MODEL DAN PREDIKSI DATA

Assalamualaikum, Heello vlog welcome bek to my gesss wkwk 
.
.
.
Harini kita akan menjawab beberapa pertanyaan

APA ITU SUPERVISED LEARNING?

Supervised learning adalah suatu pendekatan dalam pembuatan AI. Disebut “supervised” karena dalam pendekatan ini, machine learning dilatih untuk mengenali pola antara input data dan label output. Tidak hanya itu, machine learning juga dilatih untuk mengidentifikasi hubungan yang mendasari koneksi input data dengan label output.

Jika diibaratkan, supervised learning adalah belajar di sekolah. Saat belajar di sekolah, Anda mempelajari materi atau mata pelajaran yang sudah ditentukan. Supervised learning pun demikian, machine learning dilatih untuk mempelajari data yang telah diberi label khusus.

APA ITU UNSUPERVISED LEARNING?

Unsupervised learning adalah suatu teknik yang digunakan machine learning dalam pembuatan artificial intelligence. Dalam pendekatan ini, Anda tidak perlu melatih algoritma komputer untuk mengenali pola penyusun AI. Model dirancang untuk bisa “belajar mandiri” dalam mengumpulkan informasi, termasuk mengenali data yang tidak berlabel. Disebut “unsupervised” karena model pada pendekatan ini tidak perlu dilatih.Algoritma unsupervised learning biasanya digunakan pada prosedur yang lebih kompleks dan rumit.

PERBEDAAN SUPERVISED DAN UNSUPERVISED LEARNING

Lalu, sebenarnya apa perbedaan antara supervised dan unsupervised learning? 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.

Untuk memudahkan Anda, berikut adalah beberapa poin yang membedakan supervised dan unsupervised learning:

1. KEGUNAAN

Jika dilihat dari kegunaannya, kedua pendekatan ini sangat berbeda. Supervised learning akan membantu Anda untuk mengumpulkan atau memproduksi output data dari pengalaman yang sudah pernah terjadi. Hal ini mirip dengan memori manusia. Anda baru bisa mengingat nama seseorang ketika sudah pernah berkenalan atau bertemu.

Sementara itu, unsupervised learning lebih sering digunakan untuk menemukan seluruh pola yang tidak dikenal dalam data. Contoh penerapan yang sudah sering digunakan dalam kehidupan sehari-hari adalah prediksi waktu pada peta digital. Saat menggunakan peta digital untuk mencari rute menuju lokasi tertentu, sistem akan mencantumkan prediksi waktu tempuh. Padahal, Anda belum pernah berkendara ke lokasi tersebut.

2. PROSES KERJA

Pada model supervised learning, Anda akan mendapatkan variabel data input dan output. Namun, hal ini tidak terjadi pada unsupervised learning. Pada pendekatan tersebut, Anda hanya akan mendapatkan data input.

Ini karena supervised learning memungkinkan Anda 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.

3. PROSES BELAJAR

Seperti yang sudah Anda ketahui, machine learning melakukan pembelajaran untuk bisa mengenali data. Namun, proses belajar tiap pendekatan machine learning berbeda-beda. Ada yang melakukannya secara real-time, tapi ada juga yang melakukannya secara offline atau mempersiapkan materi belajar sebelum berhadapan langsung dengan data.

Pada supervised learning, algoritma komputer melakukan pembelajaran secara offline sebelum menghadapi data. Artinya, komputer “dibekali” sejumlah materi tertentu agar nanti dapat mengenali data dengan mudah.

Hal ini tidak terjadi pada unsupervised learning. Pada pendekatan ini, algoritma komputer mempelajari data secara real-time. Itu artinya, ketika komputer berhadapan dengan data, pada saat itu juga, komputer belajar mengenali data.

PERBEDAAN MODEL DATA BERDASARKAN OBJEK DAN MODEL DATA BERDASARKAN RECORD 

MODEL DATA BERBASIS OBJEK

Model data berbasis objek menggunakan konsep entitas, atribut dan hubungan antar entitas. Dan model ini terdiri dari :

1. Entity Relationship Model

Model untuk menjelaskan hubungan antar data dalam basis data berdasarkan suatu persepsi bahwa real word terdiri dari objek-object dasar yang mempunyai hubungan atau relasi antara objec-objec tersebut E-R MODEL berisi ketentuan /aturan khusus yang harus dipenuhi oleh isi database.

2. Binary Model

Binary model adalah model data yang memperluas definisi dari entity, bukan hanya atributenya tetapi juga tindakan-tindakannya.

3. Semantic Model

Hampir sama dengan Entity Relationship model dimana relasi antara objek dasar tidak dinyatakan dengan simbol tetapi menggunakan kata-kata (Semantic).

Sedangkan

MODEL DATA BERBASIS RECORD

Model ini berdasarkan pada record untuk menjelaskan kepada user tentang hubungan logic antar data dalam basis data. Berbeda dengan Object Based Data Model (Model Data Berbasis Object), Model Data ini digunakan untuk menguraikan struktur logika keseluruhan dari suatu database, juga digunakan untuk menguraikan implementasi dari sistem database (higher level description of implementation).

Terdapat 3 jenis Model Data pada Model Data Berbasis Record, yaitu :

1. Model Relational

Dimana data serta hubungan antar data direpresentasikan oleh sejumlah tabel dan masing-masing tabel terdiri dari beberapa kolom yang namanya unique.

2. Model Hirarki

Dimana data serta hubungan antar data direpresentasikan dengan record dan link (pointer), dimana record-record tersebut disusun dalam bentuk tree (pohon), dan masing-masing node pada tree tersebut merupakan record/grup data elemen dan memiliki hubungan cardinalitas 1:1 dan 1:M

3. Model Jaringan

Distandarisasi tahun 1971 oleh Database Task Group (DBTG) atau disebut juga model CODASYL (Conference on Data System Language), mirip dengan hirarkical model dimana data dan hubungan antar data direpresentasikan dengan record dan links.

ESTIMASI

Estiminasi adalah suatu metode untuk memperkirakan sesuatu, atau dalam kata lain dimana kita dapat memperkirakan sebuah populiasi (parameter) dengan memakai nilai sampel (statistik)

Contohnya

- Saat kita melakukan sebuah kegiatan yang membutuhkan anggaran dana

- Proyek yang di kerjakan dengan batasan waktu tertentu.

Dalam hal itu rencana perkiraan atau estimasi, menjadi tolak ukur dan gambaran umum dana atau waktu yang dibutuhkan untuk menyelesaikan pekerjaan tersebut.

KLASIFIKASI

klasifikasi adalah paragraf yang berfungsi menjelaskan suatu informasi kepada pembaca dengan cara mengelompokkannya berdasarkan ciri ciri yang dimiliki.

Contohnya:

1) Berdasarkan jenis bijinya, tumbuhan dapat dikelompokkan menjadi tumbuhan dikotil dan tumbuhan monokotil.

2) Hewan dapat digolongkan menjadi beberapa jenis berdasarkan jenis makanannya. Penggolongan itu adalah hewan herbivora, karnivora, dan omnivora.

3) Sampah atau limbah rumah tangga yang setiap hari kita hasilkan ternyata dapat dibedakan menjadi beberapa jenis. Berdasarkan jenisnya, sampah dibedakan menjadi sampah organik, sampah anorganik, dan sampah kimiawi.

CLUSTERING

Clustering atau klasterisasi adalah metode pengelompokan data dan sangat berguna dalam prediksi dan analisa masalah bisnis tertentu. Misalnya Segmentasi pasar, marketing dan pemetaan zonasi wilayah. Di dalam business inteligence, clustering bisa mengatur banyak customer ke dalam banyaknya kelompok. 

Contohnya 

-Mengelompokan customer ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat.

SUMBER :

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

https://brainly.co.id/tugas/22794092

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

https://brainly.co.id/tugas/45196645

https://brainly.co.id/tugas/19677286

https://gramedia.com/

Sekian Terima Kasih