Klasifikasi adalah proses memprediksi kelas dari data-data yang diberikan. Kelaster kadang disebut juga target/label/kategori. Pemodelan klasifikasi merupakan penaksiran mapping function (f) dari variabel input (x) menjadi output diskrit (y). Klasifikasi ini punya banyak manfaat, di bidang geotermal sendiri, machine learning classification diaplikasikan untuk membuat peta prediksi potensi sumber daya panas bumi, bahkan sampai melacak dan mendeteksi adanya anomali pada area operasi pengeboran sumur. Dengan adanya klasifikasi, kita bisa memberikan tindakan yang tepat pada masing-masing kelas. 

Kalau begitu, kita coba mengintip beberapa machine learning classification yang populer.

Algoritma pertama ada logistic regression. Logistic regression ini didasarkan pada rumus probabilitas logistic, yaitu P = (e^(b0 +b1x)) / (1+ e^(b0 + b1x)) yang  biasa dipakai dalam penentuan dua kelas. Meskipun demikian, logistic regression sangat berguna untuk pembuatan peta potensi sumber daya panas bumi.

Yang kedua adalah k nearest neighbour (KNN). KNN ini memiliki konsep “kamu adalah tetangga terdekatmu”. KNN ini akan mencarikan negara-negara tetangga yang paling dekat dengan Indonesia. Akan dihitung jarak antara Indonesia dengan misalnya 5 negara-negara tetangganya. Sebagai contoh, hasilnya adalah Malaysia, Singapura, Thailand, Timor Leste, dan Brunei.. Karena ke lima negara tersebut merupakan Benua Asia, dan kelima negara tersebut paling dekat jaraknya dengan Indonesia, maka bisa disimpulkan bahwa Indonesia masuk ke benua Asia karena 5 negara tetangga terdekatnya merupakan negara yang berada di Benua Asia.

Yang ketiga adalah decision trees. Konsep dari decision trees adalah seperti menjawab pertanyaan ya/tidak. Masing-masing jawaban bisa membawa kita ke pertanyaan berikutnya atau berakhir dalam kesimpulan. 

Klasifikasi itu membantu memberikan tindakan yang tepat berdasarkan masing-masing kelasnya. Tidak heran, jika klasifikasi ini menjadi salah satu tipe machine learning yang sering digunakan dalam berbagai bidang keilmuan.

Pelajari lebih lengkap .