Buat Akun DQLab & Akses Kelas Data Science Python, R, SQL, Excel GRATIS!

Rekomendasi Ragam Algoritma Machine Learning Terupdate

Belajar Data Science di Rumah 13-September-2022
https://dqlab.id/files/dqlab/cache/80f6b4af7c010107fe8277e1bc6fc1b4_x_Thumbnail800.jpg

Sebelum kita mengenali jenis-jenis Algoritma Machine Learning, kita perlu mengenali apa itu Algoritma Machine Learning. Jadi Algoritma Machine Learning adalah sistem yang melakukan pembelajaran berdasarkan data yang ada yang dimana algoritma ini digunakan dalam memproses machine learning. 


Algoritma machine learning ini bisa diterapkan didalam pembuatan model dengan berdasarkan kumpulan data, semakin banyak data yang diproses maka algoritma ini akan menyesuaikan diri agar model dapat bekerja dengan performa yang lebih baik.


Machine learning dibagi menjadi 7 bagian pengaplikasian yaitu ada robotic, speech, vision, planning, expert system, natural language processing, dan juga yang terakhir ada machine learning.Ini diperlukan untuk memperkecil agar lingkup machine learning bisa dan dapat dipelajari secara mudah.


Jenis-jenis dari Algoritma Machine Learning ada beberapa yaitu Supervised Learning, Semi-Supervised Learning, Unsupervised Learning, dan yang terakhir adalah Reinforcement Learning. Nah setelah kita mengetahui jenis-jenisnya, berikutnya kita akan mengenal beberapa algoritma yang cukup populer. Apa saja macamnya? Yuk, kita simak artikel berikut ini!


1. Linear regression

Linear regression atau yang sering disebut regresi linier adalah sebuah jenis algoritma supervised learning yang difungsikan untuk mengidentifikasi suatu hubungan antara variabel terikat dan satu atau lebih variabel bebas yang biasanya digunakan untuk membuat prediksi di masa depan.


Proses hubungan tadi akan dihitung dengan menyesuaikan mereka ke garis regresi. Garis ini diwakili dengan persamaan linier. jadi jika hanya ada satu variabel bebas dan satu variabel terikat maka bisa dikatakan bahwa itu adalah regresi linier sederhana dan jika jumlah variabel bebasnya lebih dari satu itu bisa dikatakan bahwa regresi linier berganda.


machine learning


Adapun langkah-langkah yang perlu dilakukan untuk melakukan analisis dan uji regresi linier sederhana adalah sebagai berikut : 

  • Menentukan tujuan dari Analisis Regresi Linear Sederhana 

  • Mengidentifikasi variabel predictor dan variabel response 

  • Melakukan pengumpulan data dalam bentuk tabel 

  • Menghitung X², XY dan total dari masing-masingnya

  • Menghitung a dan b menggunakan rumus yang telah ditentukan 

  • Membuat model Persamaan Garis Regresi

  • Melakukan prediksi terhadap variabel predictor atau response 

  • Uji signifikansi menggunakan Uji-t dan menentukan Taraf Signifikan


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Logistic regression

Regresi logistik ini merupakan jenis supervised learning yang biasa digunakan untuk membuat sebuah model prediksi yang sama halnya dengan regresi linear. Bedanya ada pada nilai variabelnya jadi biasanya nilainya adalah ya/tidak, benar/salah, ataupun dalam bentuk bilangan biner 0/1.


machine learning



3. Decision trees

machine learning

Decision tress ini merupakan jenis algoritma yang digunakan untuk masalah klasifikasi, biasanya untuk algoritma ini biasa menggunakan konsep struktur flowchart bercabang menggunakan aturan yang dibuat oleh desainernya.


Pembagian algoritma ini dibagi menjadi dua atau lebih kelompok homogen. Ini dilakukan dengan berdasarkan variabel bebasnya signifikan untuk membuat sebuah kelompok yang berbeda. Algoritma decision tree lebih mudah dibaca dan ditafsirkan, mudah disiapkan, dan cenderung lebih sedikit melakukan cleaning data. 


Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021


4. Random forest 

machine learning

Algoritma ini adalah kumpulan dari beberapa jumlah decision tree jadi prinsip kerjanya sama dengan decision tree dimana masing masing decision tree bisa menghasilkan output yang berbeda beda. Bedanya random forest ini biasanya akan melakukan voting terlebih dahulu dan akan memberikan outputnya berupa mayoritas hasil dari decision tree.


Alih-alih mencari fitur paling penting saat memisahkan sebuah node, random forest mencari fitur terbaik di antara subset fitur yang acak. Alhasil, cara ini menghasilkan keragaman yang luas dan umumnya menghasilkan model yang lebih baik.


machine learning


Gimana sahabat DQ? Ngga perlu khawatir jika kamu belum memiliki pengalaman tentang machine learning sebelumnya, kamu tetap bisa mengasah pemahaman mendasar kamu tentang machine learning, kamu bisa bergabung dalam modul DQLab yang berjudul “Basic Feature Discovering for Machine Learning” Caranya gimana? Mudah banget kok cukup signup sekarang ke DQLab.id lalu pilih menu learn.


Setelah itu kamu sudah bisa menikmati pembelajaran yang praktis dan aplikatif dan jago machine learning bersama DQLab! Tunggu apa lagi? Yuk, signup sekarang dan mulai belajar Module Premium di DQLab!


Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login