Model Linier

LINIER

Model Linier

model linier digunakan dalam berbagai cara sesuai dengan konteksnya. Kejadian yang paling umum adalah sehubungan dengan model regresi dan istilah ini sering dianggap sama dengan model regresi linier . Namun, istilah ini juga digunakan dalam analisis deret waktu dengan makna yang berbeda. Dalam setiap kasus, penunjukan "linier" digunakan untuk mengidentifikasi subkelas model yang memungkinkan pengurangan substansial dalam kompleksitas teori statistik terkait.

Model Regresi Linier Sederhana

regresi linier sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau rasio.

Model Regresi Linier Berganda

Regresi Linear Berganda adalah model regresi linear dengan melibatkan lebih dari satu variable bebas atau predictor. Dalam bahasa inggris, istilah ini disebut dengan multiple linear regression.

Sistem Linear

Sistem linear adalah model matematis dari sistem yang didasarkan pada penggunaan operator linier.Sistem linear biasanya menunjukkan fitur dan properti yang jauh lebih sederhana daripada kasing nonlinier.Sebagai abstraksi atau idealisasi matematis, sistem linear menemukan aplikasi penting dalam teori kontrol otomatis, pemrosesan sinyal, dan telekomunikasi.Misalnya, media propagasi untuk sistem komunikasi nirkabel sering dapat dimodelkan dengan sistem linier.

Curve Fitting and Error Function

Salah satu bentuk utility function untuk model matematis bernama error function. Fungsi ini sudah banyak diceritakan pada bab-bab sebelumnya secara deskriptif. Mulai bab ini, kamu akan mendapatkan pengertian lebih jelas secara matematis.

Error function paling mudah dijelaskan dalam permasalahan regresi. Diberikan (x, y) ∈ R sebagai random variable. Terdapat sebuah fungsi f(x) → y, yang memetakan x ke y, berbentuk seperti pada Gambar 5.1. sekarang fungsi f(x) tersebut disembunyikan (tidak diketahui), diberikan contoh-contoh pasangan (xi , yi); i = 1, 2, ..., 6 adalah titik pada dua dimensi (titik sampel), seperti lingkaran berwarna biru. Tugasmu adalah untuk mencari tahu f(x)! Dengan kata lain, kita harus mampu memprediksi sebuah bilangan riil y, diberikan suatu x.

Kamu berasumsi bahwa fungsi f(x) dapat diaproksimasi dengan fungsi linear g(x) = xw + b. Artinya, kamu ingin mencari w dan b yang memberikan nilai sedemikian sehingga g(x) mirip dengan f(x). w adalah parameter sementara b adalah bias. Anggap kamu sudah berhasil melakukan pendekatan dan  5 Model Linear.

Gambar 5.1 Contoh Fungsi Sigmoid

menghasilkan fungsi linear g(x); seperti Gambar 5.2 (garis berwarna hijau). Akan tetapi, fungsi approksimasi ini tidak 100% tepat sesuai dengan fungsi aslinya (ini perlu ditekankan)1 . Jarak antara titik biru terhadap garis hijau disebut error.

Gambar 5.2 Pendekatan fungsi Signoid

Salah satu cara menghitung error fungsi g(x) adalah menggunakan squared error function dengan bentuk konseptual pada persamaan 5.1. Estimasi terhadap persamaan tersebut disajikan dalam bentuk diskrit pada persamaan 5.2. (xi , yi) adalah pasangan training data (input - desired output). Nilai squared error dapat menjadi tolak ukur untuk membandingkan kinerja suatu learning machine (model). Secara umum, bila nilainya tinggi, maka kinerja dianggap relatif buruk; sebaliknya bila rendah, kinerja dianggap relatif baik. Hal ini sesuai dengan konsep intelligent agent [5].

Pembelajaran sebagai Permasalahan Optimisasi

Salah satu tujuan dari pembelajaran (training) adalah untuk meminimalkan error sehingga kinerja learning machine (model) diukur oleh squared error. Dengan kata lain, utility function adalah meminimalkan squared error.Secara lebih umum, kita ingin meminimalkan/memaksimalkan suatu fungsiyang dijadikan tolak ukur kinerja (utility function), diilustrasikan pada persamaan 5.17, dimana θ adalah learning parameter 5, dan L adalah loss function. Perubahan parameter dapat menyebabkan perubahan loss. Karena itu,

loss function memiliki θ sebagai parameternya.

ˆθ = arg min L(θ) (5.17)

θ

dimana ˆθ adalah nilai parameter paling optimal. Perhatikan, “arg min” dapat juga diganti dengan “arg max” tergantung optimisasi apa yang ingin dilakukan.

Overfitting dan Underfitting

Tujuan machine learning adalah membuat model yang mampu memprediksidata yang belum pernah dilihat (unseen instances) dengan tepat; disebutsebagai generalisasi (generalization). Seperti yang sudah dijelaskan pada babpertama, kita dapat membagi dataset menjadi training, development, dan testing dataset. Ketiga dataset ini berasal dari populasi yang sama dan dihasilkanoleh distribusi yang sama (identically and independently distributed). Dalamartian, ketiga jenis dataset mampu melambangkan (merepresentasikan) karakteristik yang sama8. Dengan demikian, kita ingin loss atau error pada training, development, dan testing bernilai kurang lebih bernilai sama (i.e., kinerja yang sama untuk data dengan karakteristik yang sama). Akan tetapi, underfitting dan overfitting mungkin terjadi.

Underfitting adalah keadaan ketika kinerja model bernilai buruk baik padatraining atau development maupun testing data. Overfitting adalah keadaanketika kinerja model bernilai baik untuk training tetapi buruk pada unseen data. Underfitting terjadi akibatmodel yang terlalu tidak fleksibel, yaitu memiliki kemampuan yang rendah untuk mengestimasi variasi fungsi. Sedangkan, overfitting terjadi ketikamodel terlalu fleksibel, yaitu memiliki kemampuan yang terlalu tinggi untukmengestimasi banyak fungsi atau terlalu mencocokkan diri terhadap training data. 

Algoritma Dasar

Algoritma

Bahasa pemrograman semakin banyak dipelajari oleh banyak orang. Hal ini terkait dengan kemajuan zaman yang menjadikan teknologi sebagai hal penting untuk menunjang kemajuan. Bagi pembaca yang ingin mempelajari bahasa pemrograman, hal dasar yang harus dipahami adalah algoritma pemrograman tersebut. Untuk mengerti apa itu algoritma pemrograman, silahkan simak pembahasan di bawah ini.

Dalam matematika dan ilmu komputer, algoritma adalah urutan atau langkah-langkah untuk penghitungan atau untuk menyelesaikan suatu masalah yang ditulis secara berurutan. Sehingga, algoritma pemrograman adalah urutan atau langkah-langkah untuk menyelesaikan masalah pemrograman komputer.

Dalam pemrograman, hal yang penting untuk dipahami adalah logika kita dalam berpikir bagaimana cara untuk memecahkan masalah pemrograman yang akan dibuat. Sebagai contoh, banyak permasalahan matematika yang mudah jika diselesaikan secara tertulis, tetapi cukup sulit jika kita terjemahkan ke dalam pemrograman. Dalam hal ini, algoritma dan logika pemrograman akan sangat penting dalam pemecahan masalah.

Bentuk Dasar Algoritma

Algoritma sendiri mempunyai tiga 3 bentuk dasar, antara lain :

Algoritma Sekuensial (Sequence Algorithm)

Sequence algorithm atau algoritma sekuensial merupakan algoritma yang langkah-langkahnya secara urut dari awal hingga akhir. Bentuk dari algoritma sekuensial ini salah satu contohnya seperti algoritma memasak air. Langkah demi langkah yang dijalankan harus urut dari atas sampai bawah.

Algoritma Perulangan (Looping Algorithm)

Looping algorithm atau algoritma perulangan merupakan suatu algoritma yang menjalankan beberapa langkah tertentu secara berulang-ulang atau looping. Pada masalah yang kita hadapi, ada pula sebuah langkah yang harus kita lakukan secara berulang-ulang. Contoh dari algoritma looping ini adalah algoritma menjemur pakaian:

1) Siapkan jemuran.

2) Ambil satu pakaian yang nantinya akan dijemur.

3) Peras pakaian tersebut terlebih dahulu.

4) Letakkan pakaian tersebut pada tiang jemuran.

5) Ulangi langkah dari 2 sampai 4 hingga pakaian habis.

Dari algoritma di atas, dapat diketahui bahwa dari langkah 2 sampai 4 harus dilakukan secara berulang-ulang hingga pakaian habis.

Algoritma Percabangan atau Bersyarat (Conditional Algorithm)

Conditional algorithm atau algoritma bersyarat merupakan algoritma yang menjalankan langkah berikutnya apabila terdapat syarat yang sudah dapat dipenuhi. Berikut salah satu contoh dari algoritma bersyarat :

1) Siapkan panci.

2) Masukkan air secukupnya ke dalam panci.

3) tutup panci tersebut.

4) letakkan panci tersebut di atas kompor.

5) Hidupkan kompor.

6) Apabila air sudah mendidih, lalu matikan kompor.

7) Angkat panci tersebut dari kompor.

Algoritma bersyarat atau contional algorithm terdapat pada langkah ke 6. Apabila air sudah mendidih, lalu matikan kompor. Sehingga apabila air tersebut belum mendidih, maka kompor tidak dimatikan.

Contoh Algoritma

Menentukan  Apakah Bilangan Tersebut Ganjil atau Genap

Terdapat bilangan yang bernama bilang bulat yaitu 0, 1, -1, 2, dst serta bilangan asli 1, 2, 3, 4, 5, dst. Kedua jenis bilangan tersebut sering digunakan dalam berhitung. Himpunan bilangan-bilangan bulat dalam buku teks aljabar pada umumnya dinyatakan dengan lambang "Z" dan himpunan bilangan-bilangan asli dinyatakan dengan lambang "N". Algoritma guna menentukan apakah bilangan tersebut ganjil atau genap dapat disajikan dengan flowchart seperti dibawah ini :

Menentukan Apakah Bilangan Tersebut Ganjil atau Genap

Bilangan genap merupakan sebuah bilangan bulat yang akan habis atau tidak memiliki sisa jika dibagi 2 (dua). Bilangan ganjil merupakan sebuah bilangan bulat yang tidak akan habis apabila dibagi 2 (dua).

Menghitung Keliling dan Luas Lingkaran

Lingkaran merupakan suatu himpunan dari semua titik-titik pada bidang dalam jarak yang tertentu dan disebut dengan jari-jari dari titik tertentu dan dapat disebut titik pusat. Lingkaran merupakan contoh dari kurva tertutup sederhana, lingkaran membagi bidang menjadi bagian luar dan dalam. Algoritma menghitung keliling serta luas lingkaran dapat disajikan dengan flowchart seperti dibawah ini :

Menghitung Keliling dan Luas Lingkaran

Menampilkan Bilangan Ganjil Diantara 10 sampai 30

Bilangan ganjil yang terletak diantara 10 dan 30 11,13,15, dan seterusnya. Namun, yang akan ditampilkan kecuali bilangan 21 dan 27. Jadi output yang diharapkan dari algoritma tersebut adalah bilangan ganjil 10 sampai 30 kecuali bilangan 21 dan 27. Algoritma untuk menampilkan bilangan ganjil antara 10 hingga 30 kecuali bilangan 21 dan 27 disajikan dengan flowchart dibawah ini :

Menampilkan Bilangan Ganjil Diantara 10 sampai 30

Algoritma tahun Kabisat

Terdapat juga algoritma tahun kabisat. Tahun kabisat merupakan sebuah tahun yang memiliki tambahan 1 hari dan bertujuan agar kalender dapat sinkron dengan musim tahunan dan keadaan astronomi. Bulan Februari memiliki 29 hari pada saat tahun kabisat. Tahun yang dapat untuk dibagi dengan 4 adalah tahun kabisat. Algoritma guna menentukan tahun kabisat jika disajikan dengan flowchart seperti dibawah ini :

Algoritma tahun Kabisat

Menampilkan Bilangan Genap Mullai dari Angka 2 sampai n, Kecuali Bilangan Genap yang Kelipatan 4

Bilangan genap merupakan sebuah bilangan-bilangan bulat yang habis jika dibagi 2. Deret yang ditampilkan dari algoritma kali ini merupakan deret dari bilangan genap dari 2 hingga ke n kecuali bilangan yang merupakan kelipatan 4. Algoritma tersebut dapat digambarkan dengan flowchart seperti dibawah ini :

Menampilkan Bilangan Genap Mullai dari Angka 2 sampai n, Kecuali Bilangan Genap yang Kelipatan 4

Menghitung Harga yang Dibayar Setelah Mendapatkan Sebuah Diskon

Ada juga algoritma yang dapat menghitung jumlah dari biaya yang harus dibayar oleh sang pembeli setelah mendapatkan sebuah diskon 10% dengan syarat jumlah dari total pembelian tersebut Rp.1.500.000,- Algoritma guna menghitung besaran biaya tersebut dapat digambarkan dengan flowchart seperti dibawah ini :

Menghitung Harga yang Dibayar Setelah Mendapatkan Sebuah Diskon

Jumlah barang memiliki sifat yang dinamik sesuai dengan input atau masukkan dari user. Apabila jumlah total dari harga tersebut kurang 1500000 maka tidak mendapatkan sebuah diskon.

Mencari Maks dan Min dari suatu Deret Bilangan

Terdapat juga sebuah algoritma guna mencari nilai maks serta min dari suatu n deret bilangan yang dimasukkan atau diinput oleh user. Algoritma tersebut dapat disajikan dengan flowchart seperti dibawah ini :

Mencari Maks dan Min dari suatu Deret Bilangan

Kalkulator Sederhana dari 2 Bilangan

Terdapat sebuah algoritma sebagai kalkulator sederhana untuk operasi penjumlahan, perkalian, pembagian, dan pengurangan. Kalkulator sederhana ini hanya dapat melakukan perhitungan dari 2 bilangan yang diinput oleh user. Algoritma guna menghitung 2 bilangan dapat digambarkan dengan flowchart seperti dibawah ini :

Kalkulator Sederhana dari 2 Bilangan

Menghitung Beberapa Angka dari Suatu Bilangan

Pada flowchart kali ini mengenai sebuah algoritma untuk menghitung beberapa angka dari suatu bilangan yang dimasukkan atau diinput oleh user. Berikut flowchart algoritma tersebut.

Menghitung Beberapa Angka dari Suatu Bilangan

Membalik Sebuah Kalimat

Seperti yang kita ketahui sebelumnya tentang pengertian algoritma, bahwa algoritma juga dapat untuk menampilkan sebuah kalimat namun dengan urutan yang terbalik. Misalkan "woocara" dibalik menjadi "aracoow". Struktur data yang digunakan ialah Stack. Untuk membalik sebuah bilangan, huruf dari kalimat kita input dalam stack dengan menggunakan metode Push. Setelah stack tersebut sudah terisi, maka output kembali dengan memakai metode Pop. Pada algoritma membalik sebuah kalimat, adanya penggunaan struktur data stack diimplementasikan ke array. Dalam implementasinya ke array tersebut, kita harus terlebih dahulu menyiapkan sebuah array dengan memiliki panjang yang sama dengan jumlah huruf yang ada dalam kalimat yang akan dibalik tersebut. Pada gambar flowchart dibawah ini, terdapat tiap huruf dari kalimat yang diinput pada array dengan index ke-0 hingga ke-n dengan memakai metode push.

Membalik Sebuah Kalimat

Kemudian huruf tersebut akan mengeluarkan kata mulai dari index ke-n hingga index ke-0.

Itulah pengertian algoritma, bentuk dasar algoritma, klasifikasi algoritma, dan contoh algoritma. Algoritma sangat diperlukan untuk mengolah data yang ada di komputer.

MACHINE LEARNING II

Jelaskan Perbedaan data mining, data analisis, data science

Data Mining

Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan
buatan, machine learning  untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat

Data Science

Data Science adalah penggalian atau bisa juga disebut mengekstrak data agar dapat difilter serta
didapatkan data yang benar untuk menghasilkan produk data yang sebenar-benarnya.

Data analisis

Data Analysis adalah suatu proses atau upaya pengolahan data menjadi sebuah informasi baru agar
karakteristik data tersebut menjadi lebih mudah dimengerti dan berguna untuk solusi suatu permasalahan.

Hubungan antara machine learning, deep learning dan AI

Machine Learning

Machine learning (ML) adalah sub bidang dari artificial intelligence (AI). Machine learning bertujuan untuk membawa kecerdasan buatan melalui belajar dari data. Data digunakan machine learning sebagai kode untuk komputasi tradisional. Cara lain untuk memperoleh kecerdasan dalam mesin bisa melalui pemrograman logis, penalaran induktif berdasarkan aturan dasar dan sebagainya.

Dengan demikian machine learning dapat dianggap sebagai salah satu pendekatan menuju kecerdasan buatan.

Berdasarkan sifat dari berbagai masalah yang ada dan kelimpahan data untuk masalah itu, wajar saja bahwa machine learning merupakan pendekatan untuk mencapai AI. Fakta bahwa korpus data sangat besar dan terus meningkat, sumber daya komputasi (mesin dan manusia) terbatas dan tidak mungkin untuk bekerja melalui pemrogramanberbasis aturan telah mendorong pendekatan AI keseluruhan terhadap ML.

Deep Learning

Deep learning di sisi lain adalah metode machine learning yang berkembang pesat. Dalam pengaturan machine learning yang normal, salah satu masalah yang paling sulit adalah rekayasa fitur. Rekayasa fitur berkaitan dengan ekstraksi fitur yang sesuai yang dapat dimasukkan ke dalam model. Jika fitur tidak lengkap atau kurang, model ini cacat (bias tinggi) dan jika fitur terlalu banyak dan tidak semuanya berkontribusi pada keluaran model, model ini kembali cacat (varian tinggi). 

Jika kita memiliki terlalu banyak fitur, kita memerlukan dataset yang sangat sangat besar untuk dipelajari dari model yang salah. Dalam machine learning ada sub-bidang yang disebut ‘pembelajaran representasional’ juga dikenal sebagai ‘pembelajaran fitur’ yang bertujuan mengekstrak fitur dari data seperti gambar di mana fitur pengambilan tangan oleh insinyur manusia sama sekali tidak layak.

AI (Artificial Intelligence)

Artificial Intelligence atau Kecerdasan Buatan adalah istilah yang sangat luas yang bertujuan untuk membawa perilaku cerdas ke dalam mesin. Machine Learning dapat dianggap sebagai salah satu filosofi yang mana tujuan utamanya adalah, “bukan mesin pemrograman secara eksplisit, hanya memberi mereka data dan biarkan mereka belajar”.

Dalam beberapa pendekatan machine learning ini juga ada terlalu banyak sub kategori: pembelajaran yang diawasi (melatih dataset berlabel dan membuat model untuk memprediksi dataset tanpa label), pembelajaran tanpa pengawasan (menggambar kesimpulan yang bermakna dari dataset tanpa label, pengelompokan menjadi contoh yang paling populer), pembelajaran penguatan (pemberian Algoritma dan fungsi obyektif untuk mengoptimalkan berdasarkan hadiah langsung untuk setiap tindakan yang diperlukan, misalnya: catur bermain robot), dll.

Berikan contoh yang berhubungan dengan data maining

Classification

Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatuobjek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan "jika-maka", berupa decision tree, formula matematis atau neural network. Decision tree adalah salah satu metode classification yang paling populer karena mudah untuk diinterpretasi oleh manusia. Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Algoritma decision tree yang paling terkenal adalah C4.5, tetapi akhir-akhir ini telah dikembangkan algoritma yang mampu menangani data skala besar yang tidak dapat ditampung di main memory seperti RainForest. Metode-metode classification yang lain adalah Bayesian, neural network, genetic 

algorithm, fuzzy, case-based reasoning, dan k-nearest neighbor. 

Proses classification biasanya dibagi menjadi dua fase, learning dan test. Pada fase learning, sebagian data yang telah diketahui kelas datanya diumpankan untuk membentuk model perkiraan. Kemudian pada fase test, model yang sudah terbentuk di uji dengan sebagian data lainnya untuk mengetahui akurasi dari model tersebut. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas data yang belum diketahui.

Apa kaitannya antara data mining dan data science

saling berhubungan dalam rangka mengolah data dan mendapatkan informasi dari berbagai
macam data yang telah berhasil dikumpulkan. Semisal data piala dunia 2018, dengan berbagai
macam teknik pengolahan data kita bisa memprediksi siapa yang akan menjadi juaranya.

Apa yang dimaksud dengan dat big data smart data data scinece bisnis intiligence dan data aksitektur

• Data

data adalah sekumpulan keterangan atau fakta mentah berupa simbol, angka, kata-kata, atau citra, yang didapatkan melalui proses pengamatan atau pencarian ke sumber-sumber tertentu.

Pendapat lain mengatakan, definisi data adalah kumpulan keterangan-keterangan atau deskripsi dasar dari suatu hal (objek atau kejadian) yang diperoleh dari hasil pengamatan (observasi) dan dapat diolah menjadi bentuk yang lebih kompleks, seperti; informasi, database, atau solusi untuk masalah tertentu.

• Big Data

Pengertian Big Data bukan berarti besarnya data yang kita punya. Big Data berarti sekumpulan data yang sangat besar yang tidak dapat ditangani oleh aplikasi database biasa, 

Big Data adalah buzzword atau menangkap-frase yang digunakan untuk menggambarkan volume besar, baik dari data terstruktur dan tidak terstruktur yang begitu besar sehingga sulit untuk memproses dengan menggunakan teknik database dan perangkat lunak biasa. Dalam kebanyakan kejadian data perusahaan yang terlalu besar atau bergerak terlalu cepat atau melebihi kapasitas pengolahan saat ini. Big data memiliki potensi untuk membantu perusahaan meningkatkan operasi, membuat lebih cepat dan keputusan yang lebih cerdas.

• Business Intelligence

Business Intelligence adalah sekumpulan teknik dan alat untuk mentransformasi dari data mentah menjadi informasi yang 

berguna dan bermakna untuk tujuan analisis bisnis. Teknologi BI dapat menangani data yang tak terstruktur dalam jumlah yang sangat besar untuk membantu mengidentifikasi.

• Smart Data

Smart Data adalah informasi digital yang diformat sehingga dapat ditindaklanjuti pada 

titik pengumpulan sebelum dikirim ke platform analitik akhir untuk konsolidasi dan analitik 

data lebih lanjut. Istilah Smart data sering dikaitkan dengan Internet of Things (IoT) dan 

data yang dihasilkan oleh sensor cerdas dalam objek fisik.

• Data Science

Data science adalah salah satu disiplin ilmu yang secara khusus mempelajari soal data 

terutama data kuantitatif atau data numerik. Saat ini, ilmu yang satu ini mulai menjelma 

menjadi suatu profesi baru di bidang teknologi yang banyak dicari oleh berbagai jenis perusahaan.

• Data Arsitektur

Arsitektur Data adalah menyediakan kerangka dengan mengidentifikasi dan memahami 

bagaimana data akan pindah melalui sistem dan digunakan dalam perusahaan. Arsitektur 

data warehouse terdiri dari struktur dan komponen yang saling berhubungan satu sama 

lain dalam membangun data warehouse.

Machine Learning

Machine Learning

Machine Learning Pada Bidang Bisnis

Dalam era digital ini, sebuah startup yang baru pun bisa mengejar para pesaingnya yang sudah maju dalam waktu yang relatif singkat dengan menggunakan teknologi yang semakin canggih.Adanya data science dalam bisnis tertentu memang sangat membantu dalam memepercepat perkembangannya.
Bahkan di Indonesia sekalipun, sudah banyak yang menerapkan machine learning dalam bisnis masing-masing.

Salah satu contoh machine learning pada bidang Bisnis :

Sistem Rekomendasi

Selain menggunakan machine learning dalam website yang penuh dengan konten seperti yang dijelaskan dalam artikel mempelajari Machine Learning kalian pasti sudah pernah berbelanja online setidaknya sekali dalam hidup kalian. 
Baik itu dari website e-commerce maupun aplikasi toko online, setiap platform e-commerce pasti memiliki sebuah bagian kolom rekomendasi. 
Pernahkah kalian tercengang dengan isi dari kolom rekomendasi tersebut karena memang barang yang ditampilkan terlihat menarik untuk kalian?
 Itu adalah hasil dari menerapkan machine learning dalam sistem platform tersebut. 

Virtual Personal Assistant / Chatbot

Teknologi machine learning telah memungkinkan terciptanya virtual personal assistant seperti Siri, Cortana, dan Alexa. Teknologi yang membuat kita merasa sedang hidup di masa depan, virtual personal assistant dapat mengerti apa yang kita katakan, 
pertanyaan-pertanyaan kita hingga memberikan jawaban yang relevan, hingga melakukan beberapa hal dengan mudah.

Mengapa Menggunakan Teknik Machine Learning

Berdasarkan riset Gartner, machine learning saat ini berada dalam daftar topik terpopuler dalam bidang data science dan smart machine, di samping teknologi speech recognition, chatbot, dan artificial intelligence (AI). Bahkan, penerapan machine learning sudah masuk ke dalam salah satu agenda utama para Chief Investment Officer (CIO) pada tahun 2017. Sebanyak 27 persen CIO di Asia Pasifik mengaku berniat memakai teknologi itu pada tahun ini. “Pada tahun 2020, kami memprediksi orang akan lebih sering berbicara dengan bot daripada pasangan sendiri,”imbuh Krause.Apa yang mendorong peningkatan adopsi machine learning oleh para pemimpin Teknologi Informasi (TI)? Krause menyebut tiga faktor utama, yakni the rise of Graphic Processing Unit (GPU) yang lebih bertenaga daripada Central Processing Unit (CPU), deep neural network yang makin luas, dan tentu saja pertumbuhan big data.Artikel ini telah tayang di Kompas.com dengan judul " Machine Learning ”Bantu Perusahaan Bersaing di Era Bisnis Digital".

Teknik Selain Machine Learning
Deep Learning

Deep Learning adalah rangkaian metode untuk bisa melatih jaringan saraf buatan multi lapisan atau mempunyai banyak lapisan. Metode ini sangat efektif dan lebih mudah dalam mengidentifikasi pola dari data yang dimasukkan.Deep Learning sangat berdampak pada kemajuan perkembangan yang telah dicapai AI secara bertahap. Tidak hanya untuk perangkat lunak, namun para penggunanya juga telah merambah diberbagai bidang industri.
Contohnya seperti Facebook yang menggunakan sistem Deep Learning. Lalu pada asisten virtual yang berbasis AI untuk membantu penggunanya melakukan  berbagai tugas seperti memesan dan meneliti. Tidak hanya Facebook saja tetapi Google juga menggunakan system Deep Learning.

Kelebihan dan Kekurangan di Machine Learning

Kelebihan :
Kelebihan Teknik Machine Learning jika kita bandingkan dengan Deep Learning,
 menurut pendapat saya ada didalam proses menngeluarkan output ya meskipun 
itu juga bisa jadi kelemahan dari Teknik Machine Learning itu sendiri. Manusia lebih mudah dalam melakukan sebuah pekerjaan seperti menerjemahkan bahasa indonesia menjadi bahasa inggris.
Membantu penggunanya untuk melakukan pencarian di internet, pencarian jalan, hingga membuka aplikasi.

Kekurangan :
Membuat manusia menjadi malas, karena machine learning membuat manusia menjadi ketergantungan.
Adanya pemotongan tenaga kerja karena pekerjaan telah digantikan oleh teknologi machine learning.