MODEL & PREDIKSI DATA

1. Perbedaan unsupervised dan supervised learning

Apa itu supervised & unsupervised learning?

Supervised learning adalah suatu pendekatan dalam pembuatan AI. Disebut “supervised” karena dalam pendekatan ini, machine learning dilatih untuk mengenali pola antara input data dan label output. Tidak hanya itu, machine learning juga dilatih untuk mengidentifikasi hubungan yang mendasari koneksi input data dengan label output.

Unsupervised learning adalah suatu teknik yang digunakan machine learning dalam pembuatan artificial intelligence. Dalam pendekatan ini, Anda tidak perlu melatih algoritma komputer untuk mengenali pola penyusun AI. Model dirancang untuk bisa “belajar mandiri” dalam mengumpulkan informasi, termasuk mengenali data yang tidak berlabel. Disebut “unsupervised” karena model pada pendekatan ini tidak perlu dilatih.

Perbedaan berdasarkan: 

1. Kegunaan

Jika dilihat dari kegunaannya, kedua pendekatan ini sangat berbeda. Supervised learning akan membantu untuk mengumpulkan atau memproduksi output data dari pengalaman yang sudah pernah terjadi. Hal ini mirip dengan memori manusia. Anda baru bisa mengingat nama seseorang ketika sudah pernah berkenalan atau bertemu.

Sementara itu, unsupervised learning lebih sering digunakan untuk menemukan seluruh pola yang tidak dikenal dalam data. Contoh penerapan yang sudah sering digunakan dalam kehidupan sehari-hari adalah prediksi waktu pada peta digital. Saat menggunakan peta digital untuk mencari rute menuju lokasi tertentu, sistem akan mencantumkan prediksi waktu tempuh. Padahal, Anda belum pernah berkendara ke lokasi tersebut.

2. Proses Kerja

Pada model supervised learning, Anda akan mendapatkan variabel data input dan output. Namun, hal ini tidak terjadi pada unsupervised learning. Pada pendekatan tersebut, Anda hanya akan mendapatkan data input.

Ini karena supervised learning memungkinkan Anda untuk mengumpulkan atau memproduksi output data yang didapat dari pengalaman sebelumnya. Sementara itu, unsupervised learning tidak dirancang untuk “belajar” dari pengalaman sebelumnya sehingga tidak menghasilkan output data.

3. Proses belajar

Pada supervised learning, algoritma komputer melakukan pembelajaran secara offline sebelum menghadapi data. Artinya, komputer “dibekali” sejumlah materi tertentu agar nanti dapat mengenali data dengan mudah.

Hal ini tidak terjadi pada unsupervised learning. Pada pendekatan ini, algoritma komputer mempelajari data secara real-time. Itu artinya, ketika komputer berhadapan dengan data, pada saat itu juga, komputer belajar mengenali data.

2. perbedaan model data berdasarkan objek dan model data berdasarkan record.

Model data berbasis objek menggunakan konsep entitas, atribut dan hubungan antar entitas. Dan model ini terdiri dari :

1. Entity Relationship Model
2. Binary Model
3. Semantic Model

Sedangkan model ini berdasarkan pada record untuk menjelaskan kepada user tentang hubungan logic antar data dalam basis data. Berbeda dengan Object Based Data Model (Model Data Berbasis Object), Model Data ini digunakan untuk menguraikan struktur logika keseluruhan dari suatu database, juga digunakan untuk menguraikan implementasi dari sistem database (higher level description of implementation).

Terdapat 3 jenis Model Data pada Model Data Berbasis Record, yaitu :

1. Model Relational

2. Model Hirarki

3. Model Jaringan

3. Pengertian estimasi dan contohnya

Estimasi adalah suatu metode untuk memperkirakan sesuatu, atau dalam kata lain dimana kita dapat memperkirakan sebuah populiasi (parameter) dengan memakai nilai sampel (statistik)

Contohnya

- Saat kita melakukan sebuah kegiatan yang membutuhkan anggaran dana

- Proyek yang di kerjakan dengan batasan waktu tertentu.

4. Pengertian klasifikasi dan contohnya

Klasifikasi adalah pengaturan sistematis dalam pembagian atau pengelompokan hal berdasarkan kesamaan sifatnya. Misalnya klasifikasi makhluk hidup menjadi amfibi, mamalia, ikan, ataupun aves, memberikan gambaran secara umum tentang makhluk hidup. Klasifikasi memudahkan kita untuk mengerti suatu bidang yang kompleks menjadi lebih terstruktur namun sederhana. 

Contoh klasifikasi adalah klasifikasi makhluk hidup, klasifikasi burung berdasarkan morfologi paruhnya, klasifikasi golongan darah, klasifikasi seni lukis berdasarkan alirannya, klasifikasi jenis-jenis olah raga bola besar, hingga klasifikasi sumber daya suatu negara.

5. Pengertian clustering dan contohnya.

Clustering atau klasterisasi adalah metode pengelompokan data. Menurut Tan, 2006 clustering adalah sebuah proses untuk mengelompokan data ke dalam beberapa cluster atau kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum.

Contohnya mengelompokan customer ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat.