tugas gslc 2

TUGAS GSLC 2- ARTIFICIAL INTELIGENCE
NAMA
: Werry stany
NIM
: 1601235924
KELAS
: 04PUT
NAMA DOSEN
: AFAN GALIH SALMAN, ST., M.SI – D3087
1. Apa yang dimaksud supervised learning, unsupervised learning dan
reinforcement learning? berikan contoh masing-masing?
Jawaban :
Supervised Learning
Supervised learning adalah teknik pembelajaran mesin dengan membuat suatu fungsi
dari data latihan. Data latihan terdiri dari pasangan nilai input dan output yang
diharapkan dari input yang bersangkutan. Tugas dari Supervised learning adalah untuk
memprediksi nilai fungsi untuk nilai semua input yang ada.
Contoh dari supervised learning
Sebagai contoh ada data luas rumah (x) dan harga (y). lalu dimasukkan dalam grafik x
dan y-nya. Dimana setelah itu dibuat regresi antara x dan y-nya. Setelah membuat
regresi dapat dipastikan kita dapat memprediksi dari hasil regresi harga rumah dengan
luas tertentu.
Unsupervised Learning
Teknik ini menggunakan prosedur yang berusaha untuk mencari partisi dari sebuah
pola. Unsupervised learning mempelajari bagaimana sebuah sistem dapat belajar untuk
merepresentasikan pola input dalam cara yang menggambarkan struktur statistikal dari
keseluruhan pola input. Berbeda dari supervised learning, unsupervised learning tidak
memiliki target output yang eksplisit atau tidak ada pengklasifikasian input.
Dalam machine learning, teknik unsupervised sangat penting. Hal ini dikarenakan cara
bekerjanya mirip dengan cara bekerja otak manusia. Dalam melakukan pembelajaran,
tidak ada informasi dari contoh yang tersedia. Oleh karena itu, unsupervised learning
menjadi esensial.
Contoh : competitive learning, dimana neuron-neuron
salingbersainguntukmenjadipemenang
Reinforcement learning
Sub area machine learning yang menitikberatkan kepada cara sebuah agent
mengambil aksi di lingkungannya. Di sini agent melakukan maksimalisasi pemikiran
tentang reward untuk jangka panjang. RL diinspirasi dari fenomena biologi dan
mengelola pengetahuan melalui eksplorasi aktif terhadap lingkungannya. Pada setiap
langkah, RL memilih beberapa aksi yang mungkin dilakukan dan menerima reward dari
lingkungan atas aksi spesifik yang dilakukannya. Aksi terbaik yang harus dilakukan di
beberapa state tidak pernah diketahui sehingga agent harus mencoba beberapa aksiaksi dan urutan-urutan aksi yang berbeda serta belajar dari pengalamannnya.
Contoh : Pada masalah-masalah terdistribusi
2. Apa yang dimaksud dengan Learning Decision Tree dan berikan contohnya?
Jawaban :
Secara konsep Decision tree adalah salah satu dari teknik decision analysis.Tries
sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie atau digital
tree berasal dari kata retrival (pengambilan kembali) sesuai dengan fungsinya. Secara
etimologi kata ini diucapkan sebagai ‘tree’. Meskipun mirip dengan penggunaan kata
‘try’ tetapi hal ini bertujuan untuk membedakannya dari general tree. Dalam ilmu
komputer, trie, atau prefix tree adalah sebuah struktur data dengan representasi
ordered tree yang digunakan untuk menyimpan associative array yang berupa string.
Berbeda dengan binary search tree (BST) yang tidak ada node di tree yang menyimpan
elemen yang berhubungan dengan node sebelumnya dan, posisi setiap elemen di tree
sangat menentukan. Semua keturunan dari suatu node mempunyai prefix string yang
mengandung elemen dari node itu, dengan root merupakan string kosong. Values
biasanya tidak terkandung di setiap node, hanya di daun dan beberapa node di tengah
yang cocok dengan elemen tertentu.
Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada
Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi
yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat
digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei
Han, 2001).
Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon
merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian
hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node
teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa atribut
yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya
Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada
proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara
melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan
diprediksi kelas yang dimiliki oleh suatu data baru tertentu.
Decision Tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan
dikembangkan pertama kali oleh Quinlan yang merupakan singkatan dari Iterative
Dichotomiser 3 atau Induction of Decision “3″ (baca: Tree).
Algoritma ID3 membentuk pohon keputusan dengan metode divide-and-conquer data
secara rekursif dari atas ke bawah. Strategi pembentukan Decision Tree dengan
algoritma ID3 adalah:
• Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua data..
• Sesudah node root dibentuk, maka data pada node akar akan diukur dengan
information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
• Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan
didistribusikan ke dalam cabang masing-masing.
• Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk
dapat membentuk sebuah Decision Tree. Ketika sebuah atribut telah dipilih menjadi
node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam
penghitungan nilai information gain.
• Proses pembagian rekursif akan berhenti jika salah satu dari kondisi dibawah ini
terpenuhi:
1. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
2. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda.
Dalam kasus ini, diambil data yang mewakili kelas yang terbanyak untuk menjadi label
kelas pada node daun.
3. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan
dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk
dijadikan label kelas.
Beberapa contoh pemakaian Decision Tree,yaitu :
• Diagnosa penyakit tertentu, seperti hipertensi, kanker, stroke dan lain-lain
• Pemilihan produk seperti rumah, kendaraan, komputerdanlain-lain
• Pemilihan pegawai teladan sesuai dengan kriteria tertentu
• Deteksi gangguan pada computer atau jaringan computer seperti Deteksi Entrusi,
deteksi virus (Trojan dan varians),dan lain-lain
referensi :
http://nita_zelfia-fst09.web.unair.ac.id/artikel_detail-44883-UmumMachine%20Learning.html
http://yeyekh.wordpress.com/2009/01/20/decision-tree/