus berlanjut di dalam AI, yang mengarah pada [[pemrograman logika induktif]], tetapi jalur penelitian yang lebih statistik sekarang berada di luar bidang AI yang sebenarnya, yaitu di bidang [[pengenalan pola]] dan [[pencarian informasi]]. <ref name="aima" />{{rp|708-710; 755}} Selain itu, riset jaringan syaraf telah ditinggalkan oleh AI dan [[ilmu komputer]] pada waktu yang sama. Bidang ini kemudian dilanjutkan di luar bidang AI/Ilmu komputer, sebagai "[[koneksionisme]]", oleh para peneliti dari disiplin ilmu lain, termasuk [[John Hopfield|Hopfield]], [[David Rumelhart|Rumelhart]], dan [[Geoff Hinton|Hinton]]. Keberhasilan utama mereka datang pada pertengahan tahun 1980-an dengan ditemukannya kembali [[backpropagation]].<ref name="aima" />{{rp|25}}
Pemelajaran mesin (''machine learning''/ML) kemudian ditata ulang dan diakui sebagai bidang tersendiri, dan mulai berkembang pada tahun 1990-an. Mulai saat itu, bidang ini berubah tujuannya dari yang awalnya untuk mencapai ''kecerdasan buatan'', menjadi untuk menyelesaikan masalah-masalah yang dapat dipecahkan yang bersifat praktis. Kejadian ini menyebabkan pergeseran fokus dari [[kecerdasan buatan simbolik|pendekatan simbolik]] yang diwarisi dari AI, ke arah metode dan pemodelan yang diambil dari statistika, yaitu [[logika fuzzy]], dan [[teori probabilitas]].<ref name="changing" />
=== Penggalian data ===
Pembelajaran mesin dan [[penggalian data]] sering menggunakan metode yang sama dan saling tumpang tindih. Sementara pemelajaran mesin berfokus pada prediksi berdasarkan properti "yang sudah diketahui" yang diperoleh dari data pelatihan, [[penggalian data]] berfokus pada [[penemuan (observasi)]] properti "yang tidak diketahui" sebelumnya dalam data (ini merupakan langkah analisis dari [[penemuan pengetahuan]] dalam basis data). [[Penggalian data]] menggunakan banyak metode pemelajaran mesin, tetapi dengan tujuan yang berbeda; di sisi lain, pemelajaran mesin juga menggunakan metode penggalian data sebagai [[pemelajaran tak terarah|pemelajaran tak terawasi]] atau sebagai langkah prapemrosesan untuk meningkatkan akurasi pemelajar. Sebagian besar kerancuan antara dua komunitas penelitian ini (yang sering memiliki konferensi dan jurnal terpisah, [[ECML PKDD]] menjadi pengecualian utama) berasal dari asumsi dasar yang mereka gunakan, yaitu dalam pemelajaran mesin, performa biasanya dievaluasi dengan mempertimbangkan kemampuan untuk "mereproduksi" pengetahuan yang sudah diketahui, sedangkan penemuan pengetahuan dan penggalian data (KDD) memiliki tugas utama untuk menemukan pengetahuan yang sebelumnya "tidak diketahui". Jika dibandingkan dengan pengetahuan yang sudah diketahui, suatu metode yang tidak terinformasi (''unsupervised'') akan dengan mudah dikalahkan oleh metode lain yang terawasi, sedangkan dalam tugas KDD, metode yang terawasi tidak dapat digunakan karena tidak tersedianya data pelatihan.
Pemelajaran mesin juga memiliki hubungan yang erat dengan [[Optimasi matematis]]: banyak masalah pemelajaran yang dirumuskan sebagai minimalisasi dari beberapa [[fungsi kerugian]] dalam satu set pelatihan. Fungsi kerugian mengekspresikan selisih antara prediksi model yang sedang dilatih dan contoh masalah yang sebenarnya (misalnya, dalam klasifikasi, seseorang ingin memberikan label pada contoh, dan model dilatih untuk memprediksi dengan benar label yang telah ditetapkan sebelumnya dari sekumpulan contoh).<ref>{{cite encyclopedia |last1=Le Roux |first1=Nicolas |first2=Yoshua |last2=Bengio |first3=Andrew |last3=Fitzgibbon |title=Improving First and Second-Order Methods by Modeling Uncertainty |encyclopedia=Optimization for Machine Learning |year=2012 |page=404 |editor1-last=Sra |editor1-first=Suvrit |editor2-first=Sebastian |editor2-last=Nowozin |editor3-first=Stephen J. |editor3-last=Wright |publisher=MIT Press |url=https://books.google.com/books?id=JPQx7s2L1A8C&q=%22Improving+First+and+Second-Order+Methods+by+Modeling+Uncertainty&pg=PA403 |isbn=9780262016469 |access-date=2020-11-12 |archive-date=2023-01-17 |archive-url=https://web.archive.org/web/20230117053335/https://books.google.com/books?id=JPQx7s2L1A8C&q=%22Improving+First+and+Second-Order+Methods+by+Modeling+Uncertainty&pg=PA403 |url-status=live }}</ref>
=== Generalisasi ===
Perbedaan antara pengoptimalan dan pemelajaran mesin muncul dari tujuan [[generalisasi (pemelajaran)]]. Sementara algoritma pengoptimalan dapat meminimalkan kerugian pada kumpulan data pelatihan, pemelajaran mesin berkaitan dengan meminimalkan kerugian pada sampel yang tidak terlihat. Karakterisasi generalisasi berbagai algoritma pembelajaran adalah topik aktif penelitian saat ini, terutama untuk algoritma [[pemelajaran dalam]].
=== Statistik ===
Pemelajaran mesin dan [[statistika]] adalah bidang yang berkaitan erat dari segi metode, tetapi memiliki tujuan utama yang berbeda, yaitu statistika mengambil [[kesimpulan statistik]] dari [[sampel (statistika)|sampel]], sedangkan pemelajaran mesin menemukan pola prediksi yang dapat digeneralisasi.<ref>{{cite journal |first1=Danilo |last1=Bzdok |first2=Naomi |last2=Altman |author-link2=Naomi Altman |first3=Martin |last3=Krzywinski |title=Statistics versus Machine Learning |journal=[[Nature Methods]] |volume=15 |issue=4 |pages=233–234 |year=2018 |doi=10.1038/nmeth.4642 |pmid=30100822 |pmc=6082636 }}</ref> Menurut [[Michael I. Jordan]], ide-ide pemelajaran mesin, mulai dari prinsip-prinsip metodologis hingga alat-alat teoritis, memiliki pra-sejarah yang panjang di bidang statistika.<ref name="mi jordan ama">{{cite web|url=https://www.reddit.com/r/MachineLearning/comments/2fxi6v/ama_michael_i_jordan/ckelmtt?context=3|title=statistics and machine learning|publisher=reddit|date=2014-09-10|access-date=2014-10-01|author=Michael I. Jordan|author-link=Michael I. Jordan|archive-date=2017-10-18|archive-url=https://web.archive.org/web/20171018192328/https://www.reddit.com/r/MachineLearning/comments/2fxi6v/ama_michael_i_jordan/ckelmtt/?context=3|url-status=live}}</ref> Ia juga mengusulkan istilah [[ilmu data]] sebagai tempat penampung (placeholder) untuk menyebut keseluruhan bidang tersebut.<ref name="mi jordan ama" />
Analisis statistik konvensional memerlukan pemilihan model yang paling cocok untuk kumpulan data penelitian secara priori. Selain itu, hanya variabel yang penting atau relevan berdasarkan pengalaman sebelumnya yang disertakan untuk dianalisis. Sebaliknya, pemelajaran mesin tidak dibangun di atas model yang sudah terstruktur sebelumnya, melainkan menggunakan data untuk membentuk model yang ada untuk mendeteksi pola-pola yang ada. Semakin banyak variabel (input) yang digunakan untuk melatih model, semakin akurat model akhir yang dihasilkan.<ref>Hung et al. Algorithms to Measure Surgeon Performance and Anticipate Clinical Outcomes in Robotic Surgery. JAMA Surg. 2018</ref>
[[Leo Breiman]] membedakan dua paradigma pemodelan statistik: model data dan model algoritmik,<ref name=":4">{{cite journal|url=http://projecteuclid.org/download/pdf_1/euclid.ss/1009213726|title=Breiman: Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author)|author=Cornell University Library|journal=Statistical Science|date=August 2001|volume=16|issue=3|doi=10.1214/ss/1009213726|s2cid=62729017|access-date=8 August 2015|archive-date=26 June 2017|archive-url=https://web.archive.org/web/20170626042637/http://projecteuclid.org/download/pdf_1/euclid.ss/1009213726|url-status=live|doi-access=free}}</ref> dengan "model algoritmik" kurang lebih berarti algoritma pemelajaran mesin seperti [[Random Forest]].
Beberapa ahli statistik mengadopsi metode dari pemelajaran mesin, yang mengarah pada bidang gabungan yang mereka sebut sebagai ''pemelajaran statistik''.<ref name="islr">{{cite book |author1=Gareth James |author2=Daniela Witten |author3=Trevor Hastie |author4=Robert Tibshirani |title=An Introduction to Statistical Learning |publisher=Springer |year=2013 |url=http://www-bcf.usc.edu/~gareth/ISL/ |page=vii |access-date=2014-10-25 |archive-date=2019-06-23 |archive-url=https://web.archive.org/web/20190623150237/http://www-bcf.usc.edu/~gareth/ISL/ |url-status=live }}</ref>
=== Fisika ===
Teknik analitis dan komputasi yang diturunkan dari ilmu fisika yang mengakar pada sistem yang tidak teratur dapat diperluas ke permasalahan berskala besar, termasuk pemelajaran mesin, misalnya, untuk menganalisis ruang bobot [[jaringan syaraf tiruan dalam]].<ref>[Ramezanpour, A.; Beam, A.L.; Chen, J.H.; Mashaghi, A. Statistical Physics for Medical Diagnostics: Learning, Inference, and Optimization Algorithms. Diagnostics 2020, 10, 972. ]</ref> Dengan demikian, fisika statistik dimaksudkan untuk menemukan aplikasi dalam bidang [[diagnostik medis]].<ref>[Mashaghi, A.; Ramezanpour, A. Statistical physics of medical diagnostics: Study of a probabilistic model. Phys. Rev. E 97, 032118 (2018)]</ref>
== Perbedaan dengan penggalian data ==
[[Penggalian data]] (''data mining'') adalah sebuah proses untuk menemukan pengetahuan, ketertarikan, dan pola baru dalam bentuk model yang deskriptif, dapat dimengerti, dan prediktif dari data dalam skala besar.<ref>M. J. Zaki, W. Meira Jr., ''Data Mining and Analysis: Fundamental Concepts and Algorithms'', Cambridge University Press, 2014.</ref> Dengan kata lain ''data mining'' merupakan ekstraksi atau penggalian pengetahuan yang diinginkan dari data dalam jumlah yang sangat besar.<ref>J. Han, M. Kamber, ''Data Mining: Concepts and Techniques'', Morgan Kaufmann, 2006.</ref>
Dari definisi diatas dapat disimpulkan bahwa pada pemelajaran mesin berkaitan dengan studi, desain dan pengembangan dari suatu
== Tipe
[[Algoritme|algoritma]] dalam pemelajaran mesin dapat dikelompokkan berdasarkan masukan dan keluaran yang diharapkan dari
* [[Pemelajaran terarah|Pemelajaran terarah]] (''supervised learning'') membuat fungsi yang memetakan masukan ke keluaran yang dikehendaki, misalnya pada pengelompokan (klasifikasi).
:Pemelajaran terarah merupakan
:Salah satu contoh yang paling sederhana adalah terdapat sekumpulan contoh masukan berupa umur seseorang dan contoh keluaran yang berupa tinggi badan orang tersebut.
:Contoh implementasi dengan metode ini adalah pada kasus deteksi spam pada surel. Data latih yang digunakan akan diberi label berupa spam dan bukan spam. Mesin akan mempelajari data-data tersebut melalui proses ''learning'' sehingga dapat menghasilkan keluaran berupa mesin yang sudah terlatih untuk mengelompokkan surel yang spam dan bukan spam.
* [[Pemelajaran tak terarah|Pemelajaran tak terarah]] (''unsupervised learning'') memodelkan himpunan masukan, seperti penggolongan (''clustering'').
:
:Berbeda dengan metode sebelumnya, metode ini tidak menggunakan data latih dalam melakukan
:Contoh ''unsupervised learning'' dalam dunia nyata, misalnya seorang supir taksi yang secara perlahan-lahan menciptakan konsep "macet" dan "tidak macet" tanpa pernah diberikan contoh oleh siapapun.<ref name=":0" />
* Pemelajaran semi terarah (''semi-supervised learning''), yakni tipe yang menggabungkan antara ''supervised'' dan ''unsupervised'' untuk menghasilkan suatu fungsi.
:
:Misalnya sebuah sistem yang dapat menebak umur seseorang berdasarkan foto orang tersebut. Sistem tersebut membutuhkan beberapa contoh, misalnya yang didapatkan dengan mengambil foto seseorang dan menanyakan umurnya (pemelajaran terarah). Akan tetapi, pada kenyataannya beberapa orang sering kali berbohong tentang umur mereka sehingga menimbulkan ''noise'' pada data. Oleh karena itu, digunakan juga pemelajaran tak terarah agar dapat saling menutupi kelemahan masing-masing, yaitu ''noise'' pada data dan ketiadaan contoh masukan-keluaran.<ref name=":0" />
* Reinforcement learning: Tipe ini mengajarkan bagaimana cara bertindak untuk menghadapi suatu masalah, yang suatu tindakan itu mempunyai dampak. Adalah sebuah
* Pemelajaran berkembang (''developmental learning algorithm'') adalah sebuah bidang yang bertujuan untuk mempelajari mekanisme pengembangan, arsiterktur, dan batasan yang memungkinkan dibuatnya metode pemelajaran yang berlaku seumur hidup, serta bersifat terbuka terhadap kemampuan dan pengetahuan untuk dipasangkan kepada mesin.<ref>https://en.wiki-indonesia.club/wiki/Machine_learning</ref>
* Transduction: Tipe ini hampir mirip dengan Supervised Learning, tapi tidak secara jelas untuk membangun suatu fungsi melainkan mencoba memprediksi output baru yang berdasarkan dari input baru, masukan pelatihan input dan output
* Learning to learn: Tipe ini menggunakan
== Contoh pendekatan ==
=== Pohon keputusan ===
Pemelajaran pohon keputusan bisa dijadikan sebagai model prediktif yang dapat memetakan pengamatan sebuah pilihan ke kesimpulan target dari pilihan tersebut. Pohon keputusan memiliki pendekatan pemodelan prediksi menggunakan statistik, ''data mining'', dan pemelajaran mesin. Pada pohon keputusan ini ''node''-''node'' daunnya akan merepresentasikan label kelas, sedangkan cabangnya merepresentasikan kaitan dari fitur-fitur yang dapat menuntun menuju label kelas yang ada. Pemelajaran pohon keputusan merupakan representasi sederhana untuk contoh pengklasifikasian.
Sebagai contoh pohon keputusan dapat digunakan untuk penyaringan ''email''. Dengan memasukan fitur-fitur dari ''email'' yang telah ditentukan menjadi cabangnya, dan nantinya cabang-cabang tersebut memiliki daun yang dapat menentukan ''email'' tersebut masuk ke label yang mana yang telah tersedia.
=== Jaringan saraf tiruan ===
Jaringan saraf tiruan (''artificial neural network'') adalah sebuah
=== Pengelompokan ===
Pengelompokan (''clustering'') merupakan salah satu pemelajaran yang tergolong dalam pemelajaran yang tidak memerlukan contoh (''unsupervised learning''). Definisi sederhana dari pengelompokan adalah sebuah proses untuk mengorganisasikan objek menjadi beberapa kelompok yang memiliki anggota yang mirip dalam hal tertentu.<ref>B. R. Jipkate, V. V. Gohokar, ''A Comparative Analysis of Fuzzy C-Means Clustering and K Means Clustering Algorithms'', International Journal of Computational Engineering Research, ISSN: 2250-3005.</ref>
Sebagai contoh, para astronom harus melakukan pengelompokan untuk menentukan tipe dari bintang-bintang berdasarkan data spektrum dari ratusan ribu bintang sehingga pada akhirnya mendapatkan istilah seperti “''red giant''” dan “''white dwarf''”.<ref name=":0" />
Baris 58 ⟶ 92:
== Manfaat dan implementasi ==
Pemelajaran mesin menjaganya agar tetap sederhana, sebuah
Aplikasi untuk pemelajaran mesin termasuk:
* Machine perception
Baris 92 ⟶ 126:
== Lihat pula ==
* [[Pengenalan pola]]
* [[Pemelajaran dalam|Pemelajaran dalam]]
== Referensi ==
<references />
== Bacaan lanjutan ==
{{refbegin|30em}}
* Nils J. Nilsson, ''[https://ai.stanford.edu/people/nilsson/mlbook.html Introduction to Machine Learning] {{Webarchive|url=https://web.archive.org/web/20190816182600/http://ai.stanford.edu/people/nilsson/mlbook.html |date=2019-08-16 }}''.
* [[Trevor Hastie]], [[Robert Tibshirani]] and [[Jerome H. Friedman]] (2001). ''[https://web.stanford.edu/~hastie/ElemStatLearn/ The Elements of Statistical Learning] {{Webarchive|url=https://web.archive.org/web/20131027220938/http://www-stat.stanford.edu/%7Etibs/ElemStatLearn// |date=2013-10-27 }}'', Springer. {{ISBN|0-387-95284-5}}.
* [[Pedro Domingos]] (September 2015), ''[[The Master Algorithm]]'', Basic Books, {{ISBN|978-0-465-06570-7}}
* Ian H. Witten and Eibe Frank (2011). ''Data Mining: Practical machine learning tools and techniques'' Morgan Kaufmann, 664pp., {{ISBN|978-0-12-374856-0}}.
* Ethem Alpaydin (2004). ''Introduction to Machine Learning'', MIT Press, {{ISBN|978-0-262-01243-0}}.
* [[David J. C. MacKay]]. ''[http://www.inference.phy.cam.ac.uk/mackay/itila/book.html Information Theory, Inference, and Learning Algorithms] {{Webarchive|url=https://web.archive.org/web/20160217105359/http://www.inference.phy.cam.ac.uk/mackay/itila/book.html |date=2016-02-17 }}'' Cambridge: Cambridge University Press, 2003. {{ISBN|0-521-64298-1}}
* [[Richard O. Duda]], [[Peter E. Hart]], David G. Stork (2001) ''Pattern classification'' (2nd edition), Wiley, New York, {{ISBN|0-471-05669-3}}.
* [[Christopher Bishop]] (1995). ''Neural Networks for Pattern Recognition'', Oxford University Press. {{ISBN|0-19-853864-2}}.
* Stuart Russell & Peter Norvig, (2009). ''[http://aima.cs.berkeley.edu/ Artificial Intelligence – A Modern Approach] {{Webarchive|url=https://web.archive.org/web/20110228023805/http://aima.cs.berkeley.edu/ |date=2011-02-28 }}''. Pearson, {{ISBN|9789332543515}}.
* [[Ray Solomonoff]], ''An Inductive Inference Machine'', IRE Convention Record, Section on Information Theory, Part 2, pp., 56–62, 1957.
* [[Ray Solomonoff]], ''[http://world.std.com/~rjs/indinf56.pdf An Inductive Inference Machine] {{Webarchive|url=https://web.archive.org/web/20110426161749/http://world.std.com/~rjs/indinf56.pdf |date=2011-04-26 }}'' A privately circulated report from the 1956 [[Dartmouth workshop|Dartmouth Summer Research Conference on AI]].
* Kevin P. Murphy (2021). ''[https://probml.github.io/pml-book/book1.html Probabilistic Machine Learning: An Introduction] {{Webarchive|url=https://web.archive.org/web/20210411153246/https://probml.github.io/pml-book/book1.html |date=2021-04-11 }}'', MIT Press.
{{Refend}}
{{komputer-stub}}
| |||