Machine Learning
Machine Learning merupakan salah satu cabang ilmu dari artificial intelligence (kecerdasan buatan). Ilmu ini berfokus untuk membuat sistem atau algoritma yang terus belajar dari data dan meningkatkan akurasinya dari waktu ke waktu tanpa pemrograman tertentu. Dalam aplikasi machine learning, algoritma atau urutan proses statistik dilatih untuk menemukan pola dan fitur tertentu dalam jumlah data yang besar. Hal ini bertujuan untuk membuat suatu keputusan maupun prediksi berdasarkan data-data tersebut. Semakin bagus algoritmanya, akurasi keputusan dan prediksi sistem akan semakin baik. Mesin yang mengolah semakin banyak data akan menghasilkan output yang makin akurat. Cara kerja machine learning sebenarnya berbeda-beda sesuai dengan teknik atau metode pembelajaran seperti apa digunakan pada machine learning. Namun pada dasarnya prinsip cara kerja pembelajaran mesin masih sama, meliputi pengumpulan data, eksplorasi data, pemilihan model atau teknik, memberikan pelatihan terhadap model yang dipilih dan mengevaluasi hasil dari machine learning.
Ada 3 pendekatan yang digunakan dalam machine learning, diantaranya:
1. Supervised Learning
2. Unsupervised Learning
3. Reinforcement Learning
Pada pembahasan kali ini kita akan memfokuskan kepada Supervised Learning
Supervised Learning
Supervised Learning adalah model machine learning yang mengajarkan pengetahuan sehingga dapat memprediksikannya di masa mendatang. Supervised Learning mengajarkan model dan melatihnya dengan beberapa data dari dataset yang berlabel. Tugas khas dari supervised learning adalah memprediksi nilai numerik target, seperti harga mobil, diberikan serangkaian fitur (jarak tempuh, usia, merek, dll.) Yang disebut prediktor. Tugas semacam ini disebut regresi. Untuk melatih sistem, Anda perlu memberikan banyak contoh mobil, termasuk prediktor dan labelnya (mis, Harga mereka).
Tipe Supervised Learning ada 2 yaitu:
1. Klasifikasi yaitu proses memprediksi label atau kategori kelas diskrit.
2. Regresi yaitu proses memprediksi nilai kontinu sebagai lawan dari prediksi nilai kategorikal dalam Klasifikasi.
Regresi
Regresi juga diartikan sebagai teknik yang mencari hubungan antara variabel dependen dengan variabel dependen. Menurut Wahyono, 2018, dalam buku "Python for Machine Learning", regresi berarti analisa untuk mempelajari dan mengukur hubungan yang terjadi antara dua variabel atau lebih. Dalam regresi terdapat variabel dependen ataupun variabel terikat dan variabel independen ataupun variabel bebas.
Contoh Regresi ialah:
- lama belajar mempengaruhi nilai
- tingkat pendidikan mempengaruhi gaji
- promosi penjualan mempengaruhi barang yang terjual
Jenis-jenis Regresi
- Regresi Linear Sederhana (Simple Regression)
- Regresi Multilinear (Multiple Regression)
- Regresi Polynomial (Polynomial Regression)
- Support Vector Regression
- Decision Tree Regression
- Random Forest Regression
- GAM (Generalized Additive Models)
Regresi Linier Sederhana
Persamaan regresi linier sederhana merupakan suatu model persamaan yang menggambarkan hubungan satu variabel bebas/ predictor (X) dengan satu variabel tak bebas/ response (Y), yang biasanya digambarkan dengan garis lurus, seperti disajikan pada Gambar 1.
Contoh Kasus Analisis Regresi Linear Sederhana
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan dengan Jumlah Cacat yang diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat produksi jika suhu ruangan tersebut tidak terkendali. Engineer tersebut kemudian mengambil data selama 30 hari terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi.
Penyelesaian:
Penyelesaiannya mengikuti Langkah-langkah dalam Analisis Regresi Linear Sederhana adalah sebagai berikut :
Langkah 1 : Penentuan Tujuan
Tujuan : Memprediksi Jumlah Cacat Produksi jika suhu ruangan tidak terkendali
Langkah 2 : Identifikasikan Variabel Penyebab dan Akibat
Varibel Faktor Penyebab (X) : Suhu Ruangan,
Variabel Akibat (Y) : Jumlah Cacat Produksi
Langkah 3 : Pengumpulan Data
Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari (berbentuk tabel) :
| Tanggal | Rata-rata Suhu Ruangan | Jumlah Cacat |
| 1 | 24 | 10 |
| 2 | 22 | 5 |
| 3 | 21 | 6 |
| 4 | 20 | 3 |
| 5 | 22 | 6 |
| 6 | 19 | 4 |
| 7 | 20 | 5 |
| 8 | 23 | 9 |
| 9 | 24 | 11 |
| 10 | 25 | 13 |
| 11 | 21 | 7 |
| 12 | 20 | 4 |
| 13 | 20 | 6 |
| 14 | 19 | 3 |
| 15 | 25 | 12 |
| 16 | 27 | 13 |
| 17 | 28 | 16 |
| 18 | 25 | 12 |
| 19 | 26 | 14 |
| 20 | 24 | 12 |
| 21 | 27 | 16 |
| 22 | 23 | 9 |
| 23 | 24 | 13 |
| 24 | 23 | 11 |
| 25 | 22 | 7 |
| 26 | 21 | 5 |
| 27 | 26 | 12 |
| 28 | 25 | 11 |
| 29 | 26 | 13 |
| 30 | 27 | 14 |
Langkah 4 : Hitung X², Y², XY dan total dari masing-masingnya
Berikut ini adalah tabel yang telah dilakukan perhitungan X², Y², XY dan totalnya :
| Tanggal | Rata-rata Suhu Ruangan (X) | Jumlah Cacat (Y) | X2 | Y2 | XY |
| 1 | 24 | 10 | 576 | 100 | 240 |
| 2 | 22 | 5 | 484 | 25 | 110 |
| 3 | 21 | 6 | 441 | 36 | 126 |
| 4 | 20 | 3 | 400 | 9 | 60 |
| 5 | 22 | 6 | 484 | 36 | 132 |
| 6 | 19 | 4 | 361 | 16 | 76 |
| 7 | 20 | 5 | 400 | 25 | 100 |
| 8 | 23 | 9 | 529 | 81 | 207 |
| 9 | 24 | 11 | 576 | 121 | 264 |
| 10 | 25 | 13 | 625 | 169 | 325 |
| 11 | 21 | 7 | 441 | 49 | 147 |
| 12 | 20 | 4 | 400 | 16 | 80 |
| 13 | 20 | 6 | 400 | 36 | 120 |
| 14 | 19 | 3 | 361 | 9 | 57 |
| 15 | 25 | 12 | 625 | 144 | 300 |
| 16 | 27 | 13 | 729 | 169 | 351 |
| 17 | 28 | 16 | 784 | 256 | 448 |
| 18 | 25 | 12 | 625 | 144 | 300 |
| 19 | 26 | 14 | 676 | 196 | 364 |
| 20 | 24 | 12 | 576 | 144 | 288 |
| 21 | 27 | 16 | 729 | 256 | 432 |
| 22 | 23 | 9 | 529 | 81 | 207 |
| 23 | 24 | 13 | 576 | 169 | 312 |
| 24 | 23 | 11 | 529 | 121 | 253 |
| 25 | 22 | 7 | 484 | 49 | 154 |
| 26 | 21 | 5 | 441 | 25 | 105 |
| 27 | 26 | 12 | 676 | 144 | 312 |
| 28 | 25 | 11 | 625 | 121 | 275 |
| 29 | 26 | 13 | 676 | 169 | 338 |
| 30 | 27 | 14 | 729 | 196 | 378 |
| Total (Σ) | 699 | 282 | 16487 | 3112 | 6861 |
Langkah 5 : Hitung a dan b berdasarkan rumus Regresi Linear Sederhana
Menghitung Konstanta (a) :
a = (Σy) (Σx²) – (Σx) (Σxy)
. n(Σx²) – (Σx)²
a = (282) (16.487) – (699) (6.861)
30 (16.487) – (699)²
a = -24,38
Menghitung Koefisien Regresi (b)
b = n(Σxy) – (Σx) (Σy)
. n(Σx²) – (Σx)²
b = 30 (6.861) – (699) (282)
. 30 (16.487) – (699)²
b = 1,45
Langkah 6 : Buat Model Persamaan Regresi
Y = a + bX
Y = -24,38 + 1,45X
Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat
I. Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya : 30°C
Y = -24,38 + 1,45 (30)
Y = 19,12
Jadi Jika Suhu ruangan mencapai 30°C, maka akan diprediksikan akan terdapat 19,12 unit cacat yang dihasilkan oleh produksi.
II. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah suhu ruangan yang diperlukan untuk mencapai target tersebut ?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57
Jadi Prediksi Suhu Ruangan yang paling sesuai untuk mencapai target Cacat Produksi adalah sekitar 19,57°C
Selain menghitung secara manual, penyelesaian kasus analisis regresi linear sederhana dapat juga diselesaikan dengan python yaitu dengan menggunakan jupiter notebook atau dapat juga menggunakan google colab.
Komentar
Posting Komentar