DATA MINING & MACHINE LEARNING

 

DATA MINING DAN MACHINE LEARNING

     Perangkat lunak yang digunakan untuk menemukan polapola tersembunyi maupun hubungan-hubungan yang terdapat dalam basis data yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku di masa medatang.

 ‣ Data mining sering dikatakan berurusan dengan “penemuan pengetahuan” dalam basis data. Suatu aturan yang dihasilkan oleh data mining misalnya seperti berikut : “Kebanyakan pembeli mobil Forsa adalah wanita berusia di atas 30 tahun”.

PRINSIP DATA MINING

APLIKASI DATA MINING

TEKNOLOGI UNTUK DATA MAINING

‣ Statistik ‣ Neural network ‣ Fuzzy logic ‣ Algoritma genetika ‣ dan berbagai teknologi kecerdasan buatan yang lain.

DATA MINING DAN VISUALISASI DATA

 ‣  Pendekatan data mining juga ada yang melalui visualisasi data

 ‣ Pada sistem seperti ini, pemakai akan dibantu untuk menemukan sendiri pola dari sejumlah data berukuran besar dengan didasarkan visualisasi oleh data mining.

MACHINE LEARNING

‣ Kerusakan gearboxes telah menyebabkan Helikopter AS CH-46 jatuh.

‣Meskipun kerusakan gearbox tersebut dapat didiagnosa oleh mekanik sebelum helicopter itu tinggal landas, bagaimana jika kerusakan terjadi pada saat terbang hal itu tidak mungkin dideteksi oleh manusia. 

‣ Machine Learning digunakan untuk domain tersebut dan digunakan untuk menyelamatkan kehidupan manusia.

CARA KERJA NYA :

Jika ita sedang mengemudikan mobil, tiba tiba terdengar suara aneh dari mobil kita. 

‣ Untuk menghindari kecelakaan, kita akan memperlambat mobil kita, kemudian berhenti ditempat yang aman atau bengkel terdekat.

 ‣ Dalam penerbangan helicopter sistem monitoring kerusakan gearbox didisain dengan ide yang sama. Perbedaannya adalah, kerusakan gearbox tidak dapat didengar oleh manusia, tetapi harus dimonitor oleh mesin.

YANG KOMPUTER PELAJARI :

‣Komputer tidak dapat mendengar dan pastinya tidak akan dapat membedakan suar normal dan suara tidak normal. 

‣ Suara, dapat direpresentasikan sebagai pola gelombang seperti gambar dibawah ini, yang sebenarnya merupakan sederetan bilangan real yang diproyeksikan kedalam bentuk grafik.

‣ Komputer akan sangat memahami deretan angka tersebut!

‣ Sebagai contoh, sebuah komputer dapat dengan mudah diprogram untuk dapat mencari pada sederetan string apakah mengandung angka “3” didalamnya atau tidak.

‣Pada permasalahan monitoring gearbox helicopter, diasumsikan bahwa berfungsi atau tidaknya gearboxes akan menghasilkan suara yg berbeda. Maka, deretan nilai yang merepresentasikan suara tersebut akan mempunyai karakteristik yang berbeda. 

‣ Pada kenyataanya nernagai karakteristik mempunyai kategori yg berbeda, dan akan terlalu sulit untuk digambarkan. 

‣ Oleh karena itu, hal tersebut tidak dapat diprogram, tapi perlu dipelajari oleh komputer.

‣ Banyak cara komputer dapat mempelajari bagaimana mereka menemukan perbedaa dari dua pola ( decision trees, neural networks, bayesian networks, dll.) inilah yang dipelajari dalam Machine Learning!

APA SAJA YANG MACHINE LEARNING LAKUKAN?

‣ Diagnosa Medis (breast cancer detection) 

‣ Deteksi kecurangan Credit Card 

‣ Deteksi Sonar (kapal selam dibandingkan ikan ) 

‣ Speech Recognition ( Telephone automated systems)

 ‣ Mobil Otomatis (kendaraan yg dapat melaju tanpa awak pada 70 mph sejauh 90 kilometer di jalan tol. Berguna untuk misi berbahaya) 

‣ Personalized Web Assistants (bantuan otomatis yg dapat menyusun berita yg dierlukan sesuai kebutuhan pembacanya)

 DEFINISI MACHINE LEARNING

        Sebuah program komputer dikatakan belajar dari pengalaman/experience [E] sehubungan dengan beberapa tugas/task [T] dan mengukur kinerja/ performance [P], jika kinerjanya pada tugas-tugas [T], yang diukur dengan [P,] meningkatkan dengan pengalaman [E]. 

CONTOH APLIKASI MACHINE LEARNING

 Pembelajaran mengenali kata-kata yang diucapkan (Lee, 1989; Waibel, 1989).

 • Pembelajaran mengemudikan mobil otomatis (Pomerleau, 1989).

 • Pembelajaran klasifikasi struktur astronomi baru (Fayyad et al., 1995).

 • Pembelajaran bermain world-class backgammon (Tesauro 1992, 1995).

MENGAPA MACHINE LEARNING DI PERLUKAN?

 Beberapa tasks tidak dapat didefinisikan dengan baik, kecuali dengan contoh (mengenali orang).

 ‣ Relasi dan korelasi dapat tersembunyi dalam data dalam jumlah besar. Machine Learning/Data Mining dapat menemukan relasi tersebut.

 ‣ Seorang designers seringkali menghasilkan mesin yang tidak dapat bekerja seperti yang diharapkan untuk bekerja pada lingkungannya dimana mereka digunakan.

‣ Jumlah pengetahuan yang tersedia tentang tugas-tugas tertentu mungkin terlalu besar untuk pengkodean eksplisit oleh manusia (misalnya, diagnostik medis).

 ‣  Lingkungan berubah seiring waktu.

‣ Pengetahuan baru tentang tugas terus-menerus ditemukan oleh manusia. Mungkin sulit untuk terus sistem re-desain “secara manual

BIDANG ILMU YG BERKAITAN

‣ Statistik: Bagaimana cara terbaik menggunakan sample dari distribusi probabilitas yang tidak diketahui untuk mengetahui dari distibusi mana sampel baru diambil. 

‣ Brain Model: Unsur-unsur non-linear dengan input tertimbang (Artificial Neural Networks) telah diusulkan sebagai model sederhana neuron biologis

 ‣ Adaptive Control Theory: Bagaimana menangani pengendalian proses yang memiliki parameter yang tidak diketahui tetapi harus diestimasi selama operasi?

 ‣ Psychology: Bagaimana model kinerja manusia pada berbagai tugas learning? 

‣ Arificial Intelligence: Bagaimana menulis algoritma yang mampu memperoleh pengetahuan manusia, setidaknya, seperti manusia?

 ‣ Evolutionary Models: Bagaimana memodelkan aspek-aspek tertentu dari evolusi biologi untuk meningkatkan kinerja program komputer.

CONTOH DESAIN LEARNING SYSTEM

1. Mendeskripsikan Problem

2. Memilih Training Experience

3. Memilih Target Function 

4. Memilih Representasi Target Function 

5. Memilih Function Approximation Algorithm 

6. Design Akhir C

ISSUE PADA MACHINE LEARNING

 ‣ Algoritma apa yang tersedia untuk belajar konsep? 

‣ Seberapa baik mereka lakukan? 

‣ Berapa banyak data pelatihan yang cukup untuk belajar konsep dengan keyakinan yang tinggi?

 ‣ Kapan hal itu berguna terhadap pengetahuan sebelumnya? 

‣ Adalah beberapa pelatihan lebih berguna daripada yang lain?

 ‣ Apa saja tugas terbaik bagi sistem untuk belajar? 

‣ Apa cara terbaik bagi sistem untuk mewakili pengetahuan?