LMS-SPADA INDONESIA
Glosarium
Glosarium Pertemuan 9
Syarat penyelesaian
Glosarium Pertemuan 9
Topik: Pembelajaran Mesin (Machine Learning)
| Istilah | Definisi |
|---|---|
| Pembelajaran Mesin (Machine Learning) | Cabang dari kecerdasan buatan (AI) yang memungkinkan sistem untuk belajar dari data dan meningkatkan kinerjanya tanpa diprogram secara eksplisit. |
| Algoritma | Langkah-langkah atau prosedur matematis yang digunakan untuk menemukan pola dan membuat prediksi dari data. |
| Data Training (Training Data) | Kumpulan data yang digunakan untuk melatih model agar dapat mengenali pola dan hubungan antar variabel. |
| Data Testing (Testing Data) | Data yang digunakan untuk menguji performa model setelah proses pelatihan, guna mengevaluasi generalisasi model. |
| Supervised Learning | Jenis pembelajaran mesin di mana model dilatih menggunakan data berlabel (memiliki input dan output yang diketahui). |
| Unsupervised Learning | Pendekatan pembelajaran mesin di mana model belajar dari data tanpa label untuk menemukan struktur atau pola tersembunyi. |
| Reinforcement Learning | Metode pembelajaran di mana agen belajar melalui umpan balik berupa hadiah atau hukuman berdasarkan tindakannya di lingkungan. |
| Model | Representasi matematis dari hubungan dalam data yang digunakan untuk melakukan prediksi atau klasifikasi. |
| Feature (Fitur) | Karakteristik atau variabel yang digunakan sebagai input dalam proses pembelajaran mesin. |
| Label (Kelas) | Output atau kategori yang diharapkan dari model dalam supervised learning. |
| Overfitting | Kondisi ketika model terlalu menyesuaikan diri dengan data pelatihan dan gagal melakukan generalisasi pada data baru. |
| Underfitting | Kondisi ketika model terlalu sederhana untuk menangkap pola penting dari data, sehingga performanya buruk. |
| Cross Validation | Teknik evaluasi model dengan membagi data menjadi beberapa subset untuk memastikan hasil pelatihan lebih akurat dan stabil. |
| Confusion Matrix | Tabel yang digunakan untuk mengevaluasi performa model klasifikasi dengan menunjukkan jumlah prediksi benar dan salah untuk setiap kelas. |
| Accuracy (Akurasi) | Persentase prediksi yang benar dibandingkan dengan total jumlah data uji. |
| Precision | Rasio antara jumlah prediksi positif yang benar dengan total prediksi positif yang dibuat oleh model. |
| Recall | Rasio antara jumlah prediksi positif yang benar dengan total data aktual yang benar-benar positif. |
| Dataset | Kumpulan data yang terdiri atas fitur dan label yang digunakan dalam proses pembelajaran mesin. |
| Normalization (Normalisasi) | Proses skala ulang data agar berada dalam rentang tertentu untuk meningkatkan kinerja model. |
| Regression (Regresi) | Metode pembelajaran terawasi yang memprediksi nilai numerik berdasarkan hubungan antar variabel. |
| Classification (Klasifikasi) | Metode pembelajaran terawasi yang mengelompokkan data ke dalam kelas atau kategori tertentu. |
| Clustering | Metode pembelajaran tak terawasi yang mengelompokkan data berdasarkan kesamaan karakteristik tanpa menggunakan label. |
| Loss Function | Fungsi yang digunakan untuk mengukur seberapa jauh hasil prediksi model dari nilai yang sebenarnya. |
| Optimization (Optimisasi) | Proses menyesuaikan parameter model untuk meminimalkan kesalahan dan meningkatkan akurasi prediksi. |
LMS-SPADA INDONESIA