Yuk Kenali Jenis-jenis Algoritma Unsupervised Learning

Salah satu jenis algoritma pada Machine Learning adalah Unsupervised Learning. Seperti yang pernah dibahas di artikel lainnya, Machine Learning tanpa data maka tidak akan bisa bekerja. Oleh sebab itu, hal yang pertama kali perlu disiapkan adalah data. Unsupervised learning adalah salah satu tipe algoritma machine learning yang digunakan untuk menarik kesimpulan dari dataset. Metode ini hanya akan mempelajari suatu data berdasarkan kedekatannya saja atau yang biasa disebut dengan clustering.

Jika kamu adalah seorang yang berasal dari non IT, tenang saja jangan khawatir karena setiap orang memiliki kesempatan yang sama untuk mempelajarinya. Karena pada dasarnya Machine Learning dan Data Science tidak hanya terbatas di background pendidikan tertentu, mengingat pada era digital transformation saat ini, ilmu ini dapat digunakan di semua lini bisnis. Ingin tahu lebih dalam mengenai jenis-jenis algoritma yang dimiliki Unsupervised Learning? Yuk, simak pembahasan berikut!

1. K-Means

K-Means Clustering adalah suatu metode penganalisaan data atau metode algoritma unsupervised yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi. Tujuan dari algoritma clustering K-Means adalah untuk mempartisi n pengamatan dalam data menjadi k cluster sehingga setiap pengamatan termasuk dalam cluster dengan mean terdekat. Ini berfungsi sebagai prototipe cluster.

Metode K-Means clustering mencoba untuk mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang berbeda. Dengan maksud metode ini bertujuan untuk meminimalisir variasi antar data yang ada dalam satu cluster dan memaksimalkan variasi data yang berada dalam cluster yang berbeda.

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

2. Hierarchical Clustering

Hierarchical Clustering adalah metode analisis kelompok yang berusaha untuk membentuk sebuah hirarki kelompok data dengan berdasarkan tingkatan tertentu sehingga menyerupai struktur pohon. Dengan demikian proses pengelompokannya dilakukan secara bertingkat atau bertahap. Pada umumnya, algoritma ini digunakan pada data yang jumlahnya tidak terlalu banyak dan jumlah cluster yang akan dibentuk belum diketahui.

Strategi Hierarchical Clustering terdiri dari 2 jenis strategi yaitu Agglomerative (Bottom-Up) dan Divisive (Top-Down). Agglomerative atau metode penggabungan adalah strategi pengelompokan hirarki yang dimulai dengan setiap objek dalam satu cluster yang terpisah kemudian membentuk cluster yang semakin membesar. Sehingga banyaknya cluster awal adalah sama dengan banyaknya objek. Berbeda dengan Divisive atau metode pembagian adalah strategi pengelompokan hirarki yang dimulai dari semua objek dikelompokkan menjadi cluster tunggal kemudian dipisah hingga setiap objek berada dalam cluster yang terpisah.

3. DBSCAN

Algoritma Density-based Spatial Clustering of Application with Noise (DBSCAN) merupakan metode clustering yang berbasis kepadatan atau density-based berdasarkan posisi data dengan prinsip mengelompokkan data yang relatif berdekatan. Metode ini mengelompokkan titik-titik yang diberikan dalam ruang dan menandai pencilan di wilayah dengan kepadatan rendah. DBSCAN sering diterapkan pada data yang banyak mengandung noise, hal ini dikarenakan DBSCAN tidak akan memasukkan data yang dianggap noise kedalam cluster manapun.

Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python

4. Yuk, TEMUKAN SUMBER DATA UNTUK BANGUN PORTFOLIO GRATIS DI DQLAB SELAMA 1 BULAN!

Penulis : Salsabila Miftah Rezkia