DAFTAR ISI

KATA PENGANTAR .......................................................................................... i

DAFTAR ISI ......................................................................................................... ii

BAB I PENDAHULUAN

1.1 Latar Belakang .......................................................................................... 1

1.2 Rumusan Masalah ..................................................................................... 2

1.3 Tujuan Penulisan....................................................................................... 3

1.4 Metode Penulisan ..................................................................................... 3

BAB II MACHINE LEARNING

2.1 Pengertian Machine Learning ................................................................. 4

2.2 Jenis-jenis Learning Technique ............................................................... 6

2.2.1 Rote Learning ..................................................................................... 6

2.2.2 Learning By Taking Advise .............................................................. 7

2.2.3 Learning In Problem Solving ............................................................ 7

2.2.4 Learning From Example ................................................................... 7

2.2.5 Explanation Based Learning ............................................................. 10

2.2.6 Empirical dan Analytical Learning .................................................. 11

2.2.7 Reinforcement Learning.................................................................... 13

2.2.8 Statistical Learning ............................................................................ 13

2.3 Terminologi Machine Learning ............................................................... 14

2.4 Tugas Utama Machine Learning ............................................................. 15

i
 2.5 Metode di dalam Machine Learning ........................................................ 15

2.6 Implementasi Machine Learning .............................................................. 18

2.6.1 Text Analysis ........................................................................................ 18

2.6.2 Image Processing .................................................................................. 18

2.6.3 Finance .................................................................................................. 19

2.6.4 Search and Recommendation Engine ............................................... 20

2.6.5 Speech Understanding ......................................................................... 20

2.7 Langkah-langkah dalam mengembangkan aplikasi Machine Learning 21

2.8 Process Machine Learning ........................................................................ 22

BAB III PENUTUP

3.1 Kesimpulan ................................................................................................. 25

3.2 Saran ............................................................................................................ 25

DAFTAR PUSTAKA ........................................................................................... 26

LAMPIRAN-LAMPIRAN

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Seorang manusia selama hidupnya tidak pernah henti- hentinya melakukan

learning. Hal ini terjadi tanpa kita sadari dan alamiah. Namun untuk membuat sebuah
mesin dapat berpikir tentu bukanlah hal yang mudah. Manusia belajar melalui
pengalaman yang dia alami sehari- hari. Dari pengalaman tersebut, manusia akan
mendapatkan knowledge.
Untuk mendapatkan knowledge dapat melalui berbagai cara. Cara yang paling
sederhana adalah rote learning atau menyimpan informasi yang sudah dikalkulasi.
Cara lainnya adalah dengan mendapatkan pengetahuan dari orang lain yang sudah
ahli. Manusia juga dapat belajar melalui pengalaman pemecahan masalah yang ia
lakukan. Setelah berhasil mengatasi sebuah masalah, manusia akan mengingat
struktur dan cara mengatasi masalah tersebut. Apabila manusia mengalami sebuah
masalah yang hampir serupa, maka manusia dapat mengatasi masalah tersebut secara
lebih efisien. Ada banyak cara lain untuk mendapatkan knowledge dan kita akan
membahasnya lebih lanjut di bab- bab selanjutnya.

Dalam kehidupan sehari- hari, dapat kita lihat learning machine pada
kehidupan sehari- hari sangatlah berguna. Beberapa contoh yang terlihat sangat nyata
adalah speech recognition, fingerprint recognition atau handwriting recognition.
Perkembangan machine learning sekarang ini sangat pesat. Banyak sekali riset
dilakukan untuk menciptakan mesin yang lebih cerdas. Contoh yang paling mutakhir
yang dapat kita lihat adalah Asimo, sebuah robot cerdas buatan Honda, yang dapat
mengenali pemiliknya dan mengenal emosi.

1
 Agar dapat membuat sebuah robot secerdas Asimo, maka beberapa teknik AI
diaplikasikan kedalamnya, seperti speech recognition untuk dapat berinteraksi, image
recognition untuk dapat mengenali wajah pemiliknya dan mengenali ruangan dan
banyak lagi

Machine learning saat ini menjadi cabang ilmu pengetahuan yang populer
dibicarakan di media. Didapuk sebagai salah satu cabang dari ilmu kecerdasan buatan
(artificial inteligence), hampir semua orang pernah berinteraksi, memakai ataupun
mendengar sistem komputer yang dibangun memakai teknik machine learning. Mulai
dari melihat tag-otomatis foto di Facebook, menggunakan rekomendasi pencarian di
Google, meng-klik rekomendasi produk sejenis di online shopping, menikmati servis
email tanpa spam, sampai dengan mendengar berita AlphaGo yang mengalahkan
pemain profesional top di permainan Go.

1.2 Rumusan Masalah

Untuk mengkaji dan mengulas tentang Machine Learning, maka diperlukan

sub-pokok bahasan yang saling berhubungan, sehingga penulis membuat rumusan
masalah sebagai berikut :

1. Apakah Pengertian Machine Learning ?

2. Apa Jenis-jenis Learning Technique ?

3. Bagaimana Terminologi Machine Learning ?

4. Apakah Tugas Machine Learning ?

5. Apakah Metode yang terdapat pada Machine Learning ?

6. Bagaimana langkah – langkah mengembangkan machine Learning ?

2
 7. Bagaimana Proses pada Machine Learning ?

1.3 Tujuan Penulisan

Tujuan disusunnya makalah ini adalah untuk memenuhi tugas mata kuliah
Rekayasa Perangkat Lunak Tahun Ajaran Ganjil 2017 dan menjawab pertanyaan
yang ada pada rumusan masalah. Manfaat dari penulisan makalah ini adalah untuk
meningkatkan pengetahuan baik baik penulis maupun bagi pembaca tentang
Machine Learning dan mampu menjelaskan serta sebisa mungkin mempraktekkan
tentang Machine Learning dan hal-hal yang berhubungan dengan Machine Learning.

1.4 Metode Penulisan

Penulis memakai metode studi literatur dan kepustakaan dalam penulisan

makalah ini. Referensi makalah ini Tidak hanya bersumber dari Jurnal dan buku,
tetapi juga dari media media lain seperti web, blog, dan perangkat media massa yang
diambil dari internet.

3
 BAB II

MACHINE LEARNING

2.1 Pengertian Machine Learning

Learning mempunyai arti menambah pengetahuan, memahami atau

menguasai dengan belajar, mengikuti instruksi atau melalui pengalaman. Seorang
manusia selama hidupnya tidak pernah henti- hentinya melakukan learning. Hal ini
terjadi tanpa kita sadari dan alamiah. Namun untuk membuat sebuah mesin dapat
berpikir tentu bukanlah hal yang mudah. Manusia belajar melalui pengalaman yang
dia alami sehari- hari. Dari pengalaman tersebut, manusia akan mendapatkan
knowledge.

Untuk mendapatkan knowledge dapat melalui berbagai cara. Cara yang paling
sederhana adalah rote learning atau menyimpan informasi yang sudah dikalkulasi.
Cara lainnya adalah dengan mendapatkan pengetahuan dari orang lain yang sudah
ahli. Manusia juga dapat belajar melalui pengalaman pemecahan masalah yang ia
lakukan. Setelah berhasil mengatasi sebuah masalah, manusia akan mengingat
struktur dan cara mengatasi masalah tersebut. Apabila manusia mengalami sebuah
masalah yang hampir serupa, maka manusia dapat mengatasi masalah tersebut secara
lebih efisien.

Machine learning merupakan bagian dari kecerdasan buatan. Untuk menjadi

cerdas, sistem yang berada dalam lingkungan yang berubah harus memiliki
kemampuan untuk belajar. Jika sistem dapat belajar dan beradaptasi dengan
perubahan tersebut, perancang sistem tidak perlu meramalkan danmemberikan solusi
untuk semua kemungkinan situasi (Alpaydin, 2010).

4
 Machine learning adalah salah satu disiplin ilmu dari computer science yang
mempelajari bagaimana membuat komputer atau mesin mempunyai suatu kecerdasan.
Agar mempunyai suatu kecerdasan, komputer atau mesin harus dapat belajar. Dengan
kata lain machine learning adalah suatu bidang keilmuan yang berisi tentang
pembelajaran komputer atau mesin untuk menjadi cerdas.

Machine learning adalah sebuah studi yang mempelajari cara untuk

memprogram sebuah komputer untuk belajar. Ada 4 kategori besar dimana sebuah
aplikasi sulit untuk dibuat. Pertama, bila tidak ada manusia yang menguasai bidang
tersebut. Kedua, bila ada manusia yang menguasai hal tersebut namun ia tidak
mampu untuk menjelaskannya. Ketiga, adalah saat keadaan dapat berubah dengan
cepat. Keempat, bila aplikasi harus dibuat berbeda untuk masing- masing pengguna.

“Machine Learning adalah cabang dari kecerdasan buatan, merupakan disiplin

ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan
komputer untuk mengembangkan perilaku yang didasarkan kepada data empiris,
seperti dari sensor data pada basis data. Sistem pembelajaran dapat memanfaatkan
contoh (data) untuk menangkap ciri yang diperlukan dari probabilitas yang
mendasarinya (yang tidak diketahui).

Data dapat dilihat sebagai contoh yang menggambarkan hubungan antara

variabel yang diamati. Fokus besar penelitian Machine Learning adalah bagaimana
mengenali secara otomatis pola kompleks dan membuat keputusan cerdas
berdasarkan data. Kesukarannya terjadi karena himpunan semua perilaku yang
mungkin, dari semua masukan yang dimungkinkan, terlalu besar untuk diliput oleh
himpunan contoh pengamatan (data pelatihan). Karena itu Machine Learning harus
merampatkan (generalisasi) perilaku dari contoh yang ada untuk menghasilkan
keluaran yang berguna dalam kasus-kasus baru.

Dalam kehidupan sehari- hari, dapat kita lihat learning machine pada
kehidupan sehari- hari sangatlah berguna. Beberapa contoh yang terlihat sangat nyata

5
adalah speech recognition, fingerprint recognition atau handwriting recognition.
Perkembangan machine learning sekarang ini sangat pesat. Banyak sekali riset
dilakukan untuk menciptakan mesin yang lebih cerdas. Contoh yang paling mutakhir
yang dapat kita lihat adalah Asimo, sebuah robot cerdas buatan Honda, yang dapat
mengenali pemiliknya dan mengenal emosi.

Machine learning juga membantu kita mencari solusi pada vision, speech
recognition, dan robotika. Machine learning adalah program computer untuk
mengoptimasi performa menggunakan data contoh atau pengalaman sebelumnya.
Misalnya pengenalan wajah, tiap wajah memiliki bentuk /pattern terdiri dari
kombinasi mata, hidung, mulut dan lokasi wajah tertentu. Dengan menganalisis
sampel image wajah, program menangkap bentuk spesifik pada wajah orang tersebut
dan mengenalnya dengan bentuk yang telah diberikan yang dikenal sebagi pattern
recognition. Setelah pelatihan dengan data yang lampau, sebuah rule klasifikasi dapat
berupa :

IF income > Ɵ1 AND savings > Ɵ2 then low-risk ELSE high-risk

Nilai Ɵ1 dan Ɵ2 dikenal sebagi diskriminan yang memisahkan contoh dari kelas yang
berbeda.

2.2 Jenis-jenis Learning Technique

2.2.1 Rote Learning

Seperti yang telah dibahas sebelumnya, rote learning adalah sebuah cara
memperoleh knowledge yang paling sederhana. Dengan cara ini komputer
menyimpan data hasil perhitungan kedalam cache. Setelah itu, komputer tidak

6
 perlu melakukan kalkulasi kembali karena hasil perhitungan telah tersimpan. Cara
ini sangat efektif untuk mempersingkat waktu proses karena komputer tinggal
mengambil data. Namun sebagai trade-off, cara ini akan membutuhkan media
penyimpanan yang besar.

2.2.2 Learning by Taking Advice

Pada awalnya manusia tidak memiliki pengetahuan apapun. Namun

seiring berjalannya waktu, kita selalu mendapatkan knowledge dari orang tua dan
guru. Demikian juga sebuah komputer. Komputer tidak memiliki kemampuan
apabila tidak diprogram terlebih dahulu.

2.2.3 Learning in Problem Solving

Cara ini dapat digunakan sebagai alternatif dari 2 cara yang telah dibahas
diatas. Dengan cara ini tidak diperlukan seorang ahli untuk memberikan
knowledgennya. Komputer dapat menambah pengetahuannya dengan cara
menggeneralisasi pengalaman yang telah dia dapatkan.

2.2.4 Learning from Example

Teknik belajar melalui contoh merupakan salah 1 cara dari learning in

problem solving. Dalam menggunakan cara ini dibutuhkan contoh- contoh.
Contoh yang tersedia akan diproses dan diklasifikasikan. Klasifikasi adalah
sebuah proses memasukkan sebuah input ke dalam kelas yang sesuai. Klasifikasi
adalah sebuah komponen yang penting dalam banyak pekerjaan problem solving.
Biasanya klasifikasi ini dimasukkan ke dalam operasi yang lain.
Sebelum memulai klasifikasi, maka kelas- kelas harus dibentuk terlebih dahulu.
Ada beberapa cara yang dapat dilakukan untuk membentuk kelas- kelas tersebut.

1. Mendefinisikan kelas dengan cara menghitung jumlah dari fiturnya.

2. Mendefiniskan kelas sebagai sebuah struktur yang terdiri dari fitur- fitur tersebut.

7
 Cara pertama lebih efisien namun cara kedua lebih fleksibel dan mudah
untuk diperluas.Dalam kenyataannya, mendefinisikan sebuah kelas bukannya
pekerjaan yang mudah. Apalagi jika contoh- contoh yang ada tidak mudah untuk
dideskripsikan atau dapat berubah- ubah secara cepat. Jika kita ingin
mendefinisikan kelas secara struktural, ada banyak cara yang dapat dipakai,
misalnya Winston’s learning program, version spaces dan decision trees. Disini
kita akan membahas beberapa teknik tersebut.

a) Version Space

Dalam teknik ini, tujuan yang ingin kita capai adalah menghasilkan
sebuah deskripsi yang konsisten dengan semua contoh yang positif tetapi tidak
dengan contoh yang bernilai negatif dari contoh- contoh yang disediakan. Dalam
teknik ini kita akan membuat 2 buah subset, yang umum dan spesifik. Tujuan kita
adalah membuat kedua subset tersebut memiliki nilai yang sama pada akhirnya.
Untuk membuat hal tersebut terjadi maka kita harus membuat subset yang umum
menjadi lebih spesifik dan subset yang spesifik menjadi lebih umum. Untuk
melakukan hal tersebut maka dibutuhkan sebuah algoritma bernama candidate
elimination algorithm. Candidate elimination adalah sebuah metode untuk
menghitung batas dari set. Mengutip dari [Hirsh,1994,halaman 6] :

”The candidate-elimination algorithm manipulates the boundary-set

representation of a version space to create boundary sets that represent a new
version space consistent with all the previous instances plus the new one. For a
positive example the algorithm generalizes the elements of the [sbs] as little as
possible so that they cover the new instance yet remain consistent with past data,
and removes those element of the [gbs] that do not cover the new instance. For a
negative instance the algorithm specializes elements of the [gbs] so that they no
longer cover the new instance yet remain consistent with past data, and removes
form the [sbs] those elements that mistakenly cover the new, negative instance.”

8
 Langkah- langkah dalam candidate elimination algorithm.

1. Buat sebuah subset G yang hanya berisi variable

2. Buat sebuah subset S yang berisi elemen dari contoh positif yang pertama
3. Jika contoh bernilai positif, hapus dari G apabila deskripsi tidak sama dengan
contoh dan masukkan ke G apabila deskripsi berbeda dengan contoh. Sedangkan
S tetap. Jika contoh bernilai negatif, hapus dari S apabilai deskripsi sama dengan
contoh. Kemudian hapus dari G apabila deskripsi sama dengan contoh.
4. Apabila G dan S hanya 1 subset dan bernilai sama, maka proses berhenti. Jika G
dan S hanya 1 subset dan berbeda nilai, berarti contoh yang ada tidak konsisten
hentikan proses.

Ada beberapa hal yang penting untuk diperhatikan dalam Candidate

elimination algorithm. Pertama teknik ini merupakan least-comminent algorithm.
Dalam setiap langkah, version space yang ada akan semakin mengerucut
seminimal mungkin dalam setiap langkahnya. Oleh karena itu, apabila semua
sample positif bernilai sama, algoritma ini tidak akan menganggap bahwa nilai
lain adalah salah, sehingga apabila contoh yang diberikan tidak konsisten, maka S
dan G tidak akan bertemu. Jadi kesimpulan yang dihasilkan sistem hanya partial.
Kedua, teknik ini menggunakan breadth first search untuk mencari jawaban yang
diinginkan.
Candidate elimination memiliki beberapa kekurangan. Pertama, karena teknik ini
menggunakan breadth first search, maka kita harus menyediakan storage yang
cukup. Kedua adalah terjadinya inkonsistensi data. Seperti yang telah disebut
diatas, hal ini akan menyebabkan tidak ditemukannya jawaban yang singleton.

b) Decision Trees

Decision tree merepresentasikan sebuah tree dimana internal nodenya

mengetes sebuah atribut, masing- masing cabangnya berhubungan dengan nilai
dari atribut dan masing- masing lead nodenya berisi sebuah klasifikasi. Algoritma

9
ini merupakan salah satu dari teknik yang paling efisien dan populer dalam
machine learning.

Kelebihan dari decision tree adalah apabila ukurannya tidak terlalu besar,
tree ini akan dapat dengan mudah dimengerti oleh manusia. Hal ini akan sangat
berguna karena manusia dapat memahami cara kerjanya. Sebagai tambahan,
apabila data yang ada sangat besar, maka decision tree akan bekerja lebih cepat
daripada version space.

2.2.5 Explanation- Based Learning

Explanation based learning adalah sebuah proses mengubah pengetahuan

yang implisit menjadi pengetahuan yang eksplisit. Dalam teknik ini, kita
membuat sebuah komponen dari domain menjadi spesifik untuk menjabarkan
komponen lainnya, kemudian kita menggeneralisasi kesimpulannya agar dapat
digunakan apabila kita menemukan komponen yang hampir sama.
Sebagai contoh misalnya dalam permainan catur. Komputer dapat mempelajari
sebuah teknik hanya dari satu contoh saja, misalnya posisi mat. Dari contoh
tersebut, komputer dapat melakukan perhitungan agar posisi itu tidak terjadi
padanya dan sebaliknya berusaha melakukan itu kepada lawannya. Komputer
tidak memerlukan banyak contoh seperti yang dilakukan oleh version space atau
decision tree, karena komputer cukup mengetahui bahwa posisi dimana raja tidak
dapat bergerak ke tempat lain bearti posisi mat.

Explanation based learning merupakan sebuah metode lain dari berbagai

teknik learning. Pada teknik- teknik sebelumnya, contoh- contoh yang disediakan
tidaklah sangat banyak sehingga memberatkan proses perhitungan. Dengan teknik
explanation based learning ini, kita akan memperbaiki kecepatan proses sebuah
learning.

Dalam teknik ini, kita akan menggunakan proses induktif. Proses ini akan
membuat sebuah kesimpulan dari sekumpulan fakta- fakta yang ada. Kemudian

10
 hasil kesimpulan dan juga fakta- fakta tersebut disimpan dalam memory, sehingga
apabila pada suatu saat dibutuhkan, kita tidak perlu melakukan perhitungan ulang.
Hal inilah yang menyebabkan peningkatan kecepatan proses learning. Oleh
karena itu, teknik ini disebut juga speed-up learning. Speed-up learning dapat
membuat sistem mendapatkan hasil / keputusan lebih cepat. Namun untuk dapat
melakukan itu, kita perlu untuk memberikan banyak contoh- contoh latihan.
Dalam teknik explanation based learning, kita dapat mengambil input dari empat
hal.

a) contoh latihan
b) konseptujuan
c) kriteria operasi
d) teori domain

Explanation-based generalization adalah sebuah algoritma yang dipakai

dalam
explanation based learning. Dalam teknik ini kita akan melakukan 2 langkah.
Yang pertama adalah kita membuang semua aspek yang tidak penting dalam
mencapai konsep tujuan. Langkah berikutnya adalah melakukan generalisasi
penjelasan sejauh mungkin selama masih memenuhi konsep.

2.2.6 Empirical dan Analytical Learning

Empirical learning adalah metode belajar dengan mengandalkan

pengalaman eksternal, sedangkan analytical learning tidak membutuhkan input
eksternal. Perbedaan antara empirical dan analytical sangat tipis. Hampir semua
masalah dapat diselesaikan dengan menggunakan analytical learning, namun
dalam beberapa kasus dimana dibutuhkan kecepatan dan data yang sangat banyak
seperti dalam permainan catur, maka analytical tidak bisa dipakai sendirian.
Empirical learning dapat digunakan bersamaan dengan analytical sehingga dapat

11
 mempercepat proses.
Dalam empirical learning dikenal metode supervised dan unsupervised.

a. Supervised Learning

Dalam teknik supervised learning, maka sebuah program harus dapat

membuat klasifikasi – klasifikasi dari contoh- contoh yang telah diberikan.
Misalnya sebuah program diberikan benda berupa bangku dan meja, maka setelah
beberapa contoh, program tersebut harus dapat memilah- milah objek ke dalam
klasifikasi yang cocok.

Kesulitan dari supervised learning adalah kita tidak dapat membuat

klasifikasi yang benar. Dapat dimungkinkan program akan salah dalam
mengklasifikasi sebuah objek setelah dilatih. Oleh karena itu, selain
menggunakan training set kita juga memberikan test set. Dari situ kita akan
mengukur persentase keberhasilannya. Semakin tinggi berarti semakin baik
program tersebut. Persentase tersebut dapat ditingkatkan dengan diketahuinya
temporal dependence dari sebuah data. Misalnya diketahui bahwa 70%
mahasiswa dari jurusan Teknik Informatika adalah laki- laki dan 80% mahasiswa
dari jurusan Sastra adalah wanita. Maka program tersebut akan dapat
mengklasifikasi dengan lebih baik.

b. Unsupervised Learning

Teknik ini menggunakan prosedur yang berusaha untuk mencari partisi

dari sebuah pola. Unsupervised learning mempelajari bagaimana sebuah sistem
dapat belajar untuk merepresentasikan pola input dalam cara yang
menggambarkan struktur statistikal dari keseluruhan pola input. Berbeda dari
supervised learning, unsupervised learning tidak memiliki target output yang
eksplisit atau tidak ada pengklasifikasian input.

Dalam machine learning, teknik unsupervised sangat penting. Hal ini

dikarenakan cara bekerjanya mirip dengan cara bekerja otak manusia. Dalam

12
 melakukan pembelajaran, tidak ada informasi dari contoh yang tersedia. Oleh
karena itu, unsupervised learning menjadi esensial.

2.2.7 Reinforcement Learning

Reinforcement learning adalah sebuah teknik learning yang mempelajari

aturan kontrol dengan cara berinteraksi dengan lingkungan yang masih asing. Ada
2 cara dalam teknik ini, teknik model-based dan teknik model-free.
Dalam teknik model-based, kita akan membuat sebuah subset berisi 4 tuple yang
menggambarkan aksi, kondisi, hasil dan kondisi selanjutnya. Setelah
mendapatkan subset yang cukup banyak maka kita dapat menghasilkan
probability transition function dan reward function. Setelah mendapatkan kedua
fungsi tersebut, kita dapat menggunakan dynamic programming untuk
menghasilkan aturan yang paling optimal. Dalam teknik model-free, kita tidak
menyimpan subset yang berisi 4 tuple. Kita langsung menerapkan sebuah
algoritma yang dapat langsung mengubah aturan kontrol menjadi lebih efisien.

2.2.8 Statistical Learning

Dalam machine learning, statistik dapat digunakan untuk mempercepat

proses pembelajaran. Ada beberapa metode yang dapat kita gunakan dalam
statistical learning. Metode tersebut adalah Bayesian, dan Neural Network.

a. Bayesian Learning

Dalam Artificial Intelligence, teknik Bayesian dapat digunakan untuk

mempercepat proses memperoleh hasil perhitungan. Untuk memperoleh hasil
yang optimal, kita dapat menggunakan probabilitas agar sehingga komputer tidak
perlu melakukan perhitungan yang tidak diperlukan.

Teorema Bayes

P (h | D) = P (D | h) * P (h) / P (D)

Dimana :

13
 P (h) = kemungkinan dari hipotesis h
P (D) = kemungkinan dari sample D
P (h | D) = kemungkinan dari h jika diberikan sample D
P (D | h) = kemungkinan dari sample D jika ada hipotesis h

b. Neural Network

Dalam teknik ini, kita membuat sebuah neural network buatan yang
bertujuan untuk mensimulasikan cara kerja neuron yang berada di dalam sel
manusia. Neuron sendiri berfungsi sangat penting dalam tubuh manusia karena
berperan penting dalam menerima dan memproses sinyal. Pada zaman modern
sekarang ini, teknik dengan neural network merupakan teknik learning yang
paling populer dan efekti f. Neural network memiliki berbagai kelebihan seperti
dapat melakukan perhitungan terdistribusi, dapat mentoleransi noise dalam input,
dan kemampuannya dalam belajar.

2.3 Terminologi Machine Learning

Sebelum masuk ke algoritma Machine Learning, maka harus diketahui

terlebih dahulu mengenai beberapa terminologi dari Machine Learning. Misalkan
akan membuat sebuah sistem klasifikasi yang merupakan sistem yang berhubungan
dengan Machine Learning, disebut dengan Expert System. Pada sistem klasifikasi,
pembuatan tabel dengan kolom yang terdiri dari data untuk pengukuran yang akan
dilakukan. Nama-nama kolom yang diukur disebut dengan fitur, atau dapat juga
disebut atribut. Baris-baris isi dari setiap kolom merupakan Instance dari fitur. Salah
satu tugas dari Machine Learning adalah klasifikasi. Misalkan ingin menentukan
suatu hal dengan sistem pakar, maka hal-hal yang bisa dilakukan, antara lain seperti
menimbang dengan timbangan jika perlu tahu mengenai berat, atau menggunakan
computer vision jika ingin mengenali suatu bentuk, dan hal-hal lainnya untuk
mengumpulkan informasi. Jika semua informasi penting sudah terkumpul, hal
terakhir yang akan dilakukan pastinya adalah proses klasifikasi, yang nantinya akan

14
menghasilkan output berupa jenis klasifikasi yang kita inginkan. Klasifikasi pada
Machine Learning biasanya dilakukan dengan menggunakan algoritma yang sudah
sangat baik untuk digunakan dalam proses tersebut.

Jika telah menggunakan algoritma Machine Learning untuk klasifikasi, maka

selanjutnya harus melatih algoritma yang digunakan tersebut, dan untuk melatih
algoritma, maka hal yang ilakukan adalah dengan memberi algoritma tersebut data
yang berkualitas (dikenal dengan istilah training set). Setiap training mempunyai
fitur dan variabel target. Target variabel adalah apa yang akan diprediksikan oleh
algoritma Machine Learning, yang selanjutnya Machine Learning akan mempelajari
hubungan antara fitur dan variabel target.

2.4 Tugas Utama Machine Learning

Pada bagian sebelumnya telah dijelaskan mengenai tugas dari klasifikasi.

Pada bagian klafikasi proses yang terjadi adalah menentukan pada class apa sebuah
instance itu berada. Tugas lain dari Machine Learning adalah regresi. Regresi adalah
prediksi dari nilai numerik. Regresi ini termasuk ke dalam tipe algoritma
pembelajaran terarah.

2.5 Metode di dalam Machine Learning

Secara umum, di dalam Machine Learning ada dua jenis metode yang paling
populer yang dapat digunakan yaitu Supervised Learning dan Unsupervised
Learning. Perbedaan utama antara keduanya terletak pada bagaimana cara kita
mengajari dan memandu sebuah program melalui algoritma yang kita buat. Saya
berikan ilustrasi, jika ada sebuah anak kecil yang sedang dihadapkan pada suatu
masalah dan kamu mengajari dan memandu anak tersebut untuk memecahkan
masalah tersebut maka itu termasuk ke dalam supervised learning. Namun jika

15
kamu membiarkan anak tersebut belajar dan memecahkan sendiri masalah yang
dihadapinya itu disebut dengan unsupervised learning.

1.Supervised Learning

Pada Supervised Learning, kita melatih mesin untuk memberikan output yang
sudah kita tetapkan atau kita harapkan sebelumnya. Algoritma yang kita terapkan
pada mesin tersebut ditujukan untuk membuat suatu input menjadi output yang kita
harapkan.

Supervised Learning merupakan metode yang paling populer dalam

implementasi algoritma untuk Machine Learning. Namun kelemahan dari metode ini
adalah kita harus menyediakan atau menetapkan sebuah output yang benar. Kita
mengajari mesin untuk melakukan sesuatu yang benar, tentu kita harus memiliki
contoh apa sesuatu yang benar tersebut.

Sebagai contoh, jika kita ingin mengajari sebuah program untuk menentukan
sebuah opini yang negatif, positif, atau netral tentu kita harus menyediakan sampel
atau contoh opini yang negatif, positif, atau netral itu seperti apa.

Contoh lainnya misalnya ilustrasikan kamu memiliki sebuah keranjang buah,

dan di dalam nya terdapat 4 jenis buah yaitu anggur, apel, cherry dan pisang.

Sekarang kamu ingin meminta mesin untuk menentukan yang mana anggur,
apel, cherry atau pisang. Untuk melakukannya tentu kita harus memberikan kondisi-
kondisi tertentu kepada mesin untuk dapat menentukan jenis buah dengan tepat.

Tabel 1 Contoh Supervised Learning

16
 Beberapa algoritma yang sering digunakan dalam metode supervised learning
ini antara lain Logistic Regression, Decission Trees, K-Nearest Neighbors, Naive
Bayes, Linear Regression, Random Forest dan masih banyak lagi.

2. Unsupervised Learning

Sebaliknya, pada Unsupervised Learning kita tidak mengajari mesin untuk

menghasilkan suatu output tertentu. Kita hanya mengajarinya seperti apa input yang
benar, dan output nya mereka sendiri yang akan menentukan, kita tidak memiliki ide
sama sekali output seperti apa yang dihasilkan.

Dengan ilustrasi yang sama, misalkan kamu memiliki sebuah keranjang buah
yang berisi empat jenis buah yang berbeda. Kali ini mesin kamu tidak tahu sama
sekali tentang buah tersebut, ini adalah pertama kali nya mesin kamu melihat buah
tersebut. Jadi, bagaimana cara kita mengatur atau menyusun buah-buah tersebut ?

Pertama-tama kamu harus meminta mesin untuk menyusun buah-buah

tersebut berdasarkan ciri fisik mereka. Misalkan kamu menyusun mereka kedalam
dua grup berdasarkan warna, maka:

GRUP WARNA MERAH: apel dan cherry.

GRUP WARNA HIJAU: pisang dan anggur.

Sekarang kamu pertimbangkan ciri fisik lainnya untuk memecah grup tersebut
menjadi lebih detail, misalnya ukuran, maka:

WARNA MERAH DAN UKURAN BESAR: apel.

WARNA MERAH DAN UKURAN KECIL: cherry.

WARNA HIJAU DAN UKURAN BESAR: pisang.

WARNA HIJAU DAN UKURAN KECIL: anggur.

17
2.6 Implementasi Machine Learning

Machine Learning dapat diaplikasikan pada segala bidang. Di era digital saat
ini, segala sesuatu telah terkomputerisasi, dan hal tersebut memainkan peranan
penting bagi Machine Learning untuk dapat terlibat di dalam nya. Dibawah ini adalah
beberapa contoh implementasi dari Machine Learning.

2.6.1 Text Analysis

Machine Learning dapat diimplementasikan untuk menganalisa suatu teks guna

mencari tau darimana sumber teks itu berasal, ataupun untuk menguji keakuratan atau
kebenaran dari teks tersebut. Contoh nya :

a. Spam Filtering, disini Machine Learning berguna untuk menganalisa,

menilai, dan menyaring email spam berdasarkan isi dan sumber dari pesan
tersebut.

b. Sentiment Analysis, ini adalah sebuah aplikasi untuk mengklasifikasikan

sebuah teks. Fungsi Machine Learning disini adalah untuk mengklasifikasikan
opini yang ditulis dari pengguna, apakah opini pengguna tersebut bersifat
positif, netral atau negatif.

c. Information Extraction, menganalisa dan mengidentifikasi potongan-

potongan dari teks. Misalnya dari sebuah paragaraf, aplikasi Machine
Learning ini bertugas untuk mengecek potongan-potongan informasi pada
teks seperti alamat, identitas, tanggal, dsb.

2.6.2 Image Processing

Secara umum, image processing merupakan suatu tahapan dari pengolahan

suatu gambar untuk mendapatkan data dari gambar tersebut untuk kemudian diolah
atau ditransformasikan lebih lanjut. Beberapa contohnya:

18
 a. Image tagging/face detection, disini Machine Learning diterapkan untuk
mengidentifikasi atau mendeteksi wajah dari user berdasarkan data-data dari
gambar tersebut.

b. Optical Character Recognition (OCR), mentransformasikan sebuah teks atau

gambar pada sebuah kertas / manuskrip ke dalam bentuk digital. Setelah di
transformasikan ke dalam bentuk digital, maka gambar tersebut dapat diolah
lebih lanjut. Contoh paling umum misalnya seperti lembar jawaban yang di
bulat hitamkan atau dokumen yang di scan menggunakan scanner.

c. Self Driving Cars, ini merupakan salah satu implementasi dari Machine
Learning yang paling fenomenal. Sebuah mobil yang telah tertanam program
Maching Learning di dalam nya berusaha belajar untuk mengenali ciri sebuah
jalan, rambu lalu lintas dan objek disekitar jalan melalui video camera yang
ditanam pada mobil tersebut.

2.6.3 Finance

Implementasi dari Machine Learning juga banyak diterapkan dalam bidang

finansial untuk membantu memprediksi maupun mengambil keputusan. Beberapa
contoh diantaranya:

a. Stock Trading, mengembangkan sebuah algoritma yang mampu

mengidentifikasi dan memprediksi saham-saham terbaik berdasarkan pola
atau pattern pada historis perdagangan saham. Machine Learning memainkan
peranan penting dalam hal ini, ia bertugas untuk mengekstrak pola-pola yang
sebelumnya tidak memiliki arti apapun hingga menjadi informasi yang
berguna dan bermanfaat dalam pengambilan keputusan.

b. Fraud Detection, dengan bantuan Machine Learning, sistem dapat

mendeteksi kecurangan atau penipuan dengan efektif dan efisien. Cara
kerjanya adalah dengan menganalisis data transaksaksi historis untuk
membangun model yang dapat mendeteksi pola penipuan.

19
2.6.4 Search and Recomendation Engine

Machine Learning juga diterapkan untuk memaksimalkan fungsi pencarian

dan rekomendasi oleh situs pencari, e-commerce dan media sosial. Beberapa contoh
penerapan nya sebagai berikut:

a. Google, ketika kamu mengetik sebuah kata kunci pencarian di Google,

biasanya Google akan menampilkan rekomendasi pencarian yang kamu cari.
Misalnya, ketika kamu mengetik ‘cara menghilangkan’, maka Google akan
memunculkan beberapa rekomendasi atau autoteks nya seperti ‘cara
menghilangkan jerawat’, ‘cara menghilangkan bau badan’, ‘cara
menghilangkan ketombe’ dan sebagainya.

b. Facebook, hal yang sama juga diterapkan pada Facebook. Misalnya kamu
melakukan pencarian nama ‘Desi‘ di textbox pencarian, maka Facebook akan
menampilkan beberapa rekomendasi nama user yang mungkin kamu kenali,
misalnya ‘Desi Fatmawati’, ‘Desi Susanti’, ‘Desi Karina’ dan Desi-Desi
lainnya.

c. Amazon, Lazada, Alibaba, dan lainnya, jika kamu jelih memperhatikan saat
kamu melakukan aktivitas belanja pada salah satu e-commerce diatas, maka
sebetulnya mereka sudah menerapkan fungsi dari Machine Learning. Saat
kamu melihat sebuah produk sampai ke halaman detail nya, misalnya sebuah
Handphone, maka biasanya dibawah dari deskripsi Handphone tersebut akan
muncul rekomendasi Handphone lainnya dengan spesifikasi yang hampir
sama untuk kamu telusuri.

2.6.5 Speech Understanding

Ini berhubungan dengan suara manusia dan cabang ilmu komputer lainnya
yaitu Natural Language Processing (NLP). Berikut beberapa contoh penerapan nya:

20
 a. Google Voice,Saat ini kita dapat melakukan pencarian pada Google tanpa
harus memainkan jari-jemari pada keyboard atau layar handphone kita. Salah
model pencarian baru yang diterapkan oleh Google adalah melalui suara.
Disini Machine Learning memainkan peranan penting, suara yang diterima
akan menjadi masukan bagi program untuk diidentifikasi dan dianalisa lebih
lanjut untuk melakukan pencarian berdasarkan inputan (suara) yang diterima

2.7 Langkah-langkah Dalam Mengembangkan Aplikasi Machine Learning

1. Mengumpulkan Data

Proses pengumpulan data dilakukan dengan mengambil contoh dari berbagai

sumber informasi, seperti di Internet dan media cetak. Data yang dikumpulkan
adalah data yang disebarkan secara bebas ke publik.

2. .Mempersiapkan Data Masukan

Pada hal ini data masukan yang disiapkan adalah data masukan yang sesuai
dengan format yang dibutuhkan untuk analisis.

3. Menganalisis Data Masukan

Setelah proses pertama dan kedua dilakukan, maka hal selanjutnya yang harus
dilakukan adalah menganalisis data masukan dan untuk menganalisis dapat
dilakukan dengan melihat pola data dan juga dengan memisahkan data
berdasarkan dimensi masing-masing data

4. Mengikutsertakan Keterlibatan Manusia

5. Melatih Algoritma

Pada langkan ini pengguna “memberi makan” algoritma dengan data yang
berkualitas, dan nantinya algoritma akan mengolah data tersebut menjadi
informasi serta menyimpannya.

21
 6. .Menguji Algoritma

Pada langkah ini hal yang dilakukan adalah melihat seberapa baik kualitas
algoritma yang telah dilatih pada tahap sebelumnya.

7. Menggunakannya

Langkah ini merupakan langkah akhir untuk algoritma yang diterapkan dalam
suatu program, sehingga dapat melakukan suatu hal. Kemudian dilakukan
pengecekan ulang terhadap langkah-langkah sebelumnya.

2.8 Proses Maching Learning

Proses machine learning adalah sama dengan data mining. Program machine
learning mendeteksi pola dalam data dan menyesuaikan tindakan program yang
sesuai. Sebagai contoh, Facebook News Feed berubah sesuai denga interaksi pribadi
pengguna dengan pengguna lain. Jika pengguna serinf men-tag teman di foto,
menulis di dindingnya atau “suka” linknya, News Feed akan menampilkan lebih
banyak kegiatan di berita pengguna karena di anggap memiliki kedekatan.

Machine learning terletak bersilangan antara computer science, teknik, dan

statistic. Machine learning juga banyak diterapkan pada robot vision dan sering
menggunakan statistic. Untuk kebanyakan orang, statistic adalah subjek estoric yang
digunakan perusahaan misalnya untuk promosi tentang betapa hebatnya produk
mereka.

Machine learning bekerja dengan cara menemukan beberapa hubungan antara

fitur dan variable target. Untuk menguji algoritma, biasanya dilakukan dengan satu
set pelatihan data (training set) dan data set yang terpisah, yang disebut test set. Pada
awalnya , program diberikan contoh-contoh training. Lalu test set diberikan ke
program. Variabel target untuk contoh dari test set yang tidak dberikan ke program,
dan program memutuskan tiap contoh masuk ke kelas mana yang sesuai. Variabel

22
target atau kelas dibandingkan dengan nilai yang di prediksi untuk memperoleh
keakuratan program. Dalam beberapa kasus kita tidak mungkin tertarik dalam
membangun sistem pakar, tetapi hanya tertarik pada representasi pengetahuan yang di
peroleh dari pelatihan algoritma Machine contoh penerapannya adaah memberikan
data pelatihan untuk pengklasifikasian jenis burung.

Tahap Machine Learning

Gambar 1 Metode Machine Learning

23
Tahapan-tahapan metode machine learning dalam indoor localization terdiri dari
(Alpaydin, 2010):

1. Tahap Pre-Learning

a. Tahap identifikasi data dan knowledge source merupakan tahapan spesifikasi

parameter sistem pengukuran nilai RSS dari multiple CELL-ID yang ada di
gedung POLITAMA. Proses pengukuran dilakukan dengan mengabaikan adanya
efek multipath dan propagasi.

b. Tahap acquire data dan knowledge merupakan tahapan penetapan lokasi

fingerprint yang akan diukur dalam gedung dengan menetapkan grid atau titik-
titik pengukuran (predefined) dalam bentuk koordinat (x, y).

c. Tahap preprocessing merupakan tahap pemrosesan data dari langkah (b).

Preprocessing dilakukan dengan menghilangkan RSS cell.id yang berada di luar
area penelitian meskipun sinyal tersebut tertangkap. Pada tahap prepocessing
akan dibuat juga database fingerprint RSS cell-id. Database fingerprint ini
kemudian diolah untuk menghasilkan visualisasi peta fingerprint.

2. Tahap Learning

Merupakan tahapan proses pembelajaran pengenalan posisi yang dilakukan

terhadap database fingerprint dengan menggunakan algoritma k-Nearest
Neighborhood (k-NN) .

3. Tahap Post Learning

Merupakan tahapan penggunaan sistem lokalisasi untuk pengujian RSS secara

real time dalam menghitung estimasi lokasi.

24
 BAB III

PENUTUP

3.1 Kesimpulan

Machine Learning adalah salah satu cabang dari Ilmu Komputer yang erat
kaitan nya dengan Artificial Intelligent (Kecerdasan Buatan). Secara sederhana dapat
dikatakan bahwa fokus utama dalam bidang ini adalah membangun sebuah algoritma
yang memungkinkan program komputer dapat belajar dan melakukan sendiri tugas-
tugas nya tanpa adanya instruksi dari pengguna.

Kemampuan suatu individu untuk belajar tentu meningkatkan kecerdasan

individu tersebut, dan tidak terkecuali pada sebuah mesin. Mesin yang mampu belajar
akan meningkatkan produktivitas manusia. Ia memiliki kekuatan tambahan yang
tidak dimiliki mesin lainnya.

Aplikasi Machine learning membutuhkan Data sebagai bahan belajar

(training) sebelum mengeluarkan output. Aplikasi sejenis ini juga biasanya berada
dalam domain spesifik alias tidak bisa diterapkan secara general untuk semua
permasalahan. Machine Learning bukan apa-apa tanpa data. Artinya semua aplikasi
Machine Learning membutuhkan Data sebagai bahan training dan untuk di analisa
sehingga mampu mengeluarkan Output. Sebelum aplikasi machine learning bisa
bekerja, maka ia membutuhkan Data untuk "latihan" (training), hasil training itu nanti
akan di Uji atau di test dengan data yang sama atau bertolak belakang.

3.2 Saran

Adapun saran dalam pembuatan makalah ini semoga makalah dapat

bermanfaat bagi semua pembaca. Dan jika ada kekurangan dalam makalah ini mohon
diberikan saran dan masukan yang membangun guna meningkatkan karya tulis
selanjutnya.

25
 DAFTAR PUSTAKA

Dietterich, Thomas G. (1990). Machine Learning. Oregon State University

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

Nilsson, Nils J. (1996). Introduction to Machine Learning, Stanford University

Rich, E dan Knight, K. (1991). Artificial Intelligence (second edition). McGraw-Hill

Russel, Stuart and Norvig, Peter. (1995). Artificial Intelligence A Modern Approach.
Prentice Hall.

Dm Crews.2004. Modul dan Jurnal Praktek Data Mining T.A 2004/2005. STT
Telkom : Bandung

Fadli, Ari. 2011. Konsep Data Minning. Ilmukomputer.com Harrington, Peter. 2012.
Machine Learning in Action. Manning Publications : New York.

Han, Jiawei dan Kamber, Micheline. 2006. Data Mining: Concepts and Techniques
Second Edition. Morgan Kaufmann Publisher.

Harrington, Peter. 2012. Machine Learning in Action. Manning Publications: New

York.

https://denysutani.wordpress.com/2008/12/18/machine-learning/

26