1. 📌 Pengertian Machine Learning
7
🔎 Definisi
Machine Learning (ML) adalah cabang dari AI yang memungkinkan sistem komputer belajar dari data tanpa diprogram secara eksplisit.
📖 Narasi
Berbeda dengan pemrograman tradisional:
- Program biasa → aturan ditentukan manusia
- Machine Learning → aturan dipelajari dari data
ML memungkinkan sistem:
- Mengenali pola
- Membuat prediksi
- Mengambil keputusan
2. 🧠 Konsep Dasar Machine Learning
📊 Perbandingan Pendekatan
| Aspek | Pemrograman Tradisional | Machine Learning |
|---|---|---|
| Input | Data + Aturan | Data + Output |
| Proses | Program | Algoritma belajar |
| Output | Hasil | Model |
📖 Narasi
Dalam ML, data menjadi pusat utama. Semakin baik data, semakin baik model yang dihasilkan.
3. 🔄 Alur Kerja Machine Learning
8
📌 Tahapan ML
- Pengumpulan Data
- Preprocessing Data
- Training Model
- Evaluasi Model
- Deployment
📖 Penjelasan
- Data dibersihkan dan diproses
- Model dilatih dengan data
- Model diuji untuk akurasi
4. 📊 Jenis-Jenis Machine Learning
6
📊 Klasifikasi
| Jenis | Deskripsi |
|---|---|
| Supervised Learning | Belajar dari data berlabel |
| Unsupervised Learning | Tanpa label |
| Reinforcement Learning | Belajar dari reward |
📖 Narasi
- Supervised → seperti belajar dengan guru
- Unsupervised → menemukan pola sendiri
- Reinforcement → belajar dari pengalaman
5. 📥 Dataset dan Fitur
📊 Struktur Dataset
| Komponen | Penjelasan |
|---|---|
| Data | Kumpulan informasi |
| Fitur (Feature) | Variabel input |
| Label | Output/target |
📖 Narasi
Contoh dataset:
- Fitur: umur, pendapatan
- Label: membeli produk / tidak
6. 🏋️ Training dan Testing
6
📌 Konsep
| Tahap | Fungsi |
|---|---|
| Training | Melatih model |
| Testing | Menguji model |
📖 Narasi
Data dibagi menjadi:
- Training set (80%)
- Testing set (20%)
Tujuannya agar model tidak hanya “menghafal”.
7. ⚠️ Overfitting dan Underfitting
📊 Perbandingan
| Kondisi | Penjelasan |
|---|---|
| Overfitting | Terlalu cocok dengan data training |
| Underfitting | Model terlalu sederhana |
📖 Narasi
Model yang baik harus:
- Generalisasi tinggi
- Tidak terlalu spesifik atau terlalu umum
8. 📈 Evaluasi Model
📊 Metode Evaluasi
| Metrik | Fungsi |
|---|---|
| Accuracy | Ketepatan |
| Precision | Ketepatan positif |
| Recall | Kemampuan deteksi |
| F1-Score | Kombinasi precision & recall |
📖 Narasi
Evaluasi penting untuk mengetahui:
- Seberapa baik model bekerja
- Apakah model layak digunakan
9. 🤖 Algoritma Machine Learning Dasar
8
📊 Algoritma Populer
| Algoritma | Fungsi |
|---|---|
| Linear Regression | Prediksi nilai |
| K-Nearest Neighbor | Klasifikasi |
| Decision Tree | Pengambilan keputusan |
10. 💡 Studi Kasus: Prediksi Sederhana
📖 Contoh
Prediksi harga rumah:
- Input: luas, lokasi
- Output: harga
📌 Analisis
Model belajar dari data historis untuk memprediksi masa depan.
11. ⚙️ Tools dan Teknologi ML
📊 Tools Populer
| Tools | Fungsi |
|---|---|
| Python | Bahasa pemrograman |
| TensorFlow | Deep Learning |
| Scikit-learn | ML sederhana |
12. ⚠️ Tantangan Machine Learning
🔍 Permasalahan
- Data tidak berkualitas
- Bias data
- Overfitting
- Keterbatasan komputasi
13. 🎯 Kesimpulan
- Machine Learning adalah inti AI modern
- Model belajar dari data
- Terdapat berbagai jenis ML
- Evaluasi penting untuk performa
- Data berkualitas sangat menentukan hasil
📚 Aktivitas Pembelajaran
- Latihan: Analisis dataset sederhana
- Diskusi: “Apa pentingnya data dalam ML?”
- Praktikum: Implementasi ML sederhana di Python
