Tugas ML (Machine Learning) 2

 

  MACHINE LEARNING

 

RINGKASAN BAB I

1.1 Definisi dan Ruang Lingkup Machine Learning

Machine Learning (ML) adalah cabang dari kecerdasan buatan (Artificial Intelligence/ AI) yang berfokus pada pengembangan algoritma dan model matematis yang memungkinkan komputer untuk belajar dari data dan membuat keputusan tanpa diprogram secara eksplisit. Secara umum, ML dibagi menjadi tiga kategori utama, yaitu superviseed learning (pembelajaran dengan pengawasan), Unsupervised learning (pembelajaran tanpa pengawasan), dan reinforcement learning (pembelajaran berbasis penguatan).

1.2 Sejarah dan perkembangan Machine Learning

Machine Learning (ML) telah berkembang sejak pertengahan abad ke-20, berawal dari konsep kecerdasan buatan yang dikemukakan oleh Alan Turing pada tahun 1950 melalui Turing test. Pada tahun 1957, Frank Rosenblatt memperkenalkan Perceptron, model awal jaringan saraf tiruan. Era 1980-an menandai kemajuan dengan diperkenalkannya backpropagation untuk melatih jaringan saraf, diikuti oleh popularitas Support Vector Machines (SVM) pada 1990-an. Memasuki era 2000-an, perkembangan komputasi dan ketersediaan data besar (Big Data) mendorong adopsi ML dalam berbagai bidang. Deep Learning mulai mendominasi pada dekade 2010-an dengan model seperti Convolutional Neural Networks (CNN) dan Recurrent Neural Networks (RNN), yang membuka jalan bagi aplikasi canggih seperti pengenalan wajah, pemrosesan bahasa alami, dan kendraan otonom.

1.3 Perbedaan Machine Learning, AI, dan Data Science

Artificial Intelligence (AI) adalah bidang yang lebih luas yang mencakup semua teknik yang memungkinkan komputer untuk meniru  kecerdasan manusia, termasuk pengambilan keputusan, pemecahan masalah dan pembelajaran. Machine Learning (ML) adalah sub bidang dari AI yang berfokus pada pengembangan algoritma yang memungkinkan komputer belajar dari data tanpa pemrogaman eksplisit, sementara itu, Data Science mencakup keseluruhan proses ekstraksi wawasan dari data, termasuk pengumpulan, pembersihan analisis, dan visualisai, serta penerapan teknik ML dan statistik untuk pengambilan keputusan berbasis data.

1.4 Jenis-Jenis Machine Learning

· Supervised Learning

· Unsupervised Learning

· Reinforcement Learning

· Semi-supervised Learning

1.4.1 Supervised Learning

Supervised Learning adalah jenis pembelajaran mesin dimana model dilatih menggunakan data belabel, yaitu data yang sudah memiliki pasangan input-output yang di ketahui. Contoh algoritma yang sering di gunakan dalam supervised learning adalah regresi linear, decision tree, support vector machine ( SVM), dan Neurak networks.

1.4.2      Unsupervised Learning

Unsupervised Learning adalah metode dimana model dilatih dengan data yang tidak memiliki label atau kategori. Teknik utamanya mencakup clustering (pengelompokan) dan dimensionality reduction (reduksi dimensi). Algoritma yang umum digunakan termask K-means clustering, hierarchical clustering, dan principal component analysis (PCA).

1.4.3    Reinforcement Learning

Reinforcement Learning (RL) adalah metode pembelajaran berbasis agen yang berinteraksi dengan lingkungan dan menerima umpan balik dalam bentuk reward atau penalty. Algoritma dalam RL seing kali menggunakan pendekatan Markov Decision Process (MDP) dan Deep Q-Networks (DQN).

1.4.4     Semi-supervised Learning

Semi-supervised Learning adalah kombinasi dari supervised dan unsupervised learning. Teknik ini berguna ketika pelabelan data mahal atau sulit dilakukan secara manual. Algroitma semi-supervised sering digunakan dalam bidang seperti pemrosesan bahasa alami, pengenalan, wajah, dan klasifikasi teks dengan data terbatas.

1.5     Aplikasi Machine Learning dalam Berbagai Bidang

Machine Learning merupakan cabang dari kecerdasan buatan (Artificial intelligence/AI) yang memungkinkan sistem belajar dari data dan membuat keputusan tanpa pemrograman eksplisit. Di bawah ini dijelaskan bagaimana ML di terapkan pada berbagai sektor strategis

 

1.5.1    Bisnis dan Manajemen

· Analisis Sentimen ML digunakan untuk mengektraksi opini dan emosi dari teks seperti ulasan produk, komentar medsos, dan forum pelanggan. Dengan teknik Natural Language Processing (NLP).

· Prediksi permintaan Model prediktif berbasis ML seperti regresi, pohon keputusan, dan neural networks digunakan untuk memperkirakan permintaan barang di masa depan.

· Deteksi Penipuan Deteksi anomali dalam data transaksi digunakan untuk mengidentifikasi aktivitas penipuan. Misalnya, jika terjadi pembelian dalam jumlah besar yang tidak biasa oleh pelanggan  tertentu, sistem dapat memberikan peringatan.

1.5.2     Kesehatan dan Medis

· Diagnosa Penyakit CNN (Convolutional Neural Network) digunakan untuk menganalisis citra medis seperti MRI dan CT scan. Sistem ini dapat mendeteksi tumor, kelainan otak, atau masalah kardiovaskular dengan tingkat akurasi yang tinggi.

· Prediksi Penyakit ML membantu mengidentifikasi pasien dengan risiko tinggi terhadap penyakit kronis berdasarkan riwayat kesehatan, gaya hidup, dan data genetik.

· Penemuan Obat Dengan pendekatan ML, peneliti dapat mensimulasikan ribuan kombinasi senyawa dalam waktu singkat untuk menemukan formula obat yang potensial.

1.5.3     Keuangan dan Perbankan

· Pemberian kredit Model scoring kredit berbasis ML mempertimbangkan lebih banyak variabel daripada metode konvensial, termasuk aktivitas medsos dan pola transaksi.

· Trading saham Algoritma ML digunakan untuk menganalisis data pasar dalam jumlah besar dan melakukan prediksi pergerakan harga saham. strategi ini disebut high-frequency trading.

· Chatbot Keuangan dengan NLP, chatbot dalam aplikasi perbankan mampu menjawab pertanyaan nasabah, memproses permintaan transaksi, dan memberikan saran keuangan secara otomatis dan efisien.

1.5.4     Industri dan Manufaktur

· Prediktif Maintenance Sensor pada mesin industri menghasilkan data kontinu. ML menganalisis data ini untuk mendeteksi pola kerusakan dan memprediksi kapan mesin akan rusak.

· Optimasi Rantai Pasok ML digunakan untuk memprediksi kebtuhan bahan baku, waktu pengiriman, dan manajemen gudang secara real-time.

· Kontrol Kualitas Otomatis Kamera yang terintegrasi dengan sistem ML dapat mengidentifikasi cacat visual pada produk secara cepat dan akurat.

1.5.5     Transportasi dan Logistik

· Navigasi dan Rute Optimal Aplikasi navigasi modern menggunakan ML untuk memproses data lalu lintas, cuaca, dan perilaku pengemudi guna merekomendasikan rute tercepat dan teraman.

· Kendaraan Otonom menggunakan ML untuk mendeteksi objek, mengenali rambu lalu lintas, dan memprediksi perilaku pengendara lain.

· Prediksi Keterlambatan Pengiriman Data historis dan kondisi lalu lintas dianalisis untuk memprediksi keterlambatan dalam pengiriman barang, sehingga pelanggan dapat menerima estimasi waktu yang lebih akurat.

1.5.6     Pendidikan

· Sistem Rekomendasi Pembelajaran Platform pembelajaran online seperti Coursera dan EdX menggunakan ML untuk menyarankan materi yang relevan berdasarkan performa dan minat siswa.

· Analisis Performa Siswa Data nilai, kehadiran, dan interaksi siswa dengan platform dianalisis untuk memprediksi keberhasilan belajar dan memberi peringatan dini terhadap risiko kegagalan.

· Pengenalan Wajah Untuk Absensi Sistem berbasis ML digunakan untuk mencatat kehadiran siswa secara otomatis menggunakan teknologi pengenalan wajah.

1.5.7     Pemasaran dan Periklanan

· Iklan Bertarget Data perilaku pengguna diolah untuk menampilkan iklan yang paling relevan secara personal.

· Personalisasi Konten Layanan seperti Netflix dan Spotify memanfaatkan ML untuk merekomendasikan film, musik, dan konten lain berdasarkan histori pengguna.

· Chatbot untuk Layanan Pelanggan Chatbot berbasis ML digunakan untuk menjawab pertanyaan umum pelanggan, melakukan pemesanan, dan menyelesaikan masalah tanpa keterlibatan manusia.

1.5.8     Keamanan Siber

· Deteksi Malware Sistem ML di latih untuk memungkinkan deteksi proaktif terhadap ancaman.

· Keamanan Jaringan ML membantu mendeteksi dalam lalu lintas jaringan.

· Autentikasi Biometrik Teknologi Pengenalan wajah dan sidik jari memanfaatkan ML  untuk meningkatkan keakuratan dan keamanan sistem autentikasi pengguna.

12 april 2026