Unsupervised_Learning_50_Slides.pptx_hjvhjhvcs

edhdjcfcjhfcdhgchj

1. Pembelajaran Mesin: Unsupervised Learning Nama Dosen: [Nama Anda] Universitas Teknokrat Indonesia

2. Apa itu Machine Learning? Definisi umum Machine Learning Klasifikasi: Supervised, Unsupervised, Reinforcement

3. Fokus pada Unsupervised Learning Tidak ada label Tujuan: menemukan struktur tersembunyi

4. Contoh Data Tanpa Label Dataset: pelanggan, gambar, suara

5. Dua Teknik Utama Clustering Dimensionality Reduction

6. Apa itu Clustering? Mengelompokkan data berdasarkan kemiripan.

7. Kegunaan Clustering Segmentasi pelanggan Pola pembelian Organisasi dokumen

8. Algoritma K-Means Inisialisasi centroid Iterasi hingga konvergen

9. Langkah-langkah K-Means 1. Pilih jumlah cluster (k) 2. Inisialisasi centroid 3. Hitung jarak dan kelompokkan 4. Update centroid 5. Ulangi sampai stabil

10. Contoh Visual K-Means [Ilustrasi K-Means dengan 3 cluster]

11. Algoritma Hierarchical Clustering Menggabungkan atau memisahkan berdasarkan hierarki Metode agglomerative dan divisive

12. Dendrogram Visualisasi hasil hierarchical clustering Menunjukkan kemiripan antar objek

13. DBSCAN - definisi Density-Based Spatial Clustering Menangani noise dan bentuk cluster yang kompleks

14. Kelebihan dan Kekurangan Clustering Kelebihan: intuitif, tanpa label Kekurangan: pemilihan k, sensitif terhadap inisialisasi

15. Studi Kasus Clustering Segmentasi pelanggan di e-commerce menggunakan K-Means

16. Apa itu Dimensionality Reduction? Mengurangi jumlah fitur dalam dataset

17. Kenapa kita butuhnya? Menghindari curse of dimensionality Visualisasi lebih mudah

18. PCA - Principal Component Analysis Proyeksi data ke dimensi utama dengan variasi terbesar

19. Visualisasi PCA [Grafik scatter dengan 2 komponen utama]

20. Langkah-langkah PCA 1. Standarisasi data 2. Hitung kovarians 3. Eigenvalue & eigenvector 4. Proyeksikan data

21. t-SNE - definisi Teknik non-linear untuk visualisasi dimensi tinggi dalam 2D/3D

22. Aplikasi t-SNE Visualisasi hasil embedding dalam NLP

23. Manfaat Reduction Meningkatkan kecepatan Membantu interpretasi Kurangi overfitting

24. Perbandingan PCA vs t-SNE PCA: linier, cepat t-SNE: non-linear, lebih informatif untuk visualisasi

25. Studi Kasus Reduction PCA untuk visualisasi genetik TSNE untuk clustering citra

26. Tantangan Evaluasi Unsupervised Tidak ada ground truth Sulit membandingkan performa

27. Metode Evaluasi Clustering Silhouette Score Davies-Bouldin Index

28. Visualisasi hasil clustering Gunakan scatter plot dengan warna berbeda

29. Validasi manual & interpretasi Bandingkan dengan label nyata jika tersedia Lakukan interpretasi bisnis

30. Tips Praktik Evaluasi Gunakan beberapa metrik Evaluasi visual dan statistik

31. Segmentasi pelanggan Mengelompokkan berdasarkan kebiasaan belanja

32. Analisis pasar Temukan segmen pasar tersembunyi

33. Deteksi anomali Identifikasi perilaku tidak biasa (fraud)

34. Pengelompokan dokumen Clustering berita, email, artikel

35. Rekomendasi produk Gunakan cluster preferensi pengguna

36. Scikit-learn Library Python untuk K-Means, PCA, DBSCAN

37. TensorFlow/Keras (Autoencoders) Dimensionality reduction dengan deep learning

38. Orange Tool visual berbasis GUI untuk ML

39. Weka Software open-source berbasis Java

40. Tips memilih tools Pertimbangkan skala data, kemudahan penggunaan, dan integrasi

41. Interpretasi hasil Sulit memahami makna dari cluster

42. Skalabilitas data Clustering besar memerlukan optimasi

43. Bias algoritma Data bias menghasilkan cluster bias

44. Etika penggunaan Hati-hati terhadap stereotyping dari hasil cluster

45. Privasi dan keamanan data Pastikan data anonim dan aman

46. Ringkasan teknik Clustering: KMeans, DBSCAN Reduction: PCA, t-SNE

47. Perbandingan metode K-Means cepat, PCA linier, t-SNE untuk visualisasi

48. Insight penting Unsupervised membuka struktur tersembunyi

49. Saran pembelajaran lanjut Eksperimen dengan dataset open-source Kombinasikan teknik

50. Penutup Terima kasih telah menyimak Kontak: [Email Anda] Referensi: scikit-learn.org, tensorflow.org