Pemelajaran mesin: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
Menambahkan sejarah, perbedaan dengan data mining, tipe tipe algoritma, contoh pendekatan, dan perubahan kecil lainnya. |
Perbaikan referensi |
||
Baris 6:
== Sejarah ==
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 syaraf, dan studi mengenai intelijen 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 pembelajaran mesin dan mendapatkan hasil diatas 96% untuk ke akuratan dari percobaannya. Setelah Yarowsky banyak orang-orang yang melakukan percobaan menggunakan pembelajaran mesin dan mendapatkan hasil yang memuaskan, dari sinilah pembelajaran 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>.
== Perbedaan dengan ''Data Mining'' / 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 pembelajaran mesin berkaitan dengan studi, desain dan pengembangan dari suatu algoritma yang dapat memampukan sebuah komputer dapat belajar tanpa harus diprogram secara eksplisit. Sedangkan pada ''data mining'' dilakukan proses yang dimulai dari data yang tidak terstruktur lalu diekstrak agar mendapatkan suatu pengetahuan ataupun sebuah pola yang belum diketahui. Selama proses ''data mining'' itulah algoritma dari pembelajaran mesin digunakan.
Baris 24 ⟶ 20:
Salah satu contoh yang paling sederhana adalah terdapat sekumpulan contoh masukan berupa umur seseorang dan contoh keluaran yang berupa tinggi badan orang tersebut. Algoritma pembelajaran melalui contoh mengamati contoh-contoh tersebut dan kemudian mempelajari sebuah fungsi yang pada akhirnya dapat “memperkirakan” tinggi badan seseorang berdasarkan masukan umur orang tersebut.
* [[Pembelajaran tak terarah]] (''unsupervised learning'') memodelkan himpunan masukan, seperti penggolongan (''clustering'').
Algoritma ini mempunyai tujuan untuk mempelajari dan mencari pola-pola menarik pada masukan yang diberikan <ref>K. P. Murphy, ''Machine Learning: A Probabilistic Perspective'', The MIT Press, Cambridge, Massachusetts, London, England.</ref>. Meskipun tidak disediakan keluaran yang tepat secara eksplisit. Salah satu algoritma ''unsupervised learning'' yang paling umum digunakan adalah ''clustering''/pengelompokan <ref name=":0" />.
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" />.
Baris 47 ⟶ 42:
=== ''Artificial Neural Network ''/ Jaringan Syaraf Tiruan (JST) ===
JST adalah sebuah algoritma yang didesain untuk memodelkan cara kerja jaringan saraf dalam melakukan suatu pekerjaan atau fungsi tertentu. Jaringan ini biasanya diimplementasikan dengan menggunakan komponen elektronik atau disimulasikan dalam sebuah perangkat lunak didalam komputer digital <ref>S. Hayken, ''Neural'' ''Networks: A Comprehensive Foundation'', Macmillan College Publishing Company, 1994.</ref>.
=== ''Clustering ''/ Pengelompokan ===
Baris 56 ⟶ 50:
=== ''Bayesian Network ''/ Jaringan Bayes ===
''Bayesian network'' diciptakan karena adanya penelitian 'Alasan Probabilistik dalam Kecerdasan Sistem oleh Judea Pearl (1988) yang menuntun pada diterimanya probabilitas dan teori keputusan dalam kecerdasan buatan. ''Bayesian'' ''Network'' secara formal diciptakan untuk memungkinkan representasi yang efisien, dan penalaran yang teliti dengan, pengetahuan pasti. ''Bayesian'' ''network'' memungkinkan untuk dapat belajar dari pengalaman serta menggabungkan kecerdasan buatan yang terbaik dan jaringan syaraf. ''Bayesian network'' merupakan keluarga dari model graf probabilistik. Struktur graf ini digunakan untuk merepresentasikan pengetahuan dari suatu domain yang belum pasti. Nantinya setiap ''node'' yang ada pada graf merepresentasikan variabel acak, dimana sisi-sisi antar ''node'' tersebut merepresentasikan probabilitas ketergantungan antar variabel yang acak tersebut <ref>
=== ''Inductive logic programming'' / Pemrograman logika induktif ===
Baris 104 ⟶ 98:
[[Kategori:Pembelajaran mesin|Pembelajaran mesin]]
== Referensi ==
<references />
{{komputer-stub}}
| |||