Model sederhana: regresi dan klasifikasi

Dari aturan tulisan tangan ke aturan dari data

Di materi Ambang dan deteksi anomali sederhana, kamu sendiri yang memilih k. Di materi Proyek: pengendali suhu mandiri, kamu sendiri yang memilih ambang 31 °C. Bagaimana kalau aturannya rumit, misalnya memperkirakan suhu satu jam lagi dari suhu sekarang, kelembapan, dan jam?

Pembelajaran mesin (machine learning) berarti membiarkan komputer memilih angka-angka dalam aturan itu dengan melihat contoh. Bentuk paling sederhananya sudah kamu kenal, yaitu garis lurus (lihat Grafik dan hubungan lurus).

Istilah dasar

Ketuk satu per satu.

Model

Rumus dengan beberapa angka yang bisa diatur. Contohnya garis lurus: y sama dengan kemiringan m dikali x, ditambah titik awal b (y = m × x + b).

Parameter

Angka-angka yang diatur itu (m dan b).

Pelatihan

Mencari parameter yang membuat model paling cocok dengan data contoh.

Galat

Selisih antara tebakan model dan nilai sebenarnya. Pelatihan berusaha membuatnya sekecil mungkin.

Latih modelmu dengan tangan

Titik-titik ini adalah data contoh: tegangan ADC sebuah sensor suhu (sumbu x) dan suhu dari termometer acuan (sumbu y). Atur m dan b sampai garisnya pas. Kartu terbuka setelah kamu mencapai mutu "bagus".

Simulasi interaktif tersedia saat JavaScript aktif.

Garis terbaik kira-kira suhu = 100 × tegangan, sesuai sensor 10 mV per °C seperti di materi ADC: membaca sensor analog. Komputer menemukan garis itu dengan rumus kuadrat terkecil (least squares) dalam sekejap, tanpa menggeser-geser.

Regresi dan klasifikasi

Dua jenis tugas paling umum. Ketuk keduanya.

Regresi

Menebak angka. Berapa suhu satu jam lagi? Berapa kWh bulan depan? Keluarannya bilangan.

Klasifikasi

Menebak kelompok. Normal atau janggal? Ada orang atau kosong? Keluarannya salah satu label. Ambang di materi Ambang dan deteksi anomali sederhana sebenarnya pengklasifikasi paling sederhana.

Tebak dulu

1. Model A cocok sempurna dengan 9 titik latihan (galat nol) karena garisnya berkelok-kelok melewati setiap titik. Model B hanya garis lurus dengan galat kecil. Data baru datang. Mana yang kemungkinan menebak lebih baik?
   • Model A, karena galat latihannya nol
   • Model B, karena A menghafal kebetulan-kebetulan di data latihan
   Jawaban

   Model B, karena A menghafal kebetulan-kebetulan di data latihan. Ini disebut overfitting (terlalu menghafal). Model yang terlalu rumit ikut menghafal derau, yaitu gangguan acak di data. Karena itu model selalu diuji dengan data yang tidak dipakai saat pelatihan.

Aturan main yang jujur

Ketuk semuanya.

Pisahkan data uji

Sisihkan sebagian data (misalnya 20%) yang tidak boleh dilihat saat pelatihan. Nilai model dari data itu.

Mulai dari yang sederhana

Garis lurus atau ambang dulu. Pakai model rumit hanya kalau yang sederhana jelas kurang.

Data menentukan batas

Model hanya tahu apa yang ada di datanya. Model yang dilatih di musim hujan bisa salah di musim kemarau.

Benar atau salah?

1. "Galat latihan nol berarti model sempurna."
   • Benar
   • Salah
   Jawaban

   Salah. Bisa berarti model menghafal. Yang penting galat pada data baru.

2. "Regresi linear adalah salah satu bentuk pembelajaran mesin."
   • Benar
   • Salah
   Jawaban

   Benar. Parameternya dipilih dari data dengan meminimalkan galat. Sederhana, tapi itu inti pembelajaran mesin.

Selesai

• Model = rumus dengan parameter yang dipilih dari data.
• Regresi menebak angka, klasifikasi menebak kelompok.
• Uji dengan data yang tidak dipakai saat pelatihan. Waspadai overfitting.

Berikutnya

Kode materi a4 · versi 0.1 · 2026-10-06