MACHINE LEARNING

Penulis :
Nur Hayati, S.Si., MTI., Radinal Setyadinsa, S.Pd., M.T.I.,
Musthofa Galih Pradana, M.Kom., Dr. Dwi Prasetyo, Dipl.Inf, S.Kom, M.Si.,
Muhammad Adrezo, S.Kom., M.Sc., I Wayan Rangga Pinastawa, M.Kom.,
Jihan Kristal Yasmin., Iqbal Sabilirrasyad, S.S.T., M.Tr.Kom.,
Jovian Dian Pratama, S.Mat., M.Mat., Dhieka Avrilia Lantana, S.Kom., M.Kom., Miftahul Jannah, S.Kom., M.Kom.

ISBN : –

Jumlah Hlm : x + 148
Ukuran : 15×23 Unesco
Kertas : Bookpaper
Tahun Terbit : 2024
Editor : Neny Rosmawarni, S.Kom., M.Kom.

SINOPSIS

Buku ini mengajak pembaca untuk menjelajahi dunia Machine Learning (ML) dari pemahaman dasar hingga penerapan algoritma yang lebih kompleks seperti Deep Learning. Bab pertama,
“Apa itu Machine Learning,” memberikan landasan pemahaman dasar seputar konsep ML.
Mulai dari Jenis-Jenis Machine Learning yang mencakup klasifikasi dan regresi, hingga Manfaat dan Langkah-langkah Penerapannya dalam kehidupan sehari-hari. Dengan membawa pembaca melalui
Contoh Permasalahan Dataset dan Contoh Kasus, bab ini
membangun dasar yang solid sebelum melangkah ke bab-bab
selanjutnya.
Bab kedua mengintroduksi “Teori-teori Tentang Machine Learning,
” mebahas Kemampuan Komputasi, serta Pondasi Matematika dan Statistika yang esensial untuk memahami algoritma ML.
Selanjutnya, pembaca dibimbing pada Bab 3 hingga Bab 11 yang membahas berbagai topik seperti KNearest Neighbor, Machine Learning Lifecycle, Klasterisasi K-Means, Support Vector Machine, Supervised Learning, Gradient Descent, Agglomerative Clustering, Confusion Matrix, dan Deep Learning.Setiap bab mengupas konsep dasar, kelebihan, kekurangan, langkah-langkah penerapan, serta contoh kasus yang mendalam.Bab 4 membahas “Machine Learning
Lifecycle,” menyoroti pentingnya siklus hidup ML dan peranannya dalam perkembangan teknologi. Bab-bab selanjutnya membahas secara rinci algoritma-algoritma seperti K-Means, Support Vector Machine, dan jenis-jenis Supervised Learning seperti Linear
Regression, Logistic Regression, Decision Tree, Random Forest, Naïve Bayes, dan Neural Network.
Pentingnya optimisasi model dijelaskan melalui Bab 8 yang
membahas “Gradient Descent,” sementara Bab 9 hingga Bab 11 membahas aspek-aspek spesifik seperti Agglomerative Clustering, Confusion Matrix, dan Deep Learning. Buku ini memberikan
pemahaman mendalam dan aplikatif, dengan penjelasan yang jelas dan contoh kasus yang relevan, menjadikannya panduan yang sangat berharga bagi pembaca yang ingin menggali lebih dalam dalam dunia yang dinamis dan berkembang pesat ini.

Daftar Isi

KATA PENGANTAR ………………………………………………………. v
DAFTAR ISI ………………………………………………………………. vi
BAB 1. Apa itu Machine Learning (Pemahaman Dasar) …………… 1
A. Jenis-Jenis Machine Learning ………………………………………………….3
B. Manfaat Machine Learning …………………………………………………….6
C. Langkah-langkah Penerapan Machine Learning ………………………..6
D. Contoh Permasalahan Dataset………………………………………………..7
E. Contoh Kasus………………………………………………………………………..8
BAB 2. Teori-teori Tentang Machine Learning ……………………. 11
A. Kemampuan Komputasi ……………………………………………………….14
B. Pondasi Matematika dan Statistika………………………………………..18
BAB 3. K-Nearest Neighbor …………………………………………… 23
A. Konsep Dasar K-Nearest Neighbor…………………………………………24
B. Kelebihan dan Kekurangan KNN…………………………………………….26
C. Keterbatasan KNN: ………………………………………………………………26
D. Perbandingan KNN dibanding algoritma lain : …………………………26

vii
E. Langkah Kerja K-Nearest Neighbor ………………………………………..27
F. Contoh Kasus K-Nearest Neighbor…………………………………………28
G. Penetuan Parameter K …………………………………………………………33
H. Penerapan dalam Python……………………………………………………..33

BAB 4. machine Learning Lifecycle …………………………………. 37
A. Apa Itu Machine Learning Lifecycle?………………………………………38
B. Mengapa Machine Learning Lifecycle Penting…………………………41
C. Perkembangan Machine Learning………………………………………….43
D. Penerapan Machine Learning ……………………………………………….43
E. Revolusi dalam Machine Learning Lifecycle…………………………….45
BAB 5. Klasterisasi K-Means ………………………………………….. 47
A. K-means sebagai Algoritma Klasterisasi………………………………….49
B. Implementasi K-means dalam Konteks Machine Learning di
Python ……………………………………………………………………………….55
BAB 6. Support Vector Machine ……………………………………… 57
A. Konsep Dasar SVM Vektor dan Ruang Vektor………………………….59
B. Jenis SVM……………………………………………………………………………60
C. Fungsi kernel dalam Support Vector Machine (SVM)……………….61
D. Contoh Kasus Penggunaan SVM ……………………………………………62

viii
E. Kelebihan dan Kekurangan……………………………………………………65
BAB 7. Supervised Learning ………………………………………….. 69
A. Linear Regression ………………………………………………………………..73
B. Logistic Regression ………………………………………………………………76
C. Decision Tree………………………………………………………………………79
D. Random Forest……………………………………………………………………82
E. Naïve Bayes………………………………………………………………………..83
F. Neural Network…………………………………………………………………..85

BAB 8. Gradient Descent ………………………………………………. 89
A. Macam-macam tipe gradient Descent………………………………….101
BAB 9. Agglomerative Clustering …………………………………… 103
A. Multikolinieritas………………………………………………………………..105
B. Analisis Komponen Utama ………………………………………………….106
C. Agglomerative Clustering ……………………………………………………108
D. Single Linkage……………………………………………………………………109
E. Complete Linkage………………………………………………………………110
F. Average Linkage ………………………………………………………………..110
G. Ward Method……………………………………………………………………111

ix
H. Uji Validitas Cluster ……………………………………………………………112
I. Kumpulan Artikel Ilmiah Terkait Agglomerative Clustering ……..113
BAB 10. Confusion Matrix ……………………………………………. 117
A. Mengapa confusion matrix diperlukan?………………………………..121
B. Evaluasi Menggunakan Confusion Matrix……………………………..121
C. Accuracy …………………………………………………………………………..122
D. Precision…………………………………………………………………………..123
E. Recall ……………………………………………………………………………….124
BAB 11. Deep Learning ……………………………………………….. 127
A. Definisi Deep Learning ……………………………………………………….128
B. Prinsip Kerja Deep Learning ………………………………………………..128
C. Jenis-jenis Algoritma Deep Learning …………………………………….130
D. Contoh Penggunaan Deep Learning……………………………………..132
DAFTAR PUSTAKA ……………………………………………………. 134
TENTANG PENULIS …………………………………………………… 142