YT YouTube2Text

YouTube2Text → Transcripts → Team Teaching: Komputasi Big Data - Supervised Learning (Part 1)

Team Teaching: Komputasi Big Data - Supervised Learning (Part 1) — Transcript

by UG Pembelajaran Siber · 3,069 words · 564 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:09[musik]
0:17Asalamualaikum warahmatullahi
0:19wabarakatuh.
0:20Waalaikumsalam.
0:21Salam jumpa pemirsa WGE TV di mana pun
0:23Anda berada. Senang sekali saya Feni
0:26Andriani hadir di layar kaca Anda
0:29tentunya dalam program literasi edisi
0:31tim teaching mata kuliah komputasi big
0:34data. Program literasi ini dapat diakses
0:37melalui web streaming pada
0:39www.tv.gunadarma.ac.id
0:43atau www.ugtv.co.id
0:45co.id atau dengan men-download aplikasi
0:49UGTV Mobile pada Play Store maupun App
0:51Store. Program ini juga dapat diakses
0:54kembali dan disaksikan kembali melalui
0:56YouTube pada channel UGTV Official.
1:00Saat ini telah hadir dua narasumber kita
1:03kali ini di studio. Narasumber pertama
1:06adalah Ibu Dr. Riviana Arif.
1:09Asalamualaikum Bu Riviana.
1:11Waalaikumsalam.
1:12Sehat Ibu?
1:13Alhamdulillah.
1:15Baik. Ee yang kedua adalah narasumber
1:17kita yang tidak kalah ee yang sering ya
1:21sering muncul di layar kaca kita, Bapak
1:23Gali Permadi. Selamat pagi, Pak.
1:25Selamat pagi.
1:26Asalamualaikum warahmatullahi
1:27wabarakatuh. Iya.
1:29Baik. Ee tidak lama baik ee pada program
1:33ini terdiri dari tiga segmen. Segmen
1:35pertama akan diisi oleh Ibu Dr. Riviana.
1:38Kemudian di segmen kedua dan ketiga akan
1:41diisi oleh Bapak Galih Permadi. Baik. Ee
1:44untuk mempersingkat waktu, mari kita ee
1:47dengarkan ee paparan materi dari Ibu
1:49Riviana. Terima kasih.
1:51I
1:52terima kasih Ibu Feni.
1:56Ee pemirsa dan sahabat Yuji TV ee
1:59selamat pagi. Asalamualaikum
2:01warahmatullahi wabarakatuh.
2:02Waalaikumsalam warahmatullah.
2:03Ee ee kita masuk ke materi di segmen
2:08pertama. untuk ee materi hari ini adalah
2:12tentang supervised learning. Di segmen
2:14satu ini ee
2:17akan berkenalan dengan eh machine
2:19learning.
2:22Agenda untuk sesi satu eh mencakup
2:24machine learning konsep. Kemudian eh
2:27fokus kepada supervised learning eh test
2:30yaitu eh classification dan regression,
2:33kemudian use case, algoritma, dan proses
2:36dari supervised eh learning.
2:40ee sebagai pengantar ee
2:43ee saya sampaikan dulu ee bahwa ee saat
2:46ini kita memang ee berada di era digital
2:49ya ee ee adik-adik sekalian ee di mana
2:53ee
2:54bentuk data itu
2:57apa bertumbuh dalam jumlah yang ee besar
3:00dengan kecepatan yang luar biasa. ee
3:03sumber-sumber data ini bisa ee diperoleh
3:05dari ee media sosial, kemudian dari ee
3:08transaksi online, kemudian transform ee
3:12tasi digital dan seterusnya.
3:14Ee di mana semua aktivitas tersebut ee
3:17tentunya apa ee menghasilkan data yang
3:21ee besar. data ini akan menjadi bahan
3:24utama yang ee ee bisa kita gunakan untuk
3:28melakukan analisis ee inovasi dan ee apa
3:31memanfaatkan yang namanya kecerdasan
3:33buatan. Nah, di sini ee kita mengetahui
3:38juga bahwa machine learning itu saat ini
3:41sudah ee sangat mempengaruhi ya ee atau
3:45merubah ee pola kehidupan kita di mana
3:48ee ee ada search engine yang memudahkan
3:52ee apa ee kita melakukan pencarian
3:54berdasarkan ee preferensi kita. Kemudian
3:57ada rekomendasi sistem ee yang
4:01memudahkan atau men-support kita dalam
4:04apa ee melakukan
4:08pencarian gitu ya berdasarkan ee
4:10preferensi individu. Kemudian ee
4:15ee algoritma dari apa e untuk mencoba
4:19melihat atau prediksi dari harga saham
4:22dan seterusnya. Jadi dalam hal ini ee
4:25big data ee adalah data yang ee besar
4:30dan ada yang namanya kita perlu me apa
4:34mengambil informasi ee yang bermanfaat
4:38dari data-data tersebut dan machine
4:41learning itu ee menjadi ee jalannya.
4:46Nah, di sini eh fenomena big data, data
4:50mining dan machine learning. E tadi
4:52sudah disampaikan bahwa fenomena big
4:54data itu menyebabkan ledakan data
4:57digital yang ee begitu luas ee ee dari
5:02aktivitas yang dilakukan oleh manusia ee
5:04baik berupa teks, gambar, video, dan
5:07transaksi online. Ee di mana eh big data
5:10tersebut eh apa mencakup eh volumenya,
5:14velocity, variety, veracity, dan
5:17value-nya.
5:19data-data yang besar tersebut ee dapat
5:22kita ambil insight-nya ee atau ee
5:25menemukan sebetulnya apa sih ada
5:27informasi yang bermanfaat apa dari ee
5:30big data tersebut. Nah, itu ee adalah
5:33proses dari ee mengekstraksi data atau
5:36data mining. Eh, minggu lalu kita sudah
5:39ee bahas ya tentang data mining. Di
5:41antaranya ada classification,
5:43mencoba me
5:46apa namanya?
5:47mengelompokkan data berlabel, kemudian
5:50clustering e kelompok data tidak
5:51berlabel,
5:53regression eh misalnya digunakan untuk
5:55prediksi numerik, association dan
5:57seterusnya. Nah, kemudian ada machine
6:00learning eh sebagai cabang dari AI yang
6:04bisa men-support untuk ee apa ee
6:07melakukan prediksi dan pengambilan
6:09keputusan dari ee data yang diolah
6:11tersebut. Jadi intin eeya adalah ee
6:14bagaimana mengumpulkan data, melakukan
6:17proses, melatih ee data tersebut,
6:20mengevaluasi dan ee sehingga
6:22menghasilkan ee informasi baru atau ee
6:26berupa prediksi atau keputusan yang
6:28bermanfaat untuk ee apa ee digunakan
6:31oleh pengguna.
6:34Jadi di sini eh tentu saja
6:37eh ada istilah eh data is the new oil,
6:41AI is the new electricity. Jadi di sini
6:44kita bisa lihat bahwa eh sebetulnya saat
6:47ini data itu menjadi satu ee sumber atau
6:50tambang ee yang berharga ya, sumber data
6:54yang berharga. ee dalam hal ini ee
6:57banyak data tersebut itu ee dikatakan ee
7:01bisa jadi belum kelihatan manfaatnya
7:03atau belum bernilai sebelum diolah. Maka
7:05kita ee dalam hal ini membutuhkan yang
7:08peran dari machine learning. Kemudian di
7:11sini ada AI eh new electricity. Jadi, AI
7:15itu menjadi pendorong ee dari ee apa
7:18teknologi modern di mana dengan adanya
7:21AI kita sekarang ee ee dimudahkan ya
7:24untuk misalnya untuk melihat rekomendasi
7:27film ee kemudian ada penggunaan mobil
7:30otonom dan ee apa namanya ee sistem
7:33kesehatan digital. machine learning itu
7:36sebagai kilang datanya yang akan
7:37memproses mengubah big data tersebut
7:40jadi satu eh ee apa memproses ee dengan
7:45model tertentu untuk mencoba memprediksi
7:47dan mendukung keputusan yang bernilai
7:51ya. Jadi hubungan ketiganya yaitu big
7:53data sebagai bahan bakar, AI sebagai
7:57energi penggerak inovasi, machine
7:59learning sebagai mesin pengolahnya. Jadi
8:02ee mungkin ee buat adik-adik mahasiswa
8:05juga ee perlu memahami ya bahwa ee dalam
8:10hal ini ee di era sekarang ee mahasiswa
8:13perlu memiliki kemampuan untuk ee
8:16memahami data dan menggunakan ee machine
8:20learning ya. Ee di mana nanti ee
8:23prosesnya ee tersebut pemanfaatannya
8:27bisa dimanfaatkan di berbagai bidang.
8:29Jadi era barunya energi masa depan itu
8:32adalah data kecerdasan buatan. Ee maaf
8:35energi masa depan adalah data dan
8:37kecerdasan buatan. Siapa yang
8:38menguasainya akan memimpin masa depan.
8:42Oke. Kemudian di sini eh big data itu
8:45sangat berelasi eh erat ya dengan AI,
8:48machine learning, dan deep learning.
8:50tadi sudah disampaikan ee big data itu
8:52adalah data yang ee besar dengan ee
8:55kompleksitasnya sedemikian rupa di mana
8:59ee kita membutuhkan AI ee maaf kita
9:03membutuhkan machine learning untuk
9:05mengolah eh
9:08data tersebut ya. Machine learning itu
9:11adalah cabang dari AI. Kemudian ada lagi
9:14istilah deep learning itu bagian dari
9:18machine learning.
9:20Nah, kemudian ee dari apa namanya? Dari
9:24ee hubungan ketiganya big data
9:28akan diproses dengan menggunakan machine
9:31learning atau secara mendalam
9:33menggunakan deep learning. Ee dalam hal
9:36ini akan mendukung ee memberikan
9:40hasil atau ee keputusan yang cerdas
9:43dengan menggunakan AI tersebut.
9:47Kita masuk ke konsep machine
9:49learning-nya. Di sini ada definisi,
9:51aplikasi, dan tipe dari machine
9:53learning. Jadi, machine learning itu ee
9:56secara ee sederhananya adalah satu
9:59disiplin ilmu ya, yang mempelajari cara
10:02membangun dan mengkaji algoritma untuk
10:05bisa ee belajar dari data. Itu subbidang
10:08dari ilmu komputer ee tadi disampaikan
10:10adalah ee subbidang dari AI. Eh machine
10:14learning ini sangat terkait dengan eh
10:16statistik eh statistik dan eh operasi
10:19matematika.
10:20Eh machine learning memiliki banyak
10:23algoritma, maaf banyak algoritma ee yang
10:27bisa digunakan gitu ya untuk ee ee ee
10:31membangun model dari ee berbagai data
10:34yang ee dimiliki. Ee tujuannya ya untuk
10:38membuat prediksi atau keputusan.
10:41Jadi di sini machine learning bidang
10:43ilmu yang memungkinkan komputer belajar
10:46tanpa diprogram secara eksplisit. Itu
10:48menurut Arthur Samuel. Kemudian menurut
10:50Tom Michel eh program komputer dikatakan
10:53belajar jika kinerjanya pada tugas
10:55tertentu meningkat berdasarkan
10:57pengalaman. Jadi ee seperti layaknya
11:00manusia yang apa ee belajar sekali
11:03belajar berkali-kali itu akan menjadi
11:05semakin paham. Begitu juga mesin
11:07diberikan ee apa ee data kemudian
11:10diberikan ee tugas tertentu
11:12berulang-ulang itu akan semakin ee ee
11:16paham ee ee apa tugas yang diberikan.
11:20Jadi secara umum menurut Wikipedia,
11:22machine learning itu mempelajari
11:23algoritma komputer yang dapat
11:25meningkatkan kinerja secara otomatis
11:28melalui pengalaman dan data dengan cara
11:31membangun model dari data latih untuk
11:34membuat prediksi atau keputusan tanpa
11:36menggunakan pemrograman langsung atau
11:38tradisional.
11:42Ada beberapa contoh aplikasi dari
11:43machine learning yang ee kita rasakan
11:46manfaatnya ya. Eh salah satunya di
11:49bidang computer vision atau eh image. Eh
11:52di sini ada eh image classification
11:55mengklasifikasikan eh gambar
11:57gambar-gambar ke kriteria tertentu,
12:00object detection, kemudian ada image
12:03captioning eh di mana eh gambar ee
12:08komputer bisa ee men-describe itu gambar
12:10apa sih? Oh, ada ee seorang anak
12:13laki-laki sedang main ee bola misalnya
12:16seperti itu dan seterusnya. Dan di bawah
12:18ee paling bawah itu ada ee action
12:21detection. Jadi mendeteksi eh kegiatan
12:24apa yang dilakukan gitu.
12:27Selanjutnya eh di sisi lain eh
12:30pemanfaatan machine learning juga
12:31terkait dengan L NLP ya eh atau teks di
12:35mana kita bisa ee menggunakan untuk
12:39melihat sentimen analisis terhadap suatu
12:42kejadian atau suatu ee ee ee produk
12:47tertentu seperti itu. Kemudian ee kita
12:49juga bisa ee memanfaatkan saat ini untuk
12:53ee
12:55eh translate ya, mesin translation ee di
12:58mana ee bentuk mesin ee maaf untuk ee
13:03apa namanya transaksi ee translate
13:06tersebut itu ee memanfaatkan machine
13:08learning dengan berbagai apa namanya
13:11tipe bahasa tertentu itu bisa dilihat
13:14dengan mudah. Saat ini juga ee apa yang
13:17kita bicarakan dalam bentuk audio itu
13:19juga bisa langsung dilate ke bahasa yang
13:22diinginkan. Kemudian ada speech
13:24recognition, kemudian ada eh speed eh to
13:28text, maaf. Kemudian ada bagaimana cara
13:31men-summary dokumen gitu ya. Jadi dari
13:34satu dokumen kita mau ee dapatkan
13:37informasi ringkasannya atau inti sarinya
13:40misalnya seperti itu atau spam filter.
13:43kita suka kadang-kadang terima email
13:45yang sebetulnya bukan email yang kita
13:47butuhkan itu masuk spam. Nah, kita kalau
13:50ada pemanfaatan
13:52ee machine learning ini bisa memisahkan
13:56email-email yang ee sesuai itu akan
13:58masuk ke inbox, email yang tidak sesuai
14:01itu akan masuk ke ee spam folder
14:03misalnya seperti itu.
14:05Ee banyak ya ee kemudian terkait dengan
14:07finance ada credit scoring, kemudian eh
14:10mendeteksi fraud, kemudian memprediksi
14:13eh harga saham berdasarkan time series
14:16seperti itu. Kemudian eh
14:19aplikasi machine learning juga
14:20dimanfaatkan untuk eh recomendas eh
14:23recommendation ya. Eh kita saat ini ee
14:29kadang melihat dari ee rekomendasi yang
14:32diberikan ee orang lain ya terhadap
14:34suatu makanan tertentu misalnya gitu.
14:37kita juga bisa melakukan itu. Nah, dari
14:39apa yang kita lakukan itu bisa me ee
14:43men-suggest ya membuat ee kita ee ee
14:46tertarik untuk ee melakukan hal-hal
14:48tersebut. Misalnya terkait dengan ee
14:50rekomendasi makanan, kemudian produk ee
14:53belanja gitu ya, kemudian ee
14:55mendengarkan musik ee menonton YouTube
14:58dan seterusnya.
15:00Ada lagi juga terkait dengan robot ya.
15:02Saat ini kita ee memanfaatkan yang
15:04namanya smart home itu juga sebetulnya
15:07ee salah satu ee pemanfaatan dari robot
15:10pintar ya ee di mana bisa memudahkan
15:13kita ee ee apa dalam pekerjaan
15:15sehari-hari ee kapan lampu perlu
15:18dimatikan, kapan ee jam berapa ee apa
15:21namanya tanaman perlu disiram dan
15:23seterusnya.
15:25Kemudian juga eh saat ini yang ee tren
15:27juga adalah eh pemanfaatan AI untuk eh
15:30apa game ya untuk game. Kemudian eh dan
15:35eh saat ini adalah eh generative AI eh
15:39tren sekarang adalah chat GPT di mana
15:41Chat GPT itu mencoba me
15:44ee apa membuat eh atau content creation
15:48ya membuat ee apa menampilkan atau
15:51memberikan informasi berdasarkan
15:53pengetahuan yang dimiliki. Jadi ee dia
15:56akan berpikir dan mencoba memberikan
15:58jawaban seperti itu. Kemudian eh image
16:01generation. Kita juga melihat ya
16:04sekarang itu banyak eh di medsos ya ee
16:08ee contoh di sini adalah misalnya ee
16:11gambarnya kucing ee melihat eh kalender
16:13ya ee deadline seperti apa. Nah, itu ada
16:15ee ada ee pemanfaatan AI. Kemudian
16:18sekarang ini juga yang agak bahaya, kita
16:20agak khawatir ee sebetulnya kita ee
16:23sering ada de fact ya ee sebetulnya itu
16:26gambar itu benar apa enggak ya, kejadian
16:29itu benar apa enggak, ada kejadian
16:31kecelakaan di sini, ada kejadian banjir
16:33di sini, itu sebetulnya betul atau
16:36buatan gitu dan seterusnya.
16:40Oke, ee kita lanjut ke
16:44ee
16:46tipe-tipe dari machine learning. Jadi,
16:48hal ee apa yang disampaikan di ee depan
16:51tadi adalah eh berbagai pemanfaatan dari
16:53machine learning. Kemudian di sini eh
16:56kita menuju ke konsepnya bahwa eh
17:00machine learning ada
17:03tiga hal ya yang dikenal. ada supervised
17:05learning, unsupervised learning,
17:08kemudian reinforcement learning ya. Di
17:10mana supervised learning itu belajar
17:12dari data yang dilabelkan e berlabel.
17:16Contohnya di sini adalah klasifikasi dan
17:18regresi. Kemudian ada unsupervised
17:20learning. Ee bentuknya adalah mencoba
17:23melihat atau mencari pola ee pengetahuan
17:26ee dari data yang tidak dilabelkan.
17:29kita enggak tahu tuh ee sebetulnya ee
17:33data tersebut ee apa penjelasannya apa,
17:36tapi ee kita bisa mencoba mengelompokkan
17:38ya atau mengklasterisasi atau ada juga
17:41eh eh
17:42dimensionality reduction. Kemudian ada
17:46reinforcement learning ya, ini agak yang
17:47berbeda eh belajar melalui interaksi
17:51dengan lingkungan. Ee di sini ada reward
17:53dan punishment itu biasanya dipakai
17:55untuk ee game gitu ya. kemudian ee
17:58navigation ee robot dan seterusnya.
18:02Kemudian ee dari
18:05ee apa ee ketiga
18:08tipe tersebut ee tentunya kita perlu
18:12memberi apa menggunakan algoritma
18:14tertentu yang pas, yang sesuai untuk ee
18:17tipe-tipe tersebut. Ee itu banyak ee eh
18:20algoritma yang populer ya. eh linear
18:23regression, decision 3, the key means eh
18:26clustering n dan seterusnya.
18:33Kita masuk ke eh tipe yang pertama yaitu
18:36supervised learning. Tadi dikatakan
18:38bahwa supervised learning adalah
18:41menggunakan data berlabel di mana setiap
18:43datanya itu ada labelnya. Kemudian model
18:46akan dilatih ee untuk memetakkan input
18:49ke output. Jadi ee tujuannya untuk ee
18:53agar model bisa memprediksi label data
18:55yang baru yang belum pernah diketahui
18:57sebelumnya. Nah, contohnya di sini
19:00adalah ee ada sekumpulan data ee ada ee
19:05apa namanya? Buyu sangkar, ada segitiga.
19:08Nah, itu dilabelkan. Nah, kemudian di ee
19:11latih di eh supervised learning ini. Ee
19:14kemudian
19:17ee setelah model belajar dilakukan
19:19pengujian. Ketika dimasukkan data baru
19:22ee paham ee seperti apa ee akurasinya ee
19:27bisa memahami enggak itu adalah ee
19:29bentuk yang dimaksud gitu.
19:31Contoh lain adalah tadi ee ee
19:33pemanfaatan ee mengklasifikasi
19:37ee spam email ya atau yang kedua ee
19:41prediksi ee harga rumah misalnya.
19:45Yang kedua adalah unsupervised learning.
19:48Unsupervised learning ini beda dengan
19:51supervised learning. Yang pertama eh
19:54salah satunya adalah eh bedanya
19:56unsupervised learning itu menggunakan
19:58data tidak tanpa berlabel.
20:01Tujuannya menemukan pola atau struktur
20:04tersembunyi dari data. Biasanya itu
20:07digunakan untuk mengelompokkan data yang
20:09mirip-mirip atau menemukan keterkaitan
20:11antar data. Jadi ada clustering
20:15[berdehem] misalnya mengelompokkan
20:16berdasarkan kemiripan clustering
20:18pelanggan, segmentasi pasar, kemudian
20:21dimensional eh reduction, pengulangan
20:24pengurangan jumlah fitur atau variabel
20:27eh supaya data jadi lebih sederhana
20:28tanpa ee hilang dari informasi yang ee
20:32penting. Kemudian eh discovery laten
20:36factor menemukan faktor yang tersembunyi
20:38atau variabel yang tidak tampak langsung
20:40dari data. Tapi sebetulnya ada atau juga
20:44asosiasi e asosiasi ya association rule
20:47mencari mencari aturan atau hubungan
20:49antara
20:51item
20:53ee misalnya pola ee pember pembelian
20:55barang yang ee dibeli secara bersama.
20:58Jadi bedanya yang tadi supervise itu
21:01dengan label, unsupervised tanpa label.
21:04Yang ketiga eh
21:07jadi ini bedanya ya eh supervised dan
21:08unsupervised eh data berlabel dan tidak
21:11berlabel. Kemudian ee
21:15salah satunya ee algoritma yang bisa
21:18digunakan, maaf bukan algoritma eh
21:21jenisnya untuk eh supervise ada
21:23regression classification, kemudian
21:25unsupervised itu clustering dan
21:27association eh kemudian untuk supervise
21:30itu digunakan untuk prediksi eh
21:32sedangkan unsupervised itu digunakan
21:34untuk apa eh apa berguna untuk analisis
21:39algoritmanya ee masing-masing itu ee ee
21:42apa namanya ee digunakan sesuai
21:44kebutuhan.
21:46Ee contohnya algoritma untuk eh
21:48supervise itu ada decision 3, eh
21:51logistic regression, SVM dan seterusnya.
21:54Kemudian yang eh unsupervised itu
21:56misalnya kimins, eh hierarchical e
22:00clustering dan seterusnya.
22:03Yang ketiga itu semi superupervis. Nah,
22:06ini gabungan dari supervised dan
22:08unsupervised. Jadi, datanya campuran ada
22:10yang berlabel dan tidak berlabel. Ini
22:12biasanya digunakan kalau kita sulit ya
22:14mencari data yang berlabel.
22:16Kadang-kadang data yang apa namanya ee
22:19ada privacy, dokumen-dokumen
22:21pemerintahan dan seterusnya itu
22:22kadang-kadang kita agak sulit dikasih
22:24butuh datanya banyak untuk bisa diolah
22:28ke dalam model dan dapat hasil akurasi.
22:31harapannya dapatnya yang ee bagus, tapi
22:33kita punya datanya cuma ee apa namanya?
22:37Sedikit, maaf datanya berlabel tapi ee
22:40sebagian itu tidak ditentukan e jenisnya
22:43seperti apa. Maka kita bisa gunakan ini
22:46ee tujuannya untuk membantu meningkatkan
22:48akurasi model dengan memanfaatkan data
22:51yang tidak ber lebar secara efisien.
22:54Kemudian ada reinforcement learning e
22:56melibatkan eh yang bekerja melalui
22:59interaksi dengan lingkungan tadi ya ada
23:01eh reward dan punishment ya. Contohnya
23:04tadi untuk eh game AI kemudian ee di
23:07dalam game itu ada ee apa bagaimana nih
23:09strategi ee dalam apa permainan tersebut
23:12ee supaya enggak ee mati ya misalnya
23:16seperti itu dan seterusnya.
23:19Oke, jadi sebetulnya ini di data ee ini
23:21hubungannya dengan ee minggu lalu di
23:24mana ada big data ee gitu. Kemudian ee
23:27kita bisa mengekstraksi data menggunakan
23:30eh data mining. Kemudian cara
23:33mengolahnya itu kita bisa menggunakan
23:35machine learning. Di situ ada supervised
23:38learning, unsupervised, dan eh yang lain
23:40reinforcement learning.
23:44saya agak cepat di sini.
23:47Eh, jadi supervis machine learning ada
23:49dua ya, regresi dan klasifikasi. Tadi
23:52contohnya regresi itu dipakai untuk
23:54prediksi misalnya memprediksi ee harga
23:56saham, memprediksi temperatur ee hari
24:00ini seperti apa, besok seperti apa. Kita
24:02bisa menggunakan ee algoritma regresi
24:05linear, random forest dan lain-lain.
24:07Kita bisa gunakan evaluasi matriknya
24:09pakai mye, MSE, dan seterusnya. Nah,
24:12sedangkan classification kita mencoba
24:14memprediksi ee hasil atau kategori nilai
24:18kategori dari ee data-data tersebut.
24:21Misalnya ee customer Chang kemudian
24:24email eh email ya eh apakah tadi
24:27bentuknya eh spam atau bukan. Ee kita
24:30bisa menggunakan e decision 3, e random
24:32forest, SVM dan lain-lain. Kita bisa
24:34gunakan eh matrik evaluasinya mengukur
24:38atau menilainya dengan akurasi,
24:40precision, dan seterusnya.
24:43Ya, di sini. Jadi, algoritma e supervis
24:45learning eh banyak. Eh, kita bisa
24:48gunakan naif bias, linear regression
24:50untuk regresi. Kemudian logistic
24:53regression itu biasanya dipakai untuk eh
24:55classification biner. Ada Svm, KNN, eh
24:59decision 3 dan seterusnya. Dan satu lagi
25:01yang penting adalah NN ya atau neural
25:03network yang meniru kerja otak manusia.
25:06Nah, kemudian di sini ada nanti menjadi
25:09cikal bakal untuk deep learning.
25:13saya satu ke proses ya eh satu lagi ya
25:17ke proses machine learning di mana eh
25:21machine learning tadi salah satunya
25:23adalah eh apa supervised learning ini
25:26berlaku sama ya ee jadi ada ee bagaimana
25:29mengumpulkan data, melakukan
25:30prapengolahan supaya datanya bagus gitu.
25:33Kemudian kita memilih ee algoritma
25:36tertentu sesuai dengan kebutuhan kita.
25:38Mau apa klasifikasikah? clustering kah
25:41apa eh reinforcement learning dan
25:43seterusnya. Eh kita memilih model, kita
25:46training model tersebut dengan data,
25:48kita uji coba dengan ee data tersebut
25:51dan kalau ada kurang kita perbaiki ee
25:56tune lagi dan sampai dapat hasil yang
25:59terbaik ee yang dapat digunakan untuk ee
26:03apa ee melihat insight di data ee
26:06tersebut. Baik. Ee
26:08saya rasa cukup ya, Bu sesi satu.
26:11Iya. Menar apa yang sudah disampaikan
26:14oleh Ibu Riviana Arif ya dari mulai eh
26:17machine learning dari ee kemudian
26:19teknik-tekniknya ya menggunakan eh tipe
26:22supervised learning begitu ya. Baik,
26:24kita harus break dulu tetap di program
26:26literasi jangan ke mana-mana.
26:29[musik]
26:37[musik]
26:43[musik]

About this transcript

This page contains the full transcript of Team Teaching: Komputasi Big Data - Supervised Learning (Part 1) by UG Pembelajaran Siber, generated from the public captions YouTube serves with the video. The transcript has 3,069 words across 564 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.