METODE MECHINE LEARNING 2

Metode machine learning adalah salah satu cabang dari artificial inteligence yang mengembangkan algoritma dan model statistik yang mengajarkan mesin untuk belajar dari data dan membuat prediksi atau keputusan berdasarkan data tersebut. Dalam dunia machine learning, Analisis Regresi Logistik Biner menjadi salah satu algoritma yang sangat populer. Algoritma ini digunakan untuk memodelkan hubungan antara variabel independen dan variabel dependen yang bersifat biner atau kategorikal. Dengan menggunakan fungsi logistik, regresi logistik biner mampu menghasilkan prediksi probabilitas kelas yang membantu dalam pengambilan keputusan. Selain itu, analisis Regresi Logistik LASSO (Least Absolute Shrinkage and Selection Operator) merupakan variasi dari regresi logistik yang memberikan penekanan pada variabel yang memiliki dampak signifikan, sambil mengurangi overfitting. Dengan meminimalkan koefisien regresi, LASSO membantu mengidentifikasi fitur-fitur kritis yang memengaruhi hasil prediksi.
Selain regresi logistik, dalam machine learning terdapat juga Analisis Diskriminan, K-Nearest Neighbors (KNN), dan Support Vector Machines (SVM) sebagai metode klasifikasi yang sering digunakan. Analisis Diskriminan merupakan pendekatan statistik yang digunakan untuk membedakan dua atau lebih kelompok berdasarkan pada fitur-fitur tertentu. Di sisi lain, KNN adalah algoritma yang bekerja dengan cara membandingkan data baru dengan data yang ada dalam sekelompok tetangga terdekat, dan memprediksi kelasnya berdasarkan mayoritas kelas tetangga tersebut. SVM, di sisi lain, adalah algoritma yang membangun hyperplane terbaik untuk memisahkan data dalam ruang fitur berdasarkan kelasnya. Keempat algoritma ini membuka peluang yang luas dalam aplikasi machine learning, memungkinkan pengguna untuk melakukan prediksi dan klasifikasi dengan akurasi yang tinggi pada berbagai jenis masalah.

Target Pembelajaran:

  1. Peserta dapat menguasai prinsip dasar model regresi logistik biner, regresi logistic LASSO, Analisis Diskriminan, KNN, dan SVM
  2. Peserta dapat melaksanakan proses pemodelan dan prediksi dari model regresi logistik biner, regresi logistic LASSO, Analisis Diskriminan, KNN, dan SVM.
  3. Peserta dapat memahami serta menerapkan prinsip evaluasi model dari regresi logistik biner, regresi logistic LASSO, Analisis Diskriminan, KNN, dan SVM.

Target Pelatihan:

1. Mahasiswa dan Peneliti
2. Data Analyst, Data scientist dan AI engineer

Lama Pelatihan:

2 hari, @ 420 menit

Referensi :

Peter Flach: Machine learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press 2012
Tan, Steinbach, Kumar. Introduction to Data Mining. Addison-Wesley. 2006.
Slide perkuliahan: Introduction to Machine Learning, University of Helsinki.
Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data, INFORMATIKA: Bandung, 2017

Sylabus: