SlideShare a Scribd company logo
1 of 18
Download to read offline
PENGANTAR
DATA
SCIENCE
MELRI DESWINA, M.PD.T
KONTRAK PERKULIHAN DATA
SCIENCE
SEMESTER GENAP JAN-JUN 2023
SISTEM PENILAIAN
 QUIZ 5 %
TUGAS KELOMPOK 15 %
UTS 10 %
UAS 20 %
 TUGAS AKHIR 50 %
UNTUK KEHADIRAN HARUS 90 % SETIAP KALI AKAN MELAKSANAKAN UJIAN. JIKA KEHADIRAN KURANG
DARI 90 % MAKA TIDAK BISA MELAKSANAKAN UJIAN.
ATURAN PERKULIAHAN
Mahasiswa diharapkan masuk kelas on-time, terlambat 15 menit dengan kesadaran sendiri diharpak
tidak menggangu perkuliahan di kelas. Lewat dari 15 menit di anggap tidak hadir.
Perkuliahan kosong jika dosen yang bersangkutan memberi informasi sebelumnya atau tidak hadir
setalah 15 menit jadawal perkuliahan dimulai.
Selama perkuliahan, mahasiswa diwajibkan untuk tidak menggunakan kaos oblong dan tidak
menggunakan sendal atau sejenisnya. Melanggar hal tersebut tidak diperbolehkan mengikuti
perkuliahan.
Sistem perkuliahan kita lakukan dengan metode diskusi kelompok.
Absensi juga wajib di ambil di e-lerning masing-masing.
Apa itu data science ?
Data science adalah ilmu yang menggabungkan matematika,
statisika dengan ilmu komputer dengan tujuan analisa data (data
(data analysis) dari suatu himpunan data baik skala kecil
(sampel) maupun besar (populasi) dengan mengaplikasikan
algoritma tertentu untuk tujuan menggali data (data mining)
dan mendapatkan pola data serta dapat melakukan prediksi
data (prediction) dengan cukup akurat yang dapat membantu
dalam pengambilan keputusan dan dapat digunakan untuk
membuat sistem yang cerdas (AI) yang dapat terus belajar
dengan sendirinya (machine learning).
Kemampuan apa yang
dibutuhkan ?
1. Kemampuan Matematika dan Statistika
2. Kemampuan Pemrograman (R, Python, dan lainnya)
3. Kemampuan Database dan Query (SQL dan lainnya) dan
pengolahan data
4. Kemampuan analisa data dan visualisasi data
5. Kemampuan pemahaman masalah terkait bisnis atau suatu
bidang lainnya.
Apa beda Data Science, Data
Mining & Machine Learning ?
Data Science melibatkan proses
berikut :
•Data Mining adalah proses pengambilan informasi dari pola data dari himpunan data yang sebelumnya
tidak diketahui, kadang disebut juga Data Discovery.
Data Mining fokus pada mengekstrak pola menggunakan metode statistik untuk dianalisa dan dapat
juga melakukan prediksi.
•Machine learning adalah bidang yang merupakan bagian dari Artificial Intelligence (AI) yang digunakan
agar sistem komputer secara otomatis dapat belajar dengan sendirinya tanpa diberi instruksi
pemrograman dan dapat meningkatkan prediksi yang akurat dan pengunaannya biasanya sifatnya
realtime.
Jadi Data Mining dan Machine Learning merupakan bagian dari Data Science
Tujuan Data Science
Menggali data dan memberikan informasi seakurat mungkin yang digunakan untuk :
oDeskripsi yaitu menampilkan pola data untuk dianalisa dan penemuan masalah.
oPrediksi yaitu melakukan prediksi berupa nilai, probabilitas maupun data dan kemudian
merekomendasikan hasilnya untuk digunakan sebagai alat bantu pengambil keputusan maupun
secara langsung digunakan secara otomatis oleh sistem.
JENIS PEMBELAJARAN DATA SCIENCE
Jenis Pembelajaran Data Science
• Supervised Learning (Prediksi)
Untuk membentuk sistem yang cerdas, sistem harus diberikan
pelatihan terlebih dahulu (training) dengan data fakta
(labelled training), sistem akan belajar dan membentuk pola
data yang ada baru kemudian digunakan untuk melakukan
prediksi, proses belajarnya seperti anak murid yang diajarkan
oleh guru.
• Unsupervised Learning (Deskripsi)
Sistem dapat mengandalkan data yang belum dilatih
sebelumnya (unlabelled training) dan dapat membentuk pola
data yang sifatnya deskriptif, bukan untuk prediksi.
• Reinforced dan Deep Learning (Prediksi)
Sistem belajar dari feedback lingkungan dengan teknik
learning yang iteratif (berulang-ulang) dan adaptif
(menyesuaikan) seperti cara manusia belajar dengan
sendirinya, algoritma digunakan untuk memaksa sistem
belajar menemukan nilai optimal dengan coba-coba (trial and
error). Teknik pembelajaran menggunakan algoritma Neural
Network berlapis yang sangat mirip dengan cara kerja otak
manusia dimana neuron-neuron satu sama lain membentuk
jaringan neuron yang sangat rumit.
Digunakan untuk banyak jenis seperti : Prediksi populasi,
cuaca, kondisi pasar, iklan, pendeteksi penipuan, klasifikasi
gambar, pola kebiasaan pelanggan, jenis atau karakteristik
pelanggan, marketing yang lebih terarah, rekomendasi
produk, AI Game, pendeteksi anomali dan masih banyak
kegunaan lainnya.
MACHINE LEARNING VS TRADITIONAL PROGRAMMING
Machine Learning hanya
membutuhkan Data sebagai input
dan contoh
diinginkan, dan
output
sistem
yang
akan
mencari dengan sendirinya
program perhitungannya.
CONTOH
•Data Training berisi data fakta yang ada
•Data Tes berisi data yang ingin diprediksi
Data Science Pengantar
Data Science Pengantar
Data Science Pengantar
Data Science Pengantar
Data Science Pengantar
Data Science Pengantar
Data Science Pengantar

More Related Content

What's hot

Pertemuan 2-pemecahan-masalah-ai
Pertemuan 2-pemecahan-masalah-aiPertemuan 2-pemecahan-masalah-ai
Pertemuan 2-pemecahan-masalah-aiwillyhayon
 
Data Mining - Naive Bayes
Data Mining - Naive BayesData Mining - Naive Bayes
Data Mining - Naive Bayesdedidarwis
 
Data mining 2 exploratory data analysis
Data mining 2   exploratory data analysisData mining 2   exploratory data analysis
Data mining 2 exploratory data analysisIrwansyahSaputra1
 
Kuliah 2a penelitian di bidang ilmu komputer
Kuliah 2a penelitian di bidang ilmu komputerKuliah 2a penelitian di bidang ilmu komputer
Kuliah 2a penelitian di bidang ilmu komputerNur Anita Okaya
 
Proses rekayasa perangkat lunak
Proses rekayasa perangkat lunakProses rekayasa perangkat lunak
Proses rekayasa perangkat lunakDavy Arya Atmaja
 
Konsep Data Mining
Konsep Data MiningKonsep Data Mining
Konsep Data Miningdedidarwis
 
Mata Kuliah Basis Data
Mata Kuliah Basis DataMata Kuliah Basis Data
Mata Kuliah Basis DataMr. Nugraha
 
ERD Sistem Informasi Pemesanan Tiket Bioskop Online
ERD Sistem Informasi Pemesanan Tiket Bioskop OnlineERD Sistem Informasi Pemesanan Tiket Bioskop Online
ERD Sistem Informasi Pemesanan Tiket Bioskop OnlineLucha Kamala Putri
 
Dasar dasar statistik inferensial
Dasar dasar statistik inferensialDasar dasar statistik inferensial
Dasar dasar statistik inferensialApriliani Putri
 
7. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v2
7. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v27. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v2
7. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v2ArdianDwiPraba
 
Modul bahan-ajar-kecerdasan-buatan-ptiik-final
Modul bahan-ajar-kecerdasan-buatan-ptiik-finalModul bahan-ajar-kecerdasan-buatan-ptiik-final
Modul bahan-ajar-kecerdasan-buatan-ptiik-finalRamla Lamantha
 
Sistem Tiket Bioskop Menggunakan Diagram UML
Sistem Tiket Bioskop Menggunakan Diagram UMLSistem Tiket Bioskop Menggunakan Diagram UML
Sistem Tiket Bioskop Menggunakan Diagram UMLFarichah Riha
 

What's hot (20)

Pertemuan 2-pemecahan-masalah-ai
Pertemuan 2-pemecahan-masalah-aiPertemuan 2-pemecahan-masalah-ai
Pertemuan 2-pemecahan-masalah-ai
 
Data Mining - Naive Bayes
Data Mining - Naive BayesData Mining - Naive Bayes
Data Mining - Naive Bayes
 
Data mining 2 exploratory data analysis
Data mining 2   exploratory data analysisData mining 2   exploratory data analysis
Data mining 2 exploratory data analysis
 
Kuliah 2a penelitian di bidang ilmu komputer
Kuliah 2a penelitian di bidang ilmu komputerKuliah 2a penelitian di bidang ilmu komputer
Kuliah 2a penelitian di bidang ilmu komputer
 
Data mining
Data miningData mining
Data mining
 
Data mining 1 pengantar
Data mining 1   pengantarData mining 1   pengantar
Data mining 1 pengantar
 
Proses rekayasa perangkat lunak
Proses rekayasa perangkat lunakProses rekayasa perangkat lunak
Proses rekayasa perangkat lunak
 
Konsep Data Mining
Konsep Data MiningKonsep Data Mining
Konsep Data Mining
 
Mata Kuliah Basis Data
Mata Kuliah Basis DataMata Kuliah Basis Data
Mata Kuliah Basis Data
 
4. pengamanan sistem operasi
4. pengamanan sistem operasi4. pengamanan sistem operasi
4. pengamanan sistem operasi
 
ERD Sistem Informasi Pemesanan Tiket Bioskop Online
ERD Sistem Informasi Pemesanan Tiket Bioskop OnlineERD Sistem Informasi Pemesanan Tiket Bioskop Online
ERD Sistem Informasi Pemesanan Tiket Bioskop Online
 
Dasar dasar statistik inferensial
Dasar dasar statistik inferensialDasar dasar statistik inferensial
Dasar dasar statistik inferensial
 
Materi 6. perulangan
Materi 6. perulanganMateri 6. perulangan
Materi 6. perulangan
 
12 regresi
12 regresi12 regresi
12 regresi
 
Slide minggu 6 (citra digital)
Slide minggu 6 (citra digital)Slide minggu 6 (citra digital)
Slide minggu 6 (citra digital)
 
7. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v2
7. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v27. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v2
7. ta 2021-07-visualisasi-modul-ariw-2021-07-17-v2
 
Modul bahan-ajar-kecerdasan-buatan-ptiik-final
Modul bahan-ajar-kecerdasan-buatan-ptiik-finalModul bahan-ajar-kecerdasan-buatan-ptiik-final
Modul bahan-ajar-kecerdasan-buatan-ptiik-final
 
#1 PENGENALAN PYTHON
#1 PENGENALAN PYTHON#1 PENGENALAN PYTHON
#1 PENGENALAN PYTHON
 
Rpl 015 - interface user
Rpl   015 - interface userRpl   015 - interface user
Rpl 015 - interface user
 
Sistem Tiket Bioskop Menggunakan Diagram UML
Sistem Tiket Bioskop Menggunakan Diagram UMLSistem Tiket Bioskop Menggunakan Diagram UML
Sistem Tiket Bioskop Menggunakan Diagram UML
 

Similar to Data Science Pengantar

PENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdfPENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdfmelrideswina
 
Office ppt-template-003
Office ppt-template-003Office ppt-template-003
Office ppt-template-003hafid053
 
Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf
Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdfMinggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf
Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdfJoddySebastianSirega
 
Pert 03 introduction dm 2012
Pert 03 introduction dm 2012Pert 03 introduction dm 2012
Pert 03 introduction dm 2012aiiniR
 
BERPIKIR KOMPUTESIONAL 3.ppt
BERPIKIR KOMPUTESIONAL 3.pptBERPIKIR KOMPUTESIONAL 3.ppt
BERPIKIR KOMPUTESIONAL 3.pptAgusPurwadi20
 
TUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdf
TUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdfTUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdf
TUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdfHendroGunawan8
 
A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803
A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803
A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803Alvian yudha Prawira
 
ICT Literacy Artificial inytelegence and machine leraning.pptx
ICT Literacy Artificial inytelegence and machine leraning.pptxICT Literacy Artificial inytelegence and machine leraning.pptx
ICT Literacy Artificial inytelegence and machine leraning.pptxNusaibah Taqiyya
 
SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...
SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...
SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...Namira Jasmine
 
ppt metopen kel 09.pptx
ppt metopen kel 09.pptxppt metopen kel 09.pptx
ppt metopen kel 09.pptxRahmaNatasyah
 
5 ta-2021-05-business-understanding-modul-ariw-2021-07-17
5 ta-2021-05-business-understanding-modul-ariw-2021-07-175 ta-2021-05-business-understanding-modul-ariw-2021-07-17
5 ta-2021-05-business-understanding-modul-ariw-2021-07-17ArdianDwiPraba
 
01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdf01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdfherii2k01
 
4 pengenalan-supervised-dan-unsupervised-learning (1)
4 pengenalan-supervised-dan-unsupervised-learning (1)4 pengenalan-supervised-dan-unsupervised-learning (1)
4 pengenalan-supervised-dan-unsupervised-learning (1)Nera Ajahh
 
Slide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptx
Slide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptxSlide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptx
Slide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptxAgusGremory
 

Similar to Data Science Pengantar (20)

PENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdfPENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdf
 
Office ppt-template-003
Office ppt-template-003Office ppt-template-003
Office ppt-template-003
 
Sti kita
Sti kitaSti kita
Sti kita
 
Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf
Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdfMinggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf
Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf
 
Pert 03 introduction dm 2012
Pert 03 introduction dm 2012Pert 03 introduction dm 2012
Pert 03 introduction dm 2012
 
BERPIKIR KOMPUTESIONAL 3.ppt
BERPIKIR KOMPUTESIONAL 3.pptBERPIKIR KOMPUTESIONAL 3.ppt
BERPIKIR KOMPUTESIONAL 3.ppt
 
TUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdf
TUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdfTUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdf
TUGAS1_KECERDASAN_KOMPUTASIONAL_HENDRO_GUNAWAN_200401072103_IT-701.pdf
 
Big data.pptx
Big data.pptxBig data.pptx
Big data.pptx
 
Machine learning dan data mining
Machine learning dan data miningMachine learning dan data mining
Machine learning dan data mining
 
A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803
A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803
A11.2012.07112 alvian yudha prawira tgsdm2 _a11.4803
 
ICT Literacy Artificial inytelegence and machine leraning.pptx
ICT Literacy Artificial inytelegence and machine leraning.pptxICT Literacy Artificial inytelegence and machine leraning.pptx
ICT Literacy Artificial inytelegence and machine leraning.pptx
 
3
33
3
 
SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...
SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...
SIM, Namira Nur Jasmine, Hapzi Ali, Sistem Kecerdasan Buatan, Universitas Mer...
 
ppt metopen kel 09.pptx
ppt metopen kel 09.pptxppt metopen kel 09.pptx
ppt metopen kel 09.pptx
 
Pertemuan 1 dan 2
Pertemuan 1 dan 2Pertemuan 1 dan 2
Pertemuan 1 dan 2
 
5 ta-2021-05-business-understanding-modul-ariw-2021-07-17
5 ta-2021-05-business-understanding-modul-ariw-2021-07-175 ta-2021-05-business-understanding-modul-ariw-2021-07-17
5 ta-2021-05-business-understanding-modul-ariw-2021-07-17
 
9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning
 
01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdf01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdf
 
4 pengenalan-supervised-dan-unsupervised-learning (1)
4 pengenalan-supervised-dan-unsupervised-learning (1)4 pengenalan-supervised-dan-unsupervised-learning (1)
4 pengenalan-supervised-dan-unsupervised-learning (1)
 
Slide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptx
Slide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptxSlide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptx
Slide-INF401-KECERDASAN-BUATAN-PERTEMUAN-1.pptx
 

Data Science Pengantar

  • 3. SISTEM PENILAIAN  QUIZ 5 % TUGAS KELOMPOK 15 % UTS 10 % UAS 20 %  TUGAS AKHIR 50 % UNTUK KEHADIRAN HARUS 90 % SETIAP KALI AKAN MELAKSANAKAN UJIAN. JIKA KEHADIRAN KURANG DARI 90 % MAKA TIDAK BISA MELAKSANAKAN UJIAN.
  • 4. ATURAN PERKULIAHAN Mahasiswa diharapkan masuk kelas on-time, terlambat 15 menit dengan kesadaran sendiri diharpak tidak menggangu perkuliahan di kelas. Lewat dari 15 menit di anggap tidak hadir. Perkuliahan kosong jika dosen yang bersangkutan memberi informasi sebelumnya atau tidak hadir setalah 15 menit jadawal perkuliahan dimulai. Selama perkuliahan, mahasiswa diwajibkan untuk tidak menggunakan kaos oblong dan tidak menggunakan sendal atau sejenisnya. Melanggar hal tersebut tidak diperbolehkan mengikuti perkuliahan. Sistem perkuliahan kita lakukan dengan metode diskusi kelompok. Absensi juga wajib di ambil di e-lerning masing-masing.
  • 5. Apa itu data science ? Data science adalah ilmu yang menggabungkan matematika, statisika dengan ilmu komputer dengan tujuan analisa data (data (data analysis) dari suatu himpunan data baik skala kecil (sampel) maupun besar (populasi) dengan mengaplikasikan algoritma tertentu untuk tujuan menggali data (data mining) dan mendapatkan pola data serta dapat melakukan prediksi data (prediction) dengan cukup akurat yang dapat membantu dalam pengambilan keputusan dan dapat digunakan untuk membuat sistem yang cerdas (AI) yang dapat terus belajar dengan sendirinya (machine learning).
  • 6. Kemampuan apa yang dibutuhkan ? 1. Kemampuan Matematika dan Statistika 2. Kemampuan Pemrograman (R, Python, dan lainnya) 3. Kemampuan Database dan Query (SQL dan lainnya) dan pengolahan data 4. Kemampuan analisa data dan visualisasi data 5. Kemampuan pemahaman masalah terkait bisnis atau suatu bidang lainnya.
  • 7. Apa beda Data Science, Data Mining & Machine Learning ?
  • 8. Data Science melibatkan proses berikut : •Data Mining adalah proses pengambilan informasi dari pola data dari himpunan data yang sebelumnya tidak diketahui, kadang disebut juga Data Discovery. Data Mining fokus pada mengekstrak pola menggunakan metode statistik untuk dianalisa dan dapat juga melakukan prediksi. •Machine learning adalah bidang yang merupakan bagian dari Artificial Intelligence (AI) yang digunakan agar sistem komputer secara otomatis dapat belajar dengan sendirinya tanpa diberi instruksi pemrograman dan dapat meningkatkan prediksi yang akurat dan pengunaannya biasanya sifatnya realtime. Jadi Data Mining dan Machine Learning merupakan bagian dari Data Science
  • 9. Tujuan Data Science Menggali data dan memberikan informasi seakurat mungkin yang digunakan untuk : oDeskripsi yaitu menampilkan pola data untuk dianalisa dan penemuan masalah. oPrediksi yaitu melakukan prediksi berupa nilai, probabilitas maupun data dan kemudian merekomendasikan hasilnya untuk digunakan sebagai alat bantu pengambil keputusan maupun secara langsung digunakan secara otomatis oleh sistem.
  • 10. JENIS PEMBELAJARAN DATA SCIENCE Jenis Pembelajaran Data Science • Supervised Learning (Prediksi) Untuk membentuk sistem yang cerdas, sistem harus diberikan pelatihan terlebih dahulu (training) dengan data fakta (labelled training), sistem akan belajar dan membentuk pola data yang ada baru kemudian digunakan untuk melakukan prediksi, proses belajarnya seperti anak murid yang diajarkan oleh guru. • Unsupervised Learning (Deskripsi) Sistem dapat mengandalkan data yang belum dilatih sebelumnya (unlabelled training) dan dapat membentuk pola data yang sifatnya deskriptif, bukan untuk prediksi. • Reinforced dan Deep Learning (Prediksi) Sistem belajar dari feedback lingkungan dengan teknik learning yang iteratif (berulang-ulang) dan adaptif (menyesuaikan) seperti cara manusia belajar dengan sendirinya, algoritma digunakan untuk memaksa sistem belajar menemukan nilai optimal dengan coba-coba (trial and error). Teknik pembelajaran menggunakan algoritma Neural Network berlapis yang sangat mirip dengan cara kerja otak manusia dimana neuron-neuron satu sama lain membentuk jaringan neuron yang sangat rumit. Digunakan untuk banyak jenis seperti : Prediksi populasi, cuaca, kondisi pasar, iklan, pendeteksi penipuan, klasifikasi gambar, pola kebiasaan pelanggan, jenis atau karakteristik pelanggan, marketing yang lebih terarah, rekomendasi produk, AI Game, pendeteksi anomali dan masih banyak kegunaan lainnya.
  • 11. MACHINE LEARNING VS TRADITIONAL PROGRAMMING Machine Learning hanya membutuhkan Data sebagai input dan contoh diinginkan, dan output sistem yang akan mencari dengan sendirinya program perhitungannya. CONTOH •Data Training berisi data fakta yang ada •Data Tes berisi data yang ingin diprediksi