Machine Learning (ML) adalah teknologi yang mendorong inovasi modern, mulai dari rekomendasi Netflix hingga mobil otonom. Bagi pemula, memahami algoritma dasar ML adalah langkah awal untuk menguasai bidang ini. Artikel ini akan membahas 4 algoritma ML dasar—Regresi Linear, Regresi Logistik, Pohon Keputusan, dan K-Nearest Neighbors (KNN)—dengan bahasa sederhana, contoh nyata, dan panduan aplikasinya.
1. Regresi Linear: Memprediksi Nilai Numerik
Apa Itu Regresi Linear?
Regresi Linear adalah algoritma ML untuk memprediksi nilai numerik (seperti harga rumah atau penjualan) berdasarkan hubungan linear antara variabel dependen (Y) dan independen (X). Persamaan dasarnya adalah:
Y = a + bX
- Y: Variabel yang diprediksi (misalnya, pengeluaran).
- X: Variabel prediktor (misalnya, pendapatan).
- a: Titik potong Y (nilai Y saat X = 0).
- b: Kemiringan garis (perubahan Y per unit X).
Contoh Aplikasi
- Memperkirakan harga rumah berdasarkan luas tanah dan jumlah kamar.
- Memprediksi penjualan produk menggunakan data historis.
Kapan Digunakan?
- Saat hubungan antar variabel mendekati garis lurus.
- Untuk analisis tren dan prediksi nilai kontinu.
Referensi: Towards Data Science: Regresi Linear
2. Regresi Logistik: Klasifikasi Biner (Ya/Tidak)
Apa Itu Regresi Logistik?
Regresi Logistik digunakan untuk memprediksi probabilitas suatu kejadian dengan hasil biner (misalnya, spam/bukan spam). Algoritma ini menggunakan fungsi sigmoid untuk mengubah output menjadi nilai antara 0 dan 1.
Persamaan Sigmoid:
Contoh Aplikasi
- Deteksi spam email.
- Prediksi risiko penyakit jantung berdasarkan usia dan BMI.
Kapan Digunakan?
- Untuk masalah klasifikasi dengan dua kemungkinan hasil.
- Saat ingin mengetahui probabilitas suatu kejadian.
Referensi: Analytics Vidhya: Regresi Logistik
3. Pohon Keputusan: Visualisasi Keputusan
Apa Itu Pohon Keputusan?
Pohon Keputusan adalah algoritma yang memvisualisasikan keputusan dalam bentuk struktur pohon, dimulai dari root node (keputusan awal) hingga leaf nodes (hasil akhir).
Contoh Aplikasi
- Diagnosis medis berdasarkan gejala pasien.
- Penentuan kelayakan kredit di bank.
Kapan Digunakan?
- Untuk masalah klasifikasi atau regresi dengan aturan hierarkis.
- Saat interpretasi visual diperlukan.
Kelebihan: Mudah dipahami, cocok untuk data non-linear.
Kekurangan: Rentan overfitting jika terlalu kompleks.
Referensi: Medium: Decision Tree Guide
4. K-Nearest Neighbors (KNN): Belajar dari Tetangga
Apa Itu KNN?
KNN mengklasifikasikan data baru berdasarkan mayoritas kelas dari K tetangga terdekat. Jarak dihitung menggunakan metrik seperti Euclidean atau Manhattan.
Contoh Aplikasi
- Sistem rekomendasi film di Netflix.
- Klasifikasi gambar (misalnya, kucing vs. anjing).
Kapan Digunakan?
- Untuk dataset kecil hingga sedang.
- Saat hubungan data berdasarkan kedekatan spasial.
Tips: Normalisasi data untuk menghindari dominasi fitur berskala besar!
Referensi: KDnuggets: KNN Simplified
Tabel Perbandingan 4 Algoritma ML Dasar
| Fitur | Regresi Linear | Regresi Logistik | Pohon Keputusan | KNN |
|---|---|---|---|---|
| Jenis Prediksi | Nilai kontinu | Probabilitas (0-1) | Kategori/Nilai | Kategori/Nilai |
| Kelebihan | Sederhana untuk tren | Cocok untuk klasifikasi | Interpretasi visual | Adaptif, tanpa asumsi |
| Kekurangan | Hanya untuk linear | Hanya biner | Rentan overfitting | Lambat untuk data besar |
| Contoh Penggunaan | Prediksi harga rumah | Deteksi spam | Diagnosis penyakit | Rekomendasi produk |
FAQ (Pertanyaan Umum)
Q: Apa perbedaan Regresi Linear dan Logistik?
A: Regresi Linear memprediksi nilai numerik (misalnya, harga), sedangkan Regresi Logistik memprediksi probabilitas kejadian biner (misalnya, ya/tidak).
Q: Kapan sebaiknya menggunakan Pohon Keputusan?
A: Gunakan saat ingin membuat keputusan berdasarkan aturan hierarkis atau membutuhkan visualisasi sederhana.
Q: Mengapa KNN lambat untuk data besar?
A: KNN menghitung jarak ke semua data pelatihan, sehingga komputasinya mahal jika dataset sangat besar.
Kesimpulan
Keempat algoritma ini adalah fondasi Machine Learning. Regresi Linear dan Logistik cocok untuk prediksi numerik dan klasifikasi, sementara Pohon Keputusan dan KNN ideal untuk analisis berbasis aturan dan kedekatan data. Pilih algoritma sesuai dengan jenis data dan tujuan analisis Anda!
