Nama : Isalora Simanjuntak
Nim : 2681498454
Assigment Artifical Intelligence Week 3!
1. Apa perbedaan utama antara supervised learning dan unsupervised learning? Berikan masing-masing satu contoh.
Jawab :
Perbedaan utama antara learning yang diawasi dan learning yang tidak diawasi adalah bagaimana data digunakan selama proses belajar.
Supervised Learning adalah cara belajar mesin yang menggunakan data yang sudah diberi jawaban atau kategori tertentu. Model akan belajar dari pola-pola yang ada dalam data tersebut agar bisa mengenali dan memperkirakan hasil dari data yang baru nanti.
Contoh: Sistem penyaringan email yang bisa memisahkan email spam dan email yang bukan spam berdasarkan data email yang sudah diberi label sebelumnya.
Belajar tanpa pengawasan adalah cara komputer mempelajari sesuatu dengan memakai data yang tidak memiliki jawaban atau penjelasan yang sudah ditentukan. Model akan mencari pola, hubungan, atau kelompok tertentu sendiri berdasarkan data yang ada.
Contoh: Mengelompokkan pelanggan berdasarkan cara mereka berbelanja, seperti seberapa sering mereka membeli dan berapa banyak uang yang mereka keluarkan, agar tahu kelompok pelanggan yang memiliki sifat atau ciri yang mirip.
2. Apa yang dimaksud dengan overfitting dalam model machine learning, dan mengapa hal tersebut menjadi masalah?
Jawab :
Overfitting terjadi ketika model machine learning terlalu banyak mempelajari data pelatihan, termasuk hal-hal kecil dan kesalahan di dalamnya, sehingga model itu tidak bisa mengenali pola yang ada pada data baru. Masalah ini terjadi karena model bisa menghasilkan prediksi yang sangat bagus pada data yang sudah dipelajari, tetapi tidak akurat ketika digunakan untuk data yang belum pernah dilihat sebelumnya. Akibatnya, kemampuan model dalam menghadapi situasi yang baru menjadi kurang baik.
Contoh: Sebuah model dilatih untuk mengenali gambar kucing. Namun, model terlalu menghafal gambar yang digunakan saat proses pelatihan. Ketika diberi gambar kucing dengan bentuk atau latar belakang yang berbeda, model malah kesulitan mengenali kucing tersebut.
3. Jelaskan tiga komponen utama dalam reinforcement learning, yaitu agen (agent), lingkungan (environment), dan penghargaan (reward).
Jawab :
Dalam pembelajaran penguatan, ada tiga bagian utama yang saling terkait, yaitu Agent, Lingkungan, dan Hadiah. Ketiganya ikut serta dalam proses belajar agar sistem bisa menentukan tindakan terbaik berdasarkan pengalaman dan hasil yang diperoleh.
1. Agent (Agen)
Agent adalah pihak atau sistem yang bertugas mengambil keputusan dan melakukan tindakan sesuai dengan kondisi yang dihadapinya. Agent akan mengambil pelajaran dari pengalaman untuk memutuskan tindakan yang menghasilkan keuntungan terbaik.
Contoh: Robot yang belajar berjalan dan memilih gerakan yang benar agar bisa sampai ke tujuan tanpa terjatuh.
2. Environment (Lingkungan)
Lingkungan adalah tempat atau kondisi di mana agent melakukan aktivitas dan berinteraksi. Lingkungan akan bereaksi terhadap tindakan yang dilakukan oleh agent, sehingga agent bisa mengetahui perubahan kondisi yang terjadi.
Contoh: Tempat atau permukaan di mana robot berjalan, meliputi kondisi permukaan jalan, rintangan yang ada, serta letak di sekitarnya.
3. Reward (Penghargaan)
Reward adalah nilai atau umpan balik yang diberikan kepada agen setelah agen melakukan suatu tindakan. Reward berperan sebagai indikator yang mengonfirmasi apakah suatu tindakan menghasilkan outcome yang positif maupun negatif. Agen berupaya mengoptimalkan imbalan guna mencapai performa yang lebih unggul.
Robot menerima ganjaran positif apabila berjaya menjejak langkah tanpa tersandung, manakala ia dikenakan ganjaran negatif sekiranya kehilangan keseimbangan atau mengalami kejatuhan.
Ketiga komponen itu bekerja melalui proses interaksi yang terus berulang. Agent melakukan tindakan terhadap lingkungan, lalu menerima reward sebagai respons. Dari proses itu, agent belajar untuk memperbaiki keputusan selanjutnya agar bisa mencapai tujuan dengan lebih baik.
4. Apa perbedaan antara training dataset (data pelatihan) dan testing dataset (data pengujian), serta mengapa pemisahan keduanya penting?
Jawab :
Dalam pembelajaran mesin, dataset latihan dan dataset uji memiliki peran yang berbeda dalam proses membuat dan menguji model.
1. Training Dataset (Data Pelatihan)
Training Dataset adalah kumpulan data yang digunakan untuk melatih model agar bisa mempelajari pola, hubungan, dan ciri-ciri dari data yang diberikan. Melalui proses ini, model belajar membuat prediksi atau keputusan berdasarkan informasi yang sudah dipelajari.
Contoh: Data berupa foto kucing dan anjing yang dipakai untuk melatih sistem agar bisa membedakan antara kedua hewan tersebut.
2. Testing Dataset (Data Pengujian)
Dataset uji adalah kumpulan data yang digunakan untuk mengecek seberapa baik model bekerja setelah proses pelatihan selesai. Data ini belum digunakan sama sekali saat model dilatih, sehingga bisa membantu mengetahui apakah model bisa mengenali pola dan memberikan prediksi yang tepat pada data yang baru.
Contoh: Gambar kucing dan anjing yang berbeda dari gambar pelatihan digunakan untuk melihat apakah sistem bisa mengenali kedua hewan itu dengan tepat.
Mengapa pemisahan keduanya penting?
Pemisahan dataset pelatihan dan dataset pengujian penting agar kemampuan model bisa dinilai secara adil dan obyektif. Jika model diuji dengan data yang sama seperti data yang digunakan untuk pelatihan, hasilnya bisa terlihat sangat bagus karena model sudah mengenal data tersebut sebelumnya. Dengan memakai data yang berbeda, kita bisa tahu apakah model benar-benar memahami pola atau hanya menghafal data yang digunakan untuk latihan. Hal ini juga membantu mengurangi risiko overfitting.