Latar belankang serta update perkembangan kecerdasan buatan serta membangun pengertian bagaimana komputer dapat mengemulasikan kecerdasan manusia dengan menggunakan data dan teknik pelatihan algoritma
Latar belankang serta update perkembangan kecerdasan buatan serta membangun pengertian bagaimana komputer dapat mengemulasikan kecerdasan manusia dengan menggunakan data dan teknik pelatihan algoritma
Introduction to Artificial Intelligence - Pengenalan Kecerdasan BuatanSunu Wibirama
Kuliah Pengantar Kecerdasan Buatan oleh Dr. Sunu Wibirama. Kuliah ini dibagi menjadi empat bagian, yakni:
Part 1: Revolusi Industri 4.0 dan Kecerdasan Buatan
Part 2: Sejarah Turing Machine dan Teknologi Kecerdasan Buatan
Part 3: Pengantar Machine Learning
Part 4: Pengantar Deep Neural Network
Instruktur:
Dr. Sunu Wibirama (UGM, Indonesia)
http://sunu.staff.ugm.ac.id
Materi yang membahas mengenai pengantar dan konsep sistem informasi dalam bentuk powerpoint (PPT) yang mana untuk memenuhi tugas mata kuliah keamanan teknologi informasi.
Materi yang ada pada slide ini berisi :
Pengenalan Konsep Class Diagram
Hubungan OOAD dengan OOP
Konsep Objek dan Kelas
Konsep dan Simulasi Enkapsulasi
Konsep dan Simulasi Pewarisan
Konsep dan Simulasi Polimorphisme
Penjelasan Konsep Abstraksi Pada OOAD dan OOP
Penjelasan Konsep Generic
----------------------------------------------------------------------
Keep in touch with me in :
Email : rizkiadamunikom@gmail.com
Materi yang ada pada slide ini berisi :
Implementasi Polimorphism
Overloading method VS Overriding Method
Ad Hoc & Subtyping Polimorphism
Latihan 5 & Upload ke github
----------------------------------------------------------------------
Keep in touch with me in :
Twitter : https://twitter.com/rizkiadam_1991
Email : rizkiadamunikom@gmail.com
Github : https://github.com/RizkiAdamKurniawan
IG : @rizkiadamkurniawan
Introduction to Artificial Intelligence - Pengenalan Kecerdasan BuatanSunu Wibirama
Kuliah Pengantar Kecerdasan Buatan oleh Dr. Sunu Wibirama. Kuliah ini dibagi menjadi empat bagian, yakni:
Part 1: Revolusi Industri 4.0 dan Kecerdasan Buatan
Part 2: Sejarah Turing Machine dan Teknologi Kecerdasan Buatan
Part 3: Pengantar Machine Learning
Part 4: Pengantar Deep Neural Network
Instruktur:
Dr. Sunu Wibirama (UGM, Indonesia)
http://sunu.staff.ugm.ac.id
Materi yang membahas mengenai pengantar dan konsep sistem informasi dalam bentuk powerpoint (PPT) yang mana untuk memenuhi tugas mata kuliah keamanan teknologi informasi.
Materi yang ada pada slide ini berisi :
Pengenalan Konsep Class Diagram
Hubungan OOAD dengan OOP
Konsep Objek dan Kelas
Konsep dan Simulasi Enkapsulasi
Konsep dan Simulasi Pewarisan
Konsep dan Simulasi Polimorphisme
Penjelasan Konsep Abstraksi Pada OOAD dan OOP
Penjelasan Konsep Generic
----------------------------------------------------------------------
Keep in touch with me in :
Email : rizkiadamunikom@gmail.com
Materi yang ada pada slide ini berisi :
Implementasi Polimorphism
Overloading method VS Overriding Method
Ad Hoc & Subtyping Polimorphism
Latihan 5 & Upload ke github
----------------------------------------------------------------------
Keep in touch with me in :
Twitter : https://twitter.com/rizkiadam_1991
Email : rizkiadamunikom@gmail.com
Github : https://github.com/RizkiAdamKurniawan
IG : @rizkiadamkurniawan
SISTEM INFORMASI KERUSAKAN LAPTOP MENGGUNAKAN METODE NAÏVE BAYESHaris Pramudia
Expert system is a computer-based system that uses knowledges, facts and technical reasoning in solving problems which usually can only be solved by an expert in that field. Expert system is created in a particular area for a particular expertise which is approaching human capabilities subjected to one field. Expert system tries to find the solution as it is carried out by an expert. It can also provide some explanations of the steps taken and provide suggestions or conclusions required. Naïve Bayes is a method of statistics classification that can be used to predict the probability of membership of a class. Bayesian classification is based on Bayes theorem which has similar ability classification to the decesion tree and neural network. Bayesian classification has proved to have high accuracy and speed if it is applied into the database which contains huge data.
Penelitian ini melalui beberapa tahap yaitu analisa terhadap kebutuhan
sistem knowledge management system yang sesuai dengan proses pembuatan materi ajar
di STIKI dan membuat desain Knowledge Management System dengan menggunakan
UML.
Slide ini berisi mengenai data pribadi dari perspektif teknis/teknologi. Disampaikan pada webinar perlindungan data pribadi di Fakultas Ilmu Sosial dan Humaniora, UIN Sunan Kalijaga Yogyakarta
Materi ini berisi pengenalan dasar-dasar Social Network Analysis. Disampaikan pada workshop yang diselenggarakan oleh Fakultas Ilmu Sosial dan Humaniora, UIN Sunan Kalijaga Yogyakarta di bulan November 2020
This presentation talks about basic principle and techniques of social media analytics. Covering basic data representation of social media, content analysis and network data analysis
Kampung Keluarga Berkualitas merupakan salah satu wadah yang sangat strategis untuk mengimplementasikan kegiatan-kegiatan prioritas Program Bangga Kencana secara utuh di lini
lapangan dalam rangka menyelaraskan pelaksanaan program-program yang dilaksanakan Desa
1. Machine Learning dengan R
Muhammad Rifqi Ma’arif, M.Eng
Matakuliah Ilmu Data Industrial
Program Studi Teknik Industri
Fakultas Teknik & Teknologi Informasi
Universitas Jenderal Achmad Yani Yogyakarta
2020
2. Pengantar Machine Learning
• Machine learning adalah cabang dari artificial intelligence.
Kecerdasan buatan memiliki pengertian yang sangat luas
tapi secara umum dapat dipahami sebagai komputer
dengan kecerdasan layaknya manusia.
• Sedangkan machine learning memiliki arti lebih spesifik
yaitu menggunakan metode statistika untuk membuat
komputer dapat mempelajari pola pada data tanpa perlu
diprogram secara eksplisit.
• Machine learning dibagi menjadi beberapa kategori.
Tepatnya ada empat kategori besar, yaitu supervised
learning, unsupervised learning, semi-supervised learning,
dan reinforcement learning.
3. Supervised Learning - Klasifikasi
• Klasifikasi adalah teknik untuk menentukan kelas
atau kategori berdasarkan atribut yang diberikan.
• Klasifikasi yang menghasilkan dua kategori disebut binary
classification,
• Klasifikasi yang menghasilkan 3 kategori atau lebih disebut
multiclass classification atau klasifikasi banyak kelas.
• Teknik-teknik Klasifikasi
• Decision Tree
• Random Forest
• Support Vector Machine
• Artificial Neural Network
4. Decision Tree
• Decision tree atau pohon keputusan adalah
salah satu algoritma supervised learning yang
dapat dipakai untuk masalah klasifikasi dan
regresi.
• Decision tree merupakan algoritma yang powerful alias
mampu dipakai dalam masalah yang kompleks.
• Decision tree juga merupakan komponen pembangun
utama algoritma Random Forest, yang merupakan
salah satu algoritma paling powerful saat ini.
• Decision tree memprediksi sebuah
kelas (klasifikasi) atau nilai (regresi)
berdasarkan aturan-aturan yang
dibentuk setelah mempelajari data.
5. Decision Tree dengan R
• Dataset (Iris Dataset)
• Dataset iris merupakan salah satu
dataset populer untuk belajar
bagaimana ML dipakai dalam klasifikasi.
Dataset ini berisi 150 sampel dari 3
spesies bunga iris.
• Pada dataset Iris terdapat 4 kolom
atribut yaitu panjang sepal, lebar sepal,
panjang petal, dan lebar petal.
• Untuk label terdapat 3 kelas atau
kategori atau jenis yang terdapat pada
dataset yaitu Setosa, Versicolor dan
Virginica. Kelas adalah.
7. Supervised Learning - Regresi
• Regresi adalah salah satu teknik machine learning yang
mirip dengan klasifikasi. Bedanya pada klasifikasi, sebuah
model machine learning memprediksi sebuah kelas,
sedangkan model regresi memprediksi bilangan kontinu.
Bilangan kontinu adalah bilangan numerik.
• Regresi linier adalah salah satu metode supervised yang
masuk dalam golongan regression, sesuai namanya.
• Contoh paling terkenal dari regresi linier adalah
memperkirakan harga rumah berdasarkan fitur
yang terdapat pada rumah seperti luas rumah,
jumlah kamar tidur, lokasi dan sebagainya.
• Regresi linier cocok dipakai ketika terdapat
hubungan linear pada data.
9. Unsupervised Learning - Klastering
• Klaster (cluster) adalah sebuah grup yang memiliki kemiripan tertentu.
• Pengklasteran adalah sebuah metode machine learning unsupervised
untuk mengelompokkan objek-objek yang memiliki kemiripan, ke dalam
sebuah klaster.
• Karena termasuk kategori unsupervised, maka dataset yang digunakan
model clustering tidak memiliki label.
• Data yang memiliki kemiripan akan dikelompokkan, lalu setiap data pada
kelompok yang sama akan diberikan label yang sama.
• Contoh kasus untuk teknik clustering adalah customer segmentation.
• Dari data ribuan pengunjung sebuah website ecommerce, model akan
belajar sendiri untuk mengelompokkan pengunjung. Bisa berdasarkan
waktu kunjungan, lama kunjungan, penggunaan fitur search, jumlah klik,
dan sebagainya.
• Model unsupervised learning akan menentukan segmen market dan
mengelompokkan pengunjung ke dalam segmen market yang berbeda.
10. K-Means Clustering
• Pengklasteran K-Means adalah sebuah
metode yang dikembangkan oleh Stuart
Lloyd dari Bell Labs pada tahun 1957. Lloyd
menggunakan metode ini untuk mengubah
sinyal analog menjadi sinyal digital.
• Hal yang paling pertama K-Means lakukan
adalah memilih sebuah sampel secara acak
untuk dijadikan centroid. Centroid adalah
sebuah sampel pada data yang menjadi
pusat dari sebuah klaster. Selanjutnya
Centroid akan diupdate secara iterative
untuk mendapatkan klaster terbaik.
Perhatikan ilustrasi disamping