Model dan Prediksi Data

Arnabila Krisnadi (03) XI-Bahasa

Halo semuanya, kali ini kita kan membahas tentang beberapa hal model dan prediksi data.

1. Perbedaan unsupervised dan supervised learning.

Pada umumnya, Unsupervised learning dan supervised adalah pendekatan yang dilakukan algoritma komputer dalam mengenali pola pada data. Supervised mengenali data dari label khusus yang telah diberikan sebelumnya, sedangkan unsupervised mengenali data secara real-time begitu data disajikan. Perbedaan yang paling mendasar terletak pada bagaimana algoritma komputer bekerja dalam masing-masing pendekatan. Pada supervised learning, algoritma dilatih terlebih dulu baru bisa bekerja. Sedangkan algoritma komputer unsupervised learning telah dirancang untuk bisa langsung bekerja walaupun tanpa dilatih terlebih dulu.

Kegunaan : Supervised learning untuk mengumpulkan atau memproduksi output data dari pengalaman yang sudah pernah terjadi. Hal ini mirip dengan memori manusia. Sementara itu, unsupervised learning lebih sering digunakan untuk menemukan seluruh pola yang tidak dikenal dalam data. 

Proses kerja : Supervised learning akan mendapatkan variabel data input dan output. Namun, hal ini tidak terjadi pada unsupervised learning. Pada pendekatan tersebut, kita hanya akan mendapatkan data input. Hal tersebut membuat supervised learning memungkinkan untuk mengumpulkan atau memproduksi output data yang didapat dari pengalaman sebelumnya. Sementara itu, unsupervised learning tidak dirancang untuk “belajar” dari pengalaman sebelumnya sehingga tidak menghasilkan output data.

Proses belajar : Supervised learning, algoritma komputer melakukan pembelajaran secara offline sebelum menghadapi data. Artinya, komputer “dibekali” sejumlah materi tertentu agar nanti dapat mengenali data dengan mudah. Pada unsupervid learning, pendekatan ini dilakukan dengan algoritma komputer mempelajari data secara real-time. Itu artinya, ketika komputer berhadapan dengan data, pada saat itu juga, komputer belajar mengenali data.

https://algorit.ma/blog/supervised-vs-unsupervised-learning/#:~:text=Baik%20supervised%20maupun%20unsupervised%20learning,real%2Dtime%20begitu%20data%20disajikan.

2. Perbedaan model data berdasarkan objek dan model data berdasrkan record

1. Jenis Model data berbasis objek / Object Based Data Model (OBDM)
   Model data berbasis objek menggunakan konsep entitas, atribut dan hubungan antar entitas, terdiri dari Entity Relationship modelo Binary modelo Semantik data model

1. Jenis Model data berbasis record / Record Based Data Model (RBDM)
   Model ini berdasarkan pada record untuk menjelaskan kepada user tentang hubungan logic antar data dalam basis data

3. Estimasi dan Contoh Estimasi

Estiminasi adalah suatu metode untuk memperkirakan sesuatu, atau dalam kata lain dimana kita dapat memperkirakan sebuah populiasi (parameter) dengan memakai nilai sampel (statistik). Dalam hal itu rencana perkiraan atau estimasi, menjadi tolak ukur dan gambaran umum dana atau waktu yang dibutuhkan untuk menyelesaikan pekerjaan tersebut

Contohnya

- Saat kita melakukan sebuah kegiatan yang membutuhkan anggaran dana

- Proyek yang di kerjakan dengan batasan waktu tertentu.

https://brainly.co.id/tugas/45196631

4. Klasifikasi dan Contoh klasifikasi

Klasifikasi adalah pengaturan sistematis dalam pembagian atau pengelompokan hal berdasarkan kesamaan sifatnya. Klasifikasi memudahkan kita untuk mengerti suatu bidang yang kompleks menjadi lebih terstruktur namun sederhana.

Misalnya klasifikasi makhluk hidup menjadi amfibi, mamalia, ikan, ataupun aves, memberikan gambaran secara umum tentang makhluk hidup. 

https://www.kompas.com/skola/read/2021/04/20/152718769/ilmu-pengetahuan-logika-contoh-analisis-klasifikasi-dan-definisi?page=all#:~:text=Klasifikasi%20adalah%20pengaturan%20sistematis%20dalam%20pembagian%20atau%20pengelompokan%20hal%20berdasarkan%20kesamaan%20sifatnya.&text=Misalnya%20klasifikasi%20makhluk%20hidup%20menjadi,secara%20umum%20tentang%20makhluk%20hidup.

5. Clustering dan Contoh Clustering

Clustering adalah sebuah proses untuk mengelompokan data ke dalam beberapa cluster atau kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum. Proses partisi satu set objek data ke dalam himpunan bagian yang disebut dengan cluster. Objek yang di dalam cluster memiliki kemiripan karakteristik antar satu sama lainnya dan berbeda dengan cluster yang lain. Partisi tidak dilakukan secara manual melainkan dengan suatu algoritma clustering. Clustering juga dikenal sebagai data segmentasi karena clustering mempartisi banyak data set ke dalam banyak group berdasarkan kesamaannya. Selain itu clustering juga bisa sebagai outlier detection

Contoh Clustering : 

• Menemukan group atau kelompok yang tidak dikenal dalam data.
• Pada business inteligence, pengenalan pola citra, web search, bidang ilmu biologi, dan untuk keamanan (security). 
• Mengelompokan customer ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat.