Pertemuan 9 membahas Pembelajaran Mesin (Machine Learning) sebagai bagian penting dari kecerdasan buatan yang memungkinkan sistem belajar dari data untuk membuat prediksi atau menemukan pola tanpa diprogram secara eksplisit. Pembelajaran mesin dibagi menjadi dua pendekatan utama:
- Supervised Learning — model dilatih menggunakan data berlabel, sehingga sistem belajar memetakan hubungan antara input dan output yang benar. Teknik ini umum digunakan untuk klasifikasi dan regresi, dengan contoh algoritma seperti k-Nearest Neighbor (k-NN), Decision Tree, Support Vector Machine (SVM), Naïve Bayes, serta regresi linear/logistik. Supervised learning mampu memberikan prediksi yang terukur dan dievaluasi secara jelas, tetapi membutuhkan dataset yang sudah dilabeli.
- Unsupervised Learning — model dilatih dengan data tanpa label, sehingga sistem berusaha menemukan struktur atau pola tersembunyi dalam data, seperti clustering atau reduksi dimensi. Contoh algoritma meliputi K-Means, Hierarchical Clustering, DBSCAN, dan PCA. Pendekatan ini berguna untuk eksplorasi data dan menemukan kelompok data yang serupa, namun hasilnya sering sulit dievaluasi karena tidak ada label target.
Materi tersebut juga membandingkan kedua pendekatan ini dari segi tujuan, jenis permasalahan yang ditangani, serta kelebihan dan keterbatasannya, guna membantu memilih teknik yang tepat sesuai konteks data dan tugas yang dihadapi.
