From Data to Decisions: Workshop Mendalam Algoritma Machine Learning
Pada Hari Jumat, 28 November 2025 School of Information Systems mengadakan workshop “From Data to Decisions: Deep Dive into Machine Learning Algorithms.” Workshop ini dibawakan oleh Sherly Santiadi, S.Kom., M.Kom. yang bertujuan untuk membekali mahasiswa dengan pemahaman yang lebih dalam tentang Machine Learning (ML) serta kemampuan praktis dalam mengimplementasikan berbagai algoritma supervised.
Sesi dimulai dengan pembahasan fundamental mengenai apa itu Machine Learning dan perbedaannya dengan pendekatan pemrograman tradisional. Dijelaskan bahwa dalam ML tidak memberikan aturan secara eksplisit, sehingga kita perlu melatih algoritma ML menggunakan data untuk menemukan pola dan membuat keputusan atau prediksi. Workshop ini membagi ML menjadi beberapa kategori utama:
- Supervised Learning: Melatih model pada data berlabel (misalnya, Regresi Linier, Klasifikasi).
- Unsupervised Learning: Mencari pola tersembunyi dalam data tak berlabel (misalnya, Clustering).
- Semi-supervised Learning: Kombinasi data berlabel dan tak berlabel.
- Reinforcement Learning: Agen belajar melalui interaksi dengan lingkungan, menerima reward atau penalty.
Peserta juga diperkenalkan dengan tantangan utama dalam implementasi ML, seperti overfitting (model terlalu baik pada data latihan dan buruk pada data baru) dan underfitting (model terlalu sederhana). Inti dari workshop ini adalah eksplorasi mendalam terhadap lima algoritma Machine Learning paling populer:
- K-Nearest Neighbors (KNN)
KNN diperkenalkan sebagai algoritma sederhana yang sangat efektif dalam klasifikasi. Konsep dasarnya adalah mengklasifikasikan titik data baru berdasarkan mayoritas label dari k tetangga terdekatnya. Sesi ini menekankan pentingnya penskalaan fitur (feature scaling) agar semua fitur memberikan kontribusi yang setara dalam perhitungan jarak.
- Decision Tree dan Random Forest
Peserta mempelajari cara kerja Decision Tree sebagai model yang menyerupai diagram alir, mengambil keputusan berurutan berdasarkan fitur data. Konsep kunci seperti Gini Impurity dan Entropy yang digunakan untuk mengukur “kemurnian” pemisahan simpul dibahas tuntas.
Sebagai peningkatan dari Decision Tree, dibahas pula Random Forest, sebuah teknik Ensemble Learning yang memanfaatkan banyak pohon keputusan (bagging atau pasting) untuk meningkatkan akurasi dan stabilitas model, sekaligus mengurangi risiko overfitting.
- Support Vector Machine (SVM)
SVM dikenalkan sebagai algoritma klasifikasi yang kuat, berfokus pada penemuan hyperplane terbaik yang memisahkan kelas-kelas data dengan margin selebar mungkin. Pentingnya penskalaan fitur sebelum menggunakan SVM kembali ditekankan. Selain itu, workshop juga membahas penggunaan Kernel Trick dalam SVM, yang memungkinkan pemisahan data yang tidak linier dengan memetakan data ke ruang dimensi yang lebih tinggi.
- Regression Linier
Untuk tugas Regresi, peserta memahami model Regresi Linier dan perannya dalam memprediksi nilai berkelanjutan. Pembahasan mencakup cara kerja model, pentingnya penskalaan data, serta teknik evaluasi performa regresi seperti Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE).
- Gradient Descent
Sebagai penutup rangkaian algoritma, dibahas Gradient Descent, bukan sebagai algoritma ML melainkan sebagai algoritma optimasi fundamental yang digunakan banyak model ML (termasuk Regresi Linier dan Neural Networks) untuk menemukan set parameter (bobot) terbaik yang meminimalkan fungsi biaya (cost function). Visualisasi tentang dampak Learning Rate yang terlalu kecil atau terlalu besar turut disajikan untuk menggambarkan pentingnya penentuan parameter yang tepat.
Bagian penting lainnya lainnya adalah sesi tentang Performance Measures (Pengukuran Performa). Peserta belajar mengevaluasi model Klasifikasi menggunakan matriks seperti Confusion Matrix, Precision, Recall, dan F1-Score. Hal ini memastikan bahwa peserta tidak hanya dapat membangun model, tetapi juga mampu menilai seberapa baik model tersebut bekerja dalam skenario dunia nyata.