Pembelajaran Mesin Klasik

Selamat datang di Kuliah 6 Konsep Kecerdasan Buatan (COMP5511). Sesi ini berfungsi sebagai jembatan dari fondasi teoretis ke implementasi algoritmik yang praktis. Meskipun AI modern sering menekankan Pembelajaran Dalam (Deep Learning), Pembelajaran Mesin Klasik tetap menjadi dasar analitik data. Algoritma-algoritma ini menawarkan tingkat interpretabilitas dan efisiensi komputasi, menjadikannya pilihan utama untuk data terstruktur dan analitik standar industri.

1. Pembelajaran Terawasi

Paradigma ini melibatkan pelatihan model pada dataset berlabel, di mana algoritma mempelajari hubungan antara fitur masukan dan output target tertentu. Hal ini memungkinkan model untuk memprediksi hasiluntuk data baru yang belum pernah dilihat dengan akurat.

Pohon Keputusan: Model-model yang membagi data menjadi cabang-cabang untuk mencapai klasifikasi atau keputusan numerik.
Mesin Vektor Pendukung (SVMs): Algoritma yang menemukan hiperplan optimaluntuk memaksimalkan jarak antar kelas data yang berbeda.

2. Pembelajaran Tak Terawasi

Algoritma-algoritma ini menganalisis data tanpa labeluntuk menemukan pola, struktur, atau pengelompokan tersembunyi tanpa panduan sebelumnya mengenai apa yang harus dihasilkan. Teknik-teknik utama meliputi:

K-means Klastering: Pengelompokan titik-titik data ke dalam K kelompok yang berbeda berdasarkan kesamaan fitur.
Analisis Komponen Utama (PCA): Sebuah teknik reduksi dimensiyang digunakan untuk menyederhanakan data kompleks sambil mempertahankan variasi pentingnya.

Interpretabilitas vs. Kompleksitas

Keunggulan signifikan dari pembelajaran mesin klasik adalah transparansi. Berbeda dengan model pembelajaran mendalam "kotak hitam", algoritma seperti Pohon Keputusan memungkinkan manusia melacak logika tepat di balik suatu prediksi, yang sangat penting untuk bidang-bidang berisiko tinggi seperti kedokteran atau keuangan.

Alur kerja implementasi Scikit-learn