{"id":51,"date":"2026-09-14T17:55:10","date_gmt":"2026-09-14T17:55:10","guid":{"rendered":"https:\/\/ricokurniawan.com\/web\/?p=51"},"modified":"2026-09-14T18:18:00","modified_gmt":"2026-09-14T18:18:00","slug":"bagaimana-machine-learning-belajar-dari-data","status":"publish","type":"post","link":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/","title":{"rendered":"Bagaimana Machine Learning Belajar dari Data?"},"content":{"rendered":"\n<h2 class=\"wp-block-heading\">Memahami Feature, Label, Training, Model, dan Prediction<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Pada artikel sebelumnya kita telah membahas hubungan antara <strong>Artificial Intelligence (AI), Machine Learning (ML), Deep Learning, dan Generative AI<\/strong>. Pertanyaan berikutnya adalah: sebenarnya bagaimana sebuah mesin dapat \u201cbelajar\u201d dari data?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ketika dikatakan bahwa Machine Learning dapat belajar, komputer tentu tidak belajar seperti manusia. Komputer tidak memahami penyakit, perilaku manusia, atau kesehatan dalam pengertian sebagaimana seorang epidemiolog atau tenaga kesehatan memahaminya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Yang dilakukan Machine Learning adalah <strong>mengidentifikasi pola matematis dari data berdasarkan suatu algoritma, kemudian menggunakan pola tersebut untuk menghasilkan prediksi terhadap data baru<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Jordan dan Mitchell mendeskripsikan Machine Learning sebagai bidang yang mempelajari bagaimana membangun sistem komputer yang dapat meningkatkan kinerjanya melalui pengalaman. Bidang ini berada pada persimpangan ilmu komputer dan statistik serta menjadi salah satu fondasi utama perkembangan Artificial Intelligence modern [1].<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Untuk memahami proses tersebut, kita perlu mengenal beberapa istilah dasar: <strong>observation, feature, target atau label, algorithm, training, model, testing, prediction, dan generalization<\/strong>.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">Dari Data Menuju Prediction<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Secara sederhana, proses Machine Learning dapat digambarkan sebagai:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Data \u2192 Features + Target \u2192 Algorithm \u2192 Training \u2192 Model \u2192 Testing \u2192 Prediction<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Setiap komponen memiliki fungsi yang berbeda.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Bayangkan kita memiliki data 10.000 orang dewasa dan ingin mengembangkan model untuk memprediksi hipertensi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Data yang tersedia antara lain:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>umur,<\/li>\n\n\n\n<li>jenis kelamin,<\/li>\n\n\n\n<li>indeks massa tubuh,<\/li>\n\n\n\n<li>lingkar pinggang,<\/li>\n\n\n\n<li>aktivitas fisik,<\/li>\n\n\n\n<li>status merokok,<\/li>\n\n\n\n<li>denyut nadi,<\/li>\n\n\n\n<li>riwayat penyakit, dan<\/li>\n\n\n\n<li>status hipertensi.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dari data tersebut komputer mencoba mempelajari pola:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\">Karakteristik seperti apa yang sering ditemukan pada seseorang dengan hipertensi?<\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">Setelah pola tersebut dipelajari, model dapat menerima data seseorang yang belum pernah dilihat sebelumnya dan menghasilkan suatu prediksi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Probability of hypertension = 0,82<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Artinya, berdasarkan pola yang telah dipelajari model, individu tersebut memiliki probabilitas yang diprediksi sebesar 82% untuk termasuk ke dalam kategori hipertensi, sesuai definisi outcome dan konteks model yang digunakan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Bagaimana komputer sampai pada angka tersebut?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Mari kita lihat tahapannya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sebuah dataset terdiri atas sejumlah <strong>observations<\/strong> atau unit pengamatan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam penelitian kesehatan masyarakat, satu observation dapat berupa:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>seorang individu,<\/li>\n\n\n\n<li>seorang pasien,<\/li>\n\n\n\n<li>satu rumah tangga,<\/li>\n\n\n\n<li>satu kunjungan pelayanan kesehatan,<\/li>\n\n\n\n<li>satu desa,<\/li>\n\n\n\n<li>satu kabupaten\/kota,<\/li>\n\n\n\n<li>atau satu periode waktu.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya dataset hipertensi memiliki 10.000 individu.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Secara sederhana:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th>ID<\/th><th>Umur<\/th><th>IMT<\/th><th>Merokok<\/th><th>Aktivitas Fisik<\/th><th>Hipertensi<\/th><\/tr><\/thead><tbody><tr><td>001<\/td><td>28<\/td><td>22,1<\/td><td>Tidak<\/td><td>Cukup<\/td><td>Tidak<\/td><\/tr><tr><td>002<\/td><td>57<\/td><td>30,2<\/td><td>Ya<\/td><td>Kurang<\/td><td>Ya<\/td><\/tr><tr><td>003<\/td><td>46<\/td><td>27,8<\/td><td>Tidak<\/td><td>Kurang<\/td><td>Ya<\/td><\/tr><tr><td>004<\/td><td>32<\/td><td>23,4<\/td><td>Ya<\/td><td>Cukup<\/td><td>Tidak<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Setiap baris merepresentasikan satu <strong>observation<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sementara itu, kolom-kolom berisi berbagai karakteristik yang dimiliki observation tersebut.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">2. Features: Informasi yang Digunakan Model untuk Belajar<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam Machine Learning, variabel yang digunakan untuk membantu membuat prediksi sering disebut <strong>features<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam statistik atau epidemiologi, konsep ini dekat dengan istilah:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>independent variables,<\/li>\n\n\n\n<li>predictors,<\/li>\n\n\n\n<li>explanatory variables,<\/li>\n\n\n\n<li>covariates.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Sebagai contoh, untuk memprediksi hipertensi kita dapat menggunakan:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Features:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>umur,<\/li>\n\n\n\n<li>jenis kelamin,<\/li>\n\n\n\n<li>IMT,<\/li>\n\n\n\n<li>lingkar pinggang,<\/li>\n\n\n\n<li>merokok,<\/li>\n\n\n\n<li>aktivitas fisik,<\/li>\n\n\n\n<li>denyut nadi.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Biasanya dinotasikan sebagai:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>X<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">atau secara lebih lengkap:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>X\u2081, X\u2082, X\u2083, &#8230;, X\u209a<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pemilihan feature merupakan bagian penting dalam pengembangan model.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lebih banyak feature tidak selalu berarti model menjadi lebih baik. Feature yang tidak relevan, kualitasnya buruk, mengandung banyak missing value, atau membawa informasi yang seharusnya belum tersedia pada waktu prediksi justru dapat menghasilkan model yang buruk atau menyesatkan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Karena itu, pengetahuan mengenai substansi kesehatan tetap sangat penting dalam pengembangan Machine Learning.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">3. Label atau Target: Apa yang Ingin Diprediksi?<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Jika feature merupakan informasi yang digunakan untuk membuat prediksi, maka <strong>target<\/strong> adalah sesuatu yang ingin diprediksi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Istilah lain yang sering digunakan adalah:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>label,<\/li>\n\n\n\n<li>outcome,<\/li>\n\n\n\n<li>response variable,<\/li>\n\n\n\n<li>dependent variable.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam contoh kita:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Target = status hipertensi<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">misalnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>0 = tidak hipertensi<\/strong><br><strong>1 = hipertensi<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Variabel target sering dilambangkan dengan:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>y<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sehingga secara konseptual Machine Learning mencoba mempelajari suatu fungsi:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>X \u2192 y<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">atau:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\">Berdasarkan sekumpulan features X, bagaimana kita dapat memperkirakan outcome y?<\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">Jika target berupa kategori, seperti:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Hipertensi \/ Tidak Hipertensi<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">masalah tersebut disebut <strong>classification<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Jika target berupa angka kontinu, misalnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>tekanan darah sistolik = 137 mmHg<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">maka masalah tersebut biasanya disebut <strong>regression<\/strong>.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">4. Algorithm: Cara Komputer Belajar<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Setelah memiliki features dan target, kita membutuhkan suatu prosedur matematis agar komputer dapat mempelajari hubungan di antara keduanya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Prosedur tersebut disebut <strong>algorithm<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Contohnya:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Logistic Regression,<\/li>\n\n\n\n<li>Decision Tree,<\/li>\n\n\n\n<li>Random Forest,<\/li>\n\n\n\n<li>Support Vector Machine,<\/li>\n\n\n\n<li>k-Nearest Neighbors,<\/li>\n\n\n\n<li>Naive Bayes,<\/li>\n\n\n\n<li>Neural Network.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Setiap algoritma mempunyai cara berbeda dalam menemukan pola.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Logistic Regression, misalnya, memodelkan hubungan antara sejumlah predictor dengan probabilitas suatu outcome.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Decision Tree membuat serangkaian pemisahan berdasarkan karakteristik data.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Random Forest membangun banyak decision trees dan menggabungkan hasilnya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Neural Network mempelajari representasi melalui jaringan unit komputasi yang tersusun dalam sejumlah lapisan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Hastie, Tibshirani, dan Friedman membahas berbagai keluarga metode tersebut dalam <em>The Elements of Statistical Learning<\/em>, salah satu referensi fundamental di bidang statistical learning [2].<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Namun terdapat satu perbedaan terminologi yang penting:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\"><strong>Algorithm bukanlah model.<\/strong><\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">Algorithm adalah <strong>cara atau prosedur belajar<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model merupakan <strong>hasil yang diperoleh setelah algorithm belajar dari data<\/strong>.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">5. Training: Proses Model Belajar<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Proses ketika algoritma mempelajari pola dari data disebut <strong>training<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Data yang digunakan dalam proses tersebut disebut:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>training data<\/strong> atau <strong>training set<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya dari 10.000 data individu, 7.000 digunakan untuk training.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Algoritma kemudian mencoba menemukan parameter atau pola yang menghasilkan prediksi paling baik berdasarkan data tersebut.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pada logistic regression, misalnya, training akan menghasilkan koefisien untuk setiap predictor.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Secara sederhana kita dapat memperoleh pola seperti:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Risiko Hipertensi = f(Umur, IMT, Lingkar Pinggang, Aktivitas Fisik, \u2026)<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Komputer akan menyesuaikan parameter model sehingga perbedaan antara hasil prediksi dengan nilai sebenarnya dapat diminimalkan menurut fungsi objektif yang digunakan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Proses inilah yang sering disebut:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>model fitting<\/strong> atau <strong>learning<\/strong>.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">6. Loss Function: Bagaimana Komputer Mengetahui Bahwa Prediksinya Salah?<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Agar dapat belajar, algoritma membutuhkan suatu ukuran untuk mengetahui seberapa buruk prediksinya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ukuran tersebut disebut <strong>loss function<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Bayangkan model memprediksi:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Probability hipertensi = 0,90<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">tetapi individu tersebut ternyata tidak hipertensi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model telah melakukan kesalahan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Loss function memberikan nilai matematis terhadap kesalahan tersebut.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Selama training, algoritma berusaha:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>meminimalkan loss<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">sehingga secara konseptual:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Prediction \u2192 Compare with Actual Outcome \u2192 Calculate Loss \u2192 Adjust Model \u2192 Repeat<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Proses tersebut dapat dilakukan berulang kali hingga diperoleh parameter model yang dianggap optimal berdasarkan kriteria yang digunakan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Inilah salah satu mekanisme utama bagaimana sebuah sistem Machine Learning \u201cbelajar\u201d.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">7. Model: Hasil dari Proses Belajar<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Setelah proses training selesai, kita memperoleh sebuah <strong>trained model<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model merupakan representasi matematis dari pola yang ditemukan dalam training data.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Secara konseptual:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Training Data + Algorithm \u2192 Trained Model<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model inilah yang nantinya digunakan untuk menghadapi data yang belum pernah dilihat sebelumnya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Contohnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Pasien baru<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Umur = 58 tahun<br>IMT = 31 kg\/m\u00b2<br>Aktivitas fisik = kurang<br>Merokok = ya<br>Denyut nadi = 86 kali\/menit<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Data tersebut diberikan kepada model:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>New Data \u2192 Trained Model \u2192 Prediction<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya model menghasilkan:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Predicted probability = 0,78<\/strong><\/p>\n\n\n\n<h1 class=\"wp-block-heading\">8. Prediction: Menggunakan Model pada Data Baru<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Tujuan utama banyak aplikasi Machine Learning adalah menghasilkan prediksi yang baik pada <strong>data baru<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ini merupakan konsep yang sangat penting.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model tidak dikembangkan sekadar agar mampu menjelaskan data yang sudah dimilikinya.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model diharapkan dapat bekerja pada observation yang <strong>tidak digunakan untuk membangun model<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Input<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Umur = 60<br>IMT = 29<br>Aktivitas fisik = kurang<br>Merokok = ya<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u2193<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Machine Learning Model<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u2193<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Output<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Probability of hypertension = <strong>0,82<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Jika kita menetapkan threshold 0,50, maka:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>0,82 \u2265 0,50 \u2192 Predicted: Hypertension<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Namun perlu diperhatikan bahwa nilai threshold tidak selalu harus 0,50. Pemilihan threshold tergantung tujuan penggunaan model serta konsekuensi dari false positive dan false negative.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam konteks skrining kesehatan, misalnya, kita mungkin lebih mengutamakan sensitivitas sehingga threshold yang digunakan dapat berbeda.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">9. Mengapa Data Harus Dibagi Menjadi Training dan Testing?<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Di sinilah terdapat salah satu prinsip paling fundamental dalam Machine Learning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Jika kita membangun model dan mengevaluasi model menggunakan data yang sama, hasilnya dapat terlihat sangat baik karena model sudah pernah \u201cmelihat\u201d data tersebut.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Karena itu dataset biasanya dibagi menjadi:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Training Data<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">digunakan untuk membangun model.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dan<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Testing Data<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">digunakan untuk mengevaluasi kemampuan model pada data yang sebelumnya tidak digunakan dalam training.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sebagai contoh:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>10.000 observations<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u2193<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>80% Training Data = 8.000<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>20% Testing Data = 2.000<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model dibangun menggunakan 8.000 observation.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Setelah selesai, 2.000 observation yang tersisa diberikan kepada model untuk mengetahui seberapa baik model melakukan prediksi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Buku <em>The Elements of Statistical Learning<\/em> menempatkan model assessment dan model selection sebagai komponen penting dalam statistical learning [2].<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">10. Validation Data: Lapisan Evaluasi Tambahan<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam banyak pengembangan Machine Learning, data bahkan dibagi menjadi tiga:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Training Set \u2192 Validation Set \u2192 Test Set<\/strong><\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Training set<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Untuk mempelajari parameter model.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Validation set<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Untuk memilih model atau melakukan <strong>hyperparameter tuning<\/strong>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Test set<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Untuk melakukan evaluasi akhir terhadap model yang sudah ditentukan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Secara konseptual:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Training \u2192 Build<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Validation \u2192 Tune and Select<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Testing \u2192 Final Evaluation<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pendekatan lain yang sangat umum adalah <strong>cross-validation<\/strong>, di mana data training dibagi secara bergantian menjadi bagian training dan validation.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Topik ini penting karena model yang terlihat sangat baik pada satu dataset belum tentu dapat memberikan performa yang sama ketika diterapkan pada populasi lain.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">11. Overfitting: Ketika Model Menghafal Data<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Salah satu masalah terbesar dalam Machine Learning adalah <strong>overfitting<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Overfitting terjadi ketika model belajar terlalu spesifik terhadap training data.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model bahkan dapat mempelajari noise atau karakteristik kebetulan yang hanya terdapat pada dataset tersebut.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Akibatnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Performance pada Training Data \u2192 Sangat baik<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">tetapi:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Performance pada New Data \u2192 Buruk<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Bayangkan seorang mahasiswa yang bukan memahami konsep, tetapi menghafalkan seluruh jawaban latihan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ketika soal ujian persis sama, ia memperoleh nilai sempurna.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Namun ketika pertanyaannya sedikit berbeda, ia kesulitan menjawab.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model Machine Learning dapat mengalami masalah serupa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Oleh karena itu, tujuan pengembangan Machine Learning bukan:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\">membuat model yang paling bagus terhadap training data.<\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">Tetapi:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\"><strong>membuat model yang mampu memberikan prediksi yang baik terhadap data baru yang relevan dengan tujuan penggunaannya.<\/strong><\/p>\n<\/blockquote>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">12. Generalization: Tujuan Sebenarnya Machine Learning<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Kemampuan sebuah model untuk bekerja dengan baik pada data yang sebelumnya tidak pernah dilihat disebut <strong>generalization<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ini merupakan salah satu konsep paling penting dalam Machine Learning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model yang baik tidak hanya harus:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>fit terhadap training data<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">tetapi juga:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>generalize terhadap new data.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam konteks kesehatan masyarakat, persoalan generalization menjadi semakin penting.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model hipertensi yang dikembangkan dari populasi tertentu belum tentu secara otomatis memiliki performa yang sama ketika diterapkan pada:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>kelompok umur berbeda,<\/li>\n\n\n\n<li>wilayah berbeda,<\/li>\n\n\n\n<li>kelompok etnis berbeda,<\/li>\n\n\n\n<li>periode waktu berbeda,<\/li>\n\n\n\n<li>atau sistem pelayanan kesehatan berbeda.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Karena itu, external validation menjadi sangat penting sebelum suatu model prediksi digunakan lebih luas dalam praktik kesehatan.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">13. Data Leakage: Ketika Model Mendapatkan Jawaban Sebelum Ujian<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Masalah lain yang perlu dikenali sejak awal adalah <strong>data leakage<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Data leakage terjadi ketika informasi yang seharusnya tidak tersedia pada saat prediction secara tidak sengaja masuk ke dalam proses training.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya kita ingin memprediksi apakah pasien akan dirawat di ICU.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tetapi salah satu feature yang digunakan adalah:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>jenis terapi yang baru diberikan setelah pasien masuk ICU.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model dapat terlihat sangat akurat.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Namun model sebenarnya memperoleh informasi tentang outcome dari \u201cmasa depan\u201d.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ini mirip memberikan kunci jawaban kepada mahasiswa sebelum ujian.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Performance model menjadi sangat tinggi, tetapi tidak merepresentasikan kemampuan prediction yang sebenarnya.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">14. Apakah Prediction Sama dengan Causation?<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Ini juga merupakan aspek yang sangat penting, terutama bagi epidemiolog dan peneliti kesehatan masyarakat.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Machine Learning dapat menemukan pola yang berguna untuk prediction.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Namun:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\"><strong>kemampuan memprediksi tidak otomatis membuktikan hubungan sebab-akibat.<\/strong><\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya sebuah feature sangat kuat dalam memprediksi penyakit.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Hal tersebut tidak otomatis berarti bahwa mengubah feature tersebut akan menyebabkan risiko penyakit berubah sebesar prediksi model.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pertanyaan:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\">\u201cSiapa yang kemungkinan mengalami hipertensi?\u201d<\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">merupakan <strong>prediction problem<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sedangkan:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\">\u201cApakah peningkatan IMT menyebabkan meningkatnya risiko hipertensi?\u201d<\/p>\n<\/blockquote>\n\n\n\n<p class=\"wp-block-paragraph\">merupakan <strong>causal question<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Keduanya merupakan pertanyaan ilmiah yang berbeda dan membutuhkan kerangka metodologi yang berbeda.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">15. Contoh Lengkap: Prediksi Hipertensi<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Sekarang seluruh proses dapat kita susun kembali.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 1 \u2014 Tentukan masalah<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Kita ingin mengidentifikasi individu dengan risiko hipertensi.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 2 \u2014 Kumpulkan data<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya tersedia 20.000 individu.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 3 \u2014 Tentukan features<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Umur<br>Jenis kelamin<br>IMT<br>Lingkar pinggang<br>Merokok<br>Aktivitas fisik<br>Denyut nadi<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 4 \u2014 Tentukan target<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>0 = tidak hipertensi<\/strong>; <strong>1 = hipertensi<\/strong><\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 5 \u2014 Pisahkan dataset<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Training Data \u2192 80%<\/strong> ; <strong>Testing Data \u2192 20%<\/strong><\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 6 \u2014 Pilih algorithm<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Misalnya:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Logistic Regression<\/strong><\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 7 \u2014 Training<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Algorithm mempelajari pola hubungan features dengan status hipertensi.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 8 \u2014 Diperoleh model<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Model kemudian mampu menghasilkan probabilitas hipertensi.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 9 \u2014 Testing<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Model diberikan data yang tidak digunakan dalam training.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 10 \u2014 Evaluation<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Performance dievaluasi menggunakan ukuran seperti:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>sensitivity,<\/li>\n\n\n\n<li>specificity,<\/li>\n\n\n\n<li>precision,<\/li>\n\n\n\n<li>recall,<\/li>\n\n\n\n<li>F1-score,<\/li>\n\n\n\n<li>ROC curve,<\/li>\n\n\n\n<li>AUC,<\/li>\n\n\n\n<li>dan calibration.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Langkah 11 \u2014 Prediction<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Model kemudian dapat digunakan untuk memperkirakan risiko pada observation baru, setelah melalui validasi yang memadai dan sesuai dengan konteks penggunaan.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">Dari Dataset Menjadi Knowledge?<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Di sinilah terdapat satu hal yang sering disalahpahami.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Machine Learning tidak secara otomatis mengubah data menjadi \u201ckebenaran\u201d.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Secara sederhana prosesnya adalah:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Real World<\/strong> &#8211;> <strong>Data Collectio<\/strong>n &#8211;> <strong>Dataset<\/strong> &#8211;> <strong>Feature Engineering<\/strong> &#8211;> <strong>Algorithm<\/strong> &#8211;> <strong>Training<\/strong> &#8211;> <strong>Model<\/strong> &#8211;> <strong>Prediction<\/strong> &#8211;> <strong>Human Interpretation<\/strong> &#8211;> <strong>Decision<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Setiap tahap mempunyai potensi masalah. Jika data yang dikumpulkan bias, maka model dapat belajar dari bias tersebut. Jika outcome didefinisikan secara keliru, model akan belajar berdasarkan definisi yang keliru. Jika sampel tidak mewakili populasi target, performa model pada populasi sebenarnya dapat menurun. Karena itu kualitas Machine Learning sangat bergantung pada kualitas data dan desain pengembangannya. <\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Prinsip klasik dalam komputasi masih tetap relevan:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Garbage In \u2192 Garbage Out<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Model yang sangat kompleks tidak dapat memperbaiki secara ajaib data yang secara fundamental buruk.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">Machine Learning Tetap Membutuhkan Manusia<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Perkembangan Machine Learning terkadang menimbulkan kesan bahwa komputer dapat menemukan seluruh jawaban sendiri dari data.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pada kenyataannya, manusia tetap mempunyai peran yang sangat besar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Manusia menentukan:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>pertanyaan apa yang penting,<\/strong><\/li>\n\n\n\n<li><strong>data apa yang relevan,<\/strong><\/li>\n\n\n\n<li><strong>outcome apa yang ingin diprediksi,<\/strong><\/li>\n\n\n\n<li><strong>bagaimana data dikumpulkan,<\/strong><\/li>\n\n\n\n<li><strong>bagaimana model dievaluasi,<\/strong> dan yang paling penting:<\/li>\n\n\n\n<li><strong>bagaimana hasil prediction digunakan untuk mengambil keputusan.<\/strong><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam kesehatan, Rajkomar, Dean, dan Kohane menunjukkan besarnya potensi Machine Learning untuk menggunakan data kesehatan dalam mendukung prediction dan pengambilan keputusan [3]. Sidey-Gibbons dan Sidey-Gibbons juga menekankan bahwa penggunaan Machine Learning dalam penelitian kesehatan perlu disertai pemahaman mengenai preprocessing, pemilihan algoritma, training, validation, serta evaluasi model [4].<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dengan demikian, Machine Learning bukan sekadar tentang komputer.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ia merupakan kombinasi antara:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Data + Mathematics + Computer Science + Domain Knowledge + Human Judgment.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dalam kesehatan masyarakat, komponen terakhir sangat penting karena model pada akhirnya digunakan dalam konteks manusia, populasi, kebijakan, dan pelayanan kesehatan.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">Kesimpulan<\/h1>\n\n\n\n<p class=\"wp-block-paragraph\">Konsep dasar Machine Learning sebenarnya dapat diringkas dalam satu alur:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Data \u2192 Learning \u2192 Model \u2192 Prediction<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Namun di balik alur sederhana tersebut terdapat beberapa konsep penting:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Observation<\/strong> adalah unit yang kita pelajari.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Features<\/strong> adalah informasi yang digunakan untuk prediction.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Target atau label<\/strong> adalah outcome yang ingin diprediksi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Algorithm<\/strong> adalah prosedur yang digunakan komputer untuk belajar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Training<\/strong> adalah proses mempelajari pola dari data.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Model<\/strong> adalah hasil dari proses training.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Testing<\/strong> digunakan untuk mengetahui kemampuan model terhadap data yang belum pernah dilihat.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Prediction<\/strong> merupakan output model terhadap data baru.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dan <strong>generalization<\/strong> adalah kemampuan model tetap memberikan performa yang baik ketika menghadapi data di luar training set.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Karena itu, keberhasilan sebuah Machine Learning model bukan ditentukan oleh seberapa baik ia menghafal data yang sudah ada.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ukuran yang lebih penting adalah:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p class=\"wp-block-paragraph\"><strong>Seberapa baik model tersebut dapat memberikan prediksi yang valid, dapat dipercaya, dan bermanfaat ketika menghadapi data baru di dunia nyata?<\/strong><\/p>\n<\/blockquote>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Referensi<\/h2>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Jordan MI, Mitchell TM. Machine learning: Trends, perspectives, and prospects. <em>Science<\/em>. 2015;349(6245):255\u2013260. doi:10.1126\/science.aaa8415.<\/li>\n\n\n\n<li>Hastie T, Tibshirani R, Friedman J. <em>The Elements of Statistical Learning: Data Mining, Inference, and Prediction<\/em>. 2nd ed. New York: Springer; 2009. doi:10.1007\/978-0-387-84858-7.<\/li>\n\n\n\n<li>Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. <em>New England Journal of Medicine<\/em>. 2019;380(14):1347\u20131358. doi:10.1056\/NEJMra1814259.<\/li>\n\n\n\n<li>Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. <em>BMC Medical Research Methodology<\/em>. 2019;19:64. doi:10.1186\/s12874-019-0681-4.<\/li>\n\n\n\n<li>James G, Witten D, Hastie T, Tibshirani R. <em>An Introduction to Statistical Learning: with Applications in R<\/em>. 2nd ed. New York: Springer; 2021. doi:10.1007\/978-1-0716-1418-1.<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"<p>Memahami Feature, Label, Training, Model, dan Prediction Pada artikel sebelumnya kita telah membahas hubungan antara Artificial Intelligence (AI), Machine Learning (ML), Deep Learning, dan Generative AI.\u2026<\/p>\n","protected":false},"author":1,"featured_media":55,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"pagelayer_contact_templates":[],"_pagelayer_content":"","footnotes":""},"categories":[3],"tags":[],"class_list":["post-51","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-applied-ai-ml-for-publich-health"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.4 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Bagaimana Machine Learning Belajar dari Data? - Rico Kurniawan<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Bagaimana Machine Learning Belajar dari Data? - Rico Kurniawan\" \/>\n<meta property=\"og:description\" content=\"Memahami Feature, Label, Training, Model, dan Prediction Pada artikel sebelumnya kita telah membahas hubungan antara Artificial Intelligence (AI), Machine Learning (ML), Deep Learning, dan Generative AI.\u2026\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/\" \/>\n<meta property=\"og:site_name\" content=\"Rico Kurniawan\" \/>\n<meta property=\"article:published_time\" content=\"2026-09-14T17:55:10+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-14T18:18:00+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ricokurniawan.com\/web\/wp-content\/uploads\/2026\/09\/bagaiman-ml-belajar.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1672\" \/>\n\t<meta property=\"og:image:height\" content=\"941\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"admin\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"admin\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/\"},\"author\":{\"name\":\"admin\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/#\\\/schema\\\/person\\\/a83ccabb0184b7f892b645e6862f1316\"},\"headline\":\"Bagaimana Machine Learning Belajar dari Data?\",\"datePublished\":\"2026-09-14T17:55:10+00:00\",\"dateModified\":\"2026-09-14T18:18:00+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/\"},\"wordCount\":2408,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/bagaiman-ml-belajar.jpg\",\"articleSection\":[\"Applied AI\\\/ML for Publich Health\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/\",\"url\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/\",\"name\":\"Bagaimana Machine Learning Belajar dari Data? - Rico Kurniawan\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/bagaiman-ml-belajar.jpg\",\"datePublished\":\"2026-09-14T17:55:10+00:00\",\"dateModified\":\"2026-09-14T18:18:00+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/#\\\/schema\\\/person\\\/a83ccabb0184b7f892b645e6862f1316\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/bagaiman-ml-belajar.jpg\",\"contentUrl\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/bagaiman-ml-belajar.jpg\",\"width\":1672,\"height\":941},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/2026\\\/09\\\/14\\\/bagaimana-machine-learning-belajar-dari-data\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Bagaimana Machine Learning Belajar dari Data?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/#website\",\"url\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/\",\"name\":\"Rico Kurniawan\",\"description\":\"RicoKurniawan&#039;s Blog\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/#\\\/schema\\\/person\\\/a83ccabb0184b7f892b645e6862f1316\",\"name\":\"admin\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/49985049a58791e8c59abb101efe00cda25647a75ab4b5c595dd54ffdf67115d?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/49985049a58791e8c59abb101efe00cda25647a75ab4b5c595dd54ffdf67115d?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/49985049a58791e8c59abb101efe00cda25647a75ab4b5c595dd54ffdf67115d?s=96&d=mm&r=g\",\"caption\":\"admin\"},\"sameAs\":[\"https:\\\/\\\/ricokurniawan.com\\\/web\"],\"url\":\"https:\\\/\\\/ricokurniawan.com\\\/web\\\/author\\\/admin\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Bagaimana Machine Learning Belajar dari Data? - Rico Kurniawan","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/","og_locale":"en_US","og_type":"article","og_title":"Bagaimana Machine Learning Belajar dari Data? - Rico Kurniawan","og_description":"Memahami Feature, Label, Training, Model, dan Prediction Pada artikel sebelumnya kita telah membahas hubungan antara Artificial Intelligence (AI), Machine Learning (ML), Deep Learning, dan Generative AI.\u2026","og_url":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/","og_site_name":"Rico Kurniawan","article_published_time":"2026-09-14T17:55:10+00:00","article_modified_time":"2026-09-14T18:18:00+00:00","og_image":[{"width":1672,"height":941,"url":"https:\/\/ricokurniawan.com\/web\/wp-content\/uploads\/2026\/09\/bagaiman-ml-belajar.jpg","type":"image\/jpeg"}],"author":"admin","twitter_card":"summary_large_image","twitter_misc":{"Written by":"admin","Est. reading time":"11 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#article","isPartOf":{"@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/"},"author":{"name":"admin","@id":"https:\/\/ricokurniawan.com\/web\/#\/schema\/person\/a83ccabb0184b7f892b645e6862f1316"},"headline":"Bagaimana Machine Learning Belajar dari Data?","datePublished":"2026-09-14T17:55:10+00:00","dateModified":"2026-09-14T18:18:00+00:00","mainEntityOfPage":{"@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/"},"wordCount":2408,"commentCount":0,"image":{"@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#primaryimage"},"thumbnailUrl":"https:\/\/ricokurniawan.com\/web\/wp-content\/uploads\/2026\/09\/bagaiman-ml-belajar.jpg","articleSection":["Applied AI\/ML for Publich Health"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/","url":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/","name":"Bagaimana Machine Learning Belajar dari Data? - Rico Kurniawan","isPartOf":{"@id":"https:\/\/ricokurniawan.com\/web\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#primaryimage"},"image":{"@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#primaryimage"},"thumbnailUrl":"https:\/\/ricokurniawan.com\/web\/wp-content\/uploads\/2026\/09\/bagaiman-ml-belajar.jpg","datePublished":"2026-09-14T17:55:10+00:00","dateModified":"2026-09-14T18:18:00+00:00","author":{"@id":"https:\/\/ricokurniawan.com\/web\/#\/schema\/person\/a83ccabb0184b7f892b645e6862f1316"},"breadcrumb":{"@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#primaryimage","url":"https:\/\/ricokurniawan.com\/web\/wp-content\/uploads\/2026\/09\/bagaiman-ml-belajar.jpg","contentUrl":"https:\/\/ricokurniawan.com\/web\/wp-content\/uploads\/2026\/09\/bagaiman-ml-belajar.jpg","width":1672,"height":941},{"@type":"BreadcrumbList","@id":"https:\/\/ricokurniawan.com\/web\/2026\/09\/14\/bagaimana-machine-learning-belajar-dari-data\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/ricokurniawan.com\/web\/"},{"@type":"ListItem","position":2,"name":"Bagaimana Machine Learning Belajar dari Data?"}]},{"@type":"WebSite","@id":"https:\/\/ricokurniawan.com\/web\/#website","url":"https:\/\/ricokurniawan.com\/web\/","name":"Rico Kurniawan","description":"RicoKurniawan&#039;s Blog","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ricokurniawan.com\/web\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Person","@id":"https:\/\/ricokurniawan.com\/web\/#\/schema\/person\/a83ccabb0184b7f892b645e6862f1316","name":"admin","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/49985049a58791e8c59abb101efe00cda25647a75ab4b5c595dd54ffdf67115d?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/49985049a58791e8c59abb101efe00cda25647a75ab4b5c595dd54ffdf67115d?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/49985049a58791e8c59abb101efe00cda25647a75ab4b5c595dd54ffdf67115d?s=96&d=mm&r=g","caption":"admin"},"sameAs":["https:\/\/ricokurniawan.com\/web"],"url":"https:\/\/ricokurniawan.com\/web\/author\/admin\/"}]}},"_links":{"self":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts\/51","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/comments?post=51"}],"version-history":[{"count":1,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts\/51\/revisions"}],"predecessor-version":[{"id":52,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/posts\/51\/revisions\/52"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/media\/55"}],"wp:attachment":[{"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/media?parent=51"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/categories?post=51"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ricokurniawan.com\/web\/wp-json\/wp\/v2\/tags?post=51"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}